检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

列车自动驾驶准点目标速度在线计算方法

科技与创新 2022年第24期 151-153,158页

作者：何珊西南交通大学信息科学与技术学院四川成都610031

为改善现有列车自动驾驶系统(ATO)目标速度计算模型设计复杂、计算数据量大、实时性较差等问题,提出一种依据列车当前位置、当前速度、运行前方限制点等条件,采用能量守恒原理,可在线周期计算列车当前位置准点目标速度的方法。本方法每... 详细信息

为改善现有列车自动驾驶系统(ATO)目标速度计算模型设计复杂、计算数据量大、实时性较差等问题,提出一种依据列车当前位置、当前速度、运行前方限制点等条件,采用能量守恒原理,可在线周期计算列车当前位置准点目标速度的方法。本方法每一计算周期仅计算一个目标速度,且严格按照目标速度对列车运行状态进行控制,有效解决原有计算目标速度曲线进行控车的方式存在的计算量大、计算速度慢等问题。仿真结果表明,在线计算的准点目标速度不仅减少了计算数据量,还实现了列车准点控车指标。

关键词：目标速度计算能量守恒列车自动驾驶在线计算

在线全文

学校读者我要写书评

暂无评论

列车自动驾驶智能控制算法研究

列车自动驾驶智能控制算法研究

作者：卢莎清华大学

学位级别：硕士

铁路交通是社会经济发展的重要组成部分,其能耗在交通运输总能耗中也占据着相当大的比重,不同的操纵方式对于列车能耗的影响区别很大。因此研究列车自动驾驶控制系统对于提高列车操纵水平,解放人力并实现在安全、平稳、准点等要求下的... 详细信息

铁路交通是社会经济发展的重要组成部分,其能耗在交通运输总能耗中也占据着相当大的比重,不同的操纵方式对于列车能耗的影响区别很大。因此研究列车自动驾驶控制系统对于提高列车操纵水平,解放人力并实现在安全、平稳、准点等要求下的节能运行有着重要的意义。列车自动驾驶控制问题具有高维,非线性,多约束以及时变性等特点,优化搜索空间巨大。目前的解决方案中解析方法无法处理具有复杂约束的情况,数值方法因计算量过大无法适用于实时系统,启发式方法过于依赖人工设计,同时PID控制中参数设定较为困难。针对以上分析,本文提出一种基于机器学习的列车自动驾驶控制方案,通过学习经验丰富的司机驾驶方式获取预优化速度曲线并采取自学习的方式实现PID参数整定,实现列车自动驾驶控制,本文研究内容主要有以下几个部分:1、提出了一种基于机器学习的列车自动驾驶控制方案。首先分析线路模型、列车运行模型以及运行约束和目标,提出了一种基于机器学习的列车自动驾驶控制方案,即预先获取满足运行约束条件及节能目标的预优化速度曲线,再控制列车跟随预优化速度曲线行驶。2、提出了一种基于高阶相关学习的列车自动驾驶模式学习方法。通过分析列车能耗影响因素设计特征集并使用预处理后的运行数据结合超图算法学习优秀驾驶模式并生成预优化速度曲线。3、提出了基于预测PID的列车自动驾驶控制方法。设计预测PID控制器实现列车跟随控制,同时使用符号回归方法对列车状态预测模型进行学习并通过强化学习方法实现PID参数整定。4、对列车自动驾驶控制方案完成实验验证,结果表明本方案生成的预优化速度曲线能够在满足安全、准点、平稳等各种要求的前提下达到9%左右的节能效果,同时设计的控制器能够控制列车较好的跟随预优化速度曲线行驶,从而验证了方案的可行性。

关键词：列车自动驾驶节能优化机器学习预测PID

基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2022年第2期42卷 599-605页

作者：张京朱爱红兰州交通大学自动化与电气工程学院兰州730070

针对列车自动驾驶(ATO)过程中的精准停车、准时性、舒适性以及能耗问题,提出一种基于遗传算法与粒子群优化(GAPSO)算法结合的ATO速度曲线优化方法。首先,建立列车ATO运行多目标优化模型,将列车过分相区断电惰行纳入控制策略,并对运行控... 详细信息

针对列车自动驾驶(ATO)过程中的精准停车、准时性、舒适性以及能耗问题,提出一种基于遗传算法与粒子群优化(GAPSO)算法结合的ATO速度曲线优化方法。首先,建立列车ATO运行多目标优化模型,将列车过分相区断电惰行纳入控制策略,并对运行控制策略进行分析;其次,对粒子群优化(PSO)算法进行改进,采用非线性动态惯性权重和改进的加速度系数,并将遗传算子融入其中,从而构成一种全新的GAPSO算法,且验证了GAPSO算法在全局搜索和局部搜索能力以及收敛速度上的优越性。最后,通过GAPSO算法对工况转换点进行寻优,以获取一组满足多目标优化的工况转换点速度,进而得到最优目标速度曲线。仿真实验结果表明,所提优化方法在总体运行时间满足准时性要求的前提下,使能耗降低了13.29%,舒适性提高了26.62%,停车误差降低了21.62%。由此可见,优化后的列车目标速度曲线能够满足多目标要求,该方法为列车ATO多目标优化提供了一种可行的解决方案。

关键词：列车自动驾驶多目标优化分相区目标速度曲线遗传算子粒子群优化算法

基于ASP-SAC算法的列车自动驾驶速度控制

在线全文

学校读者我要写书评

暂无评论

铁道科学与工程学报 2024年

作者：刘伯鸿卢田兰州交通大学自动化与电气工程学院

随着经济建设的绿色转型以及人工智能的快速发展，城市轨道交通成为了居民日常出行的重要方式，在保障安全性、高效性和准点性的前提下，列车运行的节能性和舒适性需求也越来越被关注。合理的运行策略能够有效实现多种目标需求下的列车... 详细信息

随着经济建设的绿色转型以及人工智能的快速发展，城市轨道交通成为了居民日常出行的重要方式，在保障安全性、高效性和准点性的前提下，列车运行的节能性和舒适性需求也越来越被关注。合理的运行策略能够有效实现多种目标需求下的列车自动驾驶速度控制，强化学习作为一种智能决策方法，能够有效解决这一控制问题。首先，通过综合分析技术、安全性和乘客体验等方面的因素，基于专家经验动作划分和状态信息熵将软演员-评论家（SAC）改进为动作状态经验优先软演员-评论家（ASP-SAC）方法，用于研究列车自动驾驶速度控制问题。其次，将问题马尔可夫形式化，搭建了列车运行环境，确定了状态空间、动作空间以及基于目标控制的奖励函数。最后，实验以北京地铁亦庄线的一段区间数据为例，对ASP-SAC方法进行了验证并与其他的一些算法在相同环境下比较了性能优劣。研究结果表明：该方法对于多目标控制需求下的列车自动驾驶速度控制问题具有可行性，与未改进前相比算法效率提高22.73%，与PPO算法相比提高29.17%，改进效果良好。同时，列车运行时在安全性、舒适性无误的情况下，准时性、精确性和节能性都强于SAC、DQN、PPO以及PID算法，其中能耗分别减少3.64%、5.62%、4.38%、7.35%，控制效果良好。此外，该方法亦具备鲁棒性，在列车自动驾驶速度控制方面有着一定的优越性和可参考性。

关键词：列车自动驾驶多目标控制强化学习 ASP-SAC算法速度控制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

列车自动驾驶运行过程的多目标优化研究

列车自动驾驶运行过程的多目标优化研究

作者：卢稳兰州交通大学

学位级别：硕士

随着经济的高速发展,我国的铁路行业已经进入了发展的黄金时期。列车运行速度的提高以及运营密度的增大,使得传统的人工驾驶模式,难以满足列车运行的进一步发展需求。自动驾驶模式作为一种在取代驾驶司机的同时,又能提升列车运行性能指... 详细信息

随着经济的高速发展,我国的铁路行业已经进入了发展的黄金时期。列车运行速度的提高以及运营密度的增大,使得传统的人工驾驶模式,难以满足列车运行的进一步发展需求。自动驾驶模式作为一种在取代驾驶司机的同时,又能提升列车运行性能指标的运行模式,通常被用来取代人工驾驶模式,是未来发展的趋势。ATO(Automatic Train Operation,列车自动驾驶)系统,作为自动驾驶模式的核心子系统,是提高列车运行效率、增大列车运行密度的关键装备。由于列车运行过程的复杂性,其运行速度通常要受到线路条件、限速条件及司机熟练程度的影响,因此具有很多不确定因素。使用自动驾驶系统取代列车司机驾驶,可以在满足列车运行过程各性能指标需求的基础上,同时避免人为引起的随意性因素。所以,对自动驾驶系统进行研究具有其必要性。本文首先介绍ATO系统的结构、功能及其工作原理,提出从自动驾驶的运行曲线和控制器两方面,来优化列车自动驾驶运行过程的思路;其次,针对列车运行曲线的优化,选择使用智能的NPSO(Niche Particle Swarm Optimization,小生境粒子群)算法,通过对多目标优化模型的求解,得到理想的列车运行曲线;在控制器的设计方面,结合灰色预测、模糊控制以及PID(Proportion Integration Differentiation,比例积分微分)控制的优点,设计基于灰色预测模糊PID控制的ATO控制器核心算法;最后,针对理想运行曲线的生成及ATO控制器的控制效果,选取相关的仿真线路及车型,进行仿真分析,验证其合理性及有效性。对仿真得到的列车运行曲线各性能指标进行分析,其结果可以实现各性能指标综合最优化的目标,证明小生境粒子群算法可以达到优化列车运行目标曲线的目的。以优化后的列车运行曲线作为输入,经控制器作用后,对比输入与输出曲线,发现这两者间的误差较小,证明以灰色预测模糊PID控制算法为核心的列车自动驾驶控制器,可以取得良好的控制效果。综上,通过对列车运行曲线及自动驾驶控制器的核心算法进行优化,可以达到优化列车自动驾驶运行过程的目的。

关键词：列车自动驾驶小生境粒子群算法灰色预测多目标优化

基于多质点模型的列车自动驾驶非线性模型预测控制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2020年第5期50卷 1913-1922页

作者：贾超徐洪泽王龙生北京交通大学电子信息工程学院北京100044 中国铁道科学研究院通信信号研究所北京100081

研究了多目标优化和多运行约束条件下的列车自动驾驶系统控制器设计问题。在建立非线性多质点模型的基础上,提出了满足列车准时性、节能及乘坐舒适度的列车自动驾驶非线性模型预测控制算法,并给出了算法的可行性及闭环系统稳定性的理论... 详细信息

研究了多目标优化和多运行约束条件下的列车自动驾驶系统控制器设计问题。在建立非线性多质点模型的基础上,提出了满足列车准时性、节能及乘坐舒适度的列车自动驾驶非线性模型预测控制算法,并给出了算法的可行性及闭环系统稳定性的理论证明。数值仿真验证了本文算法的有效性,仿真结果表明:列车在满足运行约束的条件下,与线性模型预测控制算法相比,本文算法控制效果更好,误差更低。

关键词：交通信息工程及控制高速列车列车自动驾驶非线性模型预测控制多质点模型

在线全文

学校读者我要写书评

暂无评论

基于自适应迭代学习控制的列车自动驾驶算法

交通运输系统工程与信息 2020年第2期20卷 69-75页

作者：何之煜徐宁中国铁道科学研究院集团有限公司通信信号研究所北京100081

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法.基于Lyapunov函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律.构造类Lyapunov函数的复合能量函... 详细信息

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法.基于Lyapunov函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律.构造类Lyapunov函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性.采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.

关键词：铁路运输列车自动驾驶自适应迭代学习控制高速列车 Lyapunov函数跟踪误差

基于注意力机制与状态感知的高速列车自动驾驶算法研究

在线全文

学校读者我要写书评

暂无评论

基于注意力机制与状态感知的高速列车自动驾驶算法研究

作者：宁晨鹤北京交通大学

学位级别：硕士

高速铁路作为国家战略中重要的基础设施,对促进国民经济持续发展、改善人民出行条件起到了至关重要的作用。随着高速列车运行速度和行车密度的大幅提升,传统的人工驾驶已无法满足高速铁路的发展需求。因此,高速列车自动驾驶系统(Automat... 详细信息

高速铁路作为国家战略中重要的基础设施,对促进国民经济持续发展、改善人民出行条件起到了至关重要的作用。随着高速列车运行速度和行车密度的大幅提升,传统的人工驾驶已无法满足高速铁路的发展需求。因此,高速列车自动驾驶系统(Automatic Train Operation,ATO)成为我国高铁未来发展的重要方向。然而,由于复杂的外部运行环境以及车辆运行工况,现有的ATO方法难以兼顾列车运行控制节能、准点、舒适等目标。计算机、大数据、人工智能等技术的飞速发展为传统控制领域带来深刻的变革。在此背景下,深度融合ATO与新一代信息技术,构建智能ATO方法成为近年来的研究热点。本文以高速列车自动驾驶算法为研究对象,提出一种基于注意力机制的列车控制模型,并进一步设计了一种基于状态感知的高速列车多目标优化控制方法。具体研究内容概述如下:(1)高速列车具有非线性强、控制时滞大、参数不确定等特性,使用传统基于机理的建模方法难以精确描述列车动态的运行状态;数据驱动模型能有效解决环境及参数自适应问题,但其大多为“黑盒”机制,无法解释模型参数的物理意义。基于此,结合列车动力学特性与深度学习框架建立一种具有可解释性的数据驱动列车控制模型LAG-LSTM(Long Short-Term Memory with Lagged Information)。构建了基于注意力机制的深度学习模块来获取控制指令延迟时间的变化规律,通过实验进行模型有效性和参数可视化分析。经过与标准LSTM等基准模型的对比,验证了LAG-LSTM在工况切换频繁时能显著提高列车运行轨迹的预测精度,有效降低控制时滞对模型精确性的影响。(2)为解决现有ATO难以兼顾多控制目标的难题,进一步提出基于状态感知的高速列车多目标优化控制方法。针对ATO车站停车过程,在列车进站惰行中使用深度学习模型实时感知停车位置,选择恰当时机输出一次制动命令,实现节能、舒适停车控制。针对停车数据样本不平衡的问题,构建了一种基于小样本卷积神经网络(Few-shot Convolutional Neural Network,FSCNN)的精确停车控制方法。针对ATO区间驾驶过程,以LAG-LSTM为状态转移模型,以列车运行安全性、节能性、准时性和舒适性等多控制目标为奖励函数,提出一种基于Double-Agent深度确定性策略梯度(Double-Agent Deep Deterministic Policy Gradient,DA-DDPG)的深度强化学习模型。选用实际线路和驾驶数据,与基于人工驾驶的控制方法进行对比,结果说明设计的算法较好地实现了多目标优化控制。(3)在以上研究内容的基础上,基于Flask框架开发了一套列车自动驾驶仿真实验平台。该平台具备ATO算法仿真实验的功能,也可通过列车接口采集运行数据及发送ATO控制指令,完成现场测试功能。利用Py Qt5设计用户服务界面,实现列车运行数据和仿真/测试结果的可视化展示,并给出功能实现流程,支撑研发人员高效完成ATO算法设计。图63幅,表25个,参考文献99篇。

关键词：列车自动驾驶列车运行轨迹预测深度学习深度强化学习注意力机制卷积神经网络深度确定性策略梯度

基于无模型自适应控制的城轨列车自动驾驶研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铁道学报 2016年第3期38卷 72-77页

作者：石卫师南宁轨道交通集团有限责任公司运营分公司广西南宁530021

城轨列车ATO(Automatic Train Operation)目标速度曲线的精确追踪是保障城轨列车安全、高效、舒适和节能的关键环节。针对列车ATO系统为非线性时变滞后复杂系统,具有建模难和鲁棒性要求高等特点,本文将无模型自适应控制方法引入ATO目标... 详细信息

城轨列车ATO(Automatic Train Operation)目标速度曲线的精确追踪是保障城轨列车安全、高效、舒适和节能的关键环节。针对列车ATO系统为非线性时变滞后复杂系统,具有建模难和鲁棒性要求高等特点,本文将无模型自适应控制方法引入ATO目标速度曲线追踪控制器的设计问题中。通过与PID控制方法对比,基于MFAC(Model Free Adaptive Control)的ATO目标速度曲线追踪控制算法,具有追踪效果好、速度误差小、停车精度高、舒适度高、能耗少等特点。

关键词：无模型自适应控制列车自动驾驶目标速度曲线非线性系统城市轨道交通