新浪博客

高速动车组数据驱动无模型自适应控制方法

2023-03-27 16:03阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

李中奇, 周靓, 杨辉. 高速动车组数据驱动无模型自适应控制方法. 自动化学报, 2023, 49(2): 437−447 doi: 10.16383/j.aas.c211068
Li Zhong-Qi, Zhou Liang, Yang Hui. Data-driven model-free adaptive control method for high-speed electric multiple unit. Acta Automatica Sinica, 2023, 49(2): 437−447 doi: 10.16383/j.aas.c211068
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c211068

关键词

列车自动驾驶，无模型自适应控制，速度跟踪，数据驱动，节能控制，偏格式数据模型

摘要

针对动车组的速度跟踪控制问题, 同时考虑到现有基于模型的控制方法
对系统动力学模型的依赖性, 以及传统无模型自适应控制时变参数估计算法的复杂性, 将改进的多输入多输出(Multiple-input multiple-output, MIMO)偏格式动态线性化无模型自适应控制(Partial form dynamic linearization-improved model-free adaptive control, PFDL-iMFAC)方法引入到动车组自动驾驶系统中. 该控制方法在无模型自适应控制的基础上, 考虑滑动时间窗口, 增加了可调自由度和设计灵活性, 并在输入准则函数中加上对能量函数的惩罚项, 减少能量损耗, 为动车组的跟踪精度和节能运行提供了一种优化的方法, 在满足动车组速度跟踪效果好的前提下实现节能运行. 最后以CRH380A动车组为对象进行仿真实验, 通过与传统无模型自适应控制对比: 所提出的控制算法各动力单元速度跟踪误差在 ±0.2 km/h以内, 加速度在 ±0.65 m/s2以内且变化平稳, 比传统无模型自适应控制方法节约9.86%的能量.

文章导读

动车组的自动驾驶系统是智能高速铁路发展的关键技术之一[1], 如何在动车组运行速度越来越快、运行环境越来越复杂多变的情况下设计出效果好的控制器仍然是个难点.

针对动车组运行控制问题, 国内外学者已经发表了众多的研究成果, 大体上分为基于模型和数据驱动的控制方法. 其中, 基于模型的控制方法研究有: 文献[2]利用有效性评价指标确定最优的预测模型个数, 然后采用减法聚类方法(一种用来估计一组数据中的聚类个数以及聚类中心位置的单次算法)建立多模型集合, 设计了多模型广义预测控制器, 但文章只是建立了列车运行过程的线性模型, 对于模型参数不确定性没有很好的体现出来; 文献[3]尝试采用极大似然估计法对列车模型的非线性部分进行系数辨识, 取得了不错的效果, 但极大似然法有可能在计算时陷入局部收敛, 并且需要了解系统的部分特性. 以上方法研究对象为单质点列车, 与单质点模型相比多质点模型更接近列车实际运行状态. 文献[4]提出了一种列车制动过程的辨识方法. 首先通过分析多质点列车实际制动过程, 并将该过程描述为单点时延模型, 随后将基于Picard迭代的辨识方法(常微分方程解的一种主要近似计算方法)应用于该时滞系统. 文献[5]分析了列车运行的动态过程, 考虑车厢类型及运行状态, 建立了列车非线性多质点动力学模型, 对其设计速度环自适应鲁棒非线性预测控制器. 文献[6]建立高速动车组的强耦合模型, 设计分布式神经网络滑模控制策略. 其运用到的子空间辨识方法对模型结构先验知识需求较少, 但本质上还是基于模型的控制方法. 文献[7]提出了一种自适应数值方法来解决列车最优控制问题, 通过对控制输入引入二元函数, 对其进行松弛, 并对松弛施加惩罚函数, 将问题转化为参数优化问题. 文献[8]分析了货运列车的控制原理, 包括安全要求、快速运行、周期性制动等, 提出了一种快速列车运行仿真算法. 上述文献的控制策略设计与稳定性分析往往需要预先获取系统模型参数, 或者需要对系统非线性部分进行线性化逼近. 倘若系统模型未知或者存在较大扰动等情况, 这些方法很难适用.

无模型自适应控制(Model-free adaptive control, MFAC)仅利用被控系统的输入输出数据进行控制器设计, 是一种典型的数据驱动控制方法, 由侯忠生在其博士论文中提出[9]. MFAC在满足一定假设条件的基础上, 通过引入伪偏导数概念, 在离散系统的每个工作点处, 建立一个等价的动态线性化模型, 然后利用这个动态线性化模型设计控制器、结构自适应律以及构建稳定性分析等. 经过多年发展, 已经在许多实际系统中得到了成功应用[10-16]: 例如文献[14-15]将MFAC运用到汽车轨迹跟踪问题上; 文献[13, 16]将MFAC运用到机器人等不确定系统中; 还有与其他控制方法相结合的研究, 文献[12]考虑将MFAC与滑模控制相结合, 设计不确定机器人系统的无模型自适应滑模控制, 为MFAC与其他控制方法的结合提供参考. 将MFAC运用到轨道交通领域的研究有: 文献[17]结合动态线性化技术和预测控制, 通过在线求解列车系统每个采样点的有限域闭环最优控制问题, 得到当前控制量; 文献[18]将列车输入输出数据转换为紧格式数据模型, 在速度和牵引/制动力约束下, 提出了基于执行器故障的无模型自适应容错控制方法; 文献[19]将传统无模型自适应控制用于单质点列车速度跟踪控制当中. 以上方法对系统进行线性化处理时, 仅考虑了系统下一时刻的输出变化量与当前输入变化量之间的关系. 原系统中所有可能的复杂行为, 如非线性、参数时变或结构时变等, 都压缩融入时变参数中. 所以该方法运用到实际系统中时, 需要设计更为复杂的时变参数估计算法才能获得较好的控制效果, 加大了设计难度, 且缺乏设计灵活性; 文献[20]针对高速列车运行控制中的牵引/制动力约束和执行器故障问题, 提出了基于偏格式动态线性化的无模型自适应容错控制. 上述方法的研究对象均为单质点列车/地铁列车系统, 与实际情况中多质点/多动力单元系统不符, 且均未考虑能量损耗指标.

基于以上分析, 本文提出了一种改进的适用于高速动车组的偏格式动态线性化无模型自适应控制(Partial form dynamic linearization-improved model-free adaptive control, PFDL-iMFAC)方法.
1)与文献[19]采用的紧格式线性化(Compa-ct form dynamic linearization, CFDL)数据模型相比, 本文采用的偏格式线性化方法综合考虑下一时刻输出变化量与固定长度滑动时间窗口内的输入变化量之间的关系, 而非笼统地将原系统所有可能的复杂行为特征都融入到伪偏导数(Pseudo partial derivative, PPD)中. PFDL数据模型中伪梯度的维数虽然增加了, 但每个分量的动态行为变得更简单, 复杂性相较于PPD更低, 参数估计算法的设计和选择也更加容易. 本文丰富了动车组运行控制理论, 也给其他一些运行控制方法提供节能策略(如最优控制等).
2)与文献[19-20]使用的单质点列车模型相比, 本文考虑的多动力单元模型更符合列车的实际情况. 此外, 考虑在输入准则函数中加上对能量函数的惩罚项, 为动车组的跟踪精度和能量损耗提供了一种折中的方法.
3)与文献[4-5]相比, 本文的算法不依赖动车组动力学模型, 是一种数据驱动控制算法.

本文结构如下: 第1节给出了高速动车组模型结构(为列车运行仿真提供数据支持); 第2节提出了改进的动车组无模型自适应控制器, 并对其稳定性和收敛性进行了严格的证明; 第3节是仿真分析; 第4节是总结和展望.
高速动车组数据驱动无模型自适应控制方法
图 1 动车组运行过程动力学描述
高速动车组数据驱动无模型自适应控制方法
图 2 CRH380A型动车组动力单元分布
高速动车组数据驱动无模型自适应控制方法
图 3 改进的动车组无模型自适应控制结构框图

本文针对高速动车组自动驾驶系统, 提出一种改进的偏格式动态线性化无模型自适应控制方法. 该方法在MFAC的基础上, 考虑滑动时间窗口, 并在输入准则函数中加上对能量函数的惩罚项, 得到PFDL-iMFAC控制器. 通过与传统MFAC、PFDL-MFAC对比, 仿真结果表明PFDL-iMFAC控制方案: 1)实现了比MFAC方法对给定速度更高精度的跟踪控制, 误差范围在 [−0.191 km/h, 0.182 km/h] 之间, 满足列车速度误差要求(30 km/h以上不超过速度值的2%, 30 km/h以下±2 km/h), 达到列车的安全且准时运行; 2) 控制力变化更平稳, 各动力单元加速度变化范围均在[−0.6572 m/s2, 0.6310 m/s2], 满足乘客的舒适度要求; 3)能量消耗最小, 比起MFAC控制方案, PFDL-MFAC和PFDL-iMFAC分别可以节约5.04%和9.86%的能量; 本文提出来的PFDL-iMFAC控制方案能使动车组以最小的能量消耗, 较小的速度误差跟踪目标曲线.

在本文基础上, 今后将进一步做以下研究: 1)利用智能控制方法对本文控制方法设计的参数进行参数寻优[30]; 2)研究提升无模型自适应控制鲁棒性的方法[31].

我的更多文章

下载客户端阅读体验更佳

APP专享