双重学习架构下城轨列车精确停车优化控制

作     者：俞若川 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：唐涛

授予年度：2022年

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：城市轨道交通 列车自动运行 精确停车 迭代学习控制 初始状态偏移 

摘      要：随着我国开通城市轨道交通的城市、线路和车站数量快速增长,复杂环境下列车精确停车的实现面临线路情况和列车条件多变的挑战,精确停车功能调试的难度进一步加大。基于运行数据的学习类算法是解决上述问题的一种可行途径,以迭代学习控制(Iterative Learning Control,ILC)为代表的一类自学习算法有可能替代PID等传统控制方法人工调参过程。传统ILC算法的收敛性依赖于相同初始条件(Identical Initial Condition,IIC),该条件限制了ILC的应用。现有基于迭代学习的停车控制算法常基于IIC的假设,否则也只能保证误差有界收敛,无法满足停车精度的要求。本文针对上述问题,利用列车实际运行数据,分析了停车过程初始状态分布情况,以迭代学习控制算法为基础,以解决停车过程ILC初值问题为目标,设计了相应的停车控制器。具体来讲,本文开展的工作如下:(1)从实际列车自动运行(Automatic Train Operation,ATO)通控数据中提取单车相同站间停车初始状态分布情况,引出停车过程状态偏移问题,并以传统P型ILC停车控制律为例,设计相应仿真场景,分析讨论了初态偏移类型对ILC收敛性的影响,为后续ILC控制器的设计奠定基础。(2)以自适应迭代学习控制(Adaptive Iterative Learning Control,AILC)为基础,结合现有误差轨迹跟踪的思想设计了AILC控制律,以解决停车过程初态偏移问题,并对算法的适用性进行分析。此外,考虑到精确停车控制目标与传统控制问题的区别,分析了当停车精度满足要求时误差衰减函数的形式。仿真过程表明算法的跟踪效果依赖于类型难以确定的衰减性态函数,可行性较低。(3)考虑到现有放宽初始条件方法在解决停车问题时可行性不高以及优化方法在解决ILC初值问题具有一定优势,将范数最优方法引入迭代学习停车控制器设计,将停车控制转化为有约束的速度跟踪问题,结合停车过程中列车位置校正原理,提出了点对点范数最优迭代学习停车控制方法。最后设计仿真算例验证了方法的有效性。(4)考虑到衰减性态函数的设计和范数最优方法的实现理论性较强,算法实现较为复杂,基于有界任意初态下ILC收敛情况的分析,提出了“机器学习划分类别+ILC控制停车的双重学习架构,引入Canopy聚类方法并结合终端迭代学习控制提出了划分类的终端迭代学习停车控制方法(Partitioned Terminal Iterative Learning Control,PTILC)。严格的收敛性分析及相应的仿真试验验证了所提方法的有效性。通过上述研究,本文分析了现有ILC方法无法用于精确停车的关键制约因素,提出了解决精确停车控制中IIC问题的三套方案。并且,本文所提的PTILC算法满足城轨精确停车的一般要求,在±0.3m停车精度的基础上有50%的提升,算法实现较为简单,提升了其在实际工程中的可行性,对基于学习停车控制方法的实际应用具有理论支撑意义。图39幅,表6个,参考文献92篇。