论文部分内容阅读
随着大城市交通问题的日趋严峻,以及公共交通对安全、高效、便捷的需求日益明显,提高城市轨道交通的运输效率显得尤为重要。列车自动驾驶(ATO, Automatic Train Operation)系统作为代替司机驾驶的重要设备,能够实时控制列车运行速度,对列车运行能耗,乘客舒适度,到站准点率,停车误差等性能指标有直接的影响。在追求绿色生活和低碳经济的当代,研究更加优越的ATO控制算法对于提高地铁运输效率和降低运营成本具有重要的现实意义。本文突破跟踪离线目标速度曲线的控制思路,在不依赖列车运行控制数学模型的基础上,借鉴优秀司机的驾驶经验,结合机器学习方法,以实现列车运行的多目标控制。本文基于专家经验和机器学习的列车智能驾驶(ITO, Intelligent Train Operation)算法主要从以下几个方面进行了研究：首先,通过分析现有ATO算法的不足和优秀司机的驾驶情况,针对列车运行控制的多目标问题,提出了采用基于专家系统和机器学习的算法研究技术路线,并给出了相关原因及思考。其次,详细介绍了本文列车智能驾驶算法：构建了列车智能驾驶专家系统,包括专家经验知识库的建立和控制策略的推理；为减小运行过程中的时间误差,运用基于梯度法的在线优化方法实时调整控制器输出；为保证进站停车精度且减少控制器输出变化,将基于启发式方法的机器学习方法运用于列车停车阶段。最后,通过在MATLAB软件环境下建立列车运行控制系统Simulink仿真模型和列车智能驾驶算法仿真图形用户界面(GUI),利用北京地铁亦庄线实际线路对该算法进行了仿真验证。对比PID控制的结果表明,本文算法能够提高乘客舒适度、降低列车能耗、准时到站且精确停车,同时能够灵活应对运营计划时间的改变,使列车运行平稳舒适,符合司机驾驶规律。此外,通过设定变化的列车模型参数、更复杂的限速情况和更陡峭的坡度,验证了智能算法的适应性和鲁棒性。