基于智能控制算法的列车自动驾驶系统的优化研究

基于智能控制算法的列车自动驾驶系统的优化研究

姓名：姚理申请学位级别：硕士专业：交通信息工程及控制

指导教师：李开成

20090601

中文摘要摘要：随着我国城市化进程的不断加快，城市规模越来越大，城市人口不断增多，现有的城市交通网络已经难以满足城市发展的要求。根据国际上大型城市交通发展的经验，轨道交通对于缓解城市交通压力，增加城市交通活力起着举足轻重的作用。在此背景下，因为列车自动驾驶（ＡＴＯ）系统具有提高轨道交通运行效率，加快列车运行速度，保证行车安全等功能，开发高效智能的列车自动驾驶系统就显得至关重要。本文讨论了列车自动驾驶系统的基本结构、功能和列车自动驾驶的操纵原则，指出应用基于传统控制理论的ＰＩＤ控制器来进行已不能适应列车运行参数的非线性和时变性，很难真实反映实际情况，从而使速度控制的平滑性受到破坏，牵引和制动的切换频繁，影响了系统舒适性的要求，同时也影响了列车的节能性能和停车精度。而采用先进的智能控制方法对传统的控制器及其追踪曲线进行优化，则可有效解决上述问题。模糊控制、神经网络、遗传算法是近些年来发展较快的三种智能算法，能在不同程度上模仿司机的操作行为，因此可以用来优化和改进传统的ＡＴ０控制系统。本文依次介绍了模糊控制、神经网络和遗传算法在优化ＰＩＤ控制系统及其目标曲线中的应用，并用Ｍａｔｌａｂ和Ｓｉｍｌｉｎｋ工具箱进行了建模仿真。主要研究内容如下：（１）通过对列车自动驾驶系统结构和功能的研究，总结列车自动驾驶系统的驾驶策略及优化操纵原则，分析ＡＴＯ系统的所要达到的性能指标，在此基础上对列车运行进行建模。（２）设计列车自动驾驶算法。首先根据传统的控制算法设计ＰＩＤ控制器，跟踪列车目标曲线行车，在此基础上引入对传统ＰＩＤ控制器及其目标曲线进行优化和改进的智能控制算法：模糊控制算法、神经网络控制算法和遗传算法控制算法。（３）依次实现三种智能算法在ＡＴＯ系统中应用的仿真建模。根据ＡＴＯ系统优化操纵所要达到的五项性能要求，依次基于以上三种智能算法，为ＡＴＯ系统设计更优秀的ＰＩＤ控制器和更合理的目标曲线，并对其性能进行了评价分析。（４）对优化了的ＡＴＯ系统的整体控制效果进行仿真验证。在选取实际线路参数和列车参数的情况下，基于上述三种智能算法仿真所得到的结果，分析优化后的ＡＴＯ系统控制的列车运行曲线，得出智能算法合理性的结论。关键词：列车自动驾驶；ＰＩＤ控制器：模糊控制；神经网络；遗传算法；仿真分类号：Ｕ２８３．１ＡＢＳＴＲＡＣＴＡＢＳＴＲＡＣＴ：ＡｓＣｈｉｎａ’Ｓｕｒｂａｎｉｚａｔｉｏｎｐｒｏｃｅｓｓ，ｔｈｅｃｏｎｔｉｎｕｉｎｇｄｅｖｅｌｏｐｍｅｎｔｏｆｃｉｔｙｓｉｚｅａｎｄｉｎｃｒｅａｓｅｏｆｔｈｅｕｒｂａｎｐｏｐｕｌａｔｉｏｎ，ｅｘｉｓｔｉｎｇｕｒｂａｎｔｒａｆｆｉｃｎｅｔｉｓｕｎａｂｌｅｔｏｍｅｅｔｔｈｅｄｅｍａｎｄｓｏｆｃｉｔｙｔｒａｆｆｉｃ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｉｎｔｅｒｎａｔｉｏｎａｌｌａｒｇｅ－ｓｃａｌｅｕｒｂａｎｔｒａｎｓｐｏｒｔａｔｉｏｎｄｅｖｅｌｏｐｉｎｇｅｘｐｅｒｉｅｎｃｅ，ＵＭＴｐｌａｙｓｔｈｅｐｉｖｏｔａｌｒｏｌｅｆｏｒｅａｓｉｎｇｕｒｂａｎｔｒａｆｆｉｃｐｒｅｓｓｕｒｅ．Ｕｎｄｅｒｔｈｉｓｂａｃｋｇｒｏｕｎｄ，ｉｔｉｓＡＴＯｓｙｓｔｅｍｂｅｃａｕｓｅＡＴＯｉｍｐｏｒｔａｎｔＣａｎｔｏｄｅｖｅｌｏｐｔｈｅｔｈｅｈｉｇｈｌｙｅｆｆｅｃｔｉｖｅｉｎｔｅｌｌｉｇｅｎｃｅｉｍｐｒｏｖｅｔｈｅｏｐｅｒａｔｉｏｎｇｅｆｆｉｃｉｅｎｃｙ，ｓｐｅｅｄｕｐｔｈｅｔｒａｉｎｐａｃｅ，ａｎｄｅｎｓｕｒｅｔｈｅｓａｆｅｔｙ．ＴｈｉｓａｒｔｉｃｌｅｄｉｓｃｕｓｓｅｄｔｈｅＡＴＯｓｙｓｔｅｍ’Ｓｂａｓｉｃｓｔｒｕｃｔｕｒｅ，ｆｕｎｃｔｉｏｎｏｐｅｒａｔｉｏｎｐｒｉｎｃｉｐｌｅｏｆｔｈｅｔｒａｉｎｔｏｐｏｉｎｔｏｕｔｔｈａｔｕｓｉｎｇｔｈｅＰＩＤｔｒａｄｉｔｉｏｎａｎｄｔｈｅａｕｔｏｍａｔｉｃｏｎｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｔｈｅｃｏｎｔｒｏｌｔｈｅｏｒｙｈａｓｃａｎｎｏｔａｄａｐｔｔｈｅｔｒａｉｎｍｏｖｅｍｅｎｔｐａｒａｍｅｔｅｒｓ’ｍｉｓａｌｉｇｎｍｅｎｔｃａｕｓｅｓａｎｄｔｉｍｅ—ｖａｒｉａｂｌｅ．Ｉｔｉｓｖｅｒｙｄｉｆｆｉｃｕｌｔｔｏｒｅｆｌｅｃｔｔｈｅａｃｔｕａｌｓｉｔｕａｔｉｏｎｒｅａｌｌｙ，ｔｈｕｓｓｐｅｅｄｃｏｎｔｒｏｌｓｍｏｏｔｈｎｅｓｓｔｏｒｅｃｅｉｖｅｔｈｅｄｅｓｔｒｕｃｔｉｏｎ，ｔｈｅｈａｕｌｉｎｇｔｈｅａｎｄｔｈｅｂｒａｋｅｃｕｔｉｓｈａｓａｌｓｏａｆｆｅｃｔｅｄｗｅｃａｎｆｒｅｑｕｅｎｔ，ａｎｄｔｒａｉｎ’Ｓｅｎｅｒｇｙａｆｆｅｃｔｓｔｈｅｓｙｓｔｅｍｃｏｍｆｏｒｔａｂｌｅｒｅｑｕｅｓｔ．Ｓｉｍｕｌｔａｎｅｏｕｓｌｙｃｏｎｓｅｒｖａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅａｎｄｔｈｅｐａｒｋｉｎｇｐｒｅｃｉｓｉｏｎ．Ｂｕｔａｄｖａｎｃｅｄｓｏｌｖｅｔｈｅａｂｏｖｅｑｕｅｓｔｉｏｎｓｅｆｆｅｃｔｉｖｅｌｙｂｙｕｓｉｎｇｔｈｅｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｎｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌｍｅｔｈｏｄｔｏｃａｒｒｉｅｓｔｈｅｔｒａｄｉｔｉｏｎａｌｃｏｎｔｒｏｌｌｅｒａｎｄｔｈｅｔｒａｃｉｎｇｃｕｒｖｅ．ａｎｄｔｈｅＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｒｅｔｈｅｔｈｒｅｅＴｈｅＦｕｚｚｙＣｏｎｔｒｏｌ，ｔｈｅＮｅｕｒａｌＮｅｔｗｏｒｋｋｉｎｄｏｆｉｎｔｅｌｌｉｇｅｎｔａｌｇｏｒｉｔｈｍｓｗｈｉｃｈｄｅｖｅｌｏｐｑｕｉｃｋｌｙｉｎｒｅｃｅｎｔｙｅａｒｓ．ＴｈｅｙＣａｎｉｍｉｔａｔｅｄｒｉｖｅｒ’Ｓｏｐｅｒａｔｉｏｎｂｅｈａｖｉｏｒｉｎｖａｒｙｉｎｇｄｅｇｒｅｅｓ，ｔｈｅｒｅｆｏｒｅＣａｎｂｅｕｓｅｄｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌＡＴＯｃｏｎｔｒｏｌｔｏｏｐｔｉｍｉｚｅａｎｄｓｙｓｔｅｍ．ＴｈｉｓａｒｔｉｃｌｅｉｎｔｒｏｄｕｃｅｄｔｈｅＦｕｚｚｙＣｏｎｔｒｏｌ，ｔｈｅＮｅｕｒａｌＮｅｔｗｏｒｋａｎｄｔｈｅＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ’ＳｕｓｉｎｇｉｎｏｐｔｉｍｉｚｉｎｇｔｈｅＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍａｎｄｔｈｅｔａｒｇｅｔｃｕｒｖｅｉｎｔｕｒｎ，ａｎｄｈａｓｃａｒｄｅｄｏｎｔｈｅｍｏｄｅｌｌｉｎｇｓｉｍｕｌａｔｉｏｎｗｉｔｈＭａｔｌａｂａｎｄｔｈｅＳｉｍｌｉｎｋｔｏｏｌｂｏｘｓ．Ｍａｉｎｃｏｎｔｅｎｔｓａｒｅａｓｆｏｌｌｏｗｓ：（１）ＴｈｒｏｕｇｈｔｈｅｒｅｓｅａｒｃｈｏｆｔｈｅＡＴＯｓｙｓｔｅｍ’Ｓｓｔｒｕｃｔｕｒｅａｎｄｔｈｅｆｕｎｃｔｉｏｎ，ｓｕｍｍａｒｉｚｅｐｒｉｎｃｉｐｌｅ，ａｎａｌｙｚｅｏｎｔｈｅＡＴＯｓｙｓｔｅｍ’Ｓｄｒｉｖｉｎｇｓｔｒａｔｅｇｙ．ａｎｄｔｈｅｏｐｔｉｍｉｚｅｄｏｐｅｒａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｉｎｄｅｘｗｈｉｃｈｔｈｅＡＴＯｓｙｓｔｅｍｍｕｓｔａｃｈｉｅｖｅｓ，ａｎｄｏｎｔｈｉｓｂａｓｉｓｗｅｃａｒｒｙｔｈｅｍｏｄｅｌｌｉｎｇｔｏｔｈｅｔｒａｉｎｍｏｖｅｍｅｎｔ．ｃｏｎｔｒｏｌｌｅｒａｃｃｏｒｄｉｎｇｔｏｔｈｅ（２）ＤｅｓｉｇｎｔｈｅｔｒａｄｉｔｉｏｎａｌｃｏｎｔｒｏｌＡＴＯａｌｇｏｒｉｔｈｍ．ＦｉｒｓｔｗｅｄｅｓｉｇｎｔｈｅＰＩＤａｌｇｏｒｉｔｈｍＳＯａｓｔｏｔｒａｃｋｔｈｅｔｒａｉｎｇｏａｌｃｕｒｖｅｄｒｉｖｉｎｇ，ｏｎｔｈｉｓｂａｓｉｓＮｅｕｒａｌｉｎｔｒｏｄｕｃｅｔｈｅｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍｓ：ｔｈｅＦｕｚｚｙＣｏｎｔｒｏｌ，ｔｈｅｔｏｔｈｅＮｅｔｗｏｒｋａｎｄｔｈｅＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ｗｈｉｃｈａｒｅｕｓｅｄｏｐｔｉｍｉｚｅａｎｄｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌＰＩＤｃｏｎｔｒｏｌｌｅｒａｎｄｔｈｅｔａｒｇｅｔＣＵｌ＇Ｖｅ．（３）Ｒｅａｌｉｚｅｓｔｈｅｔｈｒｅｅｋｉｎｄｏｆｉｎｔｅｌｌｉｇｅｎｔａｌｇｏｒｉｔｈｍｓ’ａｐｐｌｉｃａｔｉｏｎｉｎｔｈｅＡＴＯｓｙｓｔｅｍ’Ｓｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｌｉｎｇｉｎｔｕｒｎ．Ｏｎｔｈｅｂａｓｉｓｏｆｔｈｅａｂｏｖｅｔｈｒｅｅｋｉｎｄｏｆｉｎｔｅｌｌｉｇｅｎｔａｌｇｏｒｉｔｈｍｓ，ｄｅｓｉｇｎｃｕｒｖｅｔｈｅｍｏｒｅｏｕｔｓｔａｎｄｉｎｇＰＩＤｃｏｎｔｒｏｌｌｅｒａｎｄｔｈｅｍｏｒｅｒｅａｓｏｎａｂｌｅｔａｒｇｅｔａｃｃｏｒｄｉｎｇｔｏｆｉｖｅｐｅｒｆｏｒｍａｎｃｅｏｎｒｅｑｕｉｒｅｍｅｎｔｓｗｈｉｃｈｔｈｅＡＴＯｔｈｅａｐｐｒａｉｓａｌａｎａｌｙｓｉｓｔｏｉｔｓｓｙｓｔｅｍｏｐｔｉｍｉｚａｔｉｏｎｏｐｅｒａｔｉｏｎｍｕｓｔａｃｈｉｅｖｅ，ａｎｄｃａｒｒｉｙｐｅｒｆｏｒｍａｎｃｅ．ａｎｄ（４）ＴｅｓｔｔｈｅｏｐｔｉｍｉｚｅｄＡＴＯｓｙｓｔｅｍ’Ｓｗｈｏｌｅｃｏｎｔｒｏｌｅｆｆｅｃｔｉｏｎｂｙｓｉｍｕｌａｔｉｏｎｃｏｎｆｉｒｍａｔｉｏｎ．Ｉｎｔｈｅｓｉｔｕａｔｉｏｎｏｆｓｅｌｅｃｔｉｏｎａｃｔｕａｌｌｉｎｅｐａｒａｍｅｔｅｒｓａｎｄｔｒａｉｎｐａｒａｍｅｔｅｒｓ，ａｎａｌｙｚｅｏｎｔｈｅＡＴＯｓｙｓｔｅｍｓｃｏｎｔｒｏｌｔｒａｉｎｍｏｖｅｍｅｎｔｃｕｒｖｅｗｈｉｃｈｈａｓｂｅｅｎｏｐｔｉｍｉｚｅｄｂａｓｅｄｏｆｉｎｔｅｌｌｉｇｅｎｔｔｈｅａｂｏｖｅｔｈｒｅｅｋｉｎｄａｌｇｏｒｉｔｈｍ’Ｓｓｉｍｕｌａｔｉｏｎ，ａｆｔｅｒｔｈａｔｄｒａｗｔｈｅｃｏｎｃｌｕｓｉｏｎｏｆｔｈｅｉｎｔｅｌｌｉｇｅｎｔａｌｇｏｒｉｔｈｍ’ＳＴｒａｉｎｒａｔｉｏｎａｌ．ｃｏｎｔｒｏｌｌｅｒ；ＦｕｚｚｙＣｏｎｔｒｏｌ；ＫＥＹＷＯＲＤＳ：ＡｕｔｏｍａｔｉｃＮｅｕｒａｌＯｐｅｒａｔｉｏｎ（ＡＴＯ）；ＰＩＤｎｅｔｗｏｒｋｓ；ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ；ＳｉｍｕｌａｔｉｏｎＣＩ．ＡＳＳＮＯ：ＩＪ２８３．１图索引图２．１ＡＴＯ系统结构图………………………………………………………………………．．６图２—２Ａ１’ｏ系统软件结构图…………………………………………………………………．８图２．３ＡＴＯ功能模块介绍……………………………………………………………………．．９图２＿４典型限速组合情况……………………………………………………………………１０图２．５合并较低的无效速度…………………………………………………………………１ｌ图２－６运行状态转换时刻选择原则…………………………………………………………ｌ５图２．７消除过低速度原则示意图……………………………………………………………１５图３．１列车空电配合制动曲线………………………………………………………………．．２ｌ图３．２线路参数………………………………………………………………………………２４图４．１ＰＩＤｃｊｌ环控制系统原理图……………………………………………………………２６图４．２用ｓｉｍｕｌｉｎｋ测试ＰＩＤ控制系统……………………………………………………．２８图４．３ＰＩＤ控制器参数………………………………………………………………………２８图４＿４ＰＩＤ控制器对阶跃输入的响应………………………………………………………一２９图４．５模糊控制器的三种功能模块…………………………………………………………３ｌ图４－６模糊ＰＩＤ控制系统结构图……………………………………………………………３３图４．７模糊参数自整定ＰＩＤ控制器仿真模型………………………………………………３５图４．８模糊ＰＩＤ控制器对阶跃输入的响应…………………………………………………３６图１－９ＢＰ神经网络结构……………………………………………………………………．．３７图２．１０ＢＰ算法流程…………………………………………………………………………４１图４．１ｌ神经网络等效控制器………………………………………………………………．４２图４．１２模糊神经网络控制器示意图………………………………………………………．４２图４．１３均方误差曲线………………………………………………………………………．４４图４．１４遗传算法流程…………………………………………………………………………４７图４．１５加速度改变点合成…………………………………………………………………。４９图４．１６限速适应度…………………………………………………………………………．５０图４．１７适应度进化…………………………………………………………………………．５６图４．１８经过１０００代进化后的Ｖ－Ｓ曲线……………………………………………………５８图５．１仿真平台结构…………………………………………………………………………６０图５．２ｓｉｍｕｌｉｎｋ仿真程序……………………………………………………………………６０图５．３目标ｖ—Ｓ曲线与跟踪ｖ—Ｓ曲线比较…………………………………………………６ｌ图５－４加速阶段的目标ｖ—Ｓ曲线与跟踪Ｖ－Ｓ曲线…………………………………………６２图５．５巡航阶段的目标ｖ—Ｓ曲线与跟踪Ｖ－Ｓ曲线…………………………………………６３图５－６制动阶段的目标ｖ—Ｓ曲线与输山Ｖ－Ｓ曲线………………………………………．．６４７ｌ表索引表２．３ＡＴＯ与其他系统的交互信息…………………………………………………………。６表２＿４工况转换原则…………………………………．．．．……………………………………ｌ３表２．３运行状态转换原则的优先选择次序…………………．．．．……………………………１４表３．１线路参数表……………………………………………………………………………２５表３．２列车参数表……………………………………………………………………………２５表４．１参数模糊规则表………………………………………………………………………３４表４－２网络最优的权值和闽值………………………………………………………………４３表４．３工况转换表……………………………………………………………………………４８表４－４复制前基因表…………………………………………………………………………５３表４．５复制后基冈表…………………………………………………………………………５４表４．６基因进化表（１０００代）……………………………………………………………．．５５表４．７工况改变点表…………………………………………………………………………．５７学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：－ｊｄｅ．．≥＇１导师签签字日期：ｙ口７年多月，７日签字日期独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：砒理签字日期：ｙ哆年石月７７日７４致谢本论文由国家自然科学基金项目“列车运行控制及组织的基础理论与关键技术研究＂（项目号：６０６３４０１０）支持。首先要感谢我的导师李开成副教授！在他的悉心指导和耐心帮助下，本文的研究工作得以顺利完成。导师的作风严谨、思维活跃、知识渊博、视野丌阔，使我在学识方面受益匪浅，科研能力有了较大提高。而导师在专业方面的精深和对学生的热忱关怀更使我终身难忘。在这里谨祝我的导师身体健康，工作顺利！同时向对我的论文研究给出多方面指教、帮助和关怀的步兵老师、赵红礼老师、朱力博士、陈黎洁博士、谢光玮同学致以深深的感谢和崇高的敬意！他们对我的论文提出了很多宝贵的意见和建议，丌阔了我的思路。感谢轨道交通控制与安全国家重点实验室的袁磊老师、黄友能老师对我研究生期间科研工作的指导和帮助，在他们的帮助下我的科研能力有了较大提高。还要感谢贺广宇、王洪伟、石坤、张静等同学以及张强、王呈、黄勃师兄。他们对我的论文和科研工作给予了热情的帮助。与他们的密切合作和长期交流使我受益匪浅，与他们结下的情谊将使我永志难忘。还把论文献给鼓励我、支持我、牵挂我的家人，衷心感谢他们这么多年中对于我的理解和支持。最后，谢谢所有关心和帮助过我的人！１绪论１．１本文的研究背景及目的１．１．１城市轨道交通控制系统发展概况城市轨道交通是公共交通中运量最大的交通方式，其优势在于：运量大、速度快、安全准时、污染少、占地少。一些发达和发展较快的国家，曾经都将发展城市轨道交通作为拉动经济增长，满足城市发展及人民生活水平提高的拉动项目，大力进行发展。一些发达国家已建成的城市轨道交通的线路长度为：纽约４４３ｋｍ、伦敦４０８ｋｍ、莫斯科２４６ｋｍ、东京２１９ｋｍ、巴黎１９９ｋｉｎ、柏林１３４ｋｍ、北京１１４ｋｍ…【２】。列车自动控制系统简称ＡＴＣ。ＡＴＣ系统包括：列车超速防护子系统（ＡＴＰ：ＡｕｔｏｍａｔｉｃＴｒａｉｎＰｒｏｔｅｃｔｉｏｎ）、列车自动驾驶子系统（ＡＴＯ：ＡｕｔｏｍａｔｉｃＴｒａｉｎＯｐｅｒａｔｉｏｎ）、列车自动监控子系统（ＡＴＳ：ＡｕｔｏｍａｔｉｃＴｒａｉｎＳｕｐｅｒｖｉｓｉｏｎ）。ＡＴＳ子系统可以实现对列车运行的监督和控制，辅助行车调度人员对全线列车运行进行管理，ＡＴＰ子系统则根据地面传递的信息计算出列车运行的允许安全速度，保证列车间隔，实现超速防护。ＡＴＯ子系统根据ＡＴＳ提供的信息，在ＡＴＰ正常工作的基础上，实现最优驾驶，提高舒适度、降低能耗、减少磨损。对于非自动化的列车，存在列车平均速度低，安全性差，停车不准等缺点。而且在人工驾驶情况下，决定列车运行状况的最重要因素就是司机的驾驶技术。然而，司机的驾驶技术主要是依靠长期实践，不断积累经验得来的。所以这样培训出来的司机往往习惯于在一条线路上驾驶，换到一条陌生线路上并不一定能够胜任。同时人工驾驶驾驶效率和舒适性上不一定能够达到最优的控制效果。通过自动驾驶，可以在保证列车安全的前提下，提高列车旅行平均速度、停车准确性和旅客舒适度等多项指标。而且自动驾驶根据线路数据库自动进行修正，只需要将新线路的数据输入自动驾驶系统就可以在新线路上实现自动驾驶，不存在司机驾驶需要对新线路长期实践才能达到较好的控制效果的问题。列车自动驾驶还可以大幅减少司机工作量，改善司机工作条件。综上所述，列车自动驾驶已经成为轨道交通发展的重要目标之一。上个世纪八十年代以来，澳大利亚、匈牙利、丹麦、德国、原苏联、日本等国在列车自动驾驶研究方面做了很多工作，取得了长足进步，在这些国家的城市轨道交通中已经采用了具有一定智能控制功能的列车自动驾驶系统。国内对列车自动驾驶技术的研究开展相对较晚，在ＡＴＯ实用技术上尚属空白，国内许多线路的ＡＴＯ设备都是从国外引进的。如２０世纪９０年代初，北京地铁ｌ号线部分列车安装了英国ＷｅｓｔｉｎｇｈＯＵＳｅ公司的ＡＴＯ设备；广州地铁１号线及２００８年６月开通的北京地铁１０号线引进的是德国Ｓｉｅｍｅｎｓ公司的ＡＴＯ设备，等等【３】【４１。虽然，世界上一些国家已经开发出了一些列控系统，但到目前为止，还没有出现实用化的自主列车运行控制系统，因此开发出一种列车自主运行控制系统己成为铁路实现自动化的一个焦点问题。这种列车自主运行控制系统是指在一般情况下，列车的运行由智能控制系统进行控制，司机的任务仅仅是提供必要的信息、监督列车运行状态以及在系统故障或紧急情况下参与列车控制，或为智能控制系统设置新的目标。为了构造这样的系统取代司机承担列车运行控制的业务，人的知识、经验、控制策略以及其它独特的智能行为必须在控制系统中得到有效的体现，也就是说，ＡＴＯ系统必须在一定程度上具有人的智能。很明显，来自司机的信息往往包含有不确定、不精确的概念，并且人的思维过程也具有不精确的特点。就列车运行过程而言，也存在着大量的只有人才能感觉和认识的复杂和不确定的东西，所有这些具有不精确性和不确定性的信息都不能在传统控制的框架下得到统一的表示和处理，所以不可能用传统理论来研制开发高性能的ＡＴＯ系统。１．１．２智能控制算法在列控系统中的应用智能控制与智能自动化技术的迅速发展为实现高性能的ＡＴＯ提供了新的有效的途径，采用智能控制与智能自动化技术改造和重构适应高速度、高密度要求、实现列车自主运行的高性能ＡＴＯ已成为必然的趋势。为适应这种发展趋势，各国都在根据自己的国情研制新一代列车速度自动控制系统（ＡＴＯ），并在系统的实现中采用最新技术的集成来达到控制系统的高品质。基于一种模糊预测控制、具有基本ＡＴＯ功能的列车控制系统，首先于１９８４年在日本的仙台市开发成功并投入实际使用；我国的铁道部科学研究院也早己开始基于人工智能、知识工程、模糊控制技术有机集成的ＡＴＯ系统的研究和应用工作，并取得了一系列有价值的成果：此外世界上许多国家（包括法国、德国、澳大利亚和南非等国）都在广泛研究和开发基于模糊控制技术的ＡＴＯ系统。这些ＡＴＯ系统或者是基于模糊控制，或者是基于神经网络，或者是两者的结合【５ｊ。神经网络和模糊控制作为智能控制的两个重要分枝，越来越受到人们的重视，并成为研究的重点。模糊控制便于使用由语言表达的专家知识，能有效的控制难以建立精确模型而凭经验可控制的系统，而把它引入预测控制结构的预测模型处理环节，便形成了模糊预测算法，这种算法结合了模糊控制和预测控制两种算法２的优点，可以通过对过程未来输出的预测实现智能控制；而神经网络则能有效利用系统本身的信息，并能映射任意函数关系，具有并行处理和自学习能力。遗传算法是～种有效的全局寻优方法，它来源于达尔文的进化论和群体遗传学，它根据适者生存、优胜劣汰等自然进化规则来进行搜索计算和问题求解，原先用于模拟自然系统的自适应现象，后来被广泛引向工程问题的研究。现在遗传算法已发展成为一种自适应迭代式全局搜索算法，由于具有鲁棒性、全局最优性、不依赖于问题模型、可并行性及高效率等特点，具有独特的吸引力，正引起越来越大的研究和应用热潮。智能控制算法在控制的灵活性、鲁棒性及自适应性等方面都大大高于基于传统控制理论的ＡＴＯ系统，它具有基于传统理论的控制系统所不具备的智能性、实时性，同时摆脱了对精确模型的依赖。在传统的基于ＰＩＤ控制器的ＡＴＯ系统中，应用智能算法进行优化设计，在列车的安全性、目标速度跟踪、定点停车精度、准点行车、舒适度和节能性都可以做得更好，以达到更优的控制效果。１．１．３论文研究的目的意义我国正面临着工业化和城市化加速发展的时期，大量人口需要进城就业和居住。根据我国城市机动车增长的速度预测，如果不改变传统的城市交通发展模式，不发展立体交通，Ｎ２０２０年我国大城市的交通将会陷入瘫痪【６ｌ。伴随着我国城市化进程的进行，城市轨道交通己成为承担巨大的城市客流量的主力运输工具。我国城市轨道交通发展迅速，我国城市规划建设的轨道交通网络总里程已达５０００公里，总投资估算将超过８０００亿元。我国已有北京、上海、广州、深圳等１０个城市拥有已建成的轨道交通线路，全国规划建设轨道交通网络的城市则已有２５个【７１０对于目前国内的城市轨道交通，路网建设、行车密度、行车速度等都是城市轨道交通发展面临的问题。车载系统的自动化程度不高是这些问题产生原因之一。对于城市轨道交通系统高效率、高密度的要求来说，ＡＴＯ系统是必不可少的。而目前我国的列车自动驾驶系统主要依靠进口，价格昂贵，造成了国家资金的极大消耗，同时自身没有掌握核心技术，始终受制于人。在当前轨道交通的大规模发展下，我国需要发展起自主知识产权的列车自动驾驶系统，这样才能有力的支持中国轨道交通乃至国民经济的高速发展。本文主要研究智能控制算法在列车自动驾驶系统中的应用，在传统的基于ＰＩＤ控制理论的ＡＴＯ速度控制算法的基础上，分别应用当前广泛讨论的三种主要智能控制算法：模糊控制、神经网络和遗传算法对ＡＴＯ系统进行优化设计，并分析控制效果。在此基础上，对列车自动驾驶的研究方向作出预测和展望。１．２论文结构和主要研究内容本文在对列车自动驾驶系统分析，列车自动驾驶算法研究，列车控制模型构造，列车自动驾驶系统的软件搭建的基础上仿真了列车自动驾驶系统，对各种算法的仿真结果进行了分析，评价了各种优化算法的控制性能。本文分五章对研究工作进行论述。第一章为概述。在回顾了国内外列车自动驾驶系统的历史和现状的基础上，根据我国城市轨道交通的发展情况，阐述了研究的现实意义。并对论文的结构和研究内容进行了说明。第二章对列车自动驾驶系统的功能、结构及驾驶策略进行介绍。首先说明列车自动驾驶系统与其他相关系统的接口，然后对列车自动驾驶系统的功能进行简单介绍和总结，之后介绍了列车自动驾驶的策略及优化操纵的原则。第三章为对列车自动驾驶的数学模型的研究。在对ＡＴＯ系统性能要求、功能和其运行控制过程了解的基础上，根据牵引计算理论，介绍了列车运行方程及线路数据的简化原则，并在此基础上提出了ＡＴＯ系统的运行模型，同时给出本文所要仿真建模的ＡＴＯ系统运行的实际线路及列车参数。第四章为列车自动驾驶优化算法的研究。首先仿真了基于传统控制理论的ＡＴＯ系统ＰＩＤ控制器，然后依次介绍模糊控制、神经网络和遗传算法三种智能控制算法的基本原理和方法，并分别对基于此三种算法对ＰＩＤ控制器及其目标曲线进行了优化设计，依次对仿真结果进行了分析。第五章为列车自动驾驶系统控制效果的验证。在上文对ＡＴＯ的ＰＩＤ控制器及目标曲线优化的基础上，通过仿真测试，对ＡＴＯ系统的功能和控制效果进行评价。４２列车自动驾驶系统的功能及驾驶策略列车自动驾驶（ＡＴＯ）系统是一个完整的列车运行自动控制系统，包括列车的自动启动、自动调速、自动停车和定点停车等主要功能。ＡＴＯ系统能替代司机智能化地驾驶列车，同时可以合理地控制全线列车的运行。根据从列车自动防护（ＡＴＰ）系统接收到的目标速度信息、线路数据信息和由列车自动监督（ＡＴＳ）系统发出的命令，ＡＴＯ可以合理地控制列车的运行，使列车运行更加准时、舒适和节能。ＡＴＰ系统是ＡＴＣ系统的安全部分，具有超速防护、零速度检测和车门限制等功能。ＡＴＰ提供速度限制信息以保持列车间的安全间隔，使列车在符合限制速度的前提下运行。在联锁区，ＡＴＰ保证道岔锁闭，保证同一时间内只有一列车占用该区段。在打丌车Ｉ＇－Ｊｆｉｉｉ，ＡＴＰ先检查各种允许开车门的条件，检查通过后，才允许开车门。ＡＴＳ能产生时刻表，对列车实现监督，引导列车按预定的时刻表运行，保证地铁运行系统的稳定性。它通过转换道岔建立发车进路，并提供列车接收控制中心传来的监督命令。列车通过车地通信设备完成ＡＴＳ与列车之间的通信。这三个系统相互协调，完成对列车的控制。由于现代列控系统采用了连续的车地通信方式，ＡＴＯ系统就能够实时地获得列车的位置、目标速度、目标距离和各种线路参数，为ＡＴＯ的各种算法设计提供了条件。２．１列车控制系统的结构列控系统主要包括车载控制器（车载ＡＴＰ和车载ＡＴＯ）和地面设置的区域控制器、数据存储单元和ＡＴＳ系统。车载控制器测量各应答器之间的距离，并根据速度传感器输入信号计算自探测到一个应答器后列车所行驶的距离。区域控制器负责控制道岔和信号机，检测其控制区域内所有列车的授权区域。数据库存储单元包含其他列车控制子系统使用的所有数据库，数据库存储了所有相关的线路信息，包括车站停车、坡度、土建限速、道岔位置和信号机位置等。ＡＴＳ是一个非安全子系统，它为ＡＴＳ值班员提供人机接口，实现列车的自动监督和列车自动调整功能。ＡＴＯ属于车载控制器的非安全子系统，主要包括：自动速度控制、自动停站和定点停车、自动启动、停站时分、车门控制、ＡＴＳ命令执行、ＡＴＳ状态报告、ＡＴＰ通信以及故障处理等功能模块。ＡＴＯ系统包括车载和轨旁设备两部分，可与应答器接口。其结构如图２．１所示【２１。』Ｅ塞窑通太堂亟±堂焦论塞剑互自动驾麴丕统的功能厘墼麴墓喳ｒ。’…‘‘１’：ＡＴＳ：Ｉ［］图２－１ＡＴＯ系统结构图表示与ＡＴＰ共用的设备ｌＦｉｇｕｒｅ２－１ＳｔｒｕｃｔｕｒｅｏｆＡＴＯｓｙｓｔｅｍｓＡＴＯ从ＡＴＰ子系统接收到目标速、当前速度、当前加速度、位置和其他相关信息，同时通过无线和ＡＴＳ子系统通信。ＡＴＯ可以根据程序停站程序、列车启动程序和ＡＴＰ的开门使能来控制列车开／关门，通过速度控制程序来控制列车的牵引和制动。ＡＴＯ系统与其它系统的信息交互如表２．１所示。表２．１ＡＴＯ与其他系统的交互信息对象系统ＡＴＳ对ＡＴＯ输入信息目的地码，旅行时间，停站时间，扣车，跳停等ＡＴＯ输出信息列车数据说明ＡＴＰ允许自动驾驶命令，当前速度、位置、移动授权ＡＴＯ工作是否正常牵引级别命令，制动级别命令可以是离散和连续两种方式车辆驾驶台确认启动ＡＴＯ命令，切除ＡＴＯ命令ＡＴＯ运行状态６２．２列车自动驾驶系统的功能１、发车控制司机接到从轨旁ＡＴＯ系统传来的列车发车指令后将控制档置于自动驾驶位置，等待列车自动关闭车和ＡＴＣ发出行车信号。当具备起车所必需的条件后，司机按下起动按钮，列车自动进行缓解并开始启动。２、自动驾驶根据线路数据与运行数据，从所有可能停车的地点开始直至下一个停车地点，完成自动驾驶；根据线路信息、运行信息与目标速度或目标距离，实现速度调整，并保证速度调整范围低于最大允许速度的某一预置速度值，当收到高一级的目标速度时，使列车在满足运行要求的条件下以最大加速度获得自动运行的适宜速度。３、制动控制ＡＴＯ系统根据列车当前速度与各种限速进行比较，按照速度差值大小采取常用制动或者紧急制动，使列车速度低于限制速度。应使速度一距离曲线智能化，智能制动作用应能适应列车启动时减少列车缓解时间的需要。４、停车点的目标防护车站停车点作为目标点，ＡＴＯ系统采用最合适的减速度（制动率）使列车准确、平稳地停在规定的停车点。与列车定位系统相配合，可使停车位置误差达到０．３ｍ以下。５、车门控制列车车门可以自动或手动打开，由ＡＴＰ系统监督开门的条件，当ＡＴＰ系统给出允许开门命令时，可以由司机手动打开正确一侧的车门，也可按事前的设定由ＡＴＯ系统自动地打开车门。６、区间内临时限速与停车根据ＡＴＰ系统给出目标点位置（例如前方有车）及制动曲线，以及轨旁设备提供的临时限速值，经ＡＴＯ系统启动列车制动器，使列车停在目标点前方。此时，车门还是由ＡＴＰ系统锁住的。一旦前方停车目标点取消，ＡＴＯ系统能使列车自动启动。７、自动折返自动折返功能控制列车在需要折返的区域进行折返并转换车辆控制端（车头车尾互换）。ＡＴＯ系统可以在ＡＴＰ的监督下控制列车进行折返，该模式的折返可以在有司机或无司机的情况下完成。８、记录运行信息在ＡＴＯ系统的环行缓冲区可以存储一些用户认为最重要的运行信息，从而在７发生非正常运行时，可以调用所记录的信息，进行必要的分析研究。要用软件实现ＡＴＯ的整体功能，需要有６个子单元来完成：中央处理单元、存储单元、输入单元、输出单元、网络单元和通信单元。这六个单元相互配合实现ＡＴＯ的控制功能。ＡＴＯ系统软件实现的结构如图２．２所示。速度脉冲同步ＡＴＯ允许图２—２ＡＴ０系统软件结构图Ｆｉｇｕｒｅ２－２ＳｏｆｔｗａｒｅｓｔｒｕｃｔｕｒｅｏｆＡＴＯｓｙｓｔｅｍｓ输入接口接收来自速度传感器的速度脉冲和接收到的时钟同步信号共同计算当前的列车速度，来自ＡＴＰ的ＡＴＯ允许信号允许ＡＴＯ运行，在ＡＴＯ允许信号激活前，ＡＴＯ系统对于列车位置和速度信息保持接收并处理。网络接口的功能是保证ＡＴＯ系统与ＡＴＰ系统和列车总线之间稳定、正确、持续的通信。通信单元负责与系统诊断接口的通信，接收来自诊断接口的系统是否工作正常信息。与发送／接收天线的之间的通信也通过通信单元来完成。输出接口负责ＡＴＯ系统控制命令和指示信息的输出。通过输出接口对列车控制电路输出牵引、制动命令，控制车门的开关和选择开门方向。输出接口还向驾驶台输出ＡＴＯ模式显示、ＡＴＯ按钮灯和ＡＴＯ激活灯辅助司机进行模式选择和激活ＡＴＯ操作。折返操作的处理过程命令也通过输出接口输出。ＣＰＵ为整个ＡＴＯ系统的核心，整个ＡＴＯ系统的算法和处理过程全部在ＣＰＵ中实现。ＣＰＵ通过对所有输入信息代入控制算法进行处理，将控制命令通过输出模块输出。存储单元判断是否应该进行数据存储（通过时间触发或信号量激活），对重要的运行数据进行记录，同时对记录数据进行命名，归类，整理。ＡＴＯ系统作为ＡＴＣ系统的子系统，需要和ＡＴＣ系统的其他系统如ＡＴＰ系统、ＡＴＳ系统进行接口，同时需要通过其各个功能模块相互配合来实现整体功能。ＡＴＯ在ＡＴＰ的监督下，接收来自于ＡＴＰ的速度和位置信息，通过与记录、诊断、车门／屏蔽门、控制台、牵引、制动、显示等模块的配合来实现ＡＴＯ控制功能。图２．３对功能模块【６】进行了说明：图２—３ＡＴ０功能模块介绍Ｆｉｇｕｒｅ２－３ＩｎｔｒｏｄｕｃｅｏｆＡＴＯｆｕｎｃｔｉｏｎｓ通过ＡＴＯ功能模块图可以看出ＡＴＯ系统接收外部信息，同时对外部模块发出控制命令。在输入与输出之间需要一个控制算法来处理输入信息，计算输出信息。脱离了控制算法，ＡＴＯ根本无法实现自动控制。所以ＡＴＯ的核心是其控制算法，本文将在第四章进一步的详细分析说明。２．３列车自动驾驶策略了解了ＡＴＯ系统的功能，要想实现列车的无人自动驾驶，就需要了解它所要控制的对象即列车的驾驶过程。列车自动驾驶过程是一个非常复杂的运动过程，不仅需要考虑列车的运行特性和线路状况，还要考虑列车运行的安全性、操纵的合理性、乘客的舒适性、运行的正点率、停车精度等许多方面的问题。采用合理的驾驶策略是保证列车安全、正点运行的关键，主要包括限速处理策略、工况选择及转换策略和列车自动驾驶控制策略【１２１。２．３．１限速处理策略９出于保障列车安全运行的考虑，地面信号将对列车运行速度作出一定限制，如通过信号机、进站信号机黄灯限速；由于线路构造的特殊性，线路上个别地段也有速度限制，如：道岔限速、曲线限速、桥梁限速、施工临时限速等。此外，还有机车车辆构造限速、计算制动距离闸瓦压力最大允许速度限制等、在同一线路位置上的各种限制速度中，取数值最小者作为该处限制速度。由于各限速地段限制速度的大小不尽相同，造成了列车运行过程中可能遭遇以下几种比较典型的限速组合，如图２．４所示。ＩＩＩＩＩＩＩａ）高—低型ＩＩｂ）低一高型Ｉｃ）高一低一高型ＩＩＩｄ）低一高一低型ｅ）高—低一低型图２—４典型限速组合情况ｆ）低一高一高型Ｆｉｇｕｒｅ２－４Ｔｙｐｉｃａｌｓｉｔｕａｔｉｏｎｏｆｓｐｅｅｄｌｉｍｉｔｃｏｍｂｉｎａｔｉｏｎ不同的限速组合情况有各自的特点，所对应的操纵策略也有很大差异。下面分别对各种典型组合限速情况进行逐一分析，以便对不同的限速情况采用不同的控制策略。ａ）高一低型在列车由当前较高的运行速度降低到前方较低的线路限速过程中，不管列车是以惰行方式还是制动方式减速，都需要一定的减速距离。根据前文所述理论基础，精确计算列车的减速距离不仅可以保障列车的安全运行，对列车的平稳操纵也有着极为重要的影响。ｂ）低一高型当列车车头越过低限速区终点后，并不能立即加速，以免列车尾部超速的情况。只有在整列列车完全驶出低限速区后，才能进行加速控制。ｃ）高一低一高型这种情况是高一低型与低一高型情况的组合。此时列车应该先减速再加速，减速过程中需要注意选择合适的惰行距离及恰当的减压量和制动距离，加速过程开始前需注意防止列尾超速。ｄ）低一高一低型１０这种情况是低一高型与高—低型情况的组合。一般情况下，此时列车应该先加速再减速，但当ＩＩ段较短时，可以忽略ＩＩ段，列车保持匀速通过。ｅ）高一低一低型有种特殊的高一低一低型限速组合情况，即ＩＩ段较短，且ＩＩ、ＩＩＩ限速值落差较大，如图２．５所示。Ｉ图２－５合并较低的无效速度Ｆｉｇｕｒｅ２－５Ｍｅｒｇｅｌｏｗｉｎｖａｌｉｄｓｐｅｅｄ若ＩＩ段长度较短，当以ＩＩ段限速作为进入ＩＩＩ段限速前的制动初速时，即使采用最大制动能力减速也不可能在相当于ＩＩ段全长的制动距离内降到要求速度，如图２—４中虚线部分所示。因此需要对这种无效的限速进行合并，即在Ｉ段制动过程开始时只需直接考虑ＩＩＩ段限速，而不必理会ＩＩ段限速，如图２．４实线部分所示。ｆ）低一高一高型与低一高型类似，主要问题也是防止列尾超速。但是如果ＩＩ段长度过短、不及列车本身长度，则有可能成为无效限速，如图２４中ｆ）中虚线部分所示。由以上分析可见，列车运行条件尤其是线路限速条件对列车的安全、平稳运行有着巨大的影响。为了提高列车平均运行速度，工务部门必须重视对线路困难地段进行配套的提速改造，例如使用提速道岔、增大线路曲线半径、降低困难地段坡度值等等。２．３．２工况选择及转换策略列车运行过程中各种条件不断变化，列车需要根据这些变化不断的转换工况，列车运行主要有三种工况，即牵引工况、制动工况、惰行工况。１、牵引工况一般，列车在以下三种情况中需要使用牵引工况：１）启动过程；２）从较低限速地段过渡到较高限速地段的加速过程；３）在非增速坡道上克服运行阻力运行。以上三种情况只是使用牵引工况的必要条件，是否使用牵引工况还需要结合具体运行条件综合考虑。使用牵引工况时，作用在列车上的力主要有机车牵引力、运行基本阻力和附加坡道阻力。２、制动工况按照制动力产生方式的不同，制动工况包含了空气制动和动力制动两种情况。当前方限速远低于列车当前运行速度或需要停车时，列车应进行减速制动。当线路限速条件几乎不变，紧贴限速运行的提速列车受线路条件影响导致可能发生超速情况时，需要进行调速制动，以保证列车安全运行。ａ）空气制动在减速或停车过程中，为节省列车运行时问通常需要采用空气制动。列车施行常用制动时一般采用“二定一调整”的方法，即“定制动初速、定减压量，调整制动距离”和“定制动初速、定制动距离，调整减压量”。在调速制动过程中，列车应以能够确保列车在增速坡道上减速的最小减压量进行空气制动。这样，可以在制动、缓解过程中减少调速次数：或者，在同样的调速次数下，由于减压量用风少，缓解后充风所需时间减少，列车的缓解速度可以提高，从而提高列车在增速坡道运行的技术速度。因此，调速制动过程中采取小减压量制动，对实现列车运行高速、安全、平稳及节能等多方面要求均有利。ｂ）动力制动动力制动的大小受机车动力制动功率的限制，往往只用于调速制动过程。列车运行在长大增速坡道上，当速度增至限速以前，合理使用机车的动力制动可以调节列车的车钩状态，使全列车的车钩处于受压缩的状况，从而在空气制动中减少列车的冲动水平。在列车制动缓解前，施加动力制动，可以利用机车制动力抑制前部车辆因缓解较快而向前涌的趋势，从而降低缓解过程中车辆受拉的冲击力幅值。在列车缓解后增速的过程中，继续施加动力制动，可以延长列车的增速时间和距离，从而减少列车调速制动的次数。因此，动力制动的使用，对于相同的缓解初速而言，相应提高了缓解速度。由于缓解速度的提高，使列车在缓解过程中的冲动降低，同时节省了运行时间，从而更有利于列车的安全运行和乘车舒适度的提高，也为提速创造了条件。使用制动工况时，作用在列车上的力主要有制动力、列车运行基本阻力及附加坡道阻力。３、惰行工况牵引和制动工况间进行相互转换时，出于平稳操纵的考虑以及机车构造的限制，需要在惰行工况过渡一段时间。另外，电力机车过电分相或节能运行时，也将使用惰行工况。采用惰行工况时，作用在列车上的合力在数值上等于运行阻力。４、工况转换原则１２列车运行无论采用人工驾驶还是自动驾驶，列车的工况转换必须满足一定的规则。工况转换原则如表２．２所示。表２－２丁况转换原则当前工况惰行惰行牵引制动△☆待转换工况牵引☆△Ｖ制动☆Ｖ☆△Ａ：无需转换☆：可以转换Ｖ：禁止转换另外，列车在进行工况转换时，列车转换到一个新的状态后必须在此状态下保持一段时间才能在满足工况转换原则的条件下改变运行工况。２．３．３列车自动驾驶控制策略根据不同的区段，当前列车速度，下一运行区段的类型、线路限速和优秀司机的操纵经验，制定出相应的控制策略。首先，获得当前区段的运行速度ｙ，当前区段的目标速度ｖ，（即进入下一区段的速度），当前限速‰，考虑下一区段：（１）上坡道：考虑蓄能以动能闯坡％＝‰。。；（２）一般下坡道：预算以多大速度开始惰行至该下坡道使底部不超限，得到这一区段的‰，若计算得到的ｋ过小则作适当调整；（３）长大下坡道：当前区段低手柄位运行或惰行，以小速度进入下一区段，吃＜’，；（４）起伏坡道：为避免在该坡道中运行时，坡谷处不超限，留一定的速度余量，取ｖ。较１，。值小：（５）惰行段：预算以速度‰进入，惰行不超限；（６）调速区段或停车区段：当前区段自由运行，手柄位可自由稍增或稍减，要求不超限；然后，根据当前区段的类型，得到当前区段的目标速度吧，（调整后的目标速度）后，对速度进行调整，考虑本区段；（１）上坡道：１，≈ｖｍ，计算得出一个手柄位，使机车牵引力与列车所受总阻力矢量和为零；’，＞‰，先减速再恒速；１，＜‰，先加速再恒速；（２）普通下坡道：ｖ≈％，计算得出一个手柄位，使机车牵引力与列车所受总阻力矢量和为零；ｖ＞ｖ，先减速后恒速；ｖ＜Ｖｒａ，先惰行再恒速；（３）长大下坡道：如果使用最大动力制动不能使列车所受合力为负，则在开始便采用小动力制动，否则，可以先惰行，再恒速；（４）起伏坡道：取一定的手柄位，使不超限，出坡速度尽可能接近ｖ卅；（５）惰行段：关闭牵引电机，机车工作于惰行工况；（６）调速区段：预算使用多少动力制动，可使列车到达限速变化处速度降低到下一个ｖ。以下；（７）停车区段：先惰行或小牵引运行，同时预算何时使用空气制动，使列车能够在站中心处速度减为零；２．４列车自动驾驶优化操纵原则列车优化操纵原则主要是为了尽可能地缩短站间的运行时间、降低能耗、提高乘车舒适度、提高停车精度、安全正点运行等而制定的运行原则。可以分为以下四种原则：运行状态的选择原则、运行状态的切换原则、消除过低速度原则及优化附加原则。２．４．１运行状态的选择原则当机车从一种状态向下一个状态转换时，在允许转换的状态中，优先选择加速度最大的运行状态。运行状态的选择原则如表２．３所示。表２．３运行状态转换原则的优先选择次序Ｔａｂ．ｅ２－３Ｒｕｎｎｉｎｇｓｔａｔｕｓｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｉｎｃｉｐｌｅｐｒｉｏｒｉｔｙｓｅｌｅｃｔｉｏｎｏｒｄｅｒ当前状态启动牵引惰行优先次序ｌｌｌ２３４待转换状态牵引惰行牵引抑速停止制动减速制动当前状态抑速优先次序ｌ２３待转换状态惰行停止制动减速制动惰行抑速停止制动停止制动减速制动１２３停止制动１２．４．２运行状态切换时刻的选择原则１４运行状态的切换时刻选择如图２－６所示，当下一个状态比当自百状态的加速度大，如由ｘ（１（＋１）转到ｘ（ｋ＋２）时，在满足状态保持规则的前提下尽快转换到下一个状态；反之，当下一个状态比当前状态的加速度小，如由ｘ（ｋ）转到ｘ（ｋ＋１）时在满足速度限制规则的前提下应尽可能保持当前状态。委趟蜊’屉大／／＞．／牵引．。｜持续。乙。一。∞。心。寸。０１２≥∥＼惰行持续状态ｉ；７状态ｌｘ（ｋ）牵引状态：ｘ（ｋ＋２）ｘ（ｋ＋１）：３４５６Ｓ（距离ｋｍ）图２－６运行状态转换时刻选择原则Ｆｉｇｕｒｅ２－６Ｒｕｎｎｉｎｇｓｔａｔｕｓｔｒａｎｓｆｏｒｍａｔｉｏｎｔｉｍｅｓｅｌｅｃｔｉｏｎｐｒｉｎｃｉｐｌｅ２．４．３消除过低速度原则当列车运行在限制速度变化的区间时，为了维持进入限制速度区间前的高速度运行，而又必须遵循前述的“状态保持规则’’，结果有可能导致速度过低。消除过低速度原则要求调整进入限制速度区间前的列车运行速度，以便消除过低的速度。如图２．７所示。距离ａ）限制速度从高到低图２－７消除过低速度原则示意图Ｆｉｇｕｒｅ２－７距离ｂ）限制速度从低到高Ｅｌｉｍｉｎａｔｅｔｈｅｌｏｗｓｐｅｅｄｐｒｉｎｃｉｐｌｅ２．４．４优化附加原则附加原则是对不同类型的列车，在特殊的线路条件下运行时，为了合理控制列车达到良好的运行状态而制定的原则。例如在线路坡度或坡长变化较快的路段为了保持恒速运行，需要频繁改变操纵状态，这样会造成旅客乘车不舒适，此种情况下宁可增加区间运行时间也要尽可能避免频繁改变操纵状态。还包括节能运行原则，即在满足运行时分的前提下，选择合理的操纵方式，达到节能的目的。１６３列车自动驾驶的数学模型《列车牵引计算规程》是铁路重要的基础技术规范，它规定了牵引计算的基本原则、方法、计算公式并提供了大量相关的数据资料，是列车自动驾驶系统牵引计算的重要理论依据。列车牵引计算的中心环节是研究列车运行过程中发生的对列车运行有直接影响的各种外力与列车加（减）速度的相互关系，从而得出列车运行速度、运行距离、运行时间及牵引重量之间的对应关系。因此要实现列车的自动驾驶，首先要根据不同的线路情况，研究列车运行过程中作用在列车上的各种外力，得到相应的列车加（减）速度，再据此进行列车运行速度时分的解算，进而控制列车的运行。３．１列车运动方程及线路数据简化列车是在具有坡道和弯道的轨道上依靠机车的粘着牵引力行驶，由于驾驶坡道的长度远远大于列车的车长，可将列车作为一个质点处理，其运动方程可用牛顿第二定律表示。下面两节将简述其运动方程和线路数据简化的原则，至于列车运行中受力分析、列车的牵引力、制动力、运行中所受阻力的计算过程及各种阻力的简化合并等细节，因其与本文重点关系不大，故不再给出详细描述。３．１．１列车运动方程根据牛顿第二定律，列车的运动方程可表示如下：宰：善．ｃｄｔ——ｏＣ‘Ｃ（３－１）（３－２）生：ｖ４式中，ｃ一作用于列车上地单位合力（Ｎ／Ｋｎ）；孝：—０．０—０９８１一加速度系数；１＋，，厂一回转质量系数，对于客运列车一般取ｙ＝０．６；ｙ一列车运行速度；ｓ一列车走行距离。公式（３．１）和公式（３．２）均是以时间ｔ为独立变量的函数，而坡道、限制速度等是１７距离的函数，若以距离为独立变量则公式（３．１）和公式（３．２）可写成如下表达式：＿ｄｖ：丝（３－３）一＝＝一ａｊｙ粤：！（３－４）ａＪｙ用以距离为变量的数学模型更适合于模糊预测控制。列车运行工况可分为牵引、惰行、动力制动和空气制动多种情况，列车运行的工况不同，作用于列车上的合力也不相同，合力由公式（３．５）表示：ｇ（ｙ）一ＷｏＯ＇）一ｇ（ｓ）一（ｗｏ（１，）＋ｇ（ｓ））（牵弓Ｊ工况：ｆ（ｖ）＝ｇ（’，））（惰行工况：ｆ（ｖ）＝０）一吃（１，）一Ｗｏ（Ｖ）一ｇ（ｓ）一６（’，）一Ｗｏ（Ｖ）一ｇ（ｓ）－ｐｃ（ｖ）一ｗ０（ｖ）一ｇ（ｓ）（动力制动工况：ｆ（ｖ）＝一吃（ｙ））（紧急制动工况：ｆ（ｖ）＝－ｂ（＇，））（常用制动工况：ｆ（ｖ）＝一∥ｃ（’，））（３—５）式中，／（ｙ）一施加在列车上的单位动力；ｇ（’，）一列车单位牵引力，由列车牵引特性决定，是速度的函数；ｗ０（ｖ）一列车单位运行阻力，是速度的函数，由式（３．６）：Ｗｏ（Ｖ）＝ａ＋ｂｖ＋洲２式中，ａ、ｂ、Ｃ为经验常数，不同型号的机车取值不同；（３—６）ｇ（ｓ）一坡道阻力，由线路的实际坡道、曲线折算坡度、隧道折算坡度决定，是距离的函数；钆（ｖ）一单位动力制动力，由动力制动特性确定，是速度的函数；６（ｖ）一最大单位空气制动力，由列车制动机特性确定；∥ｃ（ｖ）一单位空气制动力，由列车制动机特性确定。由于ｆ（ｖ）、Ｗｏ（Ｖ）、吃（１，）、ｂ（ｖ）、ｐｃ（ｖ）都是速度ｖ的函数，ｇ（ｓ）是距离Ｓ的函数，Ｃ是速度ｙ和距离Ｓ的函数，且不同工况下ｃ的表达式不同。因此，由方程式（３．１卜（３．４）可知速度和距离的关系是不连续的非线性函数，为了表述方便将列车运动方程用下述一般形式描述：ｄ１，孚＝Ｆ（ｖ，ｓ）＝孝（厂（１，）一Ｗｏ（Ｖ）－ｇ（ｓ））ａｊ（３－７）考虑到列车编组长度，以整列车作为一个质点进行计算和以列车的每节车厢为质点进行计算时，列车在区间上的运行速度曲线与实际运行情况相差甚远，因此将列车简化为以每节车厢为一个质点且质点间无相对运动（即所有机车车辆具有相同的运行速度）的多质点系进行计算，因而公式（３．７）中的ｇ（ｓ）用公式（３．８）表示：．ｖｇ（Ｊ）＝∑ｇ心）（３－８）式中，Ⅳ一机车车辆总数；ｇｉ（Ｊ）一第ｆ节车的坡道阻力。３．１．２线路数据简化铁路给出的线路数据往往坡道较短并且坡度变化频繁，但实际上列车司机并不会在每一次坡度变化（可能很小）时就改变一次操纵策略。对于自动驾驶系统来讲也没有必要对每一个很短的坡道都重新确定操纵策略。为此需要对线路坡道进行必要的简化。一般来讲列车改变操纵策略的原因是由于其在线路上的受力情况发生了较大的变化。因此应当按照坡道变化对列车的实际影响效果进行简化。将连续的若干坡道简化成增速坡道（ＹＵ车在坡道上惰行运行时获得与列车运行方向一致的加速度）和减速坡道（列车在坡道上惰行运行时获得与列车运行方向相反的加速度）的组合。实际上由于增速坡道和减速坡道的判断与列车运行的实际速度有关，因此在数据预处理时只能粗略地将坡道上的线路限速（或期望的列车平均运行速度）作为列车实际运行速度对其进行分类。在实际运行时由于列车速度小于线路限速，其受到的阻力也就小于预处理时的计算速度。虽然预处理得到的增速坡道一定还是增速坡道，但减速坡道有可能转化为增速坡道。这样一来就必须在运行时动态地对减速坡道进行检查。《牵规》规定，在解算运行时分时，如遇到相邻的几个坡道，其长度不大，彼此的坡度又相差不多时，允许将它们合并成为一个单一的坡道，为化简坡道（‘），化简坡道的坡度等于化简地段始点与终点之间的标高差与化简地段长度之比，即：【，．【，‘＝兰＿生×１０００厶（３－９）式中，日．、皿一化简地段的线路纵断面始、终点的标高（ｍ）；厶：罗２：ｆ一化简坡道的长度（ｍ）。《牵规》规定化简地段中的任一实际坡道的长度（‘），只有满足下列的检查公式，才允许化简：ｔ≤—２０—００式中，２００卜经验常数；茁（３．１０）出＝Ｉｉｈ—ｆＩ一化简坡道与化简地段中任一实际坡度代数差的绝对值（‰）。１９３．２列车运行模型描述列车运行控制系统是一个复杂非线性动力学系统。该系统存在多个输入变量，列车牵引制动性能，线路坡度，曲率等信息均能够对列车的控制结果造成影响。而对于ＡＴＯ系统的控制目标来说，应该实现的是一个多目标的系统，列车的安全性、目标速度跟踪、定点停车、准点行车、舒适度和节能性都是ＡＴＯ系统应该考虑到的目标。下面将列车运行模型分为牵引计算模型、停车精度模型、行车时间模型、舒适度模型和能耗模型分别进行描述【＿７１。３．２．１牵引计算模型列车牵引计算的模型可以简化为：以初速度ｖ。＝０从起点站（Ｓ＝Ｓ。）出发，按照线路中速度控制条件调整速度，到达终点站，运行距离Ｓ＝￡，末速度屹＝０。目标函数为：ｍ（ａｖ／ｄｔ）＝ｆｄ—ｆｗｌ（３—１１）其中ｍ代表列车质量，Ｖ代表列车速度，厶代表车辆自身动力，无，代表列车所受的外力。下面对其中的变量进一步进行说明对于列车质量：聊２％＋他Ｉ（３—１２）他，代表车辆质量，％代表乘客质量。对于列车速度：Ｖ＝ｄｓｌｄｔ，其中对’，的限制条件为Ｏ≤＿≤ｕ一彳ｖｆ一代表在线路上不同区间的限速，如果线路区间存在刀段限速则：Ｋ（·曼≤Ｓ＜墨）Ｍ％２ｇ，ＣＳ，一Ｉ≤Ｓ＜墨）圪（邑一，≤Ｓ＜≮）（３—１３）对于车辆自身动力：厶包括两方面动力，牵引力厶和制动力厶。目前的列车动力系统主要分为两种：有级动力列车和无级动力列车。对于有级动力列车来说，若列车牵引分为ｍ级，制动分为ｎ级。则牵引和制动力都是列车速度和级位的函数。（３—１４）厶＝厂（ｒ，１，）其中ｒ∈Ｉｆｌ∥，．．．，ｌ。秽Ｉ，０≤Ｖ≤Ｖ衄。，ｚ∥表示牵引级位。Ｌｄ＝ｆ（Ｉ／ｄ，Ｖ）（３—１５）其中‘耐∈ｌ‘叫，．．．，乙列Ｉ，０≤’，≤ｙ吣，，列表示制动级位。对于无级动力列车来说，制动力是速度的函数。‘，＝ａｆ（ｖ）其中０＜口≤１表示当前牵引力在０和最大牵引力之间取值。（３—１６）Ｌｄ＝ｆｌｆ（ｖ）其中０＜∥≤１表示当前制动力在０和最大制动力之间取值。（３－１７）对于列车动力来说，为了保证列车加速度在不同的载重等级下基本恒定，列车在不同载重等级下的动力大小是不同的。图３．１以列车空电配合制动曲线说明。Ｒ，ＫＮ¨Ⅱ｜｛＝№｛＼卜入＼女，－Ａ－－｜＼基。吣＼、４｜Ｋｍ图３－１列车空电配合制动曲线Ｆｉｇｕｒｅ３－１Ｐｒｏｆｉｌｅｏｆａｉｒ／ｅｌｅｃｔｒｉｃｂｒａｋｅｐｏｗｅｒ可以看出列车载重等级越高，采用的制动力越大。根据口＝Ｆ／ｍ可知Ｆ和ｍ成比例增加的情况下，ａ保持恒定。同时也可以看出在列车速度超过一定值后，制动力变小。这是由列车最大功率决定的。由Ｐ＝Ｆｖ可知，当列车达到最大功率后，ｖ继续增加会导致Ｆ减小，所以对列车控制需要考虑达到最大功率后的速度继续提高列车制动力变小的情况。对于列车所受外力：列车所受外力分为基本阻力和附加阻力两部分。基本阻力厶：在列车启动之前，所受主要阻力为静态摩擦力，在此假设为厶；列车启动后，所受阻力为速度’，的二次函数口１，２＋ｂｖ＋ｃ。合成为一个函数如下：瞻ｌ，＝厶ａｖ２ｆｉｂａｖ◇＋钆ｂｖ＋∥ｃ（ｖ瑚）＞Ｋ。）（３－１８）附加阻力厶：列车的附加阻力是由于线路坡度、曲线、隧道等线路条件造成的阻力。可对其简化为轨道水平夹角和曲线半径的函数。厶＝ｆ（Ｏ，Ｒ）口为坡度值，尺为曲率半径。在实际应用中，对于线路坡度引起的附加阻力近似采用其坡度值代替：（３－１９）厶＝ｉｉ为坡度值。（３—２０）３．２．２定点停车模型随着城市轨道交通的发展，屏蔽门、安全门开始在新的轨道交通线路上进行设置，而屏蔽门对列车自动驾驶的停车要求很高。定点停车模型如下：Ｄ＝ｌＳ—Ｓｍ６ＩＤ表示停车精度误差，Ｓ表示当前列车位置，最。表示停车目标点。（３－２１）当列车停在停车允许范围内时Ｄ≤‰，符合要求（进入停车窗），列车允许开门。当列车停在停车允许范围外时Ｄ＞‰，不符合要求（在停车窗外），列车不允许开门，需要进行调整才能保证乘客正常上下车。３．２．３行车时间模型列车在站间按照最大速度行驶所用的时间为最短运行时间‰，正常运行时间丁都比最短运行时间长。定义Ｚ哪甜为ＡＴＳ下达的要求运行时间。对Ｚ唧鲋的要求是Ｚ哪“＞已；。，这样规定的目标时间才具有可实现性。定义为Ｉ运行时间Ｔ和要求运行时间Ｚ啦“之差。Ｚ＝Ｔ—Ｚ啦甜（３－２２）当Ｚ＞０时，列车处于晚点状态，列车应该采取最大运行速度进行行车，避免晚点时间进一步延长。当Ｚ＝０时，列车应该维持当前采用的运行速度行车，才能够保证列车准点到达。当乃＜Ｏ时，说明列车还有运营时间的富裕，可以对多余时间进行调整分配。３．２．４舒适度模型对乘客而言，舒适度表示为列车在行驶过程中冲击率最小。冲击率指加速度相对于时间的变化率，而对整个行车过程而言，不舒适程度可以用冲击率对整个运行时问的积分来表示。下面用方程表示旅行非舒适度：Ｊｅｒｋ＝蚓出■ｌ门ｒ（３－２３）ａ表示行车过程中的加速度（牵引率或制动率）ｔ表示运行时间。庞欣值越小，旅客的舒适度越高。但是当Ｊｅｒｋ小于一定值的时候，对旅客的舒适度影响很小，可以认为是一个可以忍受的恒定值。对其表示如下。Ｃｏｍｆｏｒｔ＝Ｊｏ（Ｊｅｒｋ＜厶）【Ｃｏｍｆｏｒｔ＝ｆ（Ｊｅｒｋ）（Ｊｅｒｋ≥ＪＨ）ｆ（Ｊｅｒｋ）是随比庇增加而减少的函数。（３－２４）３．２．５能耗模型列车的能耗模型为列车从起点到终点的过程中，加速过程、巡航过程、制动过程以及车厢内设备（例如电灯、空调）消耗的能量。本文主要研究列车自动驾驶系统，所以能耗模型为列车行车过程中做功所消耗的能量。也就是用列车每个时刻做功消耗能量对时间的积分表示列车能耗如下：ＬＰｏｗｅｒ＝［ｕ（ｔ）ｄｔ（３·２５）ＯＰｏｗｅｒ表示列车能耗；Ｚ表示运行时间；ｕ（ｔ）表示列车的能耗函数。以上是从整个运行过程宏观总结的能耗函数。经过进一步分析，进一步分析列车运行过程中的能耗函数【７】为：Ｅ＝ｔ－＋Ａｔ＋磊ＩＢｖｄｔ５肼ｌＦｖｄｔ（３－２６）Ｆ为牵引力，曰为制动力的，’，是速度，Ａ是列车辅助功率，ｔ为站间运行时间，厶为列车牵引时电能转换成机械能的乘积因子，磊为列车制动时机械能转换２３成电能的乘积因子。３．３线路及列车参数描述由前两节的描述可知，不管用什么方法对列车进行控制，都需要了解机车本身的参数情况及其所要行驶的线路的参数情况，在此基础上，才能确定列车行车的各个模型，换言之只有确定了相应的线路参数和列车参数，才能确定控制系统系统中的受控对象。下面介绍本文研究中选用的线路及列车参数情况，为后文控制器的设计及目标曲线的优化提供数据参考。一、线路参数线路参数选取重庆地铁三号线设计图中的郑家院子至唐家院子之间１．０５６８３ｋｍ的一段线路作为分析对象。选择这段线路的原因是因为两站间有较大的坡度起伏，可以较全面的验证ＡＴＯ对于坡度的控制效果。７５ｋｍ／Ｉｌ５０ｋｍ／ｈ５０ｋｍ／ｈ郑家院子站［立∑ｌ兰堑区Ｅ二二兰唐家院子站图３—２线路参数Ｆｉｇｕｒｅ３－２ＬｉｎｅＰａｒａｍｅｔｅｒｓ具体参数如表３．１所示。表３－１线路参数表名称线路长度车站长度车站限速线路限速Ｏ－４００ｍ坡度４００．６４１ｍ坡度６４１．９７１ｍ坡度９７１．１０５６．８３ｍ坡度取值１．０５６８３‰１２０ｍ５０ｋｍ／ｈ７５ｋｒｎ／ｈ．３‰（负值表示上行下坡）４７．８３‰（正值表示上行上坡）．３２．４３９‰０‰二、列车参数列车参数很复杂，包括列车的编组、车次号、加速特性、常用／紧急制动特性等。对于本文的分析，根据需要，可以提取需要的参数，并简化分析。具体参数如表３．２所示。表３－２列车参数表名称列车长度编组列车重量１级牵引加速度２级牵引加速度取值１２０ｍ６节１６２ｔ０．２ｍ／ｓ２０．６ｍ／ｓ２０．８ｍ／ｓ２３级牵引加速度１级制动减速度．０．２ｍ／ｓ２２级制动减速度３级制动减速度４级制动减速度．０．４ｍ／ｓ２．Ｏ．６ｍ／ｓ２．０．８ｍ／ｓ２４列车自动驾驶的优化算法如第一章中ＡＴＯ功能模块图所示：ＡＴＯ系统接收外部信息，同时对外部模块发出控制命令。在输入与输出之间需要一个控制算法来处理输入信息，计算输出信息。ＡＴＯ的算法是整个系统的核心，其性－闩＇－匕Ｉ．－，对整个系统的控制效率、准时性、舒适性和节能具有重大的影响，在前三章对ＡＴＯ系统的功能及其控制对象的模型进行详细分析的基础上，本章将依次研究不同算法在列车自动驾驶中的应用。４．１基于ＰＩＤ的传统ＡＴＯ算法ＡＴＯ的传统算法是基于列车制动模型理论，以经验公式为基础来实现列车的运行控制和速度调整。基于ＰＩＤ控制理论的ＡＴＯ速度控制算法是一种典型的传统算法，也是目前大部分系统所采用的，具有成功应用经验的控制算法。基于ＰＩＤ的ＡＴＯ速度控制算法，采用比例、微分、积分控制。比例环节是按比例反应系统的偏差，系统一旦出现了偏差，比例调节立即产生调节作用用以减少偏差；积分环节使系统消除稳态误差，提高控制精度；微分环节反映系统偏差信号的变化率，能预见偏差变化的趋势，因此能产生超前的控制作用。４．１．１ＰＩＤ控制系统设计ＰＩＤ控制系统是一种线性调节系统，根据经典控制理论，设计简单的闭环控制系统结构如图４．１所示。输入输出图４－１ＰＩＤ闭环控制系统原理图Ｆｉｇｕｒｅ４－１ＰＩＤｃｌｏｓｅ－ｌｏｏｐｃｏｎｔｒｏｌｓｙｓｔｅｍｓｃｈｅｍａｔｉｃ由图可知ＰＩＤ控制器的传递函数形式为：ｅＯ）＝七，＋！＋幻Ｊ（４－１）其中，受控对象为列车，由于列车类型不同，电机、上位计算机和网络与列车构成一个整体，因此到目前为止还没有给出精确的整车运动模型。可以选取一种列车作为研究对象，对于其他类型的列车可以按照相同的方法进行修改以适应新的列车模型。根据对参考文献１６１的已完成研究成果分析，通过采集列车运行参数，利用最小二乘法辨识了列车运动模型，本文利用该模型进行进一步的研究。该运动模型以控制级位为系统输入，列车运行速度为系统输出。模型形式如下：Ｇ（ｓ）：生·ｊ一：ｌ＿』●ｓ＋ａＩ９２ｓ＋ａ３（４．２）ａ２ｓ。＋【口３＋口ｌ口２Ｊｓ＋ａｌａ３根据参考文献【６】中的取值得到：Ｇ（ｓ）＝百６面１２·８６２１ｓ＋８２２．４Ｓ＋Ｕ．ｊ斗１Ｏ．０７１２８ｓ２＋０．４３５６ｓ＋０．０３２４（４－３）经过分析将上述模型分为固定环节和可变环节两部分，固定环节对应列车的牵引、制动部分，可变环节着眼于列车对外部条件的响应。将传递函数分解为如下形式：Ｇ（Ｊ）＝Ｇ口（Ｊ）Ｇｂ（ｓ）（４－４）由列车运行的经验得到Ｑ（ｓ）的传递函数近似为ｑ（ｓ）＝ｊ毛，进一步可以分析得到两部分传递函数为：此时通过确定ＰＩＤ控制器（ｅ（ｓ））参数，以达到跟踪目标速度的控制要求。根据列车系统特点，系统应该设计成过阻尼或临界阻尼，且无超调。从舒适度考虑，列车加速度不应该大于１．５ｍ／ｓ２。于是从０ｋｍ／ｈ加速到７５ｋｉｎ／ｈ（２０．８ｍ／ｓ）调节时间应满足ｆ。≥（２０．８／１．５）＝１３．８ｓ。由ＰＩＤ原理图得到闭环传递函数为：＝～ｒＯ）：ｇ盟坐！～瓯（Ｊ）２丽赢（４－６）ｅ（ｓ）＝百６面１２（４－５）了而面百丽面丽１＋ｐ（Ｊ）Ｇ（ｓ）ｂ３＋（＋Ｋｌｋｄ）ｓ２＋（ｃ＋Ｋｌｋｐ）ｓ＋Ｋｌ岛（４－７）传递函数的特征方程为：Ｄ（ｓ）：ｓ，＋生堕ｊｚ＋—ｃ＋Ｋ—，ｋｐ¨盟（４－８）代入参数得到传递函数特征方程为：Ｄ（ｓ）＝ｓ３＋（０．４３５４＋０．０７１２８ｋｄ）Ｓ２＋（Ｏ．０３２４＋０．０７１２８ｋｐ）ｓ＋０．０７１２８ｋｆ（４－９）通过对系统的零极点进行配割６１，简化为一阶系统，并调节时间性能指标，超调量指标，最终得到ＰＩＤ控制器参数为：韭廛变通点堂理士堂垃监基到主自动型墼啦也业显洼麟４１．２“·１０１ＰＩＤ控制系统仿真测试本文利用Ｍａｔｌａｂ中的ｓｉｍｕｌｉｎｋ软件对控制器的控制效果进行测试。Ｍａｔｌａｂ中提供了ＰＩＤ控制器的仿真模块，下面将系统传递函数输入，检验控制器控制效果。图４－２为控制系统仿真框图。图４－２用ｓｉｍｕｌｉｎｋ测试ＰＩＤ控制系统Ｆｉｇｕｒｅ４－２ＴｅｓｔｔｈｅｒｅｓｕｌｔｏｆｐＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍｗｉｔｈｓｉｍｕｌｉｎｋ其中ＰＩＤ控制器的参数设置如图４．３所示。Ⅱ墨口旺譬互匠譬囤西：鬃：ｏＥｎｔ型ｅｚｐｒ……！ｆ。…ｏｐｏｒｎｏｎｄ，ｉＡｔ。Ｆｄ，ｎｄｄ…ｖＡｔｌ…９…Ⅱｎｃｏｎｔｒｏｕｅｒ“ａｓｋ）Ⅱｌ吐）Ｐ＋Ｉ／ｓ＋Ｄ！图４－３ＰＩＤ控制器参数Ｆｉｇｕｒｅ４－￥ＰａｒａｍｏｔｅｒｓｏｆＰＩＤｃｏｎｔｒｏｌｌｅｒ通过Ｓｉｍｕｌｉｎｋ对控制器进行仿真，对阶跃输入分析其响应如图４＿４所示。韭应奎煎太生亟±堂也监奎列主自动驾驶曲墟此嶷洼１５旨，１００一０５１０１５２０２５３０３５４０４５５０ｔｉｍｅ（ｓ）图４－４ＰＩＤ控制器对阶跃输入的响应Ｆｉｇｕｒｅ４－４Ｒｃｓｐｏｍｅｔｏｔｈｅｓｔｅｐｉｍｐｏｒｔａｔｉｏｎ可以看出，系统超调、误差都很小，误差基本达到列车控制系统的要求，只是调节时问太于１４ｓ，但也基本达到列车控制的需求，但由于ＰＩＤ是按照预先设计的速度一距离模式曲线，根据限速、阻力、列车质量等诸多因素确定的经验公式给出各个环节的补偿参数，很难真实反映实际情况，且缺乏白适应性。反映到系统中的现象就是速度控制的平滑性受到破坏，牵引和制动的切换频繁，从而影响了系统舒适性的要求，同时也影响了列车的节能性能和停车精度。结合ＡＴＯ系统的控制要求考虑，虽然ＰＩＤ调节综合了比例、微分和积分三种基本调节方法的优点，在速度控制方面有可能达到相当的精度和较好的响应特性，但缺点也很显著：１）调节时间很长，如果参数选择不当，还会造成很大的震荡，同时对应不同型号的列车，为了达到控制指标，需要不断人为地调整各个环节的补偿参数；２）缺乏自适应性和学习性，不能在变化了的线路、临时限速和对驾驶策略作出调整的情况下得到应用；３）ＰＩＤ的控制目标就是是列车实际运行曲线尽可能地逼近目标曲线，但对于ＡＴＯ系统的控制目标来说，应该实现的是一个多目标的系统，列车的安全性、目标速度跟踪、定点停车、准点行车、舒适度和节能性都得到考虑。综上所述，仅仅依靠传统的ＰＩＤ控制实现ＡＴＯ系统的在控制质量上大大低于一个优秀的熟练司机的操作，造成这种情况的原因是主要有两点：一是这些传统的控制系统只根据某个预定的单目标来实施控制，即要么跟踪控制精度，要么进行节能运行等等，无法兼顾许多其它影响列车运行质量的因素，而熟练的司机则能在对其控制后果进行预测的基础上通过对多个目标的综合估价来实施控制；二是这些传统的控制系统不具备灵活的适应性，其控制参数和控制策略一旦固定就不易改变，无法应付复杂环境因素的变化对控制的影响。而熟练的司机却能根据具体的运行环境灵活的改变其控制策略，在各种条件下都能达到较好的控制效果。司机所依据的控制目标如乘坐舒适性、停车的准确性、行车的准点性等都是用语言来表达的，却是不精确的、模糊的，利用传统控制理论来描述这些不精确的量是非常困难的，所以，司机在控制中的灵活性、鲁棒性和适应性等诸方面都明显好于传统控制理论基础上的列车运行自动控制系统。而近些年来得到迅速发展的智能控制理论及其算法，正是在不同程度上模仿了司机的操作行为，可以弥补传统控制方式在ＡＴ０系统中应用的不足，因此，利用智能控制理论来优化改进ＡＴ０系统，是ＡＴ０系统发展的一个重要方向。４．２基于智能控制理论的ＡＴＯ优化算法由于传统的ＰＩＤ控制系统存在以上缺点，提出了用智能控制理论来改进ＰＩＤ算法，以实现对ＰＩＤ参数的自动整定和目标曲线的自动优化。智能控制主要用来研究传统方法难以解决的复杂系统的控制问题。智能控制【８】的研究对象一般具备以下特点：不确定性的模型，高度的非线性，‘复杂的任务要求。模糊控制、神经网络和遗传算法是目前较为流行的三种智能控制算法，下面各节将依次介绍模糊控制、神经网络和遗传算法在ＰＩＤ控制系统及其目标曲线的优化中的应用。４．３基于模糊控制的参数自整定ＰＩＤ控制器模糊控制是以模糊集合论、模糊语言变量以及模糊逻辑推理为基础，采用计算机控制技术构成的一种具有反馈通道的闭环结构的数字控制系统，对难以建立精确数学模型的对象实施控制，它是模糊数学与控制理论相结合的产物。模糊控制实际上是一种非线性控制，智能控制的主要方法之一。模糊控制系统通常由模糊控制器、输入输出接口、执行机构、被控对象和测量装置等五部分组成。它的知识模型由一组模糊推理产生的规则构成，它的人机对话能力较强，能够３０方便地将专家的经验与思考加入到知识模型中。由于它能够利用熟练操纵人员的操作经验和相关领域专家的知识，解决复杂对象的控制问题，因而模糊控制从一丌始便立即引起控制界的广泛兴趣，并得到迅速发展。模糊控制系统可以解决复杂系统的控制问题。当系统为多输入多输出、强非线性、时变及滞后系统时，传统意义上的系统数学模型将变得非常复杂而失去实际意义，甚至无法建立模型，常规控制方法将无法实施。然而模糊逻辑控制是建立在对过程的语言模型表述形式之上，绕过了传统的建模思维形式从而打开了成功之门【ｌ９１。４．３．１模糊控制算法的基本原理和方法模糊控制的基本思想【４】就是利用模糊集合理论，把人的控制策略的自然语言转化为计算机能够接受的算法语言所描述的控制算法，这种方法不仅能实现控制，而且能模拟人的思维方式对一些无法构造数学模型的被控对象进行有效的控制。特别是近年来与预测控制、神经网络、遗传算法等非线性优化工具相融合，已成为目前解决复杂系统控制的一种有效方法。总结人的控制行为，正是遵循反馈及反馈控制的思想。人的手动控制决策可以用语言加以描述，总结成一系列的条件语句，即控制规则。运用微机的程序来实现这些控制规则，微机就起到了控制器的作用。于是，利用微机去带人可以对被控对象进行自动控制。在描述控制规则的条件语句中的一些词，如“较大”、“稍小”、“偏高”等都具有一定得模糊性，因此用模糊集合来描述这些模糊条件语句，即组成了所谓的模糊控制器。１９７４年英国马丹尼首先设计了模糊控制器，并用于锅炉和蒸汽机的控制，取得了成功。模糊语言控制器、模糊控制理论、模糊逻辑算法等概念，就从此诞生了。模糊控制系统的主要组成部分是模糊控制器，如图４－５所示，模糊控制器的三个基本功能模块：模糊化模块、模糊映射模块和去模糊化模块。‘～～ＥＬ—ｃ（ｔ）△ｅ（Ｏ模糊化模块模糊关系Ｃ去模糊化Ｒ．映射模块图４－５模糊控制器的三种功能模块Ｆｉｇｕｒｅ４－５Ｆｕｚｚｙｃｏｎｔｒｏｌｌｅｒ＇ｓｔｈｒｅｅｋｉｎｄｏｆｆｕｎｃｔｉｏｎａｌｍｏｄｕｌｅ１、模糊化人工操作者去控制一个被控制对戏那个，通过感官从检测仪表观察的被控对象的输出信息在客观上是精确量，但是反映到认得大脑中的这一精确量则转化为带有模糊性的模糊量，因为人的大脑控制经验是由类｛以ｉｆ－ｔｈｅｎ的条件语句构成的知识库，计算机仿照人的大脑的思维进行模糊控制，其输入通道得到的采样值是精确量，而推理机制进行的模糊推理是运行输入量的模糊值和输入／输出之间的模糊关心进行模糊推理，把控制系统输入量由精确量转化为模糊量的过程成为模糊化过程。２、模糊控制的知识库知识库主要包含所有数据库和规则库。所有输入、输出变量所对应的论域以及这些论域上所定义的规则库中所使用的全部模糊子集的定义都存放在数据库中。在模糊控制器推理过程中，数据库向推理机提供必要的数据。在模糊化接口和清晰化接口进行模糊化和反模糊化时，数据库也向它提供相关论域的必要数据。规则库存放模糊控制规则。模糊控制库是由一系列ｉｆ－ｔｈｅｎ形式的模糊条件语句构成的。条件语句的前件为系统的输入或状态，后件为控制量。模糊控制规则基于操作人员长期积累的控制经验和专家领域的有关知识经过归纳整理所形成，它是对被控对象进行控制的一个知识模型，这个模型建立的是否准确完备，即是否准确和全面地总结了操作人员的成功经验和领域专家的知识，将影响模糊控制系统性能，规则库一般可以通过以下途径建立。１）总结操作人员、领域专家、控制工程师的经验和知识；２）基于过程的模糊模型；３）基于学习和优化的方法。３、模糊推理模糊推理是指采用某种推理的方法，有采样时刻的输入和模糊控制规则导出模糊控制器的控制量输出。模糊推理算法和很多有关，如模糊蕴涵规则、推理合成规则、模糊条件语句前件部分的连接词“而且”（ａｎｄ）和语句之间的连接词“否则”（ｏｒ）的不同定义等等。因为这些因素有很多种不同的定义，可以组合出相当多的推理算法，因此这个问题也变得十分庞杂，同时也为模糊控制器的设计带来了很多的自由度。４、清晰化与模糊化相反，模糊推理机得到的仍是模糊集合的形式，而对于实际的控制则必须为清晰量，因此需要将模糊量转换成清晰量，这就是清晰化或者称为反模糊化计算所要完成的任务。反模糊化计算通常有好半多算法：最大隶属函数法、中位数法、重心法等。综上所述，模糊控制算法可以概括为以下四个步骤：１）根据本次采样得到的系统输出值，计算所选择的系统的输入变量；２）将输入变量的精确值变为模糊量；３）根据输入变量（模糊量）及模糊控制规则，按模糊推理合成规则计算控制量（模糊量）；４）由上述得到的控制量计算（模糊量）精确地控制量。４．３．２参数自整定ＰＩＤ控制器的设计１、模糊控带ＩＪＰＩＤ控制系统结构本文在常规ＰＩＤ基础上，以被控对象的反馈值与目标值的误差Ｅ和误差变化率ＥＣ作为输入，用模糊推理的方法对ＰＩＤ的参数Ｋ矿Ｋ、／ｑ进行在线自整定，以满足不同Ｅ和ＥＣ对控制器参数的不同要求，从而使受控对象具有良好的动态性能和静态性能。模糊参数自整定ＰＩＤ控制系统结构框图如图４－６所示。图４．６模糊ＰＩＤ控制系统结构图Ｆｉｇｕｒｅ４－６ＦｕｚｚｙＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍｓｔｒｕｃｔｕｒｅｄｒａｗｉｎｇ２、ＰＩＤ参数整定原则根据系统在受控过程中对应不同的Ｅ和ＥＣ，将ＰＩＤ参数的整定原则归纳如下：１）当蚓较大时，说明误差的绝对值较大，Ｋ。应取较大值，以提高响应的快速性；而为了防止ｌｅｃｌ瞬时过大，髟应取较小的值；同时为了避免出现较大的超调，应对积分作用加以限制，通常取Ｋ＝０。２）当蚓处于中等大小时，为使系统响应超调较小，Ｋ。应取小些。在这种情当蚓较小时，为使系统具有较好的稳定性，Ｋ。与Ｋ均应取大些，同时为况下，髟的取值对系统响应影响较大，Ｋ取值要适当。３）了避免系统在设定值附近出现震荡，并考虑系统的抗干扰性能，应适当地选取髟值。巧值的选择根据ｌＥＣＩ值来确定。当ＩＥＣｌ较大时，巧取较小值；当ｌＥＣＩ较小时，髟取较大值。通常情况下髟为中等大小。３、模糊控制器的设计１１各变量隶属函数的确定模糊控制器输入的语言变量，分别表示输入量的偏差和偏差变化率，规定他们的论域为：Ｅ，ＥＣ２｛。３，。２，一ｌ，０，ｌ，２，３）它们的模糊集为：Ｅ，ＥＣ＝｛ＮＢ，ＮＭ，ＮＳ，Ｏ，ＰＳ，ＰＭ，ＰＢ）其含义依次为负大、负中、负小、零、正小、正中、正大。输出变量Ｋ。，Ｋ，髟用以确定控制量，并规定其论域为：Ｋ，，Ｋ，巧＝｛－３，－２，－１，０，ｌ，２，３）输出量的语言变量模糊集为：Ｋ，，Ｋ，Ｋｄ＝｛ＮＢ，ＮＭ，ＮＳ，Ｏ，ＰＳ，ＰＭ，ＰＢ）各个语言值的定义分别由给出的三角形隶属函数曲线来描述。２）建立控制规则表依据２所描述的参数整定原则及工程设计人员的技术知识和实际操作经验，可列出相应的参数调节规则，如表４．１所示。表４．１参数模糊规则表Ｔａｂｌｅ４－１ＦｕｚｚｙｒｅｇｕｌａｒｔａｂｌｅＫｐ模糊规则表Ｉ、△Ｋ毋ｃＥ‘、．．＼ＮＢＮＢＮＭＮＳＯＰＳＰＭＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＭＰＭＯＮＳＰＳＯＰＳＮＳＯＯＮＳＮＭＮＳＯＰＳＰＭＰＭＰＳＰＳＯＰＭＰＭＰＳＯＯＰＭＰＳＯＮＳＰＭＯＮＳＰＭＰＢＮＭＮＭＮＭＮＭＮＭＮＭＮＭＮＭ．ＮＢＮＭＮＭＮＢＮＢＫｐ模糊规则表、堪之犬ｃＥ。＼３ＮＢＮＢＮＭＮＳＯＰＳＰＭＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＭＰＭＯＮＳＰＳＯＰＳＮＳＯＯＮＳＮＭＮＳＯＰＳＰＭＰＭＰＳＰＳＯＰＭＰＭＰＳＯＯＰＭＰＳＯＮＳＰＭＯＮＳＮＭＮＭＮＢＮＢＮＭＮＭＮＭＮＭＮＭＮＢＰＭＰＢＮＭＮＭＮＭＫｐ模糊规则表、、△Ｋ共ｃＥ’一弋ＮＢＮＢＮＭＮＳＯＰＳＰＭＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＰＢＮＭＮＳＯＰＳＰＭＰＭＯＮＳＰＳＯＰＳＮＳＯＯＮＳＰＭＰＭＰＳＰＳＯＰＭＰＭＰＳＯＮＳＰＭＯＮＳＰＭＰＳＯｏＮＭＮＭＮＭＮＭＮＭＮＢＮＭＮＭＮＢＮＢＰＭＰＢＮＭＮＭＮＭ根据模糊规则表来修正ＰＩＤ参数，计算公式如下：Ｋｐ＝Ｋｐ＋ＡＫｐ；Ｋ＝《＋ＡＫｉ；％＝嘭＋ｚＳＪ【＂ｄ；其中，Ｋ，，Ｋ，％为原先设定好的初始ＰＩＤ参数。ＡＫｐ，必，峨３０模糊控制器的三个输出参数，可根据被控对象的状态自动调整ＰＩＤ控制参数的数值。３）ＳＩＭＬＩＮＫ下模糊推理与模糊控制器的建立根据上述分析，在ＳＩＭＬＩＮＫ窗口建立一个ｍｄｌ仿真模型，如图４．７所示。Ｊ司Ｓｃ∞ｅ１图４．７模糊参数自整定ＰＩＤ控制器仿真模型Ｆｉｇｕｒｅ４－７ＴｈｅｆｕｚｚｙｐａｒａｍｅｔｅｒｓｅｌｆｒｅｇｕｌａｔｉｎｇｄｅｃｉｄｅｓｔｈｅＰＩＤｃｏｎｔｒｏｌｌｅｒｓｉｍｕｌａｔｉｏｎｍｏｄｅｌ由模糊控制规则表将其中参数调节写成条件语句形式。可以利用模糊逻辑工具箱建立一个ｆｉｓ型文件，保存为ＰＩＤ．ｆｉｓ。在ＭＡＴＬＡＢ命令窗１２键入ｆｕｚｚｙ，就会出现一个ＦＩＳＥｄｉｔｏｒ窗口。本设计采用双输入、三输出模糊控制器，输入变量分别为偏差Ｅ和偏差变化率ＥＣ，输出变量分别为Ｋ。，Ｋ，髟。在Ｅｄｉｔ菜单下选择Ｍａｍｄａｎｉ型。用Ｅｄｉｔ菜单下的ｒｕｌｅｓ实现编辑模糊规则。取输入量Ｅ、ＥＣ的隶属函数为三角型，输出变量Ｋ。，Ｋ，巧的隶属函数也为三角型。根据控制规则表以ｉｆ．．．ｔｈｅｎ的形式在ＲｕｌｅＥｄｉｔｏｒ窗口输入控制规则，模韭斑窑强厶堂甄土生也ｉ金窑到茔自动銎鹫啦毡此簋选糊决策一般采用Ｍａｍｄａｎｉ型推理算法，反模糊一般采用重心法（ｃｅｎｔｒｏｉｄ）。Ｋ，墨，ｑ的初值设为：芷，＝１，Ｋ＝０，局＝１。输入信号同传统ｐＩＤ系统的输入一样，设为单位阶跃信号，采样时问为ｌｍｓ。仿真得出如图４－８所示的系统响应曲线。０５１０１５２０２５３０３５加４５５０幽４８模糊Ｐ［Ｄ控制器对阶跃输入的响应Ｆｉｇｕｒｅ４－８Ｒｅｓｐｏｎｓｅｔｏｔｈｅｓｔｅｐｉｍｐｏｒｔａｔｉｏｎ实验结果表明，采用模糊ｐＩＤ控制算法过渡调节时间减小（由１４ｓ降至８ｓ），系统的响应速度加快，超调量也明显减小甚至消失，控制系统的动态特性和静态特性均取得了改善，能更好地满足ＡＴＯ系统的应用要求。但模糊控制同时存在下列两个缺点：ｌ、模糊语言变量的划分和隶属函数的形状在很大程度上取决于专家经验，因而很难进行在线调整，同时导致输出的精确性下降；２、模糊推理方法不大适应于控制，由输入直接决定输出的方法显得过于简单、死板。筒而言之，仅仅采用模糊控制方法很难进一步改进ＡＴＯ系统的性能。把神经网络的学习能力加入模糊系统，建立一个基于模糊神经网络ＡＴＯ系统，无疑是一种较好的选择。４４基于神经网络的ＡＴＯ算法尽管模糊控制具有较强的不确定性知识表达和逻辑推理能力，但它缺乏自学习、并行计算、全局寻优和复杂数据处理能力，随着神经网络、遗传算法的发展和应用，模糊控制与之结合已成为解决复杂系统控制问题的最有效途径之一。由于神经网络具有非线性逼近、自学习、自适应和并行分布处理能力，但其对不确定性知识的表达能力较差，因此，神经网络和模糊控制结合是优势互补，各取所长。这种集成系统由于包含模糊系统和神经网络的互补特性，改善了常规模糊系统的适应能力。人工神经网络（简称神经网络），由大量简单神经元经广泛互连构成一种计算结构，在某种程度上可以模拟人脑生物神经系统的工作过程。其基本思想是从仿生学的角度，模拟人脑神经系统神经细胞的运作方式，网络的每一个节点就相当于一个神经细胞，称为神经元，使得机器像人脑那样具有感知、学习和推理能力。神经网络一个很明显的特点是其强大的计算能力，这种能力来源于：第一，它的结构是大规模并行分布结构；第二，它的学习能力及由此产生的泛化能力。这两种信息处理能力使得神经网络可能可以解决目前用其它方法难以解决的实时性、不确定型的复杂（大规模）问题。神经网络可以模拟出系统的输入和输出之间的复杂关系，同时还可以动态的修正网络对系统输入和输出的映射结果，使之逐步逼近实际系统特性【１６】。４．４．１反向传播（ＢＰ）神经网络基本原理和方法神经网络大致可以分为三种：线性（ＡＤＡＬＩＮＥ）神经网络、反向传播（ＢＰ）神经网络（又称多层前馈神经网络的ＢＰ学习算法）和径向基函数（ＲＢＦ）神经网络。鉴于解决列控系统复杂的输入输出参数、复杂的系统参数能力，及算法的熟练程度，我们这里选用目前较为流行的多层前馈神经网络的ＢＰ学习算法，即反向传播（ＢＰ）神经网络。其基本原理和方法如下：１）网络结构输入层卜一隐含层—◆ｌ输入层１．一隐含层—◆Ｉ３７输出层图４～９Ｂｅ神经网络结构Ｆｉｇｕｒｅ４－９ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅＢＰ网络（ＢａｃｋｐｒｏｐａｇａｔｉｏｎＮＮ）是一种单向传播的多层前向网络，其结构如图４－９所示。网络除输入输出节点外，还有一层或多层的隐含层节点，同层节点中没有任何耦合。输入信息从输入层节点依次传过各隐层节点，最后到达输出层节点，每一层节点的愉出只影响下一层节点的输出。其节点单元特性（传递函数）通常为Ｓｉｇｍｏｉｄ型（ｆ（ｘ）＝ｌ／（１＋ｅｘｐ（一戤））（Ｂ＞０））或Ｔａｎｓｉｇ型（ｆ（ｘ）＝（１一ｅｘｐ（一Ｂｘ）／（１＋ｅｘｐ（一取））（Ｂ＞０）），在输出层中，节点单元特性可为线性。设ＢＰ网络的输入个数为ｎ个，以向量ｕ表示：ｕ＝（ｕｌ，ｕ２，…，ｕ。）１网络产生ｍ个输出数据，用向量Ｙ表示：Ｙ＝（Ｙｌ，Ｙ２，’‘‘，Ｙ。）。（４—１２）（４－１１）这样ＢＰ网络可视为从ｎ维输入空间到ｍ维输出空间的非线性映射，即：厂：Ｒ”一Ｒ”，Ｙ＝ｆ（ｕ）２）（４－１３）ＢＰ学习算法ＢＰ网络的学习算法采用ＢＰ学习算法，即“误差反向传播算法”，是一种有监督的学习过程。对整个神经网络来说，它有两种状态：学习阶段和工作阶段。在学习阶段，首先沿前向计算对应输入的网络输出，再将网络输出值与期望输出值之差逆向（即输出层一输入层）传播到各层神经元，并根据误差大小和符号相应调整各连接权值，该过程一直到在给定样本条件下满足给定的目标函数为止。工作阶段把待测样本输入已学习好的网络输入端时，根据类似输入产生类似输出的原则，来获得所求的输出。①神经网络输入模式顺传播对具有一个隐层神经元的ＢＰ神经网络，设网络输入层输入为：Ｕ（七）＝【ｕＩ（尼），Ｕ：（七），…，Ｕｎ（忌）】（ｋ＝１，２，…，ｇ），网络输出层期望的输出为：Ｙ（ｋ）＝［Ｙ。（七），Ｙ：（尼），…，Ｙ。（后）】（ｋ＝１，２，…，ｑ），ｑ为总的学习样本对数，刀为输入层神经元数，ｍ为输出层神经元数。把各连接权值及阈值随机初始化为极小值，对某一对样本，其隐层神经元激活值为：Ｊｌ—ｓ，＝∑％吩一已扣ｌ（ｊ２１，ｏ·ｅｐ）（４—１４）式中，％为输入层至隐层的连接权值；秒，为隐层的阐值；隐层激活函数用Ｓ型函数；隐层输出：６，＝ｆ（ｓ，）＝１／（１＋Ｐ一勺），Ｐ为隐层神经元数。护，在学＞－－ｊ过程中同Ⅵ，一样不断的被修正，输出层神经元激活值为：上‘＝∑％吃一以（ｔ一１，２，…，聊）（４－１５）３８式中以，为隐层至输出层的连接权值；”为输出层的阈值；输出层激活函数可用Ｓ型函数或线性函数，则网络实际输出为：ｅ＝ｆ（１ｔ）。②基于梯度下降法的误差传播学习令第ｋ对学习样本的网络期望输出与实际输出的偏差为：４（七）＝（只（ｋ）一Ｃ（七））（ｔ＝１，２，…，ｇ）（４－１５）则第ｋ对样本网络的输出与目标平方和误差为：Ｅ（七）＝∑（只（尼）一ｅ（尼））２／２网络的训练目标采用所有样本误差和的均值：１口（４－１７）ＥＡｒ－＇．ＺＥ（ｋ）式中，Ｅ。，为学习的目标函数。（４＿１８）学习的目的是使ｔｒ达最小（或规定的误差范围）。ＥＡｙ是网络所有权值和阈值以及输入信号的函数。对单个样本｛ｕ（ｋ），ｙ（ｋ）），设＿（足）＝∑％Ｃｆ（七），ｈ为加到单元歹－ｆｉｌｊ输ＸＯｑ＋数，则Ｃ，（尼）＝缈，（＇，，（七）），由偏微分法则求得Ｅ（ｋ）对ｗⅣ的梯度：因为器删，器叫，器州纠，器州所以一＝＝一施（七）ａＥ（ｋ）ＯＳｊ（ｋ）ＯＣｊ（ｋ）加，（后）鸭（七）０８ｊ（ｋ）ＯＣ／（ｋ）Ｏｖｊ（尼）哪（Ｊ｜｝）（４－１９）丽ａＥ（ｋ）＝一ｔ（后）谚（＿（尼））ｑ（尼）权值％的修正值禹（４－２。）ｄ，（后）：一丢萎｛乏蔓苎黧：巧（尼）谚（＿尼）（４－２）ｋＯＣｐ’吲耻叩器叫ｄｊ（鹕㈣施，（ｓ（ｋ）Ｏｖ，（七）ｐ“ｐｒ“（４－２１）式中，负号（一）：修正量梯度下降方向；ｄｊ（ｋ）：局部梯度。基于上述原则，对仅有一层隐层的ＢＰ网络各层权值及阐值的进行修正。隐层至输出层的连接权值的修正量：即一百ＯＥ（ｋ）…·器ＯＣ（ｋ·筹’（４－２３）ａｙｎ、）８ｙｎ式中，口为学习率，署＝一（并一口）＝一群，激活函数为ｓ型函数时：７ｒ’（ｔ）＝Ｃ（１一Ｇ）。３９所以：百ｏＧ（ｋ）２丽ＯＧ（ｋ）‘筹＿厂＇㈣删，激活函数为ｓ型函数时：ＡＶｆｉ＝一口·４（尼）·Ｃ（尼）·（１一Ｃ（后））·６『（尼）（４－２４）令ｄｉ（ｋ）＝巧（尼）·ｑ（尼）·（１一Ｃ（七））＝（少，（尼）一ｃｆ（尼））厂’（‘（七）），就可以得到隐层与输出层的权值和阈值修正量△％＝口·ｄｉ（ｋ）·６ｆ（七）和△以＝口·ｄｉ（ｋ）。同理可得到输入层与隐层的权值和阈值修正量△％，＝∥·巧·群和△ｅ＝∥·弓，亏为隐层各神经元的校正误差巧＝ｔＺｄ：．ａ巧，ｌ·嘭·（１一嘭），∥为学习率。修正后新的权值和阈值如下：Ｖｏ（Ｎ＋１）＝Ｖｏ．（Ｎ）＋口·ｄｉ（尼）·６，（４—２５）（４—２６）（４·２７）（４－２８）形（Ⅳ＋１）＝乃（Ⅳ）＋口·群ｗｊ，（Ｎ＋１）＝ｗⅣ（Ｎ）＋∥·ｅｖ（尼）·口，（尼）Ｅ（Ｎ＋１）＝臼，（Ⅳ）＋∥·ｅｊ（ｋ）随机选取一对样本提供给网络用新的权值和阐值进行学习训练，直至ｑ个学习样本对训练完；然后重新从ｑ个学习样本中随机选取一对样本，计算目标函数值，直至网络全局平均误差函数Ｅｒ。小于预先设定的限定值（网络收敛）或学习次数大于预设值（网络无法收敛）。综上所述，ＢＰ算法的步骤可归纳如下：（１）初始化所有可调参数如权值和闽值初始化为随机的较小数值。（２）对每个输入样本依次对进行下列计算：△前向计算对第，层的第．，单元∥’（尼）＝∑ｗ；：’（尼）掣（后）且（４－２９）缈ｂ，㈣）＝鬻吲纠１吲纠ｃ（ｏ’（尼）＝Ｕｊ（后）ｃ，（后）＝Ｄ，（七）ａｊ（ｋ）＝ｙｊ（ｋ）一ｏｊ（后）（４－３。）若神经元ｊ属于第一隐层（即／＝１），则有（４—３１）若神经元Ｊ属于输出层（，＝Ｌ），则有（４—３２）（４—３３）△反向计算ｄ对输出单元彰『）（后）＝《‘’（尼）ｑ（七）［１－ｏｊ（ｋ）］对隐层单元（４·３４）形幻（七）＝ｑＤ（后）１１一ｑ７’（尼）Ｉ∑彬“１’（后）蟛＋１’（后）（４·３５）△按下式修Ｊ下权值蟛’（尼＋１）＝Ｗ。（ｔ’（尼）＋７７彰』）（尼）ｑ（尼）周期中样本的输入顺序要重新随机排序。ＢＰ算法的流程图如图４．１０所示。（４－３６）（３）输入新的样本ｋ＝ｋ＋ｌ（或新一周期样本），直至达到预定要求，训练时各图４．１０ＢＰ算法流程Ｆｉｇｕｒｅ４—１０ＰｒｏｃｅｓｓｏｆＢＰａｌｇｏｒｉｔｈｍ４．４．２ＢＰ神经网络在ＡＴＯ系统中的应用４１１、神经网络和模糊控制的结合基于上一小节中对模糊控制缺点的分析，将神经网络算法引入模糊控制器来完善其自适应性、学习性等有其必要性，而其可行性由文献【１６】给出了证明结论：（１）如果给定一个连续的、分层的、前馈神经网络，就能够通过一个（离散的）模糊系统以任意精度来逼近它；（２）！ｔｔｌ果给定一个连续的、离散的、具有一定规则库德模糊系统，就能够通过一个三层前馈神经网络以任意精度来逼近它。因此，我们可以利用神经网络的学习功能和映射能力，去等效模糊系统中各个模糊功能模块，如模糊化、模糊推理、模糊决策等。如图４．１１所示。（２）图４－ｌｌ神经网络等效控制器Ｆｉｇｕｒｅ４－１１Ｎｅｕｒａｌｎｅｔｗｏｒｋｅｑｕｉｖａｌｅｎｔｃｏｎｔｒｏｌｌｅｒ这种模糊控制器可以成为模糊神经网络（ＦＮＮ）控制器，如图４．１２所示。网络中结点ｍｉｎｉ代表规则模糊ｌ，其输入为４（Ｅ）和Ｂ。（嬲），输出ｑ＝ｍｉｎ｛Ａ．．（Ｅ），Ｅ（ＥＣ））。结点ｍｉｎｉ至ｔＪｍｉｎ４９都完成ｍｉｎ运算，所以它们对应着４９条规则，当Ｅ为４及ＥＣ为ＢＩ时激活ｌ号神经元，采取同样的方法，可以对２号到４９号神经元进行类似处理。神经元５０至ｔＪ５６对它们的输入进行“取最大＂运算，这些神经元的权值都等于１。神经元５７的输入是岛Ｃｆ，其中ｌ≤ｆ≤７，输出是输入的“合成取最大”。神经元５８权值为ｌ，相当于去模糊化器。４２图４．１２模糊神经网络控制器示意图Ｆｉｇｕｒｅ４—１２Ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒｓｃｈｅｍａｔｉｃｄｒａｗｉｎｇ使用这种神经网络的方法可以替代普通的模糊控制器，还可以利用给定的训练数据来学习模糊控制规则（每种学习规则有不同的权值）。’２、模糊神经网络在ＡＴＯ系统中的应用１）初始参数确定我们在列车自动驾驶的模拟实验中，采用前馈神经网络，其中，输入层神经元数目为４，对应着列车运行的参数：五＝（－＇Ｃｏ，ｘＲ，…，■）表示列车的运行速度；Ｘ２＝（五，，五。）代表列车距定位停车点之间的距离；五＝（五。，五ｌ，．“，五。）代表列车运行时的阻力情况（加算了坡道阻力）；丘＝（五，，玉。）代表了线路限速情况。输出神经元为２个，输出值分别代表牵引和制动级别，即Ｙｉ＝（Ｙ０，乃，Ｙ２）分别代表ｌ、２、３级牵引：Ｋ＝（Ｙ３，Ｙ４，Ｙ，，Ｙ。）分别代表ｌ、２、３、４级制动。中间层的神经元数目按照公式￡≤，／Ｎ×（Ｍ＋１）来确定，即Ｌ＝１，２，３或者４，根据网络的运行速度和计算量适当选取，我们这里取Ｌ＝４。我们选取了１００组训练数据作为样本，墨，置，五，丘和Ｋ，Ｅ都是以文本的格式存放在ＭＡＴＬＡＢ的默认路径，可以利用ＭＡＴＬＡＢ的读写函数将它们以矩阵的形式读出。网络的训练采用ＭＡＴＬＡＢ语言编程实现，并用ＭＡＴＬＡＢ自带的Ｔｒａｉｎｌｍ函数进行训练。隐层神经元的输出采用Ｓｉｇｍｏｉｄ函数。学习速率取ＭＡＴＬＡＢ内Ｔｒａｉｎｌｍ函数的默认值ｒ／＝０．０２。经过近２００次的迭代，输出函数的误差达到精度要求，同时趋于稳定，训练后得出的网络的权值和阈值如表４．４所示。４３表４也阿络最优的权值平¨阈值ｃｏ，ｌ＝１２９６１ｃｏ，．＝一２９９６４∞，一１ＩＩＩｔ０２３２ｑ。＝２．８１３２鼠．＝－２３９１４鼠，＝１３２２４ｑ３吐２２ｑ４２０２．＝００８９０７硅：＝０３２６５－４０５６Ｅ—．５－００３８７９４－００３８７８４５０００５Ｅ—．５∞；。＝００５４６ｃｏ，。＝１４８９１Ｕ。＝６０５５４屿。＝１．９８２５峨。＝０３３１８乱，＝０８２４４峨、＝＿０１１３１蛆，＝０３３３２只．＝２９１３４只．＝１８２４１馥。＝１５３８９０ｎ，＝１３７５１ｑ：＝－３１５８ｑ．＝２００６８屿．＝－４３５９Ｂ．＝Ｏ５９６４０４＝２．８４５６Ｕ，…１０３％＝０．５６４７８ｑ，＝１６１３５Ｂ、＝３．４１１４“，＝一５４７１３ｑ，＝＿ｏ３５７“，＝－－０３５６９Ｕ：＝２２８６ｌＵ．，＝１３５１１‰＝８．９６４５％＝０８５２３使用上述权值和阈值参与计算并做出均方误差曲线如图４－１３所示。由图４．１３可知，最小均方误差是随着时间的增加而减小至一个平滑值，并达到了误差的范围以内，满足仿真的要求。幽４－１３均方误差曲线Ｆｉｇｕｒｅ４－１３Ｍｅａｎ㈣ｕｗｅ综上所述模糊神经网络充分利用了模糊控制和神经网络各自的优点，在特性上互补，赋予了神经网络处理模糊、不确定信息的能力，或者说使模糊推理系统具有自学习能力，能更好的模拟人的实际思考（模糊推理）和操作过程（神经网络）。但虽然这种系统简单、易于实现，但从整个系统的性能和精确度方面来考虑，还存在着缺陷。第一、模糊控制规则的选取和优化通常情况下，模糊控制规则是优秀司机经验的总结，是司机操纵过程模糊信息的归纳，但是，司机也不可避免遗漏有用信息，总结不出完整的经验，这样得到的控制规则就很粗糙，很不完善，势必影响控制的效果；第二、模糊变量的隶属函数的正确选取在模糊规则确定的情况下，模糊控制系统的性能由模糊变量各子集的隶属度函数来决定，这是一个多参数的寻优问题，在一般情况下，尤其根据专家经验，很难或无法获得全局最优解；第三、神经网络权值的求取，即网络的训练问题神经网络用于控制系统，多采用多层前向神经网络模型，当采用ＢＰ算法时，需要提供教师信号（训练样本）对网络进行训练，对时变系统这种训练难以达到很高的精度，当系统很复杂或模糊控制输入、输出变量较多时，收敛速度很慢，此外，由于ＢＰ算法采用梯度法难免出现局部极小问题，这些都影响系统的精度、性能和控制效果。目前为止，我们已经从系统的动态性能、静态性能、参数自整定、系统自适应性和灵活性等角度对传统ＰＩＤ控制器做了优化，结果表明，优化后的ＰＩＤ系统性能有了很大改进，但要满足ＡＴＯ系统多目标的控制要求，仅仅有了一个性能良好的控制器还不够，还需要对控制器的目标输出一列车运行的目标跟踪曲线从安全性、目标速度跟踪、定点停车、准点行车、舒适度和节能性等方面进行优化。下面一节将利用遗传算法对ＡＴＯ目标曲线进行优化。４．５基于遗传算法的ＡＴＯ目标曲线优化遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｒｎ．ＧＡ）是基于自然选择和基因遗传学原理的搜索算法。它将“适者生存”这一基本的达尔文进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。伴随着算法的运行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。这一过程就如生物进化一样，好的特征被不断的继承下来，坏的特性被逐渐淘汰。新一代个体中包含着上一代个体的大量信息，新一代的个体不断的在总体特性上胜过旧的一代，从而使整个群体向前进化发展。对于遗传算法，也就是不断的接近于最优解。虽然最终得到的解不一定是最优的，但肯定是一个优良的解【ｌｏ】。４．５．１遗传算法的基本原理和方法４５Ｈｏｌｌａｎｄ提出的图式定理奠定了遗传算法的理论基础。图式是描述种群中任意染色体之间相似性的一组符号串，由０，１及通配符木任意组合而成，其中图式中的０ｌ序列组成其固定部分，幸表示其变化部分。己经证明，在产生新一代的过程中，尽管遗传算法只完成了正比于种群长度Ｎ的计算量，而处理的图式数却正比于种群长度Ｎ的三次方。即每一代遗传算法处理Ｎ个个体的同时，却获得了对Ｎ的三次方个图式的并行处理，并且无须额外的存储量，即遗传算法在群体中搜索的过程可看作是隐含的对图式的抽样过程。图式理论将遗传算法的运算过程理解为图式操作过程，并从图式运算的角度解释遗传算法的性能特点。遗传算法的计算过程是从Ｎ个个体组成的群体出发，循环地执行选择、交换和变异过程。表面上看，运算过程直接作用于群体，实际上其中隐含了图式的操作过程。图式定理从图式操作的角度，论证了在选择、交换和变异等算子中，某一图式的量的变化。种群中定义长度（图式中第一个有确定字符的位置与最后一个有确定字符的位置之间的距离）短、确定位（图式中有确定字符位的数目）少和适应度高的图式称为组块（ｂｕｉｌｄｉｎｇｂｌｏｃｋ）。ＧＡ操作实际上是对组块的操作。对具有Ｎ个染色体的种群，经过选择操作，在ｔ＋ｌ时刻，图式Ｈ的数量ｍ（Ｈ，ｔ＋１）可表示为：唧＋１）刮蛳）竽（４－３７）在第ｔ代种群中，一个特定的图式Ｈ包含在群体Ａ（ｔ）中的数目为ｍ（Ｈ，０，在第ｔ＋１代种群中，一个特定的图式Ｈ包含在群体Ａ（什１）中的数目为ｍ（Ｈ，ｔ＋１）。ｆ（Ｈ）是图式Ｈ的平均适应度，厂是群体的平均适应度，Ｐｃ是杂交概率，Ｐｍ是变异概率，１是字符串的长度。由上式可知，在遗传算法的选择运算过程中，下一代种群中Ｈ的数量正比于种群中Ｈ染色体平均适应度与种群平均适应度的比值。若某些染色体的适应度高于当前种群中平均适应度，则这些数字串所包含的组块在下一代染色体中出现的机会将增大，否则在下一代中组块的出现将减少。运算中组块的增减是并行的，这也表现了遗传算法隐含的并行性。经过交换和变异操作后，图式可能被破坏，因交换而被破坏的概率为：Ｐ。６（ｔＸ）／（１一１），式中，Ｚ为染色体长度，Ｐ，为交换概率，即经选择操作进入交换集的一对染色体发生交换的概率６（Ｈ）是定义长度。因变异操作而破坏的概率为Ｄ（Ｈ）以，式中，以为变异概率；ｏ（Ｈ）是确定位数或图式阶。综合上述讨论，在ＧＡ运算过程中，经过复制、交换和变异操作后，在ｔ＋ｌ代中图式Ｈ的数量为：聊（日，ｆ＋１）≥所（日，ｆ）』粤（１一见穹军－ｐ，ｌ—ｌｏ（日））（４．３８）上述数学公式也可用文字表达为如下图式定理：在选择、交换和变异运算的作用下，确定位数少、定义长度短和适应度高的图式将按指数增长的规律，一代一代地增长。由此定理可知，下一代图式的数量『Ｆ比于染色体的适应度。为了增加图式，就应尽可能的减少交换和变异。但是，没有交换和变异，就没有种群的进化，就不能跳出可能陷入的局部最小区域。遗传算法Ｊ下是通过组块的增减、组合等处理来存优去劣，寻找最佳的匹配点，进行高质量的求解。遗传算法的实现过程包括编码、种群产生、适应度计算、复制、交换、变异等操作。概括地讲，其基本计算过程如下：第ｌ步：根据种群规模和可行域要求，随机产生初始种群；第２步：计算个体的适应度，如果没有达到迭代终止条件，转第３步；否则，输出最佳个体及其代表的最优解，结束计算；第３步：根据个体适应度，选择下一代个体构成下一代种群；第４步：根据交叉概率和交叉算子，对个体进行交叉操作，生成新的个体；第５步：根据变异概率和变异算子，对个体进行变异操作，生成新的个体；第６步：在完成了第４，５步之后，产生新一代种群；转第２步继续进行。遗传算法的基本流程如图４．１４所示。４７——————————！——一～ｌ——…————一——————一…————根据适应度构成下一代种群（复制）图４．１４遗传算法流程Ｆｉｇｕｒｅ４－１４ＰｒｏｃｅｓｓｏｆＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ４．５．２利用遗传算法优化ＡＴＯ目标曲线１）关键点编码遗传算法的第一步是将自变量编码成为有限长度的串。一般采用的方法是根据其自定义域将变量转化为二进制串，即完成编码。列车在从起点站出发到终点站的整个行驶过程本质上是在站间的某个位置选择某种工况从而达到最终的控制效果。对于关键点的编码也应该根据位置和工况进行编码。下面将位置和工况分别进行分析。对于本线路来说，从起点到终点距离为１．０５６８３ｋｍ，因为最终衡量列车停车精度时采用ＣｌＴＩ作为单位，所以对于距离都采用ｃｍ作为单位。于是整个行车线路长度为１０５６８３ｃｍ。１０５６８３转化为二进制串为１１００１１１００１１０１００１ｌ。于是可以将一个１７位二进制串作为线路位置编码。而对于工况来说，本文分析的列车模型有７种动力工况，加上惰行一共是８种工况。同样采用二进制编码可以形成一个三位的二进制串。对应原则如下：表４－３．ｆ况转换表Ｔａｂｌｅ４．３Ｃｏｎｖｅｒｓｉｏｎｔａｂｌｅｏｆｔｒａｃｔｉｏｎｌｅｖｅｌ二进制串０００００ｌ０１００１１１００１０１１１０１１１工况值３级牵引２级牵引１级牵引惰行１级制动２级制动３级制动４级制动加速度值８０ｃｍ／ｓ２６０ｃｍ／ｓ２２０ｃｍ／ｓ２Ｏｃｍ／ｓ２．２０ｃｍ／ｓ２．４０ｃｒｒｄｓ２．６０ｃｍ／ｓ２．８０ｃｍ／ｓ２将位置和工况结合起来就可以完整地描述每一个工况转换点。最终形成的关键点串是一个２０位的二进制串。ｌＯｌＯｌ００ｌＯＯｌｌＯｌＯＯＯ１Ｏｌ关键点位置编码关键点工况编码如图所示的关键点表示在８６６３２（１０１０１００１００１１０１０００，）ｃｍ处采取工况１０１（２级制动）。在整个区间行车过程中，仅仅只有一个工况是无法完成列车控制功能的，所以需要在不同的位置采用不同的工况，利用多个工况配合达到控制目的。根据线路情况可以灵活的选择工况数ｎ。在选定工况数之后，可以确定一个染色体（即对于整条线路的一个控制序列）。染色体长度，＝Ｉｌ乖单个工况长度。对于本文分析的线路来说，选取１０个工况转换点足以完成行车过程中的调整，于是选取长度为１０＂２０＝２００的染色体作为控制序列的描述。２）生成种群上一节介绍了染色体的生成原则，但是对于遗传算法来说，一个染色体是不能进行优化的。就像生物界一样，需要一定数量的个体构成的种群才能够不断进化发展。而种群的数量太大，又会影响得到最优解的速度，在本文中，经过试验选取种群大小为２０的染色体组成一个种群可以较好的完成优化过程。对种群的初始化采用随机函数来生成一个初始种群，在数学上表示为一个２００＊２０的矩阵，矩阵中的每个单元的取值随机的取０或１，这样能保证在大部分情况下种群中个体的差异性。３）适应度计算由于遗传算法是一个不断优化的过程，所以对于适应度的计算也应该是一个４９连续变化的而不是一个阶跃变化的评价函数。如果采用阶跃变化的适应度函数，可能会发生在有限的进化代数内，种群的适应度都停留在较低适应度水平上，最终得不到全局最优解。而连续变化的适应度函数能够保证每代都能进化到更优的种群，从而最终得到最优种群。对于ＡＴＯ控制的适应度，本文主要从是否超速、停车准确度、准点率、舒适度和能耗五个方面来计算适应度值。３．２节已经介绍过列车运行模型的数学表示，下面就这五个指标具体进行分析。经过测试，如果对行车过程中的每一个点都进行计算，对计算机的丌销很大，需要的计算时间很长，难以保证在有限时间内得出结果。通过分析，发现如果起点速度，位置和终点的位置确定，并且两点之间的加速度不变，可以计算出两点之问的运行时间，距离，速度差。在整个行车过程中，加速度变化的点为工况变化点和坡度变化点。为了得到整条线路的加速度变化点，可以将坡度变化点插入工况转换点，组成一个加速度改变点序列，在该序列中，相邻加速度改变点之间区段的加速度是不变的。工况转换点坡度转换点合成的加速度改变点图４—１５加速度改变点合成Ｆｉｇｕｒｅ４—１５Ｃｏｎｓｉｓｔｏｆａｃｃｅｌｅｒａｔｉｏｎｃｈａｎｇｉｎｇｐｏｉｎｔ如图４－１５所示，２个工况转换点，４个坡度转换点（均以起点作为转换点）经过组合，形成５个加速度转换点组成的加速度转换点序列。在加速度转换点之间计算速度ｖ，时间ｔ，距离Ｓ和加速度差知即可满足最终的适应度计算的需要，于是下列指标的计算是基于关键点之间的ｖ，ｔ，ｓ，Ａａ实现的。具体的计算过程下面的各小节介绍。一、超速的适应度计算因为本文采用的遗传算法对于工况的选择可能性是无穷的，在列车速度已经较高的情况下仍然有可能选择加速工况，所以存在超速的可能性。为了避免控制序列导致列车超速，需要设计一个衡量超速的指标使控制曲线在不断优化过程中淘汰存在超速可能性的曲线，这样经过足够的进化周期，保留的种群能够保证在限速之下行驶。在上文中已经提到过对曲线进化过程的分析是基于对每两个相邻加速度改变点的状态进行分析。所以是否超速也应该采取对每个加速度改变点是否超速来进行分析。将加速度改变点超过限速的超出量进行求和，得到超速的判断指标。（４·３９）Ｋ＝【。ｖ，（＿－ｖ≤ｘｓ％（ｖ，）＞％）Ｋ＝∑Ｋ（４—４０）Ｋ表示每个加速度改变点的超速判断指标，Ｋ表示整体超速判断指标，ｎ表示加速度改变点个数，Ｍ表示加速度改变点速度，ｋ表示加速度改变点对应的限速。Ａ站Ｂ站图４—１６限速适应度Ｆｉｇｕｒｅ４－１６Ｆｉｔｎｅｓｓｏｆｓｐｅｅｄｌｉｍｉｔ图４－１６中的Ｋｃｓ３，Ｋｃｓ４，Ｋｃｓ５分别代表了列车超速的指标。对于Ｋｃｓ５来说，因为其处在一个限速的下降沿前方处，对于限速下降沿的处理应该考虑列车若采取最大制动能否在限速下降沿之后的较低限速处不超速，于是应该从限速下降沿的较低端倒推一条以最大制动率加算坡度的制动触发曲线。如果加速度改变点处速度超过该曲线，说明在其后的低限速区段肯定会超速，可认为这种情况下为超速状态。对于停车点后方可以认为是一个限速为０的限速区段，停车点前方作为５ｌ一个下降沿处理。整条控制曲线的超速判断指标Ｋ。。＝Ｋｃｓ３＋Ｋｃｓ４＋Ｋｃｓ５（４—４１）二、停车准确度的适应度计算列车停车精确度的计算可以通过最后一个工况改变点的位置，速度，和制动率加算坡度造成的影响得到。若最后一个加速度改变点的速度为１，，位置为Ｊ，加速度值为ａ，则可以得到最后停车位置的坐标为：ｓｔｏｐ＝ｓ＋ＩＶ２／（２拳口）ｌ目标点的坐标为５拙胁砌。。则停车准确度的适应度值为（４—４２）三、Ｋ，ｏ＝ｌｓｔｏｐ—Ｓｄｅ￥胁肋。ｌ准点率的适应度计算（４—４３）列车在站间行驶的时间和ＡＴＳ根据时刻表下达的旅行时间的差可以作为准点率的适应度值。本文对于整个行车过程的时间计算方法是将加速度改变点之间的时间分别进行计算，然后将所有加速度改变点之间的时间ｔｉ求和即可得到整个旅行时间。Ｋ＝Ｉｒ—Ｚ。喀“Ｉ应度。（４－４４）Ｎ表示加速度转化点个数，ｔｉ表示加速度改变点之间的时间，Ｋ．表示准点适‘＝ｌ（ｖ＋Ｉ—ｖｔ）／ａｉｌ两点间的加速度。其中Ｖ＋。需要根据己知条件求出。（４－４５）Ｖ＋。表示下一个加速度改变点的速度，Ｖ表示本加速度改变点的速度，ａｔ表示坼＋ｌ＝、／１ｕ２＋２术口ｆ木（ｑ＋Ｉ—Ｊｆ）ｌ钆。表示下一个加速度改变点的位置，量表示本加速度改变点的位置。由上两式可得：（４－４６）ｔｉ＝Ｉ（√ｌＶｊ２＋２木呸木（名＋ｌ一一）Ｉ—Ｖ）／ｑ１（４－４７）在得到各加速度改变点的六之后，对其求和即可得到总运行时间ｒ。进一步可以求出准点适应度Ｋ。四、舒适度的适应度计算列车在行驶过程中加速度相对于时间的变化率作为舒适度的适应度衡量值。加速度改变点已经得到，因为优化曲线在计算机上进行，分析过程时间是离散的，可以将相邻的加速度改变点的加速度之间的差值取绝对值并求和，便可以得到舒适度的适应度。‰＝∑ｌａｉ＋。－ａｔＩ改变点的加速度，ａｉ表示本加速度改变点的加速度。五、能耗的适应度计算（４—４８）ＫＭ表示舒适度的适应度值，１１表示加速度改变点个数，ｑ＋。表示下一加速度列车行驶过程中，牵引、制动和辅助功能比如说空调、灯光消耗的功率总和作为能耗的适应度。在３．２．５中已经得到列车能耗的函数Ｅ：上筹＋爿ｆ＋磊ｐｖ折，５Ｊ！Ｉ，根据目前的分析方法，需要对该公式进行简化和修改。ａ）因为本文的分析的是行车过程中采用工况对能耗造成的影响，所以辅助功率Ａ可以忽略不计，得到：ｔ唧＝屯＿＋磊ＪＢ础ｌ，Ｍｆ融（４－４９）ｂ）从本质上说牵引和制动过程都是列车牵引或制动力乘以速度的值对时间的积分。区别在于系数不同。并且不可能在同一时间既施加牵引力又施加制动力，所以能耗的适应度值的函数可以简化为列车提供力乘以速度对时间的积分。Ｋ。啷＝Ｉｎ协Ｃ）将公式转换为用于计算的加速度和速度值表示：（４－５０）ＩＦｖｄｔ＝Ｉｍａｖｄｔ改变点之间的能耗适应度值，求和即可得到总能耗。（４—５１）由于在两个加速度改变点之间的加速度不变，所以可以分别求出各个加速度Ｋｅ。唧＝聊∑ｑ弘由于ｖ对时间的积分为两点之间的距离，所以（４—５２Ｋ。唧＝ｍＥａｉ（￥ｉ＋Ｉ—ｓｉ）示该加速度改变点的位置。六、（４·５３）ａ，表示加速度改变点之后的加速度，墨＋。表示下一个加速度改变点的位置，‘表总体适应度计算在将上述五个适应度指标分别得到后，需要合成一个最终的适应度函数，通过该适应度函数进行种群的适应度分析，保证种群进化向着控制效果优化的方向进行。这五个适应度函数对于最终的控制效果造成的影响是不同的，所以需要考虑其在控制效果中的权重，将五个带权重的值相加，得到总体适应度值。‰，＝％＆＋ｗ２比＋ｗ３Ｋ＋嵋吩计＋岵如喇（４－５４）Ｗ代表各个适应度指标的权重。具体的值需要根据Ｋ值自身的数量级和对于控制效果的影响程度进行调整。因为墨值的计算方法不同，所以得到的Ｋ可能处５３在不同的数量级别，首先应该保证ｗ将Ｋ调整在一个数量级上，然后根据各个Ｋ的重要性不同，调整ｗ的大小。在Ｋ，值在一个数量级的情况下，ｗ的大小顺序如下：Ｗ＞ｗ２＞ｗ３＞ｗ４＞ｗ５（４－５５）因为行车过程中，不能超速是首先要保证的，因为这是有关安全的值，所以ｗＩ最大：在有屏蔽门的情况下，停车精度影响到能否在站内上下乘客，ｗ，应该放在第二位；站间运行时间的准点性影响行车间隔，进一步影响行车效率，所以嗽放在第三位。乘客的舒适度指标也是ＡＴＯ控制的重要指标之一，Ⅵ放在第四位。在满足以上各条件的同时，应该保证列车节能特性，于是在表达式中加入毗。由于这些指标对于控制效果来说是越小越好，所以应该将其倒数作为适应度的评价值。Ｆｉｔｎｅｓｓ＝１／Ｋ。衄，４）复制（４－５６）这样就完成了遗传算法的准备工作，下面是遗传算法的三个基本步骤【１１１。复制过程是染色体串按照自己的适应度值进行复制。按照适应度值进行串复制的含义是将适应度越大的串在下一代中将有更多的机会提供一个或多个子孙。这个操作步骤主要是模仿自然选择现象，将达尔文的适者生存理论应用于串的复制。此时，适应度相当于自然界中的一个生物为了生存所具备的各项能力的大小，它决定了该串是被复制还是被淘汰。淘汰的基因在下一代的种群中被删除。复制过程可以举例表示如表４－６所利１０】：复制前：表４＿４复制前基冈表Ｔａｂｌｅ４－４Ｔ．ａｂｅｏｆｇｅｎｅｂｅｆｏｒｅｒｅｐｒｏｄｕｃｔｉｏｎ标号ｌ２３４串０００１１０１ｌ适应值１０３０４０２０１００占整体的百分数１０％３０％４０％２０％１００％总计根据各个染色体适应度值占整体适应度值的百分比，可以计算出下一代中该染色体后代出现的概率。即用该染色体适应度值占总体适应度值的百分比乘以种群大小取整得到复制后的下一代。表４．５复制后基冈表标号１２３４串０００１１０ｌｌ适应值１０３０４０２０占整体的百分数１０％３０％４０％２０％下一代中出现的个数Ｏｌ２ｌ于是生成的下一代种群为０１、ｌＯ、１０、１１。这里００被淘汰，０１被复制了一次，１０被复制了两次，１ｌ被复制了一次。５）交叉交叉操作可以分为如下两个步骤。第一步是将新复制产生的种群中的成员随机两两匹配，第二步是进行交叉繁殖。具体过程如下，设染色体串的长度为，，则串的，个位之间的空隙标记为ｌ，２，…，，一１。随机从『１，，一１１中选取一整数位置ｋ，则将两个父母串中从位置ｋ到串末尾的字串互相交换，而形成两个新串。如ＧＩ＝ｌｌＯｌｉＯＧ２＝００１１１１假定选取随机数ｋ＝４，经过交叉操作后得到如下两个新串Ｇｌ‘＝ｌｌＯｌｉｌＧ２’＝００１１；０Ｇｌ’和Ｇ２’是Ｇｌ和Ｇ２进行交叉操作后的结果。６）变异变异是以一定概率随机的改变一个染色体串位的值。对于二进制串，是将随机选取的串位由１变为０或由０变为１。变异的概率通常是很小的，一般只有千分之几。例如对于串１１００１００的第三位变异操作后得到新串１１１０１００。７）曲线优化结果选择重庆地铁三号线设计图中的郑家院子至唐家院子线路，ｌＯ个工况转变点，种群大小为２０，进化代数为１０００，变异概率为０．１％，站间运行时间９０ｓ。通过遗传算法对于控制序列的不断优化，取得优化结果如下：表４．６基冈进化表（１０００代）代数１２３４５６７８９１０１１超速评判值Ｏ．Ｏ０．ＯＯ．ＯＯ．Ｏ０．０Ｏ．０Ｏ．００．０Ｏ．０Ｏ．ＯＯ．Ｏ０．Ｏ０．ＯＯ．００．Ｏ０．００．０Ｏ．００．００．０Ｏ．ＯＯ．Ｏ０．ＯＯ．０Ｏ．Ｏ０．００．００．Ｏ０．００．０停车准确度评判值６７０４６．５２９４１２４４１５３．２３２５５８３７３７１．９７９５９２３７３７１．９７９５９２３７３７１．９７９５９２２５５８６．４４８２７６２５５８６．４４８２７６２５２３３．３４４８２８２５２３３．３４４８２８２５２３３．３４４８２８２５２３３．３４４８２８２５２３３．３４４８２８２２８５９．３２６５３１２２８５９．３２６５３ｌ２２６５０．３４６９３９２２６５０．３４６９３９２２６５０．３４６９３９２２６５０．３４６９３９２２６５０．３４６９３９２２６５０．３４６９３９１１５７８．６５２１７４６５６２．５０００５１５０２５．５０００８９４２５７．５００１０８４２４１．５００１０９７５３．４９９７６７６．５００２１４０．０００２１５０．０００２１５０．０００２１５准点评判值１９．４７５８２９２１．５３７１０３２３．０１９７５７２３．０１９７５７２３．０１９７５７４．５８６４７２４．５８６４７２４．４５６４７０４．４５６４７０４．４５６４７０４．４５６４７０４．４５６４７０７．９９４１０７７．９９４１０７７．４６８０９４７．４６８０９４７．４６８０９４７．４６８０９４７．４６８０９４７．４６８０９４１０．２５７６１５０．１９８９８６１．４５１５５９１．７５１９５８１．７５３１６７８．５９１７７０８．６２６１２８８．６２４５１２８．６２６８６８８．６２６８６８舒适度评判值２１３５０．００００００１４１６６．００００００２５４３．００００００２５４３．００００００２５４３．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００１８７．００００００５９．００００００５９．００００００５９．００００００５９．００００００５５．００００００１１０６１．００００００５４．００００００６．００００００５．００００００５．００００００能耗评判值总适应度Ｎ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／Ａ０．０００００８０．００００ｌＯ０．００００１３０．００００１３０．００００１３０．００００１５０．００００１５０．００００１５０．００００１５０．００００１５０．００００１５０．００００１５０．００００１６０．００００１６０．００００１６０．００００１６０．００００１６０．００００１６０．００００１６０．００００１６０．００００１９０．００００２ｌ０．００００２２０．００００２３０．００００２３０．００００８２０．００２３９１０．００２７４９０．００２７５７０．００２７５７１２１３１４１５１６１７１８１９．２０５０６０７０８０９０１００２００３００４００５００Ｎ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／ＡＮ／Ａ３５００５６０．００００００３４８０７２０．００００００３４８１０８０．００００００３４８０８４０．００００００３４８０８４０．００００００６００７００８００９００１００００．００．Ｏ０．０Ｏ．Ｏ０．Ｏ０．０００２１５０．０００２１５０．０００２１５０．０００２１５０．０００２１５８．６２６８６８８．６２６８６８８．６２６８６８８．６２６８６８８．６２５９６９１．００００００１．００００００１．００００００１．００００００１．００００００３４８０８４０．００００００３４８０８４０．００００００３４８０８４０．００００００３４８０８４０．００００００３４８０８４０．０００００００．００２７８８０．００２７８８０．００２７８８０．００２７８８０．００２７８８通过１０００代的进化，得出分析结果，ＡＴＯ控制效果不断优化。超速指标：没有超过限速的情况；停车精度指标：得到大幅提高，从６７０４６．５２９４１２优化到０．０００２１５；准点率指标：从１９．４７５８２９优化到８．６２５９６９：舒适度指标：从２１３５０．００００００优化到１．００００００；能耗指标：其中的Ｎ／Ａ表示此时能耗指标无意义，这是因为此时列车行驶距离短，所以能耗小。最终可看出能耗指标从３５００５６０．００００００优化到３４８０８４０．００００００；总体适应度：从０．０００００８优化到０．００２７８８。需要说明的是，遗传算法是一个全局优化的算法，所以最终目标是得到一个整体最优解，对于其中的某一个目标来说，可能会有波动或者优化不明显。图４．１７为总体适应度的进化过程图，可以看出总体适应度值是在不断提高的：卸Ⅻｑ＿＿Ⅻｍ枷＇咖图４．１７适应度进化Ｆｉｇｕｒｅ４－１７Ｆｉｔｎｅｓｓｅｖｏｌｕｔｉｏｎ最终得到最优解的工况改变点序列为５７表４．７工况改变点表工况改变点位置ｃｍ５１８１２５２８０５１７７８８１０８２９３２３４１０１４７２１０７５７０１０８１５５１１２８９５１１２８９６工况改变点后加速度ｃｍ／ｓ２６０Ｏ２０Ｏ．２０—４００２０Ｏ．８０后四个工况改变点已经超过终点。这是由于工况改变点是随机生成的，且自定义域大于线路长度，可能会出现超过终点的工况改变点。这种情况说明，对于该线路状况和进化过程来说，六个工况改变点已经可以达到最优的控制效果，并且在第六个工况改变点后停车。最后四个工况改变点实际上不起控制作用。以１０００代进化后得到的工况改变点序列仿真行车得到的ｖ．ｓ曲线如图４．１８。１５∞ｉ１哪ｒｌ＼１嘶¨■蜘Ⅷ图４—１８经过１０００代进化后的ｖ—Ｓ曲线Ｆｉｇｕｒｅ４－１８Ｖ－ｓｐｒｏｆｉｌｅａｆｔｅｒ１０００ｇｅｎｅｒａｔｉｏｎｓ由图４．１８不难看出，列车追踪的运行曲线综合考虑了安全、停车精度、准点、舒适度和节能五方面因素，其控制效果较ＡＴＯ从ＡＴＰ得来的目标追踪曲线或者超速防护曲线都有了较大的提高，更符合ＡＴＯ系统的控制策略和各项优化原则。５９５列车自动驾驶系统的仿真验证在对ＡＴＯ系统设计完成后，需要对ＡＴＯ系统的功能和控制效果进行仿真测试。本章通过ｍａｔｌａｂ／ｓｉｍｕｌｉｎｋ软件对列车控制系统进行仿真测试。通过仿真测试结果，分析ＡＴＯ系统的功能是否完善和控制效果是否良好。其中主要应用ＭＡＴＬＡＢ进行模糊控制、神经网络和遗传算法程序的编写，Ｓｉｍｕｌｉｎｋ主要用来建立控制器模型。ＭＡＴＬＡＢ软件提供了许多工具箱，如信号处理（ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ）、图像处理（ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ）、控制系统（ｃｏｎｔｒｏｌｓｙｓｔｅｍ）、神经网络（ｎｅｕｒａｌｎｅｔｗｏｒｋ）、最优化（ｏｐｔｉｍｉｚａｔｉｏｎ）等。本文主要应用以下三个工具箱进行程序的设计和编写：模糊逻辑（ｆｕｚｚｙｌｏｇｉｃ）、神经网络（ｎｅｕｒａｌｎｎｅｔｗｏｒｋ）、遗传算法（ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ）。每种工具箱都是以各自的理论为基础，用ＭＡＴＬＡＢ语言构造出其中的各种激活函数和参数，使设计者对所选函数或者模型输出的计算，变成对相应激活函数的调用和对各个环节参数初始值的设定，从而省去了很繁琐的函数编程，很简单地实现算法流程，提高了丌发效率。Ｓｉｍｕｌｉｎｋ是ＭＡＴＬＡＢ最重要的组件之一，它提供一个动态系统建模、仿真和综合分析的集成环境，提供了交互式图形化环境和可定制模块库来对其进行设计、仿真、执行和测试。在该环境中，无需大量书写程序，而只需要通过简单直观的鼠标操作，就可构造出复杂的系统。在本文对模糊神经ＰＩＤ控制器的设计中，整个系统即是通过将相应的每个小模块用鼠标相连而构造起来的，仿真结果也可以在软件提供的如仿真示波器之类的输出工具中得到。第四章已经分别介绍过用于速度跟踪的ＰＩＤ控制器的设计以及遗传算法对目标曲线的优化。‘下面通过软件仿真对于整体控制效果进行测试。５．１仿真平台介绍计算机仿真是应用电子计算机对系统的结构、功能和行为以及参与系统控制的入的思维过程和行为进行动态性比较逼真的模仿。它是一种描述性技术，是一种定量分析方法。通过建立某一过程和某～系统的模式，来描述该过程或该系统，然后用一系列有目的、有条件的计算机仿真实验来刻画系统的特征，从而得出数量指标，为决策者提供有关这一过程或系统的定量分析结果，作为决策的理论依据。对于本仿真软件来说，通过生成优化曲线和跟踪优化曲线两部分结合对控制效果进行测试。６０在４．５．２小节中，将列车和线路数据作为输入参数，建立大小为２０的种群，经过１０００代的进化得到优化后的ｖ．Ｓ曲线和产生该曲线的控制序列。这条ｖ．ｓ曲线作为列车控制器的输入，写入文件，供列车控制器调用。列车控制器调用优化曲线作为输入，通过ｓｉｍｕｌｉｎｋ进行仿真输出，测试控制器对于优化ｖ．ｓ曲线的输出曲线，检测输出效果。图５．１表明了仿真平台的总体结构：卜ｈ．模糊神经网络ＰＩＤ＼优化目标曲线目标曲线数据脚姻’’＼、＼图５·ｌ仿真平台结构Ｆｉｇｕｒｅ５－１Ｓｔｒｕｃｔｕｒｅｏｆｓｉｍｕｌａｔｉｏｎｐｌａｔｆｏｒｍ根据３．２．３小节中的遗传优化方法得到目标ｖ．ｓ曲线，将得到的目标曲线的位置和速度数据写入１个２＊Ｎ的矩阵，矩阵的第一行表示位置（横坐标），第二行表示速度（纵坐标），Ｎ表示对目标曲线取点个数，该矩阵作为系统输入写入文件。矩阵形式如下：ｌｓ（ｏ）ｓ（１）…Ｊ（万一１）ｓ（，１）ＩＬＶ（ｏ）ｖ（２）…Ｖ（万一１）ｖ（，ＯＪｓ（ｆ）表示对应点的位置信息，ｙ（ｆ）表示对应点的速度信息。通过ｓｉｍｕｌｉｎｋ的“ＦｒｏｍＦｉｌｅ＂功能模块读取目标曲线写入的矩阵文件，作为系统输入。仿真控制系统的ＰＩＤ控制器已经在３．３节中进行设计。在有了系统输入和控制器模型后，即可通过仿真得到系统输出。为了将输出更加明确，将输出数据图形化，画出两条ｖ－ｓ曲线：一条目标ｖ．ｓ曲线；一条跟踪ｖ．Ｓ曲线。用于比较得出控制效果。在ｓｉｍｕｌｉｎｋ中对于仿真测试的程序如图５．２所示。７一ｍ：＝‘ｉ～焉瑟Ｊ爿一橱Ｓｃｏｐｅ图５．２ｓｉｍｕｌｉｎｋ仿真程序Ｆｉｇｕｒｅ５－２Ｓｉｍｕｌｉｎｋｓｉｍｕｌａｔｉｏｎｐｒｏｇｒａｍ６ｌ如图所示，将优化后的目标曲线数据写入Ｔａｒｇｅｔ＿Ｐｒｏｆｉｌｅ．ｍａｔ文件，由Ｓｉｍｕｌｉｎｋ通过“ＦｒｏｍＦｉｌｅ＂功能模块读取该文件作为输入，通过控制器和列车模型输出，写入“Ｏｕｔｌ＂功能模块。Ｍａｔｌａｂ调用“Ｏｕｔｌ”中保存的目标曲线和输出曲线的数据生成ｖ．Ｓ曲线，通过对两条ｖ．ｓ曲线的分析验证控制效果。５．２仿真验证结果通过Ｓｉｍｕｌｉｎｋ仿真可以得到输出曲线。图５．３中的有两条曲线，分别表示目标ｖ．Ｓ曲线（虚线）和经过ＰＩＤ控制器后输出的ｖ．ｓ曲线（实线）。图５－３目标Ｖ－Ｓ曲线与跟踪Ｖ－Ｓ曲线比较Ｆｉｇｕｒｅ５－３ＴａｒｇｅｔＶ—Ｓｐｒｏｆｉｌｅａｎｄｏｕｔｐｕｔｖ—ｓｐｒｏｆｉｌｅｃｏｍｐａｒｉｓｏｎ由于整条线路较长，输入和输出曲线的差别相对于线路长度来说很小，从整条线路的ｖ．ｓ曲线图上难以看出两条曲线的差别。所以下面对整条曲线的局部（加速、巡航、制动）进行放大。虚线代表目标曲线，实线代表经ＰＩＤ控制器输出的ｖ．Ｓ曲线。图５．４是加速阶段的目标曲线和跟踪曲线。图５－４加速阶段的目标Ｖ－Ｓ曲线与跟踪ｖ—Ｓ曲线Ｆｉｇｕｒｅ５－４ＴａｒｇｅｔＶ－ｓｐｒｏｆｉｌｅａｎｄｏｕｔｐｕｔＶ－ｓｐｒｏｆｉｌｅｉｎａｃｃｅｌｅｒａｔｉｏｎｓｔａｇｅ选择４５０—５００ｃｍ之间的一段加速过程曲线，在同一横坐标上的速度差小于ｌｃｍ／ｓ（Ｏ．０３６ｋｍ／ｈ）。可以看出在加速阶段输入曲线和输出曲线之问的差别很小，控制效果良好。图５－５是巡航阶段的目标曲线和输出曲线。图５－５巡航阶段的目标ｖ—Ｓ曲线与跟踪ｖ—Ｓ曲线Ｆｉｇｕｒｅ５－５ＴａｒｇｅｔＶ－Ｓｐｒｏｆｉｌｅａｎｄｏｕｔｐｕｔｖ－Ｓｐｒｏｆｉｌｅｉｎｃｒｕｉｓｅｓｔａｇｅ选择３１８４０—３１９１０ｃｍ之间的一段巡航过程曲线，在同一横坐标上的速度差小于ｌｃｍ／ｓ（０．０３６ｋｍ／ｈ）。可以看出在巡航阶段输入曲线和输出曲线之间的差别很小，控制效果良好。图５－６是制动阶段即将停车的目标曲线和输出曲线。—ｒ一一———————Ｔ———一一５，ｊ１．——．——一。一一ｊ一．Ｊ．．．．．．．．．．．』Ｊ———Ｌ————Ｌ一一—：］一。唯ｍＪ）ｘ讨图５－６制动阶段的目标ｖ—Ｓ曲线与输出ｖ—Ｓ曲线Ｆｉｇｕｒｅ５－６ＴａｒｇｅｔＶ－Ｓｐｒｏｆｉｌｅａｎｄｏｕｔｐｕｔｖ—ｓｐｒｏｆｉｌｅｉｎｄｅｃｅｌｅｒａｔｉｏｎｓｔａｇｅ选择１０５７２０．１０５７８０ｃｍ之间的一段制动过程曲线，在同一横坐标上的速度差小于ｌｏｒｅ／ｓ（０．０３６ｋｍ／ｈ）。同时在当前速度为１０１．４ｃｍ／ｓ（３．６５ｋｉｎ／ｈ）处，即将停车，目标曲线与输出曲线的横坐标差＜１０ｃｍ，满足ＡＴＯ停车精度士３０ｃｒｎ要求。４．５节已经对目标曲线的遗传算法优化进行了叙述，４．３节和４．４节介绍了模糊神经网络ＰＩＤ控制器的设计。本节进一步验证了该ＰＩＤ控制器对目标速度的跟踪效果。从仿真结果可以看出仿真跟踪效果良好，控制误差很小，同时满足了ＡＴＯ系统对安全性、速度跟随性、停车精度、准点和节能的要求，达到了更优的控制效果，说明了本文在ＡＴＯ系统中所采用的智能控制优化算法是合理的、可取的。实际上，从上面的仿真曲线可以看出，将模糊控制、神经网络和遗传算法结合，应用于铁路列车自动驾驶系统，与常规的基于ＰＩＤ理论的铁路列车自动驾驶系统相比较，系统的各项性能都得到很大的改善。从图中可以看出，基于智能控制算法的列车自动驾驶级位变化比较均匀，而且变化频率小，所以具有很好的舒适性，同时在安全性、速度跟随性、停车准确性以及节能性方面也得到很大的改善。６总结与展望６．１总结在ｆｊ｛『面的论述中，论文首先按章节系统阐述了列车自动驾驶系统的功能、所要遵守的驾驶策略、优化操纵原则和列车运行的数学模型，在此基础上，设计了基于传统控制理论的ＰＩＤ控制器，之后针对其不足，先后依次引入了对传统ＰＩＤ控制器及其目标曲线进行优化和改进的智能控制算法：模糊算法、神经网络算法和遗传算法，依次利用以上三种智能算法，为ＡＴＯ系统设计更优秀的ＰＩＤ控制器和更合理的目标曲线，最后对所设计系统的控制性能进行了仿真验证，分别从安全、停车精度、准点、舒适度和节能的角度进行了评价分析。论文主要的研究工作可以概括为以下几个方面：１、总结列车自动驾驶系统所要实现的功能和其所要遵循的驾驶策略及操纵原则，这是设计列车自动驾驶系统的基础和前提。２、依据《牵规》中的描述，对本文中所要重点讨论的列车驾驶的五项性能指标进行建模，这些模型是列车自动驾驶系统所要控制的对象，也是确定系统中一些重要参数的依据。３、应用传统控制理论对列控系统的控制器进行设计和仿真，分析了这种ＰＩＤ控制器存在的难以弥补的缺点和不足，提出用近年来较为流行的职能控制算法对传统的ＰＩＤ控制器及其跟踪曲线进行优化。４、依次介绍了模糊控制、神经网络和遗传算法的基本原理和实现方法，根据实际的线路和列车情况，利用模糊控制理论来设计参数自整定的ＰＩＤ控制器；用神经网络算法来弥补模糊控制在自学习、并行计算、全局寻优和复杂数据处理等方面的不足，进一步改善ＰＩＤ控制器性能；最后用遗传算法来优化列车跟踪曲线。５、通过仿真将优化后和优化前的控制器和目标曲线进行比较分析，验证其性能上的优点。６、对整个优化后的ＡＴＯ系统的控制性能进行仿真验证，将整条线路细化成列车加速阶段、巡航阶段和制动阶段，对每个阶段的目标跟踪曲线和ＡＴＯ输出曲线进行比较，得出控制效果良好的结论。６．２展望随着科技的进步，列车自动驾驶系统还需要在自身的性能上做进一步地优化。在对己有材料分析和研究的基础上，本文在列车自动驾驶系统的优化设计中还存在的几个方面不足，需要在今后逐步完善。这主要表现为以下问题：１、本文所选的实际线路和列车参数是化简后的参数，远远不能体现列车运行中各种参数的复杂程度，所建的模型也比较简单，因此只能做定性地研究和说明。２、由于要仿真实现整个ＡＴＯ系统功能工作量过于巨大，限于时间和能力的关系，本文只是选取了五个主要的性能指标，所得出的仿真图形也比较粗糙。３、由于对智能算法的理解还不能算是深刻，因此在算法实现的过程对一些参数和函数的确定难免存在一定主观性。总之，能够模拟人的思维过程的智能算法在列车自动驾驶系统中的应用是完全可行的，同时也是必然的趋势，随着相关理论的不断完善和成熟，相关硬件技术的不断发展，有理由相信，基于智能控制算法的列车自动驾驶系统在城轨乃至大铁中得到全面应用不再遥远。６７参考文献【ｌ】郜春海，唐涛，张建明．高速铁路列车运行控制系统车载设备的软ｆｔ：设计【Ｊ】．北京交通人学学报．１９９９（５）．１～２【２］宗明，郜春海，何燕．基Ｔ－ＣＢＴＣ控制的全自动驾驶系统［Ｊ】．都市快轨交通，２００６（６）．１～３［３】唐涛，黄良骥．列车自动驾驶系统控制算法综述［Ｊ】．铁道学报，２００３（４）．１～５［４】康太平，王长林．基ｒ模糊预测控制的列车自动驾驶系统研究［Ｄ】．成都：西南交通人学，２００６（３）．３３－－４６【５】石红国，彭其渊．列车运行过程仿真及优化研究［Ｄ】．成都：两南交通大学，２００６（９）．－２７【６】吴玉生，龙志强．磁浮列车自动驾驶（ＡＴＯ）系统控制算法研究与仿真【Ｄ】．湖南：国防科学技术大学，２００６（４）．１８～２９【７】何庆，冯晓云．基于遗传算法和模糊专家系统的列车优化控制［Ｄ】．成都：西南交通大学，２００６（４）．８～１９【８】韦巍．智能控制技术［ＭＩ．北京：机械工业出版社。２０００（１）．１１２￣１２４【９】黄良骥，程琳香，唐涛．遗传算法模糊神经网络在列车驾驶中的应用【Ｊ】．辽’ｊ。Ｔ程技术大学学报，２００１（１０）．１＾４【１０】孙增圻．智能控制理论与技术［Ｍ】．北京：清华大学出版社，１９９２（４）．３４５～３７３【ｌｌ】Ｃ．Ｓ．Ｃｈａｎｇ，Ｓ．Ｓ．Ｓｉｍ．Ｏｐｔｉｍｉｓｉｎｇａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥ（１０）．１￣４ｔｒａｉｎｍｏｖｅｍｅｎｔｓｔｈｒｏｕｇｈｃｏａｓｔｃｏｎｔｒｏｌｕｓｉｎｇｇｅｎｅｔｉｃＰｒｏｃ．－Ｅｌｅｃｔｒ．Ｐｏｗｅｒ，ｌ９９７（１）．１～９【１２】崔世文，冯晓云．列车优化操纵与自动驾驶模式的研究与仿真［Ｊ］．铁道机乍车辆，２００５【１３】杨光，唐祯敏．基于ＭＡＴＬ蛆的磁浮列车自动驾驶控制系统的仿真【Ｊ】．轨道交通信息系统．２００７．１～３【１４】黄良骥，唐涛．地铁列车自动驾驶系统分析与设计【Ｊ】．北京交通大学学报，２００２（６）．１＾４【１５】朱波，高振海．基于驾驶员行为的车道保持系统神经网络决策与控制【Ｄ】．吉林：吉林大学，２００６（４）．５１～７１【１６】刘哑营，刘以建．改进型遗传算法及其在神经网络参数优化中的应用【Ｄ】．上海：上海海运学院。２００３（１２）．２３—３６【１７】王洪坡，尹力明．磁悬浮列车速度控制与自动驾驶系统研究【Ｄ】．湖南：国防科技大学，２００２（１１）．６９－－７４【１８】陈霞，魏忠义．网络化通用自动控制系统设ｉｆ［Ｙ］．西安：西安工程科技学院．２００６（５）．１＾４【１９】丘焕耀，毛宗源．模糊控制、神经网络和变结构控制的交叉结合及其应用研究［Ｄ】．广东：华南理工大学．１９９９（５）．１—１３【２０】张邦楚，韩子鹏．基于分数阶微积分的飞航式导弹控制系统设计方法研究【Ｄ】．南京：南京理工大学，２００５（１０）．８５一１１２［２ｌ】何海，钟毅芳．混合动力汽车控制系统设计与仿真【Ｄ】．湖北：华中科技大学，２００５（９）．８２～９９【２２】刘金琨．先进ＰＩＤ控％Ｉ］ＭＡＴＬＡＢ仿真【Ｍ】．北京：电子工业出版社，２００４（９）．２１０。２４７【２３】许力．智能控制与智能系统［Ｍ】．北京：机械工业出版社，２００６（１２）．２９６－－３３３【２４】ＴａｎｇＴａｏ，ＧａｏＣｈｕｎｈａｉ．ＡＮｅｗＴｒａｉｎＳｐｅｅｄＡｕｔｏｍａｔｉｃＣｏｎｔｒｏｌＳｙｓｔｅｍＦｏｒＣｈｉｎｅｓｅＲａｉｌｗａｙ［Ｊ］－Ｐｒｏｃｅｅｄｉｎｇｓ（１２）．９５～１００ｏｆＴｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＯｎＩｎｄｕｓｔｒａｌＴｅｃｈｎｏｌｏｇｙ，１９９６【２５］贾利民，张建华，张锡第．高速铁路列车运行控制的现状与展望［Ｊ】．中国铁道科学，１９９６【２６】板仓荣治．日本铁Ｊ道＿ＡＴＣ技术发展概述［Ｊ】．中国铁路，１９９７（１２）．４８．５２【２７】渡边郁夫．日本铁道数字ＡＴＣ系统的开发【Ｊ】．中国铁路，１９９８（１）．４６－４９【２８】吴汶麒．城市轨道交通信号与通信系统【Ｍ】．北京：中国铁道出版社，１９９８【２９】黄玲珍．列车运行仿真软件的研制及其操纵优化的探讨［Ｄ】．上海：同济大学，１９９８．１０－。２５【３０】Ｚａｄｅｈ．ＯｎＯｐｔｉｍａｌＣｏｎｔｒｏｌａｎｄＬｉｎｅａｒＰｒｏｇｒａｍｍｉｎｇ．ＩＲＥＴｒａｎｓ．Ａｕｔ．Ｃｏｎｔｒｉｌ，１９６２（７）．４５￣４９【３ｌ】朱立海．平稳操纵机车及其控制装置［Ｊ］．铁道运营技术，１９９６（２）．１６０－－１６２【３２】刘毅．对列车启动时平稳操纵的讨论［Ｊ］．内燃机乖，２００３（８）．３６－－３７【３３】刘利．使用电阻制动是确保列乍实现安全与平稳操纵的根本途径【Ｊ】．内燃机车，１９９８（１２）．１３－１５【３４】张波．中高速列车共线运行的仿真研究【Ｄ】．北京：铁道科学研究院，２０００．１５－２２【３５】中华人民共和国铁道部．机车操作规程．北京：中国铁道出版社【３６】徐安．城市轨道交通电力牵引［Ｍ】．北京：中国铁道出版社，２０００．５０－５２【３７】练级三．电力牵引控制系统［Ｍ】．北京：中国铁道出版社，１９９４．２０－－３２【３８】克里斯坦森，塞耶软件ｊｒ：程最贱实践项目经理指南【Ｍ】．北京：Ｌｌｉ子Ｊ：业版社，２００４．３０－－６２【３９］内田清五．日本新干线列７Ｆ制动系统【Ｍ】．北京：中国铁道Ｉ出版社，２００４．２０，－２２【４０】ＹｏｓｈｉｏＹＵＹＡＭＡ．ＴｈｅＰｒｅｓｅｎｔａｉｏｎｓ，２００４．３０８－３１５ＴｏｂｕＫｙｕｒｙｏＬｉｎｅＡｍａｇｎｅｔｉｃＬｅｖｉｔａｉｏｎｓｙｓｔｅｍ．Ｍａｇｌｅｖ’Ｓ【４ｌ】张威．Ｍａｔｌａｂ基础与编程入门［Ｍ】．西安：电子科技人学出版社，２００４．１０ｎｖ５２【４２】邓聚龙．灰色控制系统［Ｍ】．湖北：华中理工大学出版社，１９９７．１０￣１３【４３】王伟．广义预测控制及应用【Ｍ】．北京：科学出版社，１９９８．１。６２【４４】于耀南，朱明，童调生．一种基丁神经网络的自组织模糊控制及应用［Ｊ】．模式识别与人工智能，１９９４（７）．２８５～２９２【４５】杨国勋，郭晨，贾欣乐．基于增强型学习算法的船舶运动混合智能控制【Ｊ】．中国航海，２００１．３２１－３２４【４６】马良，蒋馥．多目标旅行售货员问题的蚂蚁算法求解［Ｊ】．系统工程理论方法应用，１９９９（８）．２３－２６【４７】谭浩强．Ｃ程序设计【Ｍ】．北京：清华大学出版社，１９９８．１－２００【４８】徐士良．计算机常用算法【Ｍ］．北京：清华大学出版社，１９９５．１０—５０【４９】龚剑，朱亮．Ｍａｔｌａｂ５．ｘ入门与提高【Ｍ】．北京：清华大学出版社，２０００．１—１２０【５０］ＳａｔｏｓｈｉＳｅｋｉｎｅ，Ｎａｏｋｉｈｎａｓａｋｉ，ＴｓｕｎｅｋａｚｕＥｎｄｏ．ＡｐｐｌｉｃａｔｉｏｎｏｆＦｕｚｚｙＮｅｕｒａｌＮｅｔｗｏｒｋＣｏｎｔｒｏｌｔｏＡｕｔｏｍａｔｉｃＴｒａｉｎＯｐｅｒａｔｉｏｎａｎｄＴｕｎｉｎｇｏｆＩｔｓＣｏｎｔｒｏｌＲｕｌｅｓ．ＩＥＥＥ，２００５．１—２【５１】李博轩．ＶｉｓｕａｌＣ＿Ｈ图形用户界面开发指南［Ｍ】．北京：清华大学出版社，２０００．１—９９作者简历教育背景：２００３．９－２００７．７北京交通人学，获．Ｌ学学士学位２００７．９至今工作经历：２００７．８－２００７．１ｌ北京交通人学，攻读ｊ二学硕七学位参与北京市科技计划项目“基于通信的城市轨道交通ＣＢＴＣ系统研究与参与中国铁路ＣＴＣＳ３级列控系统武广线、京沪线方案研究应用及关键技开发”中数据通信子系统的实际测量与仿真。２００８．４－２００７．８术开发基于智能控制算法的列车自动驾驶系统的优化研究

作者：

学位授予单位：

姚理

北京交通大学

1.学位论文 程琳香 基于遗传算法的模糊神经网络在铁路列车自动驾驶中的应用研究 2001

该文就是研究遗传算法与模糊控制、神经网络三者的结合及其在铁路列车自动驾驶(ATO)中的应用问题,论文主要的工作可以概括为以下几个方面.1、系统分析和介绍了遗传算法的基本理论,通过对其特点的阐述,理论上证明了与模糊控制、神经网络结合的可能性.2、研究了遗传算法与神经网络、模糊控制的结合方式.3、研究了铁路列车自动驾驶中,模糊神经网络的应用理论和常规的模型辨识方法,分析了这些方法的优缺点.4、研究了基于遗传算法的模糊神经网络在列车自动驾驶中的应用问题,从隶属函数参数的选择、模糊控制规则的选取和优化以及神经网络权值的学习等几个方面进行了分析.5、以一列给定参数的一车作为仿真对象,对基于遗传算法的模糊神经网络的铁路列车自动驾驶系统地进行了全过程的仿真,并与凭专家经验得出模糊规则和隶属函数及用BP算法训练网络的常规模糊神经网络仿真结果进行了比较了讨论.

2.期刊论文 黄磊.唐涛 灰色控制在城轨列车自动驾驶系统的应用研究 -中国科技信息2008,\"\"(2)

列车自动驾驶系统是城市轨道交通列车自动控制系统的重要组成部分.它保证列车的准时性,节能型和旅客舒适度等.在列车自动驾驶系统算法方面,现在已有的算法为经典控制论算法和智能算法等等.基于灰色控制的列车自动驾驶系统算法属于智能算法的一种,根据灰色系统原理,利用已有的相对贫乏的数据,进行建模,通过模型计算出预测值,使之与目标值进行比较再进行决策的算法.

3.学位论文 康太平 基于模糊预测控制的列车自动驾驶系统研究 2006

随着我国铁路客运专线建设的发展，列车运行速度不断提高，密度不断加大，人工驾驶模式已难以满足要求。列车自动驾驶技术利用先进的计算机、通信、控制技术、信号技术以及人工智能理论，集成为一个自动化水平很高的列车运行自动控制系统，自动控制列车加速、减速，实现列车自动运行。

列车运行是一个典型的复杂、多目标、大滞后、非线性系统，很难找到精确的数学模型和最优解。模糊预测控制是在模糊逻辑和预测控制的研究和应用基础上发展起来的一类新型控制算法，更符合人类的控制思想，对被控过程模型要求不高，可以满足列车运行的高品质的控制要求。

本文在总结了国内外的列车自动驾驶技术、模糊预测控制技术和列车自动控制算法的研究现状的基础上，对模糊预测控制在列车自动驾驶系统中的应用和仿真进行了深入研究。在详细研究了牵引计算模型、列车自动驾驶理论、列车运行模型的基础上，给出了列车运行线路数据处理方法、列车自动驾驶优化的操作原则和操纵策略；将模糊预测控制理论运用于列车自动驾驶系统，给出了具体的控制算法和模糊评判函数；对列车自动驾驶系统进行了仿真研究，设计了相应的仿真软件，对列车运行各阶段进行了仿真，仿真计算结果与优秀司机操纵列车的实际结果非常接近。

将模糊预测控制应用于列车自动驾驶系统，既充实了模糊预测控制理论，又为实现列车运行过程的高品质控制提供了一种新方法。对列车自动驾驶系统的仿真结果表明：在列车自动驾驶系统中，采用模糊预测控制技术可以保证列车高质量地运行。

4.学位论文 高冰 基于模糊PID软切换的列车自动驾驶系统控制算法及仿真研究 2009

大城市人口密度的逐渐增大以及城市交通问题的日趋严峻，迫切需要建设高效率的城市轨道交通系统，目前，伴随着轨道交通的发展，列车自动驾驶（ATO）系统已能够代替司机来完成列车的自动驾驶工作，所以，提高ATO控制系统性能成为了关键所在，而ATO控制系统中最重要的功能就是调速。本文基于ATO控制系统停车普遍采取的一级调速制动，利用先进的控制算法用以提高ATO控制系统调速的精确性、快速性以及舒适性。 ⑴介绍了ATO系统的研究背景，分析了国内外ATO控制系统控制算法的研究现状，并介绍了本文的主要研究工作。

⑵对ATO控制系统的理论知识、列车牵引特性以及制动力分别进行了介绍，以他激牵引电机的调速系统为例，结合试验性数据研究了被控系统的数学模型。

⑶在SIMULINK环境下分别对PID与模糊控制的ATO调速系统进行了仿真研究。通过对比分析，PID在控制精度上优于模糊控制，而模糊控制则在快速性以及鲁棒性上有着自己的优越性。

⑷针对ATO控制系统提出了模糊PID的切换控制方法。由于基于阀值的切换控制易产生扰动，同时不利于调速的舒适性，本文基于模糊推理控制两种控制器的强度切换，对模糊PID软切换控制进行研究。通过仿真以及坡道的干扰性分析，软切换控制在ATO控制系统调速的准确性、快速性以及舒适性上优于其它控制算法。最后对P-Fuzzy-PID多模型软切换控制的ATO调速系统进行了仿真研究。

⑸基于模糊PID软切换控制对ATO控制系统进行了自适应性设计与算法优化研究。首先对隶属度函数形状进行了优化，以提高快速性与准确性；然后对模糊控制器的量化因子以及比例因子进行了在线自调整设计以增强调速系统自适应能力；接着利用模糊推理对PID参数进行了模糊自整定的设计与仿真；最后将双线性插值算法引入到模糊推理查询当中，无穷细化了模糊规则，消除了系统输出的振颤。

5.期刊论文 董海荣.高冰.宁滨 列车自动驾驶调速系统自适应模糊控制 -动力学与控制学报2010,8(1)

列车自动驾驶(ATO)系统停车前采取一级调速制动,本文采用自适应模糊控制对ATO系统的速度进行控制.利用变论域收缩因子优化模糊控制器的量化因子,模糊推理实现比例因子的自调整.通过仿真表明,该算法能够有效改善速度控制的快速性与精度,提高乘客舒适性与运行效率,从而完成定位停车任务.

6.期刊论文 陈荣武.刘莉.诸昌钤.CHEN Rong-wu.LIU Li.ZHU Chang-qian 基于CBTC的列车自动驾驶控制算法 -计算机应用2007,27(11)

基于通信的列车控制系统是列车控制系统技术的发展方向.讨论了基于CBTC的列车自动控制系统的基本结构和功能,指出传统控制方法不能适应列车运行参数的非线性和时变性,而采用智能控制方法较为有效,对基于专家系统的ATO系统、基于模糊控制的ATO系统和基于模糊神经网络的ATO系统等几种速度控制算法进行了分析和建模.

7.学位论文 黄磊 灰色系统理论在城市轨道交通自动驾驶的应用研究 2008

近年来，世界许多城市在“公交优先”的发展战略指导下，城市轨道交通的建设逐步推向了高潮。在这一背景下，城市轨道交通列车自动控制系统的探索非常活跃，产生了丰硕的成果。列车自动驾驶系统(Automatic Train Operation System，ATO)是列车自动控制系统(以下简称列控系统)中重要的一部分，它的主要功能是模拟司机完成驾驶列车的任务，使列车处于最佳运行状态。

论文总结了前人研究ATO算法的经验，并分析了其不足之处。论文对ATO系统功能需求进行分析并对灰色系统理论进行研究。在分析ATO的特点的基础上，证明了ATO系统是一个灰色系统，进而说明灰色系统理论的一些优势能够在ATO控制方面进行发挥，能够弥补前人的一些不足之处。

在论证灰色系统理论可用于ATO的基础上，提出了基于灰色系统理论的ATO控制算法。论文在明确ATO要完成的任务和所能得到的信息资源之后，把ATO的功能进行模块化分解，细化各模块的输入、输出及功能。运用灰色系统理论的方法实现各模块。灰色系统理论中序列算子生成、灰色预测、灰色决策等方法使得各模块的功能得以实现。然后综合各模块，使之成为一个相对独立的系统，能够与列控系统中其他子系统进行联结与合作，从而设计出基于灰色系统理论的ATO。

论文最后对系统进行仿真。在对列车、线路等进行建模后，使“基于灰色系统理论的ATO”与目前较为成熟的“基于模糊控制策略的ATO”进行对比检验。从停车精度、准时性和旅客舒适性三个方面对两种控制方法进行对比。引入相关参数使控制效果量化，用量化的数据证明基于灰色系统理论的ATO的有效性。

仿真结果证明了论文所设计的系统在工作流程、功能模块划分、控制策略、算法设计的合理性和正确性。为下一步的继续探索奠定了基础，也可为其他控制方法在ATO中的实现启迪思路。

本文链接：http://d.g.wanfangdata.com.cn/Thesis_Y1576098.aspx

下载时间：2010年6月5日