基于模糊?RBF?神經(jīng)網(wǎng)絡(luò)的軌道交通站臺(tái)門預(yù)熱控制技術(shù)研究

周超 李樊 杜呈欣

摘 要：在嚴(yán)寒地區(qū)，惡劣的環(huán)境會(huì)對(duì)軌道交通站臺(tái)門系統(tǒng)的使用產(chǎn)生不良影響，因此需采用預(yù)熱控制系統(tǒng)保障設(shè)備的穩(wěn)定運(yùn)行。針對(duì)站臺(tái)門預(yù)熱控制系統(tǒng)難以使用精確的數(shù)學(xué)模型建模，系統(tǒng)控制參數(shù)設(shè)定困難，導(dǎo)致預(yù)熱效果不穩(wěn)定、安全性和可靠性降低的問題，文章將傳統(tǒng) PID（比例-積分-微分）控制、模糊控制和 RBF神經(jīng)網(wǎng)絡(luò) 3 種算法相融合，構(gòu)建出一種智能、高效的控制算法;并通過仿真及試驗(yàn)證明該算法可以實(shí)現(xiàn)預(yù)熱控制參數(shù)自動(dòng)、快速迭代優(yōu)化，具有較好的溫度控制效果，可改良傳統(tǒng) PID 控制算法的動(dòng)態(tài)控制性能及對(duì)非線性對(duì)象的控制穩(wěn)定性，有一定的實(shí)際應(yīng)用參考價(jià)值。

關(guān)鍵詞：軌道交通;站臺(tái)門系統(tǒng);預(yù)熱控制;模糊控制;RBF 神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP273

1 研究背景

站臺(tái)門系統(tǒng)是重要的軌道交通安全防護(hù)設(shè)備。在嚴(yán)寒工況下，站臺(tái)門系統(tǒng)會(huì)出現(xiàn)門機(jī)結(jié)構(gòu)低溫特性變化、靜態(tài)阻力矩突變等問題，進(jìn)而產(chǎn)生故障，影響列車進(jìn)出站及其與信號(hào)系統(tǒng)的車地聯(lián)動(dòng)功能，導(dǎo)致列車降級(jí)運(yùn)行，甚至停運(yùn)。因此，必須為嚴(yán)寒工況下的站臺(tái)門系統(tǒng)安裝輔助加熱系統(tǒng)，即站臺(tái)門預(yù)熱控制系統(tǒng)。但由于站臺(tái)門系統(tǒng)結(jié)構(gòu)復(fù)雜，空間不規(guī)則，具有非線性和非封閉性的特點(diǎn)，利用常規(guī)理論無法對(duì)其進(jìn)行準(zhǔn)確的數(shù)學(xué)建模，所以傳統(tǒng)的控制策略在實(shí)際應(yīng)用中往往達(dá)不到預(yù)期效果，會(huì)對(duì)軌道交通的正常運(yùn)營造成一定的安全風(fēng)險(xiǎn)。

而神經(jīng)網(wǎng)絡(luò)可以用于控制復(fù)雜系統(tǒng)，具有較高的實(shí)時(shí)性。其中，徑向基（RBF）神經(jīng)網(wǎng)絡(luò)是一種具有優(yōu)良特性的前饋型神經(jīng)網(wǎng)絡(luò)，在泛化能力和學(xué)習(xí)速率方面具有突出優(yōu)勢;模糊控制可有效控制非線性、模糊性強(qiáng)、難以建模的被控對(duì)象，但存在推理計(jì)算較慢，精度較低的問題。將這2種算法相結(jié)合，構(gòu)建模糊RBF神經(jīng)網(wǎng)絡(luò)，可使控制系統(tǒng)同時(shí)具備2種控制策略的優(yōu)點(diǎn)，不僅可對(duì)非線性模型進(jìn)行模糊處理分析，同時(shí)也具備較強(qiáng)的全局逼近能力和逼近精度。此方法可解決一般神經(jīng)網(wǎng)絡(luò)算法下存在局部最優(yōu)解的問題，并具有網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)清晰、參數(shù)可分離學(xué)習(xí)、控制收斂快的特點(diǎn)。本文將此方法應(yīng)用于預(yù)熱控制系統(tǒng)中，實(shí)現(xiàn)了控制參數(shù)自動(dòng)快速迭代調(diào)整至最優(yōu)，從而提高了站臺(tái)門預(yù)熱控制系統(tǒng)的控制效果和控制穩(wěn)定性。

2 預(yù)熱控制系統(tǒng)總體設(shè)計(jì)

站臺(tái)門預(yù)熱控制系統(tǒng)由溫度傳感器、溫度巡檢模塊、加熱設(shè)備（加熱帶）和控制柜（含可編程邏輯控制器PLC）組成。溫度傳感器和溫度巡檢模塊分別對(duì)站臺(tái)門內(nèi)壁溫度及其工作環(huán)境溫度進(jìn)行實(shí)時(shí)采集;控制器根據(jù)智能控制策略對(duì)加熱帶工作時(shí)間進(jìn)行控制，當(dāng)站臺(tái)門的工作溫度可長時(shí)間保持在適宜范圍內(nèi)時(shí)，完成對(duì)站臺(tái)門的預(yù)熱工作;遠(yuǎn)程監(jiān)視主機(jī)采用Modbus現(xiàn)場總線實(shí)現(xiàn)對(duì)系統(tǒng)的遠(yuǎn)程監(jiān)控功能。預(yù)熱控制系統(tǒng)電氣架構(gòu)示意圖如圖 1所示。

在站臺(tái)門頂箱的軌道側(cè)增加由保溫材料制成的保溫層，以減少站臺(tái)門頂箱內(nèi)部的熱量流失，從而延長頂箱內(nèi)側(cè)的保溫時(shí)間，降低能源消耗。站臺(tái)門頂箱保溫層如圖2所示。

該預(yù)熱控制系統(tǒng)方案在溫度傳感器、溫度巡檢模塊失效，且遠(yuǎn)程監(jiān)視主機(jī)沒有監(jiān)測出設(shè)備故障時(shí)，可能存在低溫時(shí)系統(tǒng)未啟動(dòng)加熱、溫度足夠高時(shí)系統(tǒng)未停止加熱的情況。若加熱帶在低溫時(shí)未自動(dòng)啟動(dòng)，可能導(dǎo)致站臺(tái)門系統(tǒng)在短時(shí)間內(nèi)無法正常工作，此時(shí)可由站臺(tái)工作人員手動(dòng)開啟加熱帶，并及時(shí)更換失效的溫度傳感器;若加熱帶在溫度足夠高時(shí)未停止加熱，考慮到其最高加熱溫度為100 ℃（由加熱帶本身性能決定），低于站臺(tái)門系統(tǒng)可承受的最高溫度，不會(huì)對(duì)系統(tǒng)產(chǎn)生安全影響，因此該系統(tǒng)總體設(shè)計(jì)安全。

3 模糊 RBF 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)設(shè)計(jì)

模糊RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)將設(shè)定的目標(biāo)門機(jī)系統(tǒng)溫度r（t）與實(shí)際門機(jī)系統(tǒng)溫度y（t）之間的偏差（即溫度控制偏差）e和實(shí)際門機(jī)系統(tǒng)溫度T作為模糊RBF神經(jīng)網(wǎng)絡(luò)算法的輸入項(xiàng)，通過該算法快速地動(dòng)態(tài)調(diào)整PID控制器參數(shù)，調(diào)節(jié)加熱時(shí)間u（t），實(shí)現(xiàn)對(duì)目標(biāo)門機(jī)系統(tǒng)溫度的快速跟蹤，其結(jié)構(gòu)框圖如圖 3所示。

3.1 模糊 RBF 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

根據(jù)上述控制系統(tǒng)結(jié)構(gòu)框圖，構(gòu)建具有4層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的模糊RBF神經(jīng)網(wǎng)絡(luò)，如圖4所示。輸入層由2 個(gè)輸入節(jié)點(diǎn)組成，分別是實(shí)際門機(jī)系統(tǒng)溫度T和溫度控制偏差e;模糊化層包括6個(gè)節(jié)點(diǎn)，可實(shí)現(xiàn)將輸入?yún)?shù)模糊化的功能，此層使用高斯函數(shù)計(jì)算;模糊推理層包括8個(gè)節(jié)點(diǎn)，可實(shí)現(xiàn)PID參數(shù)的自動(dòng)整定;輸出層包括Kp、Ki、Kd 3個(gè)節(jié)點(diǎn)參數(shù)，并實(shí)時(shí)輸出至控制器。對(duì)下面各層的描述中，fn（X）是各層的輸出變換函數(shù)，n為層數(shù)。

3.1.1 輸入層

輸入層的2個(gè)節(jié)點(diǎn)分別連接輸入變量，即實(shí)際門機(jī)系統(tǒng)溫度X1 = T和溫度控制偏差X2 = e，設(shè)定該層的函數(shù)為：

4.2 結(jié)果分析

為驗(yàn)證模糊RBF神經(jīng)網(wǎng)絡(luò)的控制性能，在仿真軟件Matlab中建立傳統(tǒng)PID控制算法和模糊RBF神經(jīng)網(wǎng)絡(luò)控制算法下的仿真模型。在仿真過程中，將模糊RBF神經(jīng)網(wǎng)絡(luò)PID控制算法中所搭建模型的2個(gè)輸入變量——實(shí)際門機(jī)系統(tǒng)溫度T和溫度控制偏差e分別取6 個(gè)和8個(gè)模糊子集，RBF網(wǎng)絡(luò)學(xué)習(xí)因子η取 0.3，動(dòng)量因子α取0.03，初始值自由設(shè)定。通過Matlab對(duì)2 種控制算法下的系統(tǒng)階躍輸入響應(yīng)進(jìn)行仿真，得到的結(jié)果如圖5所示。

由圖5計(jì)算可知，傳統(tǒng)PID控制算法輸出的最大超調(diào)量為58%，上升時(shí)間為3.1s，調(diào)節(jié)時(shí)間為17s;模糊RBF神經(jīng)網(wǎng)絡(luò)控制輸出的最大超調(diào)量為20%，上升時(shí)間為2.9s，調(diào)節(jié)時(shí)間為5.1s;可見與傳統(tǒng)PID控制算法相比，模糊RBF神經(jīng)網(wǎng)絡(luò)具有更好的動(dòng)態(tài)性能和穩(wěn)定性，在響應(yīng)速度、衰減比、調(diào)節(jié)時(shí)間等方面均有優(yōu)勢，可有效、快速、穩(wěn)定地對(duì)站臺(tái)門門機(jī)系統(tǒng)溫度進(jìn)行控制。

5 結(jié)語

本文以站臺(tái)門系統(tǒng)作為典型軌道交通裝備的預(yù)熱對(duì)象提出了一種利用RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自動(dòng)迭代更新的模糊控制系統(tǒng)，該系統(tǒng)融合了人工神經(jīng)網(wǎng)絡(luò)、模糊控制的優(yōu)點(diǎn)，可用于時(shí)變、難以建模的控制系統(tǒng)。通過在Matlab軟件中建立數(shù)學(xué)模型并仿真，結(jié)果表明模糊RBF神經(jīng)網(wǎng)絡(luò)控制方法較傳統(tǒng)PID控制方法具有更佳的動(dòng)態(tài)性能和穩(wěn)定性，可實(shí)現(xiàn)控制參數(shù)的實(shí)時(shí)優(yōu)化和迭代更新，有效提升軌道交通站臺(tái)門預(yù)熱控制系統(tǒng)的可靠性和抗干擾性。

參考文獻(xiàn)

[1]鄧保順. 北方地區(qū)屏蔽門系統(tǒng)地鐵初期冬季熱環(huán)境分析[J]. 鐵道工程學(xué)報(bào)，2018，35（12）：86-91.

[2]W. He， Y. Chen， Z. Yin. Adaptive neural network control of an uncertain robot with full-state constraints[J]. IEEE Transactions on Cybernetics，2017，46（3）：620-629.

[3]崔紅芬，楊波，蔣葉，等. 基于模糊控制和SOC自恢復(fù)儲(chǔ)能參與二次調(diào)頻控制策略[J]. 電力系統(tǒng)保護(hù)與控制，2019（22）：89-97.

[4]司景萍，馬繼昌，牛家驊，等. 基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)[J]. 振動(dòng)與沖擊，2017，36（4）：164-171.

[5]楊莉，袁信. 基于模糊神經(jīng)網(wǎng)絡(luò)的慣性導(dǎo)航系統(tǒng)預(yù)熱控制[J]. 中國慣性技術(shù)學(xué)報(bào)，2000（3）：24-27.

[6]王婕，袁寧寧. 基于RBF神經(jīng)網(wǎng)絡(luò)PID控制的水壓加載系統(tǒng)研究[J]. 儀表技術(shù)，2013（3）：32-34.

[7]程家根，祁正華，陳天賦. 基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢感知[J]. 南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（4）：88-95.

[8]譚鐵仁，關(guān)振宇，張君鵬. 地鐵屏蔽門的常見故障[J]. 現(xiàn)代城市軌道交通，2013（1）：28-31.

[9]徐曉光，孟浩，蘇朝龍，等. 低溫加熱釜系統(tǒng)設(shè)計(jì)與實(shí)驗(yàn)研究[J]. 低溫與超導(dǎo)，2016（3）：60-64.

[10] 王奉鵬. 鐵路貨運(yùn)裝備新型外包保溫加熱系統(tǒng)綜合性能研究[J]. 包裝工程，2019（13）：184-190.

收稿日期 2020-02-19

責(zé)任編輯 蘇靖棋