基于预测控制的列车精确停车算法

摘要：精确停车是评价列车自动驾驶性能的关键指标之一在分析列车停车阶段运行情况的基础上，考虑制动模型的延迟特性和列车运行特性的约束条件，运用广义预测控制理论，将列车运行的参考速度和参考距离作为控制目标，结合控制量所需满足的约束条件，设计了一种带约束的多目标预测控制器，以提高停车精度和列车运行的舒适性通过仿真实例表明，该控制器不仅可以使列车精确跟踪停车目标曲线，达到高精度的停车要求，而且使列车运行具有更高的舒适性

关键词：列车自动驾驶； 精确停车； 预测控制； 制动系统； 舒适性

中图分类号： TP391.9 文献标志码：A

0引言

城市轨道交通系统的高效率和高密度需要更高性能的列车自动驾驶系统（Automatic Train Operation， ATO）以应对城市交通发展所带来的各种挑战相比人工驾驶操纵，ATO在运行效率方面有着很大的优势，并具有更高的可靠性国内外开展了大量针对列车自动驾驶的研究，运用比例积分微分（Proportional Integral Derivative， PID）控制[1-2]、模糊控制[3]和神经网络[4]等随着我国城市轨道交通的快速发展，对ATO系统的停车精度要求也越来越高，然而列车自动精确停车仍然是一个难题因此，研究有效的列车精确停车控制算法具有重要的现实意义

目前，针对列车精确停车控制，现有研究主要围绕理想的牵引计算模型展开文献[5]运用模糊控制实现了列车停车控制，但是司机经验形成的规则库，无法在线调整以应对列车运行所需求的各种情况文献[6-7]提出运用迭代学习控制列车精确停车，但迭代学习的过程会影响系统的实时性上述控制算法的设计并未考虑列车制动模型的滞后特性，这将导致实际作用于列车的控制效果有较大偏差，使得列车无法精确停车文献[8]虽然针对列车制动模型引入了线性二次型调节器，但线路坡度等因素会致使该控制器停车效果变差

本文重点研究城轨列车精确停车的控制问题在文献[9]提出的制动模型的基础上，考虑实际线路，将列车停车阶段的距离和速度作为控制目标，基于广义预测控制，设计了带约束的多目标预测控制器仿真结果证明了方法的有效性

1ATO系统

1.1ATO系统原理

ATO的主要功能是实现列车运行速度的自动调整，保证列车的正点率，并实现列车高效和节能的运行ATO需要与列车自动监控系统（Automatic Train Supervision， ATS）和列车自动防护系统（Automatic Train Protection， ATP）交互信息，共同实现列车的自动驾驶

ATP收集的行车许可、线路参数、临时限速等信息，是由地面设备通过无线通信系统传输到ATP；ATP收集列车速度和位置信息，其来自于列车测速测距单元；ATO通过分析和计算ATP所传递的信息后，向列车牵引和制动系统发送控制命令，实现自动驾驶

1.2停车阶段分析

列车进入停车阶段后，防护曲线的限速值逐步下降，控制列车的速度在限速值以下以保证安全性同时，在此阶段应控制列车的停车精度，提高旅客的舒适度

3控制器设计

ATO通过实时调整列车速度以达到安全、准点、节能和精确停车的行车要求本文研究的问题是对列车制动停车阶段进行实时控制，以实现精确停车

列车速度的实时调整主要通过广义预测控制器（Generalized Predictive Control， GPC）和下层控制器共同协调完成，如图2所示GPC控制器通过计算给出最优控制量u*，对应最优的手柄级位，下层控制器确保制动系统的指令跟踪

3.2控制目标

在列车停车阶段，滚动优化目标是对参考曲线的精确跟踪，列车实现停车精确停车，且制动手柄级位切换少

4仿真分析

为验证本文所提出的算法的正确性，选取某地铁车辆参数，考虑实际线路进行仿真，并将结果对比参数合适的PID控制器仿真参数见表1

仿真结果显示，列车通过制动点后，由于制动系统具有延迟性，无法立即跟随上参考速度曲线，但是经过控制器调节后逐渐跟随上参考速度曲线图3为控制效果，对比可看出预测控制器经过较快时间的调整后可精确地跟踪上参考曲线，且最终达到高精度的停车效果，停车误差为17cm，满足误差30cm的停车要求而PID控制器只能保证跟踪在参考速度的附近，具有一定波动性，并最终停车精度也不够高，停车误差超过200cm，无法满足高精度的停车目标

列车自动驾驶系统需要平稳的操纵序列，以达到较高的舒适度如图4所示，PID控制器的目标加速度具有震荡现象，经过较长时间才达到收敛，而预测控制仅因为刚开始制动时，制动系统延迟，开始加大制动力，然后经过一次震荡调节便收敛达到平衡，整个控制序列十分平稳，列车运行的舒适性较高

5结语

本文研究列车精确停车的控制问题，通过对列车停车阶段进行分析，设计了一种带约束的多目标预测控制器该控制器考虑了实际制动模型的延迟特性，并结合了列车制动系统的控制约束条件，引入参考速度和参考距离为控制目标通过在实际运行线路的仿真环境下与PID控制进行对比分析，验证了基于广义预测控制的停车算法的有效性，不仅可以使列车具有较高的停车精度，同时可以保证停车阶段的舒适性

参考文献：

[1]陈荣武，刘莉，诸昌钤.基于CBTC的列车自动驾驶控制算法[J]. 计算机应用，2007，27（11）： 2649-2651.

[2]唐涛，黄良骥.列车自动驾驶系统控制算法综述[J].铁道学报，2003，25（2）： 98-102.

[3]ALEXANDER F. A fuzzy knowledgebased system for railway traffic control[J]. Engineering Applications of Artificial Intelligence，2000，13（6）：719-729.

[4]SEKINE S， IMASAKI N， ENDO T. Application of fuzzy neural network control to automatic train operation and tuning of its control rules [C]// Proceedings of the 4th IEEE International Conference on Fuzzy Systems and the Second International Fuzzy Engineering Symposium. Piscataway： IEEE， 1995， 4： 1741-1746.

[5]YASUNOBU S， MIYAMOTO S， IHARA H. A fuzzy control for train automatic stop control[J]. Transactions of the Society of Instrument and Control Engineers， 2002，19（11）： 873-880.

[6]WANG Y， HOU Z S， LI X Y. A novel automatic train operation algorithm based on iterative learning control theory [C]// IEEE/SOLI 2008： IEEE International Conference on Service Operations， Logistics and Informatics. Piscataway： IEEE， 2008， 2： 1766-1770.

[7]周骥，陈德旺.机器学习在列车精确停车问题的应用[J].计算机工程与应用，2010，46（25）：226-230.

[8]贺广宇.基于LQR的列车精确停车控制算法研究[D].北京：北京交通大学，2009.

[9]于振宇，陈德旺.城轨列车制动模型及参数辨识[J].铁道学报，2011，33（10）：37-40.

[10]朱金陵，李会超，王青元.列车节能控制的优化分析[J].中国铁道科学，2008，29（2）：104-108.

[11]王长林，林颖. 列车运行控制技术[M].成都：西南交通大学出版社，2008：70-80.

[12]高钦和，王孙安.基于IGPC的时变大时滞系统自适应控制[J].计算机应用，2007，27（6）：1508-1509.

[13]BEMPOAD A， PENA D M. Multiobjective model predictive control[J]. Automatica，2009， 45（12）： 2823-2830.

[14]BOYD S， VANDENBERGHE L. Convex optimization[M].New York：Cambridge University Press， 2004： 150-155.