一种列车全自动驾驶速度跟随智能控制方法及装置与流程

1.本发明涉及一种智能控制方法，具体为一种列车全自动驾驶速度跟随智能控制方法及装置，属于轨道交通与无人驾驶技术领域。


背景技术：

2.随着我国经济的快速发展,城市化进程不断加快,人口密度也逐渐增大,轨道交通对于缓解城市以及城际交通压力的重要性也越来越突出。而随着高铁技术的不断发展,列车运行向着密度大、速度高、运输量大的方向发展,传统的人工驾驶模式已经难以满足要求。
3.ato(automatic train operation,列车自动驾驶)利用先进的计算机控制技术对列车进行牵引、制动、停车等控制,保证列车的安全行车要求,实现列车自动运行。因此,ato取代人工驾驶是未来高铁技术的发展趋势。
4.ato中最重要的部分是列车的速度控制,目前已有多种控制方法应用到了列车速度控制中,但是由于列车运行是一个复杂的非线性过程,没有精确的数学模型来描述列车运行过程,常规的控制算法难以达到令人满意的自主控制效果。


技术实现要素：

5.本发明的目的就在于为了解决问题而提供一种列车全自动驾驶速度跟随智能控制方法及装置，根据当前的列车速度曲线，实时控制并实现对最优速度曲线的跟随。并且考虑到可能的突发情况，可能会出现降速行驶，紧急制动或蠕动模式等，都要求控制器能够实时跟随速度曲线，稳定性、准确性和快速性要求较高。
6.本发明通过以下技术方案来实现上述目的：一种列车全自动驾驶速度跟随智能控制方法及装置，包括
7.模糊pid控制系统，其基于列车全自动驾驶速度跟随控制需求而建立，并可以对参数自整定，且其包括速度控制器、制动设备以及驱动设备，且其采用分解模糊系统实时调整pid速度控制器的参数kp，ki，kd；
8.智能控制模型，其为列车全自动驾驶条件下速度跟随的模型，且其用于对列车最优速度曲线的跟随控制。
9.其控制方法包括以下步骤：
10.步骤一：根据当前限速信息、行车间隔、旅行速度等数据，确定最优速度曲线，如遇紧急情况，依据需要切换到降速行驶，紧急制动或蠕动模式等，确定最优速度曲线；
11.步骤二：将确定的最优速度曲线设置为期望速度，作为控制器输入，控制器模型为：
12.k
p
＝k
p
δk
p
13.ki＝ki δki14.kd＝kd δkd15.步骤三：采用分解模糊系统实时调整δkp、δki、δkd。
16.作为本发明再进一步的方案：所述步骤三中，具体包括：
17.①
确定语言变量，确定需要模糊化的输入变量。
18.②
确定隶属度函数，选择三角隶属度函数对变量进行模糊处理。
19.③
构建模糊规则库，按照系统的需求对模糊规则库进行建立。
20.④
去模糊化，利用重心法将经过模糊推理后的模糊量进行清晰化处理。
21.作为本发明再进一步的方案：所述模糊pid控制系统由pid控制器与模糊系统共同连接构成，并由模糊系统实时调整pid的控制参数。
22.作为本发明再进一步的方案：所述pid控制器的误差和误差的导数作为模糊系统的输入，模糊系统通过模糊化、模糊推理和解模糊得到pid的调整量，并输入到pid控制器中在线修改pid的参数。
23.作为本发明再进一步的方案：所述模糊系统去模糊化所采用的重心法选取的是范围内的重心值，取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值，所采用的公式为：
[0024][0025]
其中，y是模糊集隶属度函数所覆盖的区域的中心。
[0026]
作为本发明再进一步的方案：所述分解模糊系统选取的模糊集为除去边界模糊集的剩余的模糊变量。
[0027]
本发明的有益效果是：模糊pid控制采用模糊推理方法对pid参数kp、ki和kd进行在线自整定，保证pid的参数不再保持单一的状态，能提高控制精度，具有更好的灵活性。为了进一步提高控制精度,模糊系统需要提高它的逼近能力，同时，为了保证实时调整的要求，由于过多的模糊规则会导致计算机的负担增多，所以采用分解模糊pid控制。分解模糊系统(dfs)实时调整pid的参数kp，ki，kd，分解模糊理论与pid控制相结合应用于列车动力学模型中，实现了pid参数的在线自动整定，弥补了普通pid控制调节的不足，加快了对干扰的动态响应。
附图说明
[0028]
图1为本发明整体控制系统结构示意图；
[0029]
图2为本发明工作流程示意图；
[0030]
图3为本发明实施例提供的模糊pid控制流程图；
[0031]
图4为本发明实施例提供的一种模糊推理图；
[0032]
图5为本发明实施例提供的一种三角隶属度函数图；
[0033]
图6为本发明实施例提供的一种pid不同情况说明图；
[0034]
图7为本发明实施例提供的一种论域划分图；
[0035]
图8为本发明实施例提供的论域图；
[0036]
图9为本发明实施例提供的一种双输入模糊变量dfs设计图。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
实施例一
[0039]
请参阅图1～2，一种列车全自动驾驶速度跟随智能控制装置，包括
[0040]
模糊pid控制系统，其基于列车全自动驾驶速度跟随控制需求而建立，并可以对参数自整定，且其包括速度控制器、制动设备以及驱动设备，且其采用分解模糊系统实时调整pid速度控制器的参数kp，ki，kd；
[0041]
智能控制模型，其为列车全自动驾驶条件下速度跟随的模型，且其用于对列车最优速度曲线的跟随控制。
[0042]
其控制方法包括以下步骤：
[0043]
步骤一：根据当前限速信息、行车间隔、旅行速度等数据，确定最优速度曲线，如遇紧急情况，依据需要切换到降速行驶，紧急制动或蠕动模式等，确定最优速度曲线；
[0044]
步骤二：将确定的最优速度曲线设置为期望速度，作为控制器输入，控制器模型为：
[0045]kp
＝k
p
δk
p
[0046]ki
＝ki δki[0047]
kd＝kd δkd[0048]
步骤三：采用分解模糊系统实时调整δkp、δki、δkd。
[0049]
作为本发明再进一步的方案：所述步骤三中，具体包括：
[0050]
①
确定语言变量，确定需要模糊化的输入变量。
[0051]
②
确定隶属度函数，选择三角隶属度函数对变量进行模糊处理。
[0052]
③
构建模糊规则库，按照系统的需求对模糊规则库进行建立。
[0053]
④
去模糊化，利用重心法将经过模糊推理后的模糊量进行清晰化处理。
[0054]
在本发明实施例中，所述模糊pid控制系统由pid控制器与模糊系统共同连接构成，并由模糊系统实时调整pid的控制参数。
[0055]
在本发明实施例中，所述pid控制器的误差和误差的导数作为模糊系统的输入，模糊系统通过模糊化、模糊推理和解模糊得到pid的调整量，并输入到pid控制器中在线修改pid的参数。
[0056]
在本发明实施例中，所述模糊系统去模糊化所采用的重心法选取的是范围内的重心值，取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值，所采用的公式为：
[0057][0058]
其中，y是模糊集隶属度函数所覆盖的区域的中心。
[0059]
在本发明实施例中，所述分解模糊系统选取的模糊集为除去边界模糊集的剩余的
模糊变量。
[0060]
实施例二
[0061]
请参阅图3～9，一种列车全自动驾驶速度跟随智能控制方法，包括模糊pid控制和简易分解模糊pid控制。pid结构较为简单、稳定性好、鲁棒性强，在实际控制中有着广泛的应用。然而，pid控制器的参数整定方法是需要大量的专家经验与现场调试，由于参数设置不好导致性能往往较差。大多数系统的是非线性的和时变的，并且由于参数范围窄，pid不能在参数变化大的情况下提供良好的动态性能，所以采用智能pid控制。智能pid控制是以传统pid控制为核心，将智能算法与控制技术结合，具备两者的优点，既具有传统pid控制器结构简单、可靠性高和鲁棒性强的特点，又具备智能算法系统自学习、自适应、自组织的功能，能够调整pid控制器的三个参数，以适应过程参数变化。
[0062]
在主动避撞系统中采用智能pid算法，由于专家系统和混沌算法的构建较为复杂，神经网络算法和遗传算法需要离线进行的训练，实时性较差，所以调节采用的智能pid算法是模糊pid算法。模糊pid控制系统由pid控制器与模糊系统共同连接构成，并由模糊系统实时调整pid的控制参数，实现pid在不同时刻、不同状态下具有相适应的控制参数。
[0063]
在模糊pid中，pid控制器的误差e和误差的导数ec作为模糊系统的输入，模糊系统通过模糊化、模糊推理和解模糊得到pid的调整量δkp、δki和δkd，并输入到pid控制器中，在线修改pid的参数。如图3-2所示，此时系统pid控制器的参数取值应该分别为kp δkp、ki δki和kd δkd，保证控制器的参数得到相适应的修正。
[0064]
模糊pid表面看来是一个三输入两输出的系统，实际上是三个双输入单输出的控制系统。系统误差和误差变化率被输入，利用所确定的模糊相应规则对δkp、δki、δkd进行实时调整，模糊规则满足所确定的模糊控制规则。按不同的要求对kp、ki、kd的调整的公式如式(1)所示。
[0065][0066]
模糊pid控制系统一般分为四个部分，分别是确定语言变量，确定隶属度函数，构建模糊规则库和去模糊化。第一部分，确定需要模糊化的输入变量。第二部分，选择合适的隶属度函数对变量进行模糊处理。第三部分是按照系统的需求对模糊规则库进行建立。第四部分，将经过模糊推理后的模糊量进行清晰化处理。
[0067]
本文采用三角形隶属度函数，由于其运算量不大，结构简单等特点，有利于模糊规则的调整。
[0068]
去模糊化在模糊系统中也称作清晰化，是为了将模糊推理所产生的模糊值转化为清晰的控制量。重心法、加权平均法和最大隶属度法是比较常见的去模糊方法。模糊系统在实际使用过程中，模糊系统的输入量通过模糊规则库进行推理演算得到系统的输出，但此时系统的输出还是模糊值，需要去模糊化才能得到实际系统的输出。
[0069]
模糊系统的输出量必须是精确值，在执行相应的控制过程中，重心法是一种具有代表性的解模糊方法，选取的是范围内的重心值，取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值。本发明采用重心法，如式(2)所示。y是模糊集隶属度函
数所覆盖的区域的中心。
[0070][0071]
本发明用模糊系统代替传统模糊系统中的规则，对于标准的模糊系统，输入划分可以由用户或通过一些聚类过程来定义。标准的模糊系统将模糊变量划分为ns 2(ns≥2)个模糊集，分解模糊系统取其中的ns个模糊集。
[0072]
两个边界模糊集除外后，将剩余的模糊变量分解为ns层，每一层对应于原模糊划分中的一个模糊集。在结构上，每一层的传统模糊变量由一个对应的模糊集及其补集构成。为了区分大于或小于相应模糊集的区域，将模糊集的补集划分为两个互补的模糊集。因此，每一层有三个模糊集。
[0073]
对于第i层，对于传统的模糊集来说，两个互补的模糊集是的两个补集。其中，表示大于的模糊集，表示小于的模糊集。本文将这些模糊子系统称为分量模糊系统。
[0074]
当存在输入模糊变量和各变量之间有ns层时，所有可能的组合将会形成nc＝(ns)n模糊子系统，即分量模糊系统。分量模糊系统由3n个模糊规则组成。因此，分解模糊系统中的模糊规则总数为3n(ns)n。分解模糊系统对于输入模糊隶属度函数的调整，使得系统具有更多的参数用于适应以捕获规则前件部分的可能变化，而且这些参数以并行的意义分布到所有分量模糊系统中。最重要的是，他们在不同的分量模糊系统之间是相互独立的，符合传统模糊规则的兼容性。在分解模糊系统的结构中，将模糊变量分解为若干层，每一层在原模糊划分中形成三个模糊集。类似于传统模糊系统中模糊规则的形成，不同变量的层次将形成分量糊系统。利用这种结构，可以采用更复杂的模糊划分来提高模糊逼近能力。
[0075]
在主动避撞系统中，控制器精确的输出在将会使得系统更加稳定和安全。分解模糊系统实时调整pid参数kp，ki，kd，使得pid的参数不再保持单一的状态，分解模糊理论与pid控制相结合应用于主动避撞系统中，实现了pid参数的在线自动整定，弥补了普通pid控制调节的不足，加快了对干扰的动态响应。由分解模糊理论可以推导出新的模糊规则库，传统的模糊pid的模糊规则库因此被修改，如表1所示：
[0076][0077]
由于分解模糊规则量过大，为此提出了一种简化的分解模糊算法。对于简化分解模糊系统，只考虑来自这些模糊变量的同一排序层的模糊集。图7显示了一个有两个输入模糊变量的示例，即n＝2。
[0078]
分解模糊系统和简化分解模糊系都是在分解模糊系统的基础上提出的。因此，在传统的模糊系统中使用的任何方法都可以应用到它们中。根据简化分解模糊系统理论，将对分解模糊系统的模糊规则库进行修改，规则数变成了原来的三分之一，优化了模糊规则的规则数，如表2所示：
[0079][0080][0081]
工作原理：在模糊pid的基础上提出改进型模糊pid，即分解模糊pid，提高模糊逼近能力。对于分解模糊系统，主要是在原有模糊集合的结构上进行分层，但由于其规则数量
大，提出简化分解模糊系统，与pid结合组成化分解模糊pid。
[0082]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0083]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。