论文部分内容阅读
摘要：本文针对城际列车的制动系统的特性，提出列车自动驾驶（ATO）的分段制动控制策略，以实现控制列车站台精准停车目的。首先分析列车制动系统特性，得到其列车模型，然后针对基于电制动曲线的模糊PID控制策略、基于混合制动曲线的优化寻找惰行点策略、基于空气制动曲线的停车精度寻优算法策略进行阐述，最后分析了控制策略在浙江海宁某城际轨道交通线路列车的应用，验证了ATO实现精准停车的效果，对城际列车全自动驾驶的研究具有重要意义。
关键词：列车自动驾驶;精准停车;控制策略
1引言
随着列车全自动驾驶的发展， 实现列车精准停车的制动控制策略成为列车自动驾驶（Automatic Train Operation，ATO）的研究重点。ATO子系统属于列车自动控制系统（Automatic Train Contral，ATC）的重要组成部分，在列车自动防护系统（Automatic Train Protection，ATP）的安全防护下，ATO自动控制列车运行，在进站停车过程中，考虑到运行舒适度与效率，ATO子系统计算出既高效且冲击率较小的一次性制动曲线。ATO系统根据进站停车制动曲线，对列车输出制动级位，从而控制列车采用连续制动的方式停于站台的停车点上，从而实现精准停车。
ATO控制列车制动的策略是一个综合性研究课题，车辆制动性能直接关系着ATO制动控制的策略和精准停车的实现。。
本文基于车辆制动系统的特性，利用分段制动控制策略，通过ATO控制列车停车过程中列车速度和与停车点间的距离预测列车处于制动系统的电制动、混合制动或空气制动阶段，分别采用基于电制动曲线的模糊PID控制策略、基于混合制动曲线的优化寻找惰行点策略、基于空气制动曲线的停车精度寻优算法策略对列车进行分段制动控制，提高ATO系统对列车制动系统参数不稳定性和外界干扰具有的鲁棒性，最终实现ATO系统的站台精准停车功能。
2 ATO制动控制策略
2.1列车的制动特性与ATO控制效果
ATO控制列车进站停车制动过程中，基于列车数学模型为一阶纯滞后控制系统，考虑到运行舒适度与效率以及列车级位对应的制动减速度，ATO系统计算出既高效且冲击率较小的一次性制动目标速度曲线。根据进站停车目标速度曲线和当前速度，运用负反馈闭环控制策略，可以保证在预期的速度偏离原定目标时作出有效的调整，控制列车采用连续的制动，恒定的制动率，一次性制动至目标停车点，如图1所示。然而列车混合制动阶段的制动级位减速度无法有效响应ATO输出的制动级位，空气制动阶段的制动参数不稳定，因此ATO控制列车超调量过大，导致列车速度和距离无法按照目标速度曲线运行，最终偏离停车点停车，因此列车在全自动驾驶过程中的站台停车误差较大。
2.2基于城际列车的 ATO控车策略的优化
本文针对城际列车的电液制动转换机制和空气制动系统的特性，为了实现站台的精准停车，提出一种列车制动分段控制的ATO控制策略，ATO系统基于所获取的当前线路信息、车况数据以及舒适度等约束调节，预测列车处于的制动系统模式，实时地计算相应的电制动曲线、混合制动曲线、空气制动曲线的目标速度曲线，根据预测得到列车制动系统制动阶段，分别采用模糊PID控制算法、优化寻找惰行点算法、停车精度寻优算法的控车策略，从而计算出相应的制动级位，控制列车以相应的制动速度目标曲线运行，最终准确的停于站台停车点。其控制策略結构图如图2所示。
2.2.1基于电制动曲线的模糊PID控制策略
若ATO根据测速测距与电子地图数据获知满足第一制动条件，即列车位置处于站台区域且列车速度满足站台入口速度41km/h时，预测列车制动系统处于电制动阶段，则按照满足制动冲击率约束的制动减速度，根据停车阶段预设目标距离和目标速度反推出电制动目标速度曲线。基于电制动目标曲线，在运行中不断检测列车当前速度和预设的电制动目标速度曲线两者的差异e以及误差变化率ec，根据确定的列车系统牵引、制动模型的模糊控制规则对PID参数进行在线调节，从而输出不同的制动级位，完成对于列车位置和速度的调节，保证列车进入混合制动阶段的时候能够有效的避免因车辆性能的制动力不稳定导致的列车速度异常。
2.2.2基于混合制动曲线的优化寻找惰行点策略
若ATO获知列车速度和走行距离满足第二制动条件，即列车当前速度达到车辆接口文件中设定的电液转换速度（列车电机转速降至电液转换点时的列车速度）触发阈值或ATO控制列车走行距离达到预设的满足制动冲击率的目标距离时，预测列车制动系统处于混合制动阶段，则按照当前速度优化寻找惰行点，计算出混合制动目标速度曲线。基于混合制动目标曲线，运用Bang-Bang控制算法，根据预设列车速度与对应ATO施加制动级位的分段列表对列车输出制动控制级位，有效的将速度稳定在一个能够安全度过混合制动期间列车性能失控的速度阈值，防止因混合制动阶段电制动和空气制动的切换导致的ATO输出级位响应失控的问题。
2.2.3基于空气制动曲线的停车精度寻优算法策略
若ATO获知列车走行距离满足第三制动条件，即列车走行距离达到预设电液转换速度的混合制动持续时间下列车移动距离。预测列车制动系统处于空气制动阶段，则根据列车制动级位所对应的制动减速度、列车当前速度与距离站台停车点的位置实时计算不同制动级位下的空气制动目标速度曲线，根据每个对应制动级位的制动曲线所能达到的停车误差进行迭代寻优，ATO每个运行周期迭代计算能够达到停车误差（±50cm内）最小的最优制动级位，控制列车能够精准的停在站台停车点。从而有效的应对了列车空气系统的级位制动力区间变化小和制动减速度参数不稳定的问题，实现精准停车的功能。
ATO根据列车制动系统的三个性能阶段，计算出分段制动目标速度曲线如图3所示。 针对列车的ATO分段制动控制策略，运用有限状态机FSM制定了ATO系统的精确停车阶段的控车策略，决定了ATO精准停车功能的实现
2.2.4控制列车运行的分析与应用
为了验证ATO系统控制列车的制动分段控制策略在实现精准停车的有效性，通过在长春某轨道交通线路列车上的应用，经过现场调试、算法适应性修改、参数反复寻优等调试工作，ATO控制列车运行曲线如图5，停车误差为-9cm，验证了ATO该策略实现列车站台精准停车的效果.
3结论
通过ATO系统在浙江海宁某城际轨道线路交通列车上的运行验证，针对列车制动分段控制的ATO控制策略，不仅改善了ATO控制列车的停车精度，而且对列车系统参数不稳定性和外界干扰具有较强的鲁棒性，高效的实现了列车的ATO精准停车功能，对列控ATO系统的研究以及列车的全自动驾驶的发展和具有重要的作用。
参考文献
[1] 李玉青. 100%低地板轻轨车辆动力学性能研究[D]. 2016.
[2] 李莉， 王明星， 郝保磊. 100%低地板有軌电车制动系统研制[J]. 铁道车辆， 2017（12）：38-40.
[3] 徐军， 杨小凤， 刘康， et al. 100%低地板现代有轨电车国产化实现方式和建议[J]. 城市轨道交通研究， 2013， 16（10）：18-20.
[4] 李莉， 王明星， 郝保磊. 100%低地板有轨电车制动系统研制[J]. 铁道车辆， 2017（12）：38-40.
[5]郑志超. 100%低地板轻轨车制动系统建模与仿真研究[D]. 2016.
[6] 何坤. 城轨列车自动驾驶算法的设计与实现[D].西南交通大学，2017.
[7]罗岩. 预测控制在列车自动驾驶系统中的应用研究[D].上海交通大学，2015.
[8]杨艳飞，崔科，吕新军.列车自动驾驶系统的滑模PID组合控制[J].铁道学报，2014，36（06）：61-67.
[9] 董海荣， 高冰， 宁滨，等. 基于模糊PID软切换控制的列车自动驾驶系统调速制动[J]. 控制与决策， 2010， 25（5）：794-796.
[10]林佳. 城际列车自动驾驶系统（ATO）的研究[D].浙江大学，2012.
[11]窦鹏飞. 迭代学习控制及其在列车自动驾驶系统中的应用[D].北京交通大学，2011.
关键词：列车自动驾驶;精准停车;控制策略
1引言
随着列车全自动驾驶的发展， 实现列车精准停车的制动控制策略成为列车自动驾驶（Automatic Train Operation，ATO）的研究重点。ATO子系统属于列车自动控制系统（Automatic Train Contral，ATC）的重要组成部分，在列车自动防护系统（Automatic Train Protection，ATP）的安全防护下，ATO自动控制列车运行，在进站停车过程中，考虑到运行舒适度与效率，ATO子系统计算出既高效且冲击率较小的一次性制动曲线。ATO系统根据进站停车制动曲线，对列车输出制动级位，从而控制列车采用连续制动的方式停于站台的停车点上，从而实现精准停车。
ATO控制列车制动的策略是一个综合性研究课题，车辆制动性能直接关系着ATO制动控制的策略和精准停车的实现。。
本文基于车辆制动系统的特性，利用分段制动控制策略，通过ATO控制列车停车过程中列车速度和与停车点间的距离预测列车处于制动系统的电制动、混合制动或空气制动阶段，分别采用基于电制动曲线的模糊PID控制策略、基于混合制动曲线的优化寻找惰行点策略、基于空气制动曲线的停车精度寻优算法策略对列车进行分段制动控制，提高ATO系统对列车制动系统参数不稳定性和外界干扰具有的鲁棒性，最终实现ATO系统的站台精准停车功能。
2 ATO制动控制策略
2.1列车的制动特性与ATO控制效果
ATO控制列车进站停车制动过程中，基于列车数学模型为一阶纯滞后控制系统，考虑到运行舒适度与效率以及列车级位对应的制动减速度，ATO系统计算出既高效且冲击率较小的一次性制动目标速度曲线。根据进站停车目标速度曲线和当前速度，运用负反馈闭环控制策略，可以保证在预期的速度偏离原定目标时作出有效的调整，控制列车采用连续的制动，恒定的制动率，一次性制动至目标停车点，如图1所示。然而列车混合制动阶段的制动级位减速度无法有效响应ATO输出的制动级位，空气制动阶段的制动参数不稳定，因此ATO控制列车超调量过大，导致列车速度和距离无法按照目标速度曲线运行，最终偏离停车点停车，因此列车在全自动驾驶过程中的站台停车误差较大。
2.2基于城际列车的 ATO控车策略的优化
本文针对城际列车的电液制动转换机制和空气制动系统的特性，为了实现站台的精准停车，提出一种列车制动分段控制的ATO控制策略，ATO系统基于所获取的当前线路信息、车况数据以及舒适度等约束调节，预测列车处于的制动系统模式，实时地计算相应的电制动曲线、混合制动曲线、空气制动曲线的目标速度曲线，根据预测得到列车制动系统制动阶段，分别采用模糊PID控制算法、优化寻找惰行点算法、停车精度寻优算法的控车策略，从而计算出相应的制动级位，控制列车以相应的制动速度目标曲线运行，最终准确的停于站台停车点。其控制策略結构图如图2所示。
2.2.1基于电制动曲线的模糊PID控制策略
若ATO根据测速测距与电子地图数据获知满足第一制动条件，即列车位置处于站台区域且列车速度满足站台入口速度41km/h时，预测列车制动系统处于电制动阶段，则按照满足制动冲击率约束的制动减速度，根据停车阶段预设目标距离和目标速度反推出电制动目标速度曲线。基于电制动目标曲线，在运行中不断检测列车当前速度和预设的电制动目标速度曲线两者的差异e以及误差变化率ec，根据确定的列车系统牵引、制动模型的模糊控制规则对PID参数进行在线调节，从而输出不同的制动级位，完成对于列车位置和速度的调节，保证列车进入混合制动阶段的时候能够有效的避免因车辆性能的制动力不稳定导致的列车速度异常。
2.2.2基于混合制动曲线的优化寻找惰行点策略
若ATO获知列车速度和走行距离满足第二制动条件，即列车当前速度达到车辆接口文件中设定的电液转换速度（列车电机转速降至电液转换点时的列车速度）触发阈值或ATO控制列车走行距离达到预设的满足制动冲击率的目标距离时，预测列车制动系统处于混合制动阶段，则按照当前速度优化寻找惰行点，计算出混合制动目标速度曲线。基于混合制动目标曲线，运用Bang-Bang控制算法，根据预设列车速度与对应ATO施加制动级位的分段列表对列车输出制动控制级位，有效的将速度稳定在一个能够安全度过混合制动期间列车性能失控的速度阈值，防止因混合制动阶段电制动和空气制动的切换导致的ATO输出级位响应失控的问题。
2.2.3基于空气制动曲线的停车精度寻优算法策略
若ATO获知列车走行距离满足第三制动条件，即列车走行距离达到预设电液转换速度的混合制动持续时间下列车移动距离。预测列车制动系统处于空气制动阶段，则根据列车制动级位所对应的制动减速度、列车当前速度与距离站台停车点的位置实时计算不同制动级位下的空气制动目标速度曲线，根据每个对应制动级位的制动曲线所能达到的停车误差进行迭代寻优，ATO每个运行周期迭代计算能够达到停车误差（±50cm内）最小的最优制动级位，控制列车能够精准的停在站台停车点。从而有效的应对了列车空气系统的级位制动力区间变化小和制动减速度参数不稳定的问题，实现精准停车的功能。
ATO根据列车制动系统的三个性能阶段，计算出分段制动目标速度曲线如图3所示。 针对列车的ATO分段制动控制策略，运用有限状态机FSM制定了ATO系统的精确停车阶段的控车策略，决定了ATO精准停车功能的实现
2.2.4控制列车运行的分析与应用
为了验证ATO系统控制列车的制动分段控制策略在实现精准停车的有效性，通过在长春某轨道交通线路列车上的应用，经过现场调试、算法适应性修改、参数反复寻优等调试工作，ATO控制列车运行曲线如图5，停车误差为-9cm，验证了ATO该策略实现列车站台精准停车的效果.
3结论
通过ATO系统在浙江海宁某城际轨道线路交通列车上的运行验证，针对列车制动分段控制的ATO控制策略，不仅改善了ATO控制列车的停车精度，而且对列车系统参数不稳定性和外界干扰具有较强的鲁棒性，高效的实现了列车的ATO精准停车功能，对列控ATO系统的研究以及列车的全自动驾驶的发展和具有重要的作用。
参考文献
[1] 李玉青. 100%低地板轻轨车辆动力学性能研究[D]. 2016.
[2] 李莉， 王明星， 郝保磊. 100%低地板有軌电车制动系统研制[J]. 铁道车辆， 2017（12）：38-40.
[3] 徐军， 杨小凤， 刘康， et al. 100%低地板现代有轨电车国产化实现方式和建议[J]. 城市轨道交通研究， 2013， 16（10）：18-20.
[4] 李莉， 王明星， 郝保磊. 100%低地板有轨电车制动系统研制[J]. 铁道车辆， 2017（12）：38-40.
[5]郑志超. 100%低地板轻轨车制动系统建模与仿真研究[D]. 2016.
[6] 何坤. 城轨列车自动驾驶算法的设计与实现[D].西南交通大学，2017.
[7]罗岩. 预测控制在列车自动驾驶系统中的应用研究[D].上海交通大学，2015.
[8]杨艳飞，崔科，吕新军.列车自动驾驶系统的滑模PID组合控制[J].铁道学报，2014，36（06）：61-67.
[9] 董海荣， 高冰， 宁滨，等. 基于模糊PID软切换控制的列车自动驾驶系统调速制动[J]. 控制与决策， 2010， 25（5）：794-796.
[10]林佳. 城际列车自动驾驶系统（ATO）的研究[D].浙江大学，2012.
[11]窦鹏飞. 迭代学习控制及其在列车自动驾驶系统中的应用[D].北京交通大学，2011.