基于迭代学习的城市轨道交通列车自动运行控制研究

The perfect urban rail transit train control system is the important guarantee for the safety, comfortable and low energy consumption of the train operation. For the optimization of train operation indexes, feedforward-feedback control strategy of train speed tracking control system based on iterative learning control (ILC) is studied in this project. Firstly, the correction algorithm of initial state error based on reaching law is studied so as to provide the initial condition for the application of learning law. At the same time, an ILC algorithm with variable gain is proposed based on disturbance observer to obtain the robustness of initial state error, the inhibition of non repetitive disturbances and rapid convergence. Secondly, the train speed satisfactory control algorithm is studied in the multiple index constraints. The desired index set of train operation is obtained and its consistency is analyzed. The sufficient condition of a PID controller existing is studied and the satisfactory solution set is obtained. Finally, the effective integration of ILC algorithm and satisfactory PID algorithm is realized to make up for the deficiency of single controller. The performance of the control system is analyzed by dSPACE semi-physical simulation system and the algorithm effectiveness is evaluated to provide research foundation for algorithm optimization. The theoretical research of this project closely combines the engineering real characteristics and the index requirement so as to provide methodology for high speed train automatic operation control system implementation.

完善的城市轨道交通列车控制系统是列车安全、舒适、低能耗运行的重要保证。本申请以列车运行速度跟踪控制系统为研究对象，以列车运行多指标优化控制为科学问题，提出一种基于迭代学习的前/反馈式列车速度跟踪控制算法。首先，研究一种基于趋近律的迭代初态偏差修正算法，为学习律的应用提供初始条件，同时，提出一种基于扰动观测器且增益可变的ILC算法，实现对初态误差的鲁棒性、抑制非重复性扰动及快速收敛；其次，对多指标约束下的列车速度满意控制算法进行研究，提取列车运行期望指标集并分析其相容性，研究控制器存在的充分性条件，求取满意解集；最后，实现两种控制算法的有效融合以弥补单一控制器的不足，并基于dSPACE半实物仿真系统对算法控制性能进行实验研究，评价算法有效性，为算法优化提供研究基础。本项目的理论研究紧密结合了研究对象的工程特性及指标要求，可为高速列车自动运行控制系统的实施提供方法论。

针对城市轨道交通列车安全、准点、舒适及低能耗等多目标运行需求，本项目以城市轨道交通列车自动运行速度控制系统为研究对象，结合列车自身运行特性及多指标需求，对列车速度控制策略及列车多目标运行策略进行深入研究，旨在为城市轨道交通列车自动运行提供可行的方案和参考依据。本项目的研究内容及重要结果如下。.（1）本项目充分利用地铁列车运行的重复性特征，研究了一种用于列车速度控制的自适应迭代学习控制算法。算法通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，同时对迭代初态进行学习，使得系统可在任意初始条件下均能收敛至期望轨迹。研究结果表明所提算法有利于实现列车对既定速度目标曲线的完全跟踪。.（2）针对地铁列车动力分布式特点，本项目研究了一种基于分散式模型预测控制的列车速度控制算法。算法将列车划分为多个相互耦合的子系统，利用扩张状态观测器对子系统受到的总和扰动进行估计，利用扰动估计值对各个子系统进行前馈补偿设计控制器，保证了系统的稳定性和抗干扰性能。研究表明，本项目提出的列车速度控制算法有效提高了系统的控制性能。.（3）本项目在对列车的准时性、精确停车、能耗等运行指标进行分析的基础上，研究了一种基于均匀设计的分解类多目标自适应差分进化算法。通过基于均匀设计的方法获得多个均匀分布的权向量，通过采用基于信誉度的自适应操作池选择方法，有效提升了进化过程的多样性和收敛性。实验结果表明，本项目提出的算法能为列车实际运行提供多种操纵策略，有效实现列车的准点、舒适、低能耗运行。.（4）针对地铁列车发车间隔短、启制动频繁的特点，本项目提出了一种改进的差分进化算法来求解相邻列车牵引和制动重叠时间的整数规划模型。研究表明，通过优化列车停站时间、发车间隔和对开时间，能有效提高同向相邻列车牵引和制动的重叠时间，以及对向列车在同一站点的牵引和制动的重叠时间，有效提高了再生制动能量的利用率。