基于神經(jīng)網(wǎng)絡(luò)的列車自動(dòng)駕駛控制算法研究

費(fèi)洋 吳永城

【摘要】對(duì)列車自動(dòng)駕駛系統(tǒng)的速度控制過程進(jìn)行了分析，針對(duì)傳統(tǒng)PID算法缺乏自適應(yīng)能力的缺點(diǎn)，在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)之上對(duì)神經(jīng)元的學(xué)習(xí)算法作出改進(jìn)，設(shè)計(jì)出了基于RBF網(wǎng)絡(luò)辨識(shí)的單神經(jīng)元自適應(yīng)PID控制器，仿真結(jié)果表明該控制器能夠滿足列車自動(dòng)駕駛系統(tǒng)速度控制要求。

【關(guān)鍵詞】列車自動(dòng)駕駛系統(tǒng);神經(jīng)網(wǎng)絡(luò);控制算法

Abstract：The speed control process for Automatic Train Operation is analyzed， and as the traditional PID algorithm lacks adaptability， a single neuron adaptive PID controller based on RBF neural network is designed. The result of simulation shows that the controller can meet the speed control requirements for Automatic Train Operation.

Keywords：Automatic Train Operation;neural network;control algorithm

引言

隨著中國(guó)經(jīng)濟(jì)的飛速發(fā)展和城市化進(jìn)程的加快，我國(guó)的城市軌道交通行業(yè)已步入了一個(gè)跨越式發(fā)展的新階段?！笆濉逼陂g，我國(guó)將有25個(gè)城市、完成78條線路，期間的建設(shè)規(guī)模為2500公里左右，總投資達(dá)1.2萬(wàn)億元左右，到2020年末，全國(guó)建成總里程將達(dá)7000公里左右，中國(guó)已經(jīng)成為世界最大的城市軌道交通市場(chǎng)。在城市軌道交通蓬勃發(fā)展的過程中，安全和高效始終是其追求的兩大目標(biāo)。在城市軌道交通系統(tǒng)中，列車的運(yùn)行速度雖然不高，但站間距離短，列車間的追蹤間距和行車間隔都比較小，行車間隔最短可達(dá)到90s，甚至更短。如此短的追蹤間距和行車間隔，對(duì)司機(jī)的駕駛技術(shù)提出了更高要求，任何一點(diǎn)點(diǎn)疏忽都可能造成重大行車事故。因此必須采用機(jī)械的、電氣化的、智能化的信號(hào)系統(tǒng)，以保證列車行車安全，保護(hù)乘客生命財(cái)產(chǎn)安全。這些系統(tǒng)包括向司機(jī)指示列車運(yùn)行條件、保障列車行車安全的列車自動(dòng)控制系統(tǒng)和聯(lián)鎖系統(tǒng)。其中，列車自動(dòng)控制系統(tǒng)的一個(gè)重要子系統(tǒng)——列車自動(dòng)駕駛系統(tǒng)ATO（Automatic Train Operation），是替代司機(jī)控制列車自動(dòng)運(yùn)行的設(shè)備，它在列車自動(dòng)防護(hù)系統(tǒng)ATP（Automatic Train Protection）的安全防護(hù)下，利用車載固化信息和地面信息給出最優(yōu)控制力以控制列車的牽引/制動(dòng)，從而實(shí)現(xiàn)列車的自動(dòng)駕駛。

為了確保列車能夠在兩站之間平穩(wěn)高效地運(yùn)行，ATO在控制列車的行駛速度時(shí)，需要滿足準(zhǔn)點(diǎn)、節(jié)能、舒適等運(yùn)行指標(biāo)。因此，研究ATO的一個(gè)重要內(nèi)容就是對(duì)其控制算法的設(shè)計(jì)，它是使列車實(shí)現(xiàn)節(jié)能運(yùn)行、準(zhǔn)點(diǎn)運(yùn)行和平穩(wěn)運(yùn)行的關(guān)鍵技術(shù)[1]。對(duì)于ATO系統(tǒng)的控制算法來說，首先是要根據(jù)已知信息得到一條最優(yōu)目標(biāo)速度曲線，該最優(yōu)目標(biāo)速度曲線是ATO控制列車自動(dòng)駕駛的理論依據(jù)，它反映了列車運(yùn)行過程中的準(zhǔn)點(diǎn)、節(jié)能、舒適等運(yùn)行指標(biāo)的情況。其次是要輸出控制量控制列車跟隨最優(yōu)目標(biāo)速度曲線運(yùn)行，然而在列車的實(shí)際運(yùn)行過程中，由于受到各種內(nèi)外因素的干擾，其運(yùn)行軌跡很難與目標(biāo)速度曲線完全重合，所以ATO在控制列車運(yùn)行過程中能否給出最優(yōu)控制力使列車的實(shí)際運(yùn)行軌跡與目標(biāo)速度曲線最為貼近，ATO的速度控制算法是至為關(guān)鍵的一個(gè)部分。本文主要目的就是在最優(yōu)目標(biāo)速度曲線已知的情況下，利用神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)一套速度控制算法使控制器輸出的控制量實(shí)施后，列車能夠緊密跟隨目標(biāo)速度曲線運(yùn)行。

1.ATO速度控制過程分析

ATO系統(tǒng)控制列車實(shí)現(xiàn)自動(dòng)駕駛的過程實(shí)質(zhì)上就是要根據(jù)列車運(yùn)行的即時(shí)速度信息和位置信息，以及地面設(shè)備和控制中心傳來的信息，科學(xué)、合理地控制列車的運(yùn)行速度，其速度控制過程如圖1所示。

圖1 ATO速度控制過程

列車在運(yùn)行過程中，ATP系統(tǒng)利用安裝在輪軸上的速度傳感器實(shí)時(shí)地測(cè)量列車的運(yùn)行速度，同時(shí)由于車輪的磨損、空轉(zhuǎn)、打滑等情況會(huì)造成一定的測(cè)量誤差，所以還需要用加速度計(jì)對(duì)所測(cè)速度進(jìn)行校正，最終計(jì)算得到實(shí)際的列車速度。有了列車的即時(shí)速度，通過對(duì)其積分就可得到列車的運(yùn)行距離，該距離是列車運(yùn)行的相對(duì)距離，要獲得列車的絕對(duì)位置還需要通過分布在線路上的信標(biāo)（應(yīng)答器）進(jìn)行定位校正，最終得到列車的實(shí)際位置。ATO系統(tǒng)根據(jù)得到的速度信息和位置信息再結(jié)合線路地理?xiàng)l件、ATP限速和控制中心發(fā)來的移動(dòng)授權(quán)等信息就可以得到目標(biāo)速度。車載控制器將實(shí)際速度與目標(biāo)速度進(jìn)行比較，將兩者之差作為輸入，再根據(jù)一定的控制算法得出控制量，并執(zhí)行控制命令，控制列車的牽引/制動(dòng)系統(tǒng)，完成列車的牽引、惰行和制動(dòng)，從而實(shí)現(xiàn)自動(dòng)駕駛。

2.傳統(tǒng)PID算法

在工程實(shí)際應(yīng)用中，最常用的控制規(guī)律為比例、積分、微分控制，簡(jiǎn)稱PID控制。PID控制器因其結(jié)構(gòu)簡(jiǎn)單、工作可靠、穩(wěn)定性好、調(diào)整方便，自問世七十多年以來一直都是工業(yè)控制的主要技術(shù)，所以本節(jié)首先利用傳統(tǒng)PID控制算法設(shè)計(jì)ATO速度控制器。

國(guó)防科學(xué)技術(shù)大學(xué)王洪坡等人以試驗(yàn)線工程樣車為研究對(duì)象，通過列車主控PLC采集列車運(yùn)行參數(shù)，利用最小二乘法辨識(shí)得出了列車運(yùn)行模型[2]，本文即采用該模型作為被控對(duì)象，其傳遞函數(shù)為：

（1）

PID控制器的控制效果完全取決于PID參數(shù)的設(shè)置是否合理。自PID控制器問世以來，PID控制器參數(shù)主要是由一些經(jīng)驗(yàn)豐富的技術(shù)人員進(jìn)行人工調(diào)整，這種方法不僅費(fèi)時(shí)費(fèi)力，而且理論上無法保證獲得最佳的性能。所以，對(duì)PID控制器的參數(shù)進(jìn)行整定一直都是PID控制器設(shè)計(jì)的核心內(nèi)容[3]。傳統(tǒng)的整定方法主要有極點(diǎn)配置和零極點(diǎn)對(duì)消兩種方法，近年來，除了傳統(tǒng)的整定方法外還出現(xiàn)了一些智能整定方法，本文即采用粒子群算法對(duì)PID參數(shù)進(jìn)行整定[4]。為了衡量實(shí)際速度對(duì)目標(biāo)速度的跟隨性能，本文選用LAE指標(biāo)作為粒子群算法的適應(yīng)函數(shù)，其中，即絕對(duì)誤差的積分。

粒子群算法整定PID參數(shù)的過程如圖2所示：

圖2 粒子群整定PID參數(shù)流程圖

最終得到的最優(yōu)PID參數(shù)為：

Kp=43.59;Ki=3.24;Kd=99.99。

將該P(yáng)ID控制器用于列車速度控制，得到的列車運(yùn)行速度距離曲線如圖3所示：

圖3 列車運(yùn)行速度距離曲線

從圖3可以看出在沒有施加干擾時(shí)，列車的實(shí)際速度曲線幾乎與目標(biāo)速度曲線完全重合，速度跟隨性較好，從而確保了列車的準(zhǔn)點(diǎn)、節(jié)能、舒適等各項(xiàng)指標(biāo)都得以實(shí)現(xiàn)。然而列車的實(shí)際運(yùn)行過程是一個(gè)非常復(fù)雜的過程，線路條件、天氣情況等外部環(huán)境因素以及乘客上下車等內(nèi)部自身因素的變化都會(huì)給列車的行駛造成干擾，為了說明干擾對(duì)PID控制造成的影響，本文在仿真時(shí)間第10s開始對(duì)列車施加一系列干擾信號(hào)。從圖3可以看出施加干擾之后的列車運(yùn)行速度距離曲線在ATO目標(biāo)速度曲線之間來回?fù)u擺，很多部分已經(jīng)脫離了目標(biāo)速度曲線，嚴(yán)重影響了列車運(yùn)行的各項(xiàng)性能指標(biāo)。這是因?yàn)榱熊囋趯?shí)際行駛過程中，隨著乘客上下客以及線路條件的改變等運(yùn)行條件的變化，被控對(duì)象的特性參數(shù)也在發(fā)生變化，即列車的傳遞函數(shù)已經(jīng)發(fā)生變化，此時(shí)應(yīng)當(dāng)重新調(diào)整PID參數(shù)，而參數(shù)固定的PID控制器參數(shù)一旦選定之后就不再改變，所以其控制策略自然就不符合實(shí)際需求，從而無法達(dá)到滿意的控制效果。為了彌補(bǔ)傳統(tǒng)PID控制缺乏自適應(yīng)能力的缺陷，本文接下來將利用神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)ATO速度控制器，以取得更好的控制效果。

3.基于神經(jīng)網(wǎng)絡(luò)的ATO速度控制器

3.1 單神經(jīng)元自適應(yīng)PID控制器

針對(duì)傳統(tǒng)PID控制器參數(shù)固定，無法適應(yīng)環(huán)境變化而自動(dòng)調(diào)節(jié)的缺陷，本文基于通用神經(jīng)元模型構(gòu)成單神經(jīng)元網(wǎng)絡(luò)自適應(yīng)PID控制器，其控制框圖如圖4所示：

圖4 單神經(jīng)元自適應(yīng)PID控制框圖

本文采用增量式PID控制，控制算法為：

（2）

上式中，T為采樣周期，k為采樣序號(hào)，e（k）為第k時(shí)刻的誤差信號(hào)，u（k）為控制量，Δu（k）為控制量的增量。由此可知該單神經(jīng)元網(wǎng)絡(luò)具有3個(gè)輸入量，分別為：

（3）

相應(yīng)的輸入權(quán)值為：

（4）

神經(jīng)網(wǎng)絡(luò)的整定指標(biāo)為：

（5）

采用梯度下降法來調(diào)節(jié)權(quán)值，使E最小，權(quán)值調(diào)整算法如下：

（6）

即：

（7）

上式算法中的η為學(xué)習(xí)速率，其在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中始終保持不變，本文為了取得更好的控制效果，對(duì)傳統(tǒng)神經(jīng)元學(xué)習(xí)算法做出了一定的改進(jìn)，使神經(jīng)元的學(xué)習(xí)速率隨誤差的改變而做出相應(yīng)的調(diào)整，其調(diào)整的主要思想如下：

首先設(shè)定一個(gè)誤差閾值，然后在控制過程中，不斷地檢測(cè)實(shí)際輸出與目標(biāo)輸入的誤差，當(dāng)誤差的絕對(duì)值小于該閾值時(shí)，令學(xué)習(xí)速率保持不變;當(dāng)誤差的絕對(duì)值大于等于該閾值時(shí)，檢測(cè)誤差的變化，若誤差和誤差的變化符號(hào)相同，說明此時(shí)誤差在增大，則根據(jù)當(dāng)前誤差為正還是負(fù)對(duì)學(xué)習(xí)速率做出相應(yīng)的調(diào)整;若誤差和誤差的變化符號(hào)相反，說明此時(shí)誤差在縮小，則保持當(dāng)前學(xué)習(xí)速率不變，調(diào)整算法如式（8）所示：

（8）

上式中，ε為誤差閾值，φ為誤差為正時(shí)的學(xué)習(xí)速率調(diào)整系數(shù)，δ為誤差為負(fù)時(shí)的學(xué)習(xí)速率調(diào)整系數(shù)，e（k）為第k時(shí)刻的誤差，η（k）為第k時(shí)刻的學(xué)習(xí)速率。式（7）中的為

Jacobian信息，反映了輸出對(duì)輸入的敏感度，由于該值無法直接得到，所以本文將利用RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)得出Jacobian信息。

3.2 RBF網(wǎng)絡(luò)辨識(shí)

RBF網(wǎng)絡(luò)又稱徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，是由J.Moody和C.Darken于20世紀(jì)80年代末提出的一種具有單隱層的3層前饋神經(jīng)網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)，本文接下來將設(shè)計(jì)RBF網(wǎng)絡(luò)對(duì)被控對(duì)象進(jìn)行辨識(shí)以獲取Jacobian信息。

將式（1）寫成脈沖傳遞函數(shù)形式為：

（9）

將上式寫成差分方程形式為：

（10）

根據(jù)式（10）的表達(dá)式，取RBF辨識(shí)網(wǎng)絡(luò)的輸入量為：

（11）

本文選取的RBF網(wǎng)絡(luò)為4-6-1結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示：

圖5 RBF辨識(shí)網(wǎng)絡(luò)結(jié)構(gòu)

選擇RBF網(wǎng)絡(luò)逼近的性能指標(biāo)函數(shù)為：

（12）

其中，y（k）為實(shí)際輸出，ym（k）為RBF網(wǎng)絡(luò)辨識(shí)輸出。輸出層節(jié)點(diǎn)權(quán)值、隱層節(jié)點(diǎn)基寬參數(shù)及隱層節(jié)點(diǎn)中心向量的調(diào)整算法如下：

（13）

上式中，i=1，2，3，4，5，6，j=1，2，3，4，η為學(xué)習(xí)速率，α為動(dòng)量因子，由式（13）可辨識(shí)得出Jacobian信息：

（14）

3.3 仿真結(jié)果分析

將RBF辨識(shí)網(wǎng)絡(luò)加入到單神經(jīng)元自適應(yīng)PID控制中，最終得到的控制框圖如圖6所示：

圖6 基于RBF網(wǎng)絡(luò)辨識(shí)的單神經(jīng)元自適應(yīng)PID控制

取單神經(jīng)元的初始權(quán)值為：w1=43.59、w2=3.24、w3=99.99，誤差閾值ε=0.01m/s，并利用粒子群算法，以IAE為性能指標(biāo)，對(duì)神經(jīng)元的初始學(xué)習(xí)速率ηp、ηi、ηd及其相應(yīng)的調(diào)整系數(shù)φp、φi、φd、δp、δi、δd進(jìn)行優(yōu)化，優(yōu)化結(jié)果如下：

將單神經(jīng)元自適應(yīng)PID控制器用于列車速度控制，得到的列車運(yùn)行速度距離曲線如圖7所示，從圖7可以看出，即便存在干擾的情況下，單神經(jīng)元自適應(yīng)PID控制器亦能使列車的實(shí)際速度緊密跟隨目標(biāo)速度曲線運(yùn)行，從而確保了列車的準(zhǔn)點(diǎn)、節(jié)能、舒適等運(yùn)行指標(biāo)得以實(shí)現(xiàn)。

圖7 列車運(yùn)行速度距離曲線

RBF網(wǎng)絡(luò)辨識(shí)得到的Jacobian信息以及神經(jīng)元對(duì)kp、ki、kd的調(diào)節(jié)過程如圖8和圖9所示：

圖8 Jacobian信息

圖9 kp、ki、kd調(diào)節(jié)曲線

4.結(jié)束語(yǔ)

在未來城市軌道交通發(fā)展過程中，自動(dòng)駕駛代替人工駕駛是實(shí)現(xiàn)列車智能化控制的必然趨勢(shì)[5]。因此，以速度控制為基礎(chǔ)的列車自動(dòng)駕駛系統(tǒng)是軌道交通的一個(gè)非常重要而又有研究?jī)r(jià)值的系統(tǒng)。本文針對(duì)傳統(tǒng)PID算法參數(shù)固定，缺乏自適應(yīng)能力的缺陷，設(shè)計(jì)了基于RBF網(wǎng)絡(luò)辨識(shí)的單神經(jīng)元自適應(yīng)PID控制器，通過仿真實(shí)驗(yàn)表明，該控制器能夠確保列車在運(yùn)行過程中具有良好的速度跟隨性。

參考文獻(xiàn)

[1]唐濤，黃良驥.列車自動(dòng)駕駛系統(tǒng)控制算法綜述[J].鐵道學(xué)報(bào)，2003，25（2）：98-102.

[2]王洪坡.磁懸浮列車速度控制與自動(dòng)駕駛系統(tǒng)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)研究生院控制理論與控制工程系，2002.

[3]楊光，唐禎敏.基于MATLAB的磁浮列車自動(dòng)駕駛控制系統(tǒng)的仿真[J].鐵路計(jì)算機(jī)應(yīng)用，2007，16（6）：49-51.

[4]張家駿.基于粒子群算法的PID控制器參數(shù)優(yōu)化研究[J].計(jì)算機(jī)仿真，2010，27（10）：191-193.

[5]賈文婷.城市軌道交通列車運(yùn)行控制[M].北京：北京交通大學(xué)出版社，2012.

作者簡(jiǎn)介：

費(fèi)洋（1973—），男，江蘇南京人，大學(xué)本科，工程師，研究方向：城市軌道交通自動(dòng)化。

吳永城（1988—），男，碩士，現(xiàn)供職于國(guó)電南瑞軌道交通技術(shù)分公司，研究方向：電力系統(tǒng)及其自動(dòng)化。