1.一种高速列车速度控制方法,其特征在于,所述方法包括:
建立考虑车钩和附加阻力的高速列车纵向动力学模型;具体包括:根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;
根据高速列车运行过程中所受到的附加阻力的特点,利用公式wgi=wpi+wri+wsi,确定每节车厢在运行时所受到的总单位附加阻力;根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为 ;基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为 ;其中, 为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;
Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m; 和 分别为第i节车厢和第i+1节车厢的速度,单位为m/s;wgi为第i节车厢在运行时所受到的总单位附加阻力,wpi为第i节车厢的坡道附加阻力,wri为第i节车厢的曲线附加阻力,wsi为第i节车厢的隧道附加阻力;mi为第i节车厢的质量, 为第i节车厢的加速度,Ui为高速列车第i节车厢在运行过程中的控制力, 为第i节车厢所受到的基本阻力, 为第i节车厢所受到的附加阻力, 和 分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;M表示各节车厢的质量系数矩阵,M=diag(m1,m2,…,mi, …,mn);ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm1, Δm2,…, Δmi, …, Δmn);、和X表示各节车厢的加速度、速度和位置矩阵, ;U表示各节车厢的动力,U=[U1, U2, …, Ui, T…, Un];K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数, 表示各节车厢运行中的附加阻力矩阵, =diag[fw1(X1), …, fwi(Xi), …, fwn(Xn)];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰;
根据目标速度‑位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;
具体包括:构建误差函数为 ;根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差;其中,si表示第i节车厢的滑模误差,λi表示第i节车厢的滑模系数,ei表示第i节车厢的位移跟踪误差, 表示第i节车厢的速度跟踪误差;
根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;具体包括:将最终的高速列车纵向动力学模型简写为;基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为 ;根据求导公式,确定过渡参数变量的计算公式为
;根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量;其中,表示高速列车运行过程中可能受到的等效未知干扰, ;G(X)表示高速列车内部乘客流动而造成的车厢质量变化函数,G(X)=
1/(M+ΔM); 表示简化函数, ;
表示第i节车厢的实际加速度, 表示第i节车厢的目标加速度,G(Xi)表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数, 表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰, 表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;具体包括:构建理想反馈控制器为 ;
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量;其中, 为理想反馈控制量, 为比例系数, 为高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数的导数;
采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;具体包括:采用神经网络最小参数自适应学习法,定义 ,并确定实际反馈控制量的控制律为 ;根据实际反馈控制量的控制律和误差函数,确定径向基函数神经网络权值最小参数自适应律为 ;
利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器;其中,Ui为第i节车厢的实际反馈控制量, 为第i节车厢理想的神经网络权值向量, 为 的F范数,ρi为第i节车厢理想的神经网络等效权值, 为ρi的估计值,hi为隐含层节点向量; 为 的导数,γ和χ分别为第一、第二自适应系数;
将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
2.一种高速列车速度控制系统,其特征在于,所述系统包括:
高速列车纵向动力学模型建立模块,用于建立考虑车钩和附加阻力的高速列车纵向动力学模型;具体包括:车钩力确定子模块,用于根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;附加阻力确定子模块,用于根据高速列车运行过程中所受到的附加阻力的特点,利用公式wgi=wpi+wri+wsi,确定每节车厢在运行时所受到的总单位附加阻力;初始模型确定子模块,用于根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为 ;
最终模型确定子模块,用于基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中, 为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m; 和 分别为第i节车厢和第i+1节车厢的速度,单位为m/s;wgi为第i节车厢在运行时所受到的总单位附加阻力,wpi为第i节车厢的坡道附加阻力,wri为第i节车厢的曲线附加阻力,wsi为第i节车厢的隧道附加阻力;mi为第i节车厢的质量, 为第i节车厢的加速度,Ui为高速列车第i节车厢在运行过程中的控制力, 为第i节车厢所受到的基本阻力, 为第i节车厢所受到的附加阻力, 和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;M表示各节车厢的质量系数矩阵,M=diag(m1,m2,…,mi, …,mn);ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm1, Δm2,…, Δmi, …, Δmn);、和X表示各节车厢的加速度、速度和位置T矩阵, ;U表示各节车厢的动力,U=[U1, U2, …, Ui, …, Un] ;K和d
分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数, 表示各节车厢运行中的附加阻力矩阵, =diag[fw1(X1), …, fwi(Xi), …, fwn(Xn)];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰;
跟踪误差获得模块,用于根据目标速度‑位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
滑模误差确定模块,用于根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;具体包括:构建误差函数为 ;根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差;其中,si表示第i节车厢的滑模误差,λi表示第i节车厢的滑模系数,ei表示第i节车厢的位移跟踪误差, 表示第i节车厢的速度跟踪误差;
过渡参数变量获得模块,用于根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;具体包括:将最终的高速列车纵向动力学模型简写为 ;基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为 ;根据求导公式,确定过渡参数变量的
计算公式为 ;根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量;其中,表示高速列车运行过程中可能受到的等效未知干扰, ;G(X)表示高速列车内部乘客流动而造成的车厢质量变化函数,G(X)=1/(M+ΔM); 表示简化函数, ;
表示第i节车厢的实际加速度, 表示第i节车厢的目标加速度,G(Xi)表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数, 表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰, 表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
理想反馈控制量确定模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;具体包括:理想反馈控制器构建子模块,用于构建理想反馈控制器为 ;理想反馈控制量确定子模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量;其中, 为理想反馈控制量, 为比例系数, 为高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数的导数,表示第i节车厢的简化函数;
径向基函数神经网络控制器构成模块,用于采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;具体包括:控制律确定子模块,用于采用神经网络最小参数自适应学习法,定义 ,并确定实际反馈控制量的控制律为 ;自适应律确定子模块,用于根据实际反馈控制量的控制律和误差函数,确定径向基函数神经网络权值最小参数自适应律为;控制器构成子模块,用于利用径向基函数神经网络权值最小参数自适应
律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器;其中,Ui为第i节车厢的实际反馈控制量, 为第i节车厢理想的神经网络权值向量,为 的F范数,ρi为第i节车厢理想的神经网络等效权值, 为ρi的估计值,hi为隐含层节点向量; 为 的导数,γ和χ分别为第一、第二自适应系数;
实际控制量输出模块,用于将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
跟踪控制模块,用于基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。