基于自动化深度学习的列车智能驾驶

针对深度学习在列车智能驾驶领域面临的高维复杂非线性驾驶数据特征选取理论依据不足,以及模型结构确定困难的问题,文章提出了一种结合计算智能与深度学习的列车操控新方法。该方法通过采用粒子群算法(PSO)和北方苍鹰优化算法(NGO)来优化双向长短期记忆(BiLSTM)神经网络,从而深入挖掘并学习优秀驾驶员的驾驶数据。研究结果表明,PSO-NGO-BiLSTM神经网络在处理列车序列数据方面展现出显著优势,模型提供的列车操纵策略能够达到甚至超越优秀驾驶员的水平。

自适应多智能体算法优化深度网络的列车智能驾驶

在利用深度学习实现列车智能驾驶时,神经网络架构和参数的选择过于依赖人工经验,现有梯度下降法在参数优化时易陷入局部最优,且学习任务单一。针对上述问题,提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法,该方法有机地将计算智能与深度学习结合,能充分挖掘优秀驾驶员数据。其具体实现过程为:首先,从自动化深度学习角度出发,采用遗传算法(GA)优化深度网络结构,克服了其结构难以确定的问题,并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化。在粗学习阶段,采用AMPCMA算法对LSTM参数预置初值,有效地学习多个任务的共性。该算法能在进化过程中动态调整小种群链表规模,具有较好的灵活性和自适应性。接着在细学习阶段,基于上述多任务共性学习所得到的LSTM参数,再用Adam算法分别对单个任务上的参数精细优化,以实现任务的个性学习;其次,有效地设计了多任务之间的信息共享机制,且任务共性和个性学习有机结合,使得整个网络泛化能力强,较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果;最后,通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越,提高了列车操控与预测精度,并能在多种操控序列下表现出较强的鲁棒性。

灰色预测模糊自适应PID控制的城轨列车智能驾驶系统研究

为提高城轨列车驾驶系统的智能化程度,将灰色预测控制与模糊自适应PID控制技术相结合,应用到城轨列车驾驶系统中。在对城轨列车驾驶系统进行需求分析的基础上,针对其对各种性能指标的要求,提出了基于灰色预测模糊自适应PID控制的城轨列车智能驾驶系统的设计方案。将灰色预测控制与模糊自适应控制应用到经典PID控制中,设计出了系统的智能控制器,有效满足了城轨列车在运行时对跟踪误差、准点率、停车误差、舒适度和节能性等多个性能指标的要求。仿真结果表明:采用灰色预测模糊自适应PID算法的控制系统具有良好的控制精度且系统的智能化程度得到了相应的提升。

面向操纵优化的智能列车辅助驾驶系统

针对我国干线铁路列车仍然采用人工驾驶方式的现状,在分析现有列车辅助驾驶系统的基础上展开智能列车辅助驾驶系统的研究。首先进行功能需求与系统结构的分析,之后建立人工驾驶情形下的列车驾驶策略优化模型,设计结合离线优化与在线调整的智能优化方法进行求解,并以驾驶辅助提示信息的方式向列车驾驶员提供优化后的操纵建议,最后结合半实物实验平台进行实验验证与结果分析。实验结果表明,所提出的方法与系统可有效提升人工驾驶下的列车运行节能性与准点率等关键指标,可为人工驾驶操纵优化的实现提供技术支撑。

基于复杂网络的列车辅助驾驶危险致因传播模型

为了解预期功能安全(SOTIF)相关危险致因在基于智能感知的列车辅助驾驶系统(IATDAS)中的传播特性,提升针对该类系统的危险控制能力,本文提出基于复杂网络的IATDAS系统危险致因传播模型。该模型在SOTIF危险致因网络的基础上,提供了全局容量-负载传播机制,能有效刻画IATDAS系统的危险致因传播机制。案例分析结果表明:本文所提模型能够解决复杂致因关系下既有模型与系统实际情况不符的问题,如对于具有较长后续传播路径的致因,本文模型能够刻画其较难导致危险的实际特征;依据本文模型实施传播控制,可以显著降低危险致因的传播速度,如对影响节点范围大、前期影响节点数量增加快的危险因素进行控制时,可使其平均传播速度降低68%,比随机控制策略多降58%。该模型可以为IATDAS系统的SOTIF相关危险控制提供决策基础。

基于预测控制的动车组迭代学习控制方法

针对动车组运行过程中存在非线性扰动、参数时变等问题,以提高动车组的速度跟踪精度和乘客舒适性要求为目标,提出了一种基于预测控制的高速动车组迭代学习控制方法;通过采集动车组先前运行过程中的输入输出数据,使用带遗忘因子的最小二乘法实时辨识广义预测控制(GPC)中的预测模型参数并计算预测输出,根据以往过程的平均模型误差修正该预测输出,利用修正后预测输出引出迭代学习控制律,在线实时计算得到新的控制量,实现动车组速度跟踪;采用修正后预测输出设计二次型迭代学习控制律,通过充分学习列车系统的重复性特性来解决传统比例积分微分(PID)型迭代学习参数整定难、收敛速度慢和鲁棒性差等问题,并给出算法的收敛性证明;以实验室配备的CRH380A型动车组半实物仿真平台对该方法进行了测试,建立了列车的三动力单元模型,使其跟踪设定速度曲线,并与一些传统算法进行对比。仿真结果表明:在第8次迭代过程,基于预测控制的高速动车组迭代学习控制方法得到的动力单元速度与其设定的速度和加速度误差分别在0.3 km·h^(-1)和0.5 m·s^(-2)以内,且变化平稳,其性能优于PID、GPC和P型迭代学习控制(P-ILC),满足列车跟踪精度与乘客舒适性要求;在模型参数突变的情况下,采用提出的方法可使列车更为及时地校正模型失配、时变和干扰等引起的不确定性。