基于模糊神經(jīng)網(wǎng)絡(luò)的列車控制模型研究

基于模糊神經(jīng)網(wǎng)絡(luò)的列車控制模型研究

運行系統(tǒng)是一個非常復(fù)雜的非線性動力學(xué)系統(tǒng)，運行過程非常復(fù)雜。以前的精確數(shù)學(xué)模型控制方法無法用于控制這一過程。目前采用智能控制方法對列車運行進行過程自動控制已成為軌道交通自動化領(lǐng)域的一個熱點問題。本文以列車運行過程中的制動停車為研究對象,首先建立了基于神經(jīng)網(wǎng)絡(luò)的模糊控制器模型,通過給出控制器控制規(guī)則,并將控制器規(guī)則存儲于神經(jīng)網(wǎng)絡(luò)中,然后通過神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練,使其具有自適應(yīng)功能,通過Matlab給出數(shù)值仿真結(jié)果,結(jié)果表明智能控制方法簡單,具有較強的適應(yīng)性,可以運用于列車制動控制。1制動過程數(shù)學(xué)模型列車制動過程是指由制動裝置引起與運動相反的外力迫使列車減速直至停車的過程,在這個過程中走行的距離即為制動距離,由空走距離和有效制動距離組成:Sb=Sk+Se=v0tk3.6+m∑i=14.17(v2i-v2i+1)1000θhφh+ω0+ij(1)tk=(3.6+0.0176rn)(1-0.032ij)(2)式中:Sb為走行過程總制動距離;Sk為空走距離;Se為有效制動距離;v0為制動初速度;tk為空走時間;vi、vi+1分別為第i區(qū)間和第i+1區(qū)間的速度;φh為換算摩擦因數(shù);ω0為列車運行單位基本阻力;ij為加算坡道坡度千分數(shù);θh為列車換算制動率;r為列車管減壓量,kPa;n為牽引輛數(shù)。從式(1)可以看出影響總制動距離Sb的參數(shù)主要有n、r、v0、ij、θh,Sb=f(n,v0,r,θh,ij)(3)對于制動停車過程而言,上述參數(shù)的不同決定了制動初始點的選取是不同的,因此對制動過程的控制實際上就是制動初始點的選取。為使模型簡單,應(yīng)對不同參數(shù)進行分析。1)考慮制動過程中的平穩(wěn)性,貨物列車的列車管減壓量r通常取100kPa。2)對于一條具體的線路和一次實際的運行過程而言,牽引輛數(shù)n是不變的。3)制動初速度v0,一般可通過機車監(jiān)控裝置獲得,精度可滿足要求,它對制動控制的影響可以歸并到制動距離模糊變量隸屬函數(shù)中。4)由于一條固定線路的坡道類型是有限的,因此加算坡道ij可視為一常量。5)列車換算制動率θh是不確定的,在制動初始過程中通常只能給出一個概值,無法獲知整個列車制動過程中精確值,該值受線路和運行狀態(tài)的變化的影響,可將其作為主要的控制輸入?yún)?shù),系統(tǒng)輸出制動初始點距目標(biāo)停車點距離Sb,因此模糊控制器控制公式為Sb=f(θh)(4)式中:f表現(xiàn)了列車換算制動率θh與列車制動點到目標(biāo)停車點距離Sb的一種模糊關(guān)系。2生成規(guī)則t模型參數(shù)的辨識是基于如圖1所示的一個單輸入、單輸出(SISO)連續(xù)系統(tǒng),V=f(U)。本文進行參數(shù)辨識過程為1)將論域θi和sj離散化得到θh=(θ1,θ2,…,θs),Sb=(s1,s2,…,st)。2)設(shè)模糊變量Tθ和Ts取值為語言符號Tθ={L1,L2,…,Li},Ts={F1,F2,…,Fj}。3)對于一個“直接的”規(guī)則,直接賦予權(quán)重值λij=1,表示規(guī)則在控制系統(tǒng)中的真實程度。4)構(gòu)造廣義序?qū)?θi,sj),i={1,2,…,s},j={1,2,…,t},建立如下規(guī)則。Rij:如果θ是θi,則s是sj,引入權(quán)重變量λij來衡量其在控制系統(tǒng)中的真實程度,λij∈,這樣規(guī)則便可轉(zhuǎn)換為Rij:如果對于有序?qū)?θi,sj)構(gòu)成的集合Hθ×s是(Li,Fj),那么其在系統(tǒng)中的真實程度為λij,這樣便可以將系統(tǒng)中所有的控制規(guī)則用相應(yīng)的權(quán)重表示。3自適應(yīng)的sj模型構(gòu)造過程實際上是將系統(tǒng)表示為s+t到的映射,選用常見的3層前饋神經(jīng)網(wǎng)絡(luò)來描述該系統(tǒng),輸入層有s+t個神經(jīng)元,輸出層有1個神經(jīng)元,取值為。中間層變量的數(shù)目選擇與所選擇的樣本數(shù)有一定關(guān)系,考慮到要用反向傳播算法來訓(xùn)練網(wǎng)絡(luò),中間層和輸出層函數(shù)均采用Sigmoid函數(shù),即f=11+e-x。而樣本的選取規(guī)則為1)由控制系統(tǒng)直接得到的規(guī)則序?qū)?(θi,sj),1)。2)考慮到控制系統(tǒng)的連續(xù)性,當(dāng)在θi的條件下sj可能存在微小的浮動,在此定義規(guī)則序?qū)?(θi,sj±ε),1),ε為很小的數(shù)值。3)當(dāng)sj變化較大時,定義規(guī)則序?qū)?(θi,sj±a),λij),a的選擇標(biāo)準(zhǔn)是sj±a,與a相差甚遠,λij=1-ka,k為比例系數(shù)。為了便于訓(xùn)練,樣本采用標(biāo)準(zhǔn)的矢量編碼,輸入矢量和輸出矢量共s+t+1維,樣本主要來源于θ和s離散化后的矢量,包含上面序?qū)χ械姆至恐?,其余為0。利用分層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),采用常用的BP算法進行訓(xùn)練,訓(xùn)練結(jié)束就可以得到規(guī)則的權(quán)重值,輸入層輸入s+t維矢量,輸出層輸出即為該規(guī)則的權(quán)重,在求得所有規(guī)則的權(quán)重后,便可保留規(guī)則較大的權(quán)重。3.1模糊規(guī)則的建立設(shè)控制器輸入變量為(θh,Sb),模糊變量分別記為Tθ和Ts,輸入和輸出變量的語言值的模糊子集均取5個,具體為{負大,負小,零,正小,正大},記為{NB,NS,ZO,PS,PB},Tθ={L1,L2,L3,L4,L5},Ts={F1,F2,F3,F4,F5},權(quán)重變量取值λij為,模糊規(guī)則采用Rij:如果Hθh×s為(Li,Fj),則對應(yīng)權(quán)重為λij,模糊變量隸屬函數(shù)均采用雙曲函數(shù)形式f(x)=11+eα(x-β),通過實驗確定參數(shù)α和β的值。3.2h較小的困境列車運行的模糊控制規(guī)則有如下形式。1)若當(dāng)前θh較大,則實際制動點的選取在理論制動點之后。2)若當(dāng)前θh較小,則實際制動點的選取在理論制動點之前。3)若當(dāng)前θh相當(dāng),則實際制動點的選取應(yīng)當(dāng)?shù)扔诶碚撝苿狱c。語言變量為5個,理論組合成25條模糊控制規(guī)則;經(jīng)過對初始學(xué)習(xí)樣本的訓(xùn)練,在得到各個規(guī)則的權(quán)重值后,確定一個閾值,選擇那些權(quán)重值超過閾值的規(guī)則作為控制器的最終控制規(guī)則。3.3計算機動力的數(shù)值轉(zhuǎn)換控制器的結(jié)果去模糊化主要是根據(jù)制動率θh值的不同,給出相應(yīng)的初始制動點。為了將模糊控制輸出的標(biāo)準(zhǔn)化數(shù)值轉(zhuǎn)換為實際制動點位置,主要確定2點:①列車制動距離隸屬函數(shù)曲線的理論參考點Sb的確定;②在給出初速度v0后,曲線中單位步長所代表的制動距離。在確定上述兩個問題后,控制器的輸出便能根據(jù)需要轉(zhuǎn)化成實際的制動距離。在此筆者采用重心法解決。SCΟGout=n∑i=iμi?sin∑i=1μi(5)4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)仿真以DF4(貨)型內(nèi)燃機車車為例,牽引重量G=3000t,其中重車40輛,空車10輛,車輛制動機為GK型,自重135t,列車管定壓為500kPa,列車管減壓量r=100kPa,加算坡道千分數(shù)ij=-3.5‰,計算得理論換算制動率數(shù)值θh=0.377。整個仿真采用Matlab6.0計算。1)采用Sigmoid函數(shù)作為隸屬函數(shù),f(x)=11+eα(x-β),通過實驗確定參數(shù)為α=5,β=0.5,X取值為,實際隸屬函數(shù)曲線如圖2所示。2)將輸入變量Sb和θh離散化,取值分布于(0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9.1.0),這樣輸入和輸出變成了11維的實數(shù)型輸入/輸出矢量,將理論θh值作為中心點,即θ6=θh,取步長0.1對θh進行加減運算,將結(jié)果按從小到大的順序排列;對于每一個制動過程均有一理論參考點S理論,基于不同的初速度v0計算與矢量θh對應(yīng)的Sb,將其按從大到小的順序排列,將最小值作為控制器模糊變量輸出,構(gòu)造序?qū)?θh,Sb),給出對應(yīng)的權(quán)重λij值。3)經(jīng)過分析神經(jīng)網(wǎng)絡(luò)的輸入樣本共有6種類型,總共仿真樣本數(shù)量共計172個,輸入層元素共22個,輸出層1個,通過試驗確定中間層為7個,采用帶有動量因子α的BP反向傳播算法,α=0.9,學(xué)習(xí)率η=0.75,迭代樣本誤差表示為Eout=n∑i=1(yi-di)2≤0.001(6)大約迭代8000次便可收斂,效果較好。由于控制規(guī)則理論組合為25條,在本次仿真計算中通過實驗確定的閾值λ=0.85時,滿足條件的控制規(guī)則有12條,這樣在經(jīng)過上述的過程后便生成一個模糊控制系統(tǒng)。通過去模糊化給出對應(yīng)制動率θh和初速度v0下的制動距離Sb的值,通過matlab6.0仿真計算,隸屬函數(shù)曲線步長計算公式為Step=sθ1-sθ114(7)表1給出了不同初速度v0與sθ1、sθ11以及Step之間的關(guān)系。當(dāng)控制器的輸出SCΟGout=0時,輸出S實=S理論,當(dāng)不為0時,可以按照式(8)進行計算。S實=S理論+SCΟGout×step(8)這樣控制器模型就能輸出實際的制動距離S實,當(dāng)θh=0.337時,仿真結(jié)果如表2所列。5基于模糊推理的神經(jīng)網(wǎng)絡(luò)智能算法仿真分析分析了影響建立控