第25卷第2期文章编号:1001-8360(2003) 02-0098-05
铁 道 学 报
Vol. 25 No. 2列车自动驾驶系统控制算法综述
唐 涛, 黄良骥
(北方交通大学电子信息工程学院, 北京 100044)
摘 要:介绍了列车自动驾驶系统的基本结构和功能, 并对各控制算法的研究情况与投入使用的情况作了详细分析, 同时还对列车自动驾驶系统控制算法的前景作了展望。关键词:列车自动驾驶系统; 自动控制; 智能控制; 控制算法中图分类号:U260; U268 文献标识码:A
A survey of control algorithm for automatic train operation
TANG Tao, HUANG Liang -ji
(School of Elec tronics and Information Engineering, Northern Jiaotong Uni versity, Beijing 100044, China)
Abstract:In this paper, the basic struc ture and functions of Automatic Train Operation System (ATO)have been introduced. Furthermore, the general situation of studying and using control algorithm is analyzed detailedly. Finally, a good prospect has
been pointed out.
Keywords:ATO; automa tic control; intelligent control; c ontrol algorithm 大城市的人口稠密, 城市交通问题严峻, 迫切需要能建设高效率高密度的城市轨道交通系统。对城市轨道交通高效率高密度的要求来说, 列车自动控制系统(ATC :Automa tic Train C ontrol) 是必不可少的。采用先进的列车自动控制技术, 可以大大提高行车的效率、安全性。在列车自动控制发展初期, 列车自动停车、列车超速防护(A TP:Automatic Train Protection) 等设备相继出现, 形成/人机联控, 人控优先0的局面。列车自动驾驶(ATO :Automatic Train Operation) 渐渐发展起来了, AL -STOM 公司提出了一种/车载智能0概念, 这种情况下, A TO 能代替司机进行自动驾驶, 从而形成/人机联控, 机控优先0的有人照管A TO 。这种情况比较符合现阶段的情况, 其技术也较成熟。而全程无人驾驶是A TO 的发展方向, 在通信的速率、通信安全性、可靠性等方面能得到保证的前提下, 有人照管的A TO 很容易升级为全程无人驾驶A TO 方式。对A TO 来说, 不管是有人照管还是全程无人驾驶, A TO 都将发挥其重要作用, 对两站间的列车行驶速度进行控制, 其控制效果直接影响各项性能指标。在A TO 中应用不同的控制算法, 其控制效果是不一样的, 因此, 不管是现在还是将来, 都有必要研
收稿日期:2002-10-15; 修回日期:2003-01-16
作者简介:唐 涛(1963) ) , 男, 河南洛阳人, 教授, 博士。
究有效的ATO 控制算法, 以使列车最大限度地处于最佳运行状态。
1 ATO 简介
1. 1 ATO 系统结构
在轨道交通高级自动化中, ATC 系统一般都包括列车自动监控系统(ATS:Automatic Train Supervision) 、列车超速防护系统(ATP) 及列车自动驾驶系统(ATO) 。ATS 子系统可以实现对列车运行的监督和控制, 辅助行车调度人员对全线列车运行进行管理。ATP 子系统则保证列车间隔, 实现超速防护。ATO 作为列车自动控制系统的一个重要的子系统, 利用车载固化信息和地面信息实现对列车牵引、制动的控制, 使列车经常处于最佳运行状态, 提高乘客的舒适度, 提高列车准点率, 节约能源。ATO 作为ATC 的一个子系统, 是提高城市轨道交通列车运行水平(准点、舒适、节能) 的技术措施, 但它的功能是要依靠ATC 各子系统协调工作共同完成的。ATO 并不是故障安全系统, 它的运行速度始终低于ATP 的防护速度, 且它的运行任务是由ATS 根据需求实时给出的, 缺少ATP 和ATS 子系统, ATO 将无法正常工作。ATO 的系统结构图如图1所示。
第2期 列车自动驾驶系统控制算法综述 99
准点运行、平稳运行和节能运行的关键技术。对ATO 系统的控制算法来说, 首先是要根据已知信息得到最优的速度距离运行曲线, 最优运行曲线是理论值, 它能体现通过能力、舒适性、节能等性能指标的情况, 同时是进行列车驾驶控制的依据。另外是要给出控制力大小使列车沿最优运行曲线运行。由于在运行过程中, 列车实际运行轨迹很难与理想曲线重合, 这就要有一套控制算法使计算得到的控制力实施后, 列车的运行轨迹与理想曲线最贴近。
由于要实现多个指标, 因此ATO 是多目标控制。评价ATO 系统功能的优劣, 可以通过专家咨询, 对各项指标赋予权重, 然后进行综合评定。
图1 A TO 系统结构
如上所述, 利用ATO 可以提高列车运行的性能指标, 这些性能指标主要有以下几点:
(1)高效性。ATO 应能提高通过能力, 在采用一定的车辆类型、信号设备和行车组织方法条件下, 提高轨道交通系统线路的各项固定设备在单位时间内(通常是小时) 所能通过的列车数。这要求ATO 的算法设计要适应行车组织方式。
(2) 准时性。地铁系统是按照一定的时刻表运行的, 每一列车都有其运行时分, 若误点运行, 将会打乱整个地铁系统的运行作业。这就要求ATO 能自动快速的调整列车的运行时分, 使整个系统有序地运行。(3)停车精度。地铁月台长度固定, 停车位置不准确将影响乘客的上下车, 尤其是在带有屏蔽门的月台, 这一问题更明显。停车精度还有可能影响列车与地面的通信。这要求ATO 在停车前能快速精确地调整速度。
(4)舒适性。为了提高舒适性, 列车加减速度的绝对值不能过大, 加减速度的变化不能过分频繁。(5)节能。要求列车以尽量低的速度运行, 并且尽量减少制动。
以上几个指标有的相互一致, 有的相互抵触, 在不同的城市, 不同的ATO 发展阶段可根据需要有侧重地对ATO 进行设计。
1. 3 ATO 系统功能
ATO 系统最主要的功能是自动调整车速, 并能进行站内定点停车, 使列车平稳地停在车站的正确位置。一般地, 自动调整车速总能容易地实现运行计划中较高通过能力的要求, 但只有好的算法才能在自动调整车速时尽可能同时实现各项指标, 如准时性, 舒适性, 节能, 而定点停车调速方式特殊, 一般都单独设计。
要实现这些功能, 就要求ATO 在运行的过程中, 根据已知信息, 给出最优控制力。因此, 研究ATO 的, 2 ATO 控制算法发展概况
ATO 控制的是复杂的列车系统, 因此ATO 控制算法要考虑周围环境情况来决定控制量。只有对环境提供的条件参数进行自适应, 才能实现多目标控制。在ATO 的发展过程中, 相继出现了4类控制算法[1]:
(1) 经典控制算法。这种方法的核心算法是以经典的经验性的列车牵引制动特性公式为基础, 加装固定不变的起动、惰行、牵引、制动控车模式来实现控制列车运行的。
(2)参数自适应控制算法。这种方法采取了自适应的参数调整策略来减小这些参数变化对算法的影响。而核心算法则与经典控制算法相同。从这种意义上讲, 它是第一种方法的改进。
(3)智能控制算法。这种方法能有效地获取、传递、处理、再生和利用信息, 从而在任意给定的环境下能成功地达到预定目的。它的核心是一种思维的活动, 是一类无需(或仅需尽可能少的) 人的干预就能够独立地驱动智能机器实现其目标的自动控制。智能控制系统包括模糊控制、专家系统和神经网络控制等等。模糊控制能有效的控制难以建立精确模型而凭经验可控制的系统; 专家系统能在决策中充分表示和利用经验司机的常识性知识(Commonsense) 和独特的智能行为; 神经网络则具有并行处理和自学习能力。
(4)集成智能控制算法。由于智能控制的各类算法均有其特点, 而且他们的优势有互补的可能。因此, 可对几种智能控制方法或机理融合在一起构成集成智能控制算法。集成智能控制是ATO 算法的发展方向。2. 1 PID 算法
PID 控制属于经典控制算法。随着微型计算机技术的发展, 60年代开始, 列车自动驾驶系统(ATO) 成为一个研究热点。最初, 由于人们对列车自动驾驶系统,
100 铁 道 学 报 第25卷
也由于技术的限制, 地铁列车自动驾驶系统采用PID 控制方式。1968年, 伦敦的维多利亚线成为第一条盈利性投入运营的线路, 紧跟其后的是1969年投入运营的费城的林登沃尔德线。ATO 被其他许多系统采用, 包括大多数新的美国地铁。由于它简单、易于实现, 因此有一定的市场。
PID 是一种线性调节器, 它将设定值与输出值的偏差按比例、积分和微分进行控制。这种控制方法要事先设定出距离-速度曲线。显然, 这是一种按照事先安排好的行车曲线进行速度控制的方法。这种方法的缺点是控制速度时的加减切换次数过多, 这种情况既不利于平稳运行, 又破坏了乘坐的舒适性, 同时也增加了能耗和降低了停车精度。
2. 2 改进的PID 算法
改进的PID 算法能进行参数自适应。众所周知, ATO 受到许多不确定因素的影响, 属于一类复杂动力学过程, 难以采用常规辨识方法进行建模。在不同的工作条件下, 控制目标策略随过程特性的变化而大有不同, 以致传统的PID 控制很难适应整个运行过程的控制。因此, 研究人员一直在寻求PID 控制器的参数自动整定技术, 以适应复杂的工况和高指标的控制要求。经过人们对PID 控制算法的不断改进, 终于取得了较大的成果, 现在自适应PID 控制的技术也较成熟, 并向智能型的PID 控制发展。二十多年来, 马特拉公司完成了诸如VAL 、MAGGALY 、ME TEOR 等全自动运输系统。这些技术在巴黎、里尔、图卢兹、里昂、芝加哥、台北等城市的轨道交通中广泛应用。还有其他的公司也把改进的PID 算法用到ATO 中, 在列车走行特性稳定、线路条件稳定的情况下, 可以在一定程度上实现令人满意的效果。2. 3 智能控制算法[2, 3]
复杂的列车自动控制系统凭单一控制模式是难以解决的。在研究如何改进PID 控制的同时, 人们在实践中看到, 许多复杂的、难以实现的目标控制, 可是熟练的操作工、技术人员或专家却操作自如, 可以获得较满意的控制效果。于是, 将这些熟练的操作工、技术人员或专家的经验知识和控制理论结合, 把它作为控制理论解决复杂控制过程的一个补充手段, 这样, 控制理论解决复杂控制过程便有了突破性的进展。随着各种智能技术的发展, 学者们纷纷尝试将智能技术用于列车自动驾驶中。常用的智能控制方法有模糊逻辑控制(FLC)、专家控制(EC) 和神经网络控制(NNC) 等等。2. 3. 1 模糊控制算法
模糊理论的创始人是美国的扎德(Zadeh L. A. ) 教代在各种学会上从模糊信息处理观点出发, 阐述了他的理论。1974年英国的Mamdani 教授提出IF~THE N ~型模糊规则用于模糊推理, 并把这种推理用于蒸汽机的自动运转中, 取得良好的结果。80年代, 日本技术人员开始关心模糊理论, 同时, 模糊理论实用化的中心开始转移到日本。
为了解决列车自动驾驶PID 控制的不足, 列车自动驾驶可以模拟经验丰富的司机进行驾驶, 以提高控制质量。但以前的模糊控制均为模糊推理, 与输出结果无关。对于延时大的系统, 模糊控制有一定的缺点。这时, 解决的办法可以通过引进预测控制。由此, 日本日立制作所研制了/预测型模糊控制0的列车自动驾驶系统[4, 5]。1987年, 该系统在仙台地铁投入运营, 它所用方法主要不是模糊推理, 而实际上是一种模糊决策或模糊评判的方法。它通过估计下一时刻的安全度、舒适度、运行速度、停车精度、运行时间、节能等指标, 选择决定要实施的控制量。因此它能实现多目标控制, 也可满足多种地铁系统操作的需要。仙台地铁开创了列车自动驾驶模糊控制的先例。
可以肯定的说, 模糊控制取得了一定的效果。但是, 有时人们对控制过程的认识比较肤浅, 或总结不出完整的经验, 这样得到的控制规则就很粗糙, 很不完善, 况且控制过程中, 参数不断变化, 如果还按原来的规则进行控制, 结果可能与实际要求不符。因此仍要不断改善模糊控制。
我国对预测模糊控制也进行了研究。1996年, 铁道科学研究院对地面列车运行的动态行为进行建模, 并运用新型模糊预测控制进行仿真[6]。西南交通大学也对预测模糊控制算法成果。
2. 3. 2 专家系统
1983年Hayes -Roth 等提出专家控制系统。专家系统主要指的是一个智能计算机程序系统, 其内部含有大量的某个领域专家水平的知识和经验, 能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。简单地说, 专家系统是一种模拟人类专家解决领域问题的计算机程序系统。该系统比较适合于过程复杂、影响因素较多的控制过程。它具有全面性、时空无限制性、稳定性和廉价性等优点。进入90年代, 专家系统的研究方兴未艾, 各种专家系统陆续在各个行业得到应用。
1999年, 兰州铁道学院已在研究列车专家控制系统, 对单个闭塞分区采用专家推理控制, 主要是对速度的控制, 信息通过轨道电路上叠加的点式信息获取。[8]
[7]
进行研究, 都取得了一定的
第2期 列车自动驾驶系统控制算法综述 101
达, 并给出推理过程与结论。
专家系统有它的不足, 如知识获取主要依靠人工移植, 且只能是在相当窄的专业知识领域内求解专门性的问题, 推理能力也较弱。
于是, 兰州铁道学院针对列车专家控制系统的知识不确定性特点, 提出了一种采用框架式专家系统知识表示方法与模糊Petri 网推理相结合的知识表示及获取方法[9], 较好地解决了知识获取的问题。2. 3. 3 神经网络控制
人工神经网络早期的研究工作应追溯到本世纪40年代。1943年, W. McCulloch 和W. Pitts 首先提出神经元的数学模型。50年代末, F. Rosenblatt 设计制作了/感知机0, 首次把人工神经网络的研究从理论探讨付诸工程实践。然而, 不久之后, Minsky 和Papert 论证了简单的线性感知机功能有限, 不能解决复杂逻辑功能。加之当时电子技术的制造水平还达不到研究工作的要求, 要制作在规模上与真实神经系统相比拟的人工神经网络还比较困难, 人们对感知机的兴趣开始衰落, 人工神经网络的研究进入了低潮。80年代初期, 模拟与数字混合的VLSI 电路制作技术已提高到新的水平, 此外, 数字计算机的发展在若干应用领域遇到困难。1982年, 美国Hopfield 引用能量函数的概念, 使神经网络的平衡稳定状态有了明确的判据方法, 又利用模拟电路的基本元件构作了人工神经网络的硬件原理模型, 为神经网络的硬件实现奠定了基础, 这样便形成了80年代以来神经网络研究热潮。神经网络理论不断地完善着, 它是由神经元相互连接而成的自适应非线性动力系统, 它具有大规模并行处理、知识分布式存储、自学习能力强等特点, 它的应用领域也在不断地扩大。
1995年, 中科院自动化所把一种新型的联想记忆神经网络应用于列车的自动停车, 为了提高控制系统对于过程模型参数变化的鲁棒性和制动停车精度, 该技术以滚动优化的方式实现了基于联想记忆神经网络的长程预测控制。
神经网络也存在问题, 它不能解释自己的推理过程, 网络的收敛速度有待提高, 并且有可能陷入局部最优。
2. 4 集成型智能控制
对于ATO 系统, 人们的要求越来越高, 例如, 模糊控制中语言变量的划分和隶属函数的形状在很大程度上取决于专家经验, 很难进行在线调整等等。而上述的各种智能控制方法各有优缺点, 并且它们的优点许多是能互补的, 因此人们已经着眼于如何将各种智能辑控制:具有推理能力; 专家系统:充分利用专家和技术人员的经验; 神经网络控制:自学习能力强, 并行处理信息。其中, 人们比较热衷于模糊神经网络的研究。
在1995年, 日本把两级独立的模糊神经网络控制系统/Two -De gree -o-f Freedom Fuzzy NeuralNetwork Control System 0用到ATO 中[10]。他们深入考察了动态特性改变引起的加速误差的控制特性, 也考察以速度控制转换到位置控制的控制特性。而该控制系统能在运行前或运行中提取优化模糊规则, 且减少模糊控制规则的数量, 以处理以上的动态信息。在开始运行后, 能方便地改变规则。
1996年, 铁道科学研究院基于模糊控制方法提出一种新的列车自动驾驶控制算法) ) ) 直接模糊神经控制[11]。上海铁道大学则在1998年研究列车自动驾驶的控制算法, 用模糊控制的B P 网络实现站间运行控制, 用基于遗传算法的模糊神经网络实现列车定位停车控制, 仿真结果令人满意, 并表明神经网络控制方法的曲线很光滑, 其速度基本上维持在某一值附近, 另外, 当环境和模型变化时, 仍能通过学习进行适应, 具有较好的鲁棒性和自适应性。
模糊神经网络一般情况下难以获得全局最优, 对多输入系统的处理也有一定的困难。遗传算法(GA) 作为一种随机搜索的全局优化算法, 借鉴了生物进化中适者生存的思想, 它在模糊规则的自动获取与神经网络的学习过程中呈现了强大的生命力。
为了解决最低能耗问题, 1997年新加坡学者开始把遗传算法用于列车自动驾驶仿真中[13], 根据各种情况, 在出发前便产生惰行的最合适点, 以实现能耗最低。1999年, 新加坡学者又引入DE (digerential evolu -tion) 概念, 并用它调整模糊隶属函数以优化列车的运行控制[14]。DE 提供最优化目标函数, 易于使用且收敛快。
[12]
3 展望
综上所述, 列车自动驾驶的智能控制算法的研究已相当普遍, 但投入使用的大部分列车自动驾驶系统的控制算法采用的是自适应PID 控制或一般的PID 控制, 仅有日本采用过预测型模糊控制算法进行列车控制, 而其他智能控制算法与集成型智能控制算法并未有投入使用的报导。我国城市轨道交通列车自动控制系统目前主要是以引进为主, 同时加快国产化的进度。目前引进了来自德国、美国、英国等公司的控制系统, 这些控制系统的工作方式或各子系统的数据需求是不太一样的。因此, 可针对具体的控制系统分析其数据, ,
102 铁 道 学 报 第25卷
的应用[J].中国铁道科学, 1996, 17(4) :101) 109.
[7]Feng Xiao -yun, et al. The Research of Fuzzy Prediction and Its
Application in Train . s Automatic Control[A ]. In:Autonomous Decentralized Systems, 2000. Proceedings, 2000In ternational Workshop[C].2000. 82) 86.
[8]董海鹰. 列车专家控制系统的知识表示研究[J]. 测控技术,
1999, 18(4) :7) 9.
[9]董海鹰, 党建武. 基于框架式模糊petri 网列车专家控制系
统知识表示研究[J].铁道学报, 2000, 22(3) :112) 115. [10]Sekine S, et al. Application of Fuzzy Neural Network control to
Automatic Train Operation and Tuning of Its Control Rules[A ].In:Volu me:4, Fuzzy Systems, 1995. Proceedings of 1995IEEE International Conference[C].1995. 1741) 1746. [11]Wang Jing, et al. Direct Fuzzy Neural Control with Application to
Automatic Train Operation[J]. Control Theory and Applications, 1998, 15(3) :391) 399.
[12]武妍, 施鸿宝. 基于神经网络的地铁列车运行过程的集成
型智能控制[J]. 铁道学报, 2000, 22(3) :10) 15.
[13]Chang C S, Si m S S. Op timisi ng Train Movements through Coast
ControlUsing Genetic Algori thms[J]. IEE Proc. -Electr. Power Appl. , 1997, 144(1) :65) 73.
[14]Chang C S, et al. Pareto -optimal Set Based Multiobjective Tuni ng
of Fuzzy Automatic Train Operation for Mass T ransit System[J].IEE Proc. -Electr. Power Appl. , 1999, 146(5) :577) 583. [15]蔡文. 物元模型及其应用[M ].北京:科学技术文献出版
社, 1998.
[16]赵克勤. 集对分析及其初步应用[M]. 杭州:浙江科学技术
出版社, 2000.
车的基础上, 再从运行过程的局部开始实现智能控制算法, 以提高舒适性, 降低能耗。
从列车自动驾驶智能控制的现状分析, 这并不意味着在目前阶段研究高性能的全局优化的智能控制算
法没有意义。当已有控制算法不能满足日益严峻的城市交通问题时, 智能控制算法便将发挥其作用, 因此仍要对智能控制算法尤其是集成型智能控制算法进行研究。此外, 笔者获悉智能控制领域出现了可拓学[15]与集对分析[16]两门新兴学科。可拓学能很好地解决矛盾问题, 集对分析能对不确定性系统进行/客观承认, 系统描述、定量刻画、具体分析0。
参考文献:
[1]刘贺文, 赵海东, 贾利民. 列车运行自动控制(ATO) 算法的
研究[J]. 中国铁道科学, 2000, 21(4) :38) 43.
[2]李士勇. 模糊控制#神经控制和智能控制论[M]. 哈尔滨:哈
尔滨工业大学出版社, 1998.
[3]李浚泉. 智能控制发展过程综述[J]. 工业控制计算机,
1999, (3) :30) 34.
[4]Yasunobu S, et al. Application of Predictive Fuzzy Control to Auto -matic Train Operation Controller [A ].In:Proc. of IECON . 84[C]. 1984. 657) 662.
[5]Oshima H, et al. Automatic train operation system based on pre -dictive fuzzy control[A ]. In:Artificial Intelligence for Industrial Applications, 1988. IEEE AI . 88, Proceedings of the Internation -al Workshop[C].1988. 485) 489.
[6]张建华, 等. 新型模糊预测控制及其在列车自动运行过程中
(责任编辑 姚家兴)
第25卷第2期文章编号:1001-8360(2003) 02-0098-05
铁 道 学 报
Vol. 25 No. 2列车自动驾驶系统控制算法综述
唐 涛, 黄良骥
(北方交通大学电子信息工程学院, 北京 100044)
摘 要:介绍了列车自动驾驶系统的基本结构和功能, 并对各控制算法的研究情况与投入使用的情况作了详细分析, 同时还对列车自动驾驶系统控制算法的前景作了展望。关键词:列车自动驾驶系统; 自动控制; 智能控制; 控制算法中图分类号:U260; U268 文献标识码:A
A survey of control algorithm for automatic train operation
TANG Tao, HUANG Liang -ji
(School of Elec tronics and Information Engineering, Northern Jiaotong Uni versity, Beijing 100044, China)
Abstract:In this paper, the basic struc ture and functions of Automatic Train Operation System (ATO)have been introduced. Furthermore, the general situation of studying and using control algorithm is analyzed detailedly. Finally, a good prospect has
been pointed out.
Keywords:ATO; automa tic control; intelligent control; c ontrol algorithm 大城市的人口稠密, 城市交通问题严峻, 迫切需要能建设高效率高密度的城市轨道交通系统。对城市轨道交通高效率高密度的要求来说, 列车自动控制系统(ATC :Automa tic Train C ontrol) 是必不可少的。采用先进的列车自动控制技术, 可以大大提高行车的效率、安全性。在列车自动控制发展初期, 列车自动停车、列车超速防护(A TP:Automatic Train Protection) 等设备相继出现, 形成/人机联控, 人控优先0的局面。列车自动驾驶(ATO :Automatic Train Operation) 渐渐发展起来了, AL -STOM 公司提出了一种/车载智能0概念, 这种情况下, A TO 能代替司机进行自动驾驶, 从而形成/人机联控, 机控优先0的有人照管A TO 。这种情况比较符合现阶段的情况, 其技术也较成熟。而全程无人驾驶是A TO 的发展方向, 在通信的速率、通信安全性、可靠性等方面能得到保证的前提下, 有人照管的A TO 很容易升级为全程无人驾驶A TO 方式。对A TO 来说, 不管是有人照管还是全程无人驾驶, A TO 都将发挥其重要作用, 对两站间的列车行驶速度进行控制, 其控制效果直接影响各项性能指标。在A TO 中应用不同的控制算法, 其控制效果是不一样的, 因此, 不管是现在还是将来, 都有必要研
收稿日期:2002-10-15; 修回日期:2003-01-16
作者简介:唐 涛(1963) ) , 男, 河南洛阳人, 教授, 博士。
究有效的ATO 控制算法, 以使列车最大限度地处于最佳运行状态。
1 ATO 简介
1. 1 ATO 系统结构
在轨道交通高级自动化中, ATC 系统一般都包括列车自动监控系统(ATS:Automatic Train Supervision) 、列车超速防护系统(ATP) 及列车自动驾驶系统(ATO) 。ATS 子系统可以实现对列车运行的监督和控制, 辅助行车调度人员对全线列车运行进行管理。ATP 子系统则保证列车间隔, 实现超速防护。ATO 作为列车自动控制系统的一个重要的子系统, 利用车载固化信息和地面信息实现对列车牵引、制动的控制, 使列车经常处于最佳运行状态, 提高乘客的舒适度, 提高列车准点率, 节约能源。ATO 作为ATC 的一个子系统, 是提高城市轨道交通列车运行水平(准点、舒适、节能) 的技术措施, 但它的功能是要依靠ATC 各子系统协调工作共同完成的。ATO 并不是故障安全系统, 它的运行速度始终低于ATP 的防护速度, 且它的运行任务是由ATS 根据需求实时给出的, 缺少ATP 和ATS 子系统, ATO 将无法正常工作。ATO 的系统结构图如图1所示。
第2期 列车自动驾驶系统控制算法综述 99
准点运行、平稳运行和节能运行的关键技术。对ATO 系统的控制算法来说, 首先是要根据已知信息得到最优的速度距离运行曲线, 最优运行曲线是理论值, 它能体现通过能力、舒适性、节能等性能指标的情况, 同时是进行列车驾驶控制的依据。另外是要给出控制力大小使列车沿最优运行曲线运行。由于在运行过程中, 列车实际运行轨迹很难与理想曲线重合, 这就要有一套控制算法使计算得到的控制力实施后, 列车的运行轨迹与理想曲线最贴近。
由于要实现多个指标, 因此ATO 是多目标控制。评价ATO 系统功能的优劣, 可以通过专家咨询, 对各项指标赋予权重, 然后进行综合评定。
图1 A TO 系统结构
如上所述, 利用ATO 可以提高列车运行的性能指标, 这些性能指标主要有以下几点:
(1)高效性。ATO 应能提高通过能力, 在采用一定的车辆类型、信号设备和行车组织方法条件下, 提高轨道交通系统线路的各项固定设备在单位时间内(通常是小时) 所能通过的列车数。这要求ATO 的算法设计要适应行车组织方式。
(2) 准时性。地铁系统是按照一定的时刻表运行的, 每一列车都有其运行时分, 若误点运行, 将会打乱整个地铁系统的运行作业。这就要求ATO 能自动快速的调整列车的运行时分, 使整个系统有序地运行。(3)停车精度。地铁月台长度固定, 停车位置不准确将影响乘客的上下车, 尤其是在带有屏蔽门的月台, 这一问题更明显。停车精度还有可能影响列车与地面的通信。这要求ATO 在停车前能快速精确地调整速度。
(4)舒适性。为了提高舒适性, 列车加减速度的绝对值不能过大, 加减速度的变化不能过分频繁。(5)节能。要求列车以尽量低的速度运行, 并且尽量减少制动。
以上几个指标有的相互一致, 有的相互抵触, 在不同的城市, 不同的ATO 发展阶段可根据需要有侧重地对ATO 进行设计。
1. 3 ATO 系统功能
ATO 系统最主要的功能是自动调整车速, 并能进行站内定点停车, 使列车平稳地停在车站的正确位置。一般地, 自动调整车速总能容易地实现运行计划中较高通过能力的要求, 但只有好的算法才能在自动调整车速时尽可能同时实现各项指标, 如准时性, 舒适性, 节能, 而定点停车调速方式特殊, 一般都单独设计。
要实现这些功能, 就要求ATO 在运行的过程中, 根据已知信息, 给出最优控制力。因此, 研究ATO 的, 2 ATO 控制算法发展概况
ATO 控制的是复杂的列车系统, 因此ATO 控制算法要考虑周围环境情况来决定控制量。只有对环境提供的条件参数进行自适应, 才能实现多目标控制。在ATO 的发展过程中, 相继出现了4类控制算法[1]:
(1) 经典控制算法。这种方法的核心算法是以经典的经验性的列车牵引制动特性公式为基础, 加装固定不变的起动、惰行、牵引、制动控车模式来实现控制列车运行的。
(2)参数自适应控制算法。这种方法采取了自适应的参数调整策略来减小这些参数变化对算法的影响。而核心算法则与经典控制算法相同。从这种意义上讲, 它是第一种方法的改进。
(3)智能控制算法。这种方法能有效地获取、传递、处理、再生和利用信息, 从而在任意给定的环境下能成功地达到预定目的。它的核心是一种思维的活动, 是一类无需(或仅需尽可能少的) 人的干预就能够独立地驱动智能机器实现其目标的自动控制。智能控制系统包括模糊控制、专家系统和神经网络控制等等。模糊控制能有效的控制难以建立精确模型而凭经验可控制的系统; 专家系统能在决策中充分表示和利用经验司机的常识性知识(Commonsense) 和独特的智能行为; 神经网络则具有并行处理和自学习能力。
(4)集成智能控制算法。由于智能控制的各类算法均有其特点, 而且他们的优势有互补的可能。因此, 可对几种智能控制方法或机理融合在一起构成集成智能控制算法。集成智能控制是ATO 算法的发展方向。2. 1 PID 算法
PID 控制属于经典控制算法。随着微型计算机技术的发展, 60年代开始, 列车自动驾驶系统(ATO) 成为一个研究热点。最初, 由于人们对列车自动驾驶系统,
100 铁 道 学 报 第25卷
也由于技术的限制, 地铁列车自动驾驶系统采用PID 控制方式。1968年, 伦敦的维多利亚线成为第一条盈利性投入运营的线路, 紧跟其后的是1969年投入运营的费城的林登沃尔德线。ATO 被其他许多系统采用, 包括大多数新的美国地铁。由于它简单、易于实现, 因此有一定的市场。
PID 是一种线性调节器, 它将设定值与输出值的偏差按比例、积分和微分进行控制。这种控制方法要事先设定出距离-速度曲线。显然, 这是一种按照事先安排好的行车曲线进行速度控制的方法。这种方法的缺点是控制速度时的加减切换次数过多, 这种情况既不利于平稳运行, 又破坏了乘坐的舒适性, 同时也增加了能耗和降低了停车精度。
2. 2 改进的PID 算法
改进的PID 算法能进行参数自适应。众所周知, ATO 受到许多不确定因素的影响, 属于一类复杂动力学过程, 难以采用常规辨识方法进行建模。在不同的工作条件下, 控制目标策略随过程特性的变化而大有不同, 以致传统的PID 控制很难适应整个运行过程的控制。因此, 研究人员一直在寻求PID 控制器的参数自动整定技术, 以适应复杂的工况和高指标的控制要求。经过人们对PID 控制算法的不断改进, 终于取得了较大的成果, 现在自适应PID 控制的技术也较成熟, 并向智能型的PID 控制发展。二十多年来, 马特拉公司完成了诸如VAL 、MAGGALY 、ME TEOR 等全自动运输系统。这些技术在巴黎、里尔、图卢兹、里昂、芝加哥、台北等城市的轨道交通中广泛应用。还有其他的公司也把改进的PID 算法用到ATO 中, 在列车走行特性稳定、线路条件稳定的情况下, 可以在一定程度上实现令人满意的效果。2. 3 智能控制算法[2, 3]
复杂的列车自动控制系统凭单一控制模式是难以解决的。在研究如何改进PID 控制的同时, 人们在实践中看到, 许多复杂的、难以实现的目标控制, 可是熟练的操作工、技术人员或专家却操作自如, 可以获得较满意的控制效果。于是, 将这些熟练的操作工、技术人员或专家的经验知识和控制理论结合, 把它作为控制理论解决复杂控制过程的一个补充手段, 这样, 控制理论解决复杂控制过程便有了突破性的进展。随着各种智能技术的发展, 学者们纷纷尝试将智能技术用于列车自动驾驶中。常用的智能控制方法有模糊逻辑控制(FLC)、专家控制(EC) 和神经网络控制(NNC) 等等。2. 3. 1 模糊控制算法
模糊理论的创始人是美国的扎德(Zadeh L. A. ) 教代在各种学会上从模糊信息处理观点出发, 阐述了他的理论。1974年英国的Mamdani 教授提出IF~THE N ~型模糊规则用于模糊推理, 并把这种推理用于蒸汽机的自动运转中, 取得良好的结果。80年代, 日本技术人员开始关心模糊理论, 同时, 模糊理论实用化的中心开始转移到日本。
为了解决列车自动驾驶PID 控制的不足, 列车自动驾驶可以模拟经验丰富的司机进行驾驶, 以提高控制质量。但以前的模糊控制均为模糊推理, 与输出结果无关。对于延时大的系统, 模糊控制有一定的缺点。这时, 解决的办法可以通过引进预测控制。由此, 日本日立制作所研制了/预测型模糊控制0的列车自动驾驶系统[4, 5]。1987年, 该系统在仙台地铁投入运营, 它所用方法主要不是模糊推理, 而实际上是一种模糊决策或模糊评判的方法。它通过估计下一时刻的安全度、舒适度、运行速度、停车精度、运行时间、节能等指标, 选择决定要实施的控制量。因此它能实现多目标控制, 也可满足多种地铁系统操作的需要。仙台地铁开创了列车自动驾驶模糊控制的先例。
可以肯定的说, 模糊控制取得了一定的效果。但是, 有时人们对控制过程的认识比较肤浅, 或总结不出完整的经验, 这样得到的控制规则就很粗糙, 很不完善, 况且控制过程中, 参数不断变化, 如果还按原来的规则进行控制, 结果可能与实际要求不符。因此仍要不断改善模糊控制。
我国对预测模糊控制也进行了研究。1996年, 铁道科学研究院对地面列车运行的动态行为进行建模, 并运用新型模糊预测控制进行仿真[6]。西南交通大学也对预测模糊控制算法成果。
2. 3. 2 专家系统
1983年Hayes -Roth 等提出专家控制系统。专家系统主要指的是一个智能计算机程序系统, 其内部含有大量的某个领域专家水平的知识和经验, 能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。简单地说, 专家系统是一种模拟人类专家解决领域问题的计算机程序系统。该系统比较适合于过程复杂、影响因素较多的控制过程。它具有全面性、时空无限制性、稳定性和廉价性等优点。进入90年代, 专家系统的研究方兴未艾, 各种专家系统陆续在各个行业得到应用。
1999年, 兰州铁道学院已在研究列车专家控制系统, 对单个闭塞分区采用专家推理控制, 主要是对速度的控制, 信息通过轨道电路上叠加的点式信息获取。[8]
[7]
进行研究, 都取得了一定的
第2期 列车自动驾驶系统控制算法综述 101
达, 并给出推理过程与结论。
专家系统有它的不足, 如知识获取主要依靠人工移植, 且只能是在相当窄的专业知识领域内求解专门性的问题, 推理能力也较弱。
于是, 兰州铁道学院针对列车专家控制系统的知识不确定性特点, 提出了一种采用框架式专家系统知识表示方法与模糊Petri 网推理相结合的知识表示及获取方法[9], 较好地解决了知识获取的问题。2. 3. 3 神经网络控制
人工神经网络早期的研究工作应追溯到本世纪40年代。1943年, W. McCulloch 和W. Pitts 首先提出神经元的数学模型。50年代末, F. Rosenblatt 设计制作了/感知机0, 首次把人工神经网络的研究从理论探讨付诸工程实践。然而, 不久之后, Minsky 和Papert 论证了简单的线性感知机功能有限, 不能解决复杂逻辑功能。加之当时电子技术的制造水平还达不到研究工作的要求, 要制作在规模上与真实神经系统相比拟的人工神经网络还比较困难, 人们对感知机的兴趣开始衰落, 人工神经网络的研究进入了低潮。80年代初期, 模拟与数字混合的VLSI 电路制作技术已提高到新的水平, 此外, 数字计算机的发展在若干应用领域遇到困难。1982年, 美国Hopfield 引用能量函数的概念, 使神经网络的平衡稳定状态有了明确的判据方法, 又利用模拟电路的基本元件构作了人工神经网络的硬件原理模型, 为神经网络的硬件实现奠定了基础, 这样便形成了80年代以来神经网络研究热潮。神经网络理论不断地完善着, 它是由神经元相互连接而成的自适应非线性动力系统, 它具有大规模并行处理、知识分布式存储、自学习能力强等特点, 它的应用领域也在不断地扩大。
1995年, 中科院自动化所把一种新型的联想记忆神经网络应用于列车的自动停车, 为了提高控制系统对于过程模型参数变化的鲁棒性和制动停车精度, 该技术以滚动优化的方式实现了基于联想记忆神经网络的长程预测控制。
神经网络也存在问题, 它不能解释自己的推理过程, 网络的收敛速度有待提高, 并且有可能陷入局部最优。
2. 4 集成型智能控制
对于ATO 系统, 人们的要求越来越高, 例如, 模糊控制中语言变量的划分和隶属函数的形状在很大程度上取决于专家经验, 很难进行在线调整等等。而上述的各种智能控制方法各有优缺点, 并且它们的优点许多是能互补的, 因此人们已经着眼于如何将各种智能辑控制:具有推理能力; 专家系统:充分利用专家和技术人员的经验; 神经网络控制:自学习能力强, 并行处理信息。其中, 人们比较热衷于模糊神经网络的研究。
在1995年, 日本把两级独立的模糊神经网络控制系统/Two -De gree -o-f Freedom Fuzzy NeuralNetwork Control System 0用到ATO 中[10]。他们深入考察了动态特性改变引起的加速误差的控制特性, 也考察以速度控制转换到位置控制的控制特性。而该控制系统能在运行前或运行中提取优化模糊规则, 且减少模糊控制规则的数量, 以处理以上的动态信息。在开始运行后, 能方便地改变规则。
1996年, 铁道科学研究院基于模糊控制方法提出一种新的列车自动驾驶控制算法) ) ) 直接模糊神经控制[11]。上海铁道大学则在1998年研究列车自动驾驶的控制算法, 用模糊控制的B P 网络实现站间运行控制, 用基于遗传算法的模糊神经网络实现列车定位停车控制, 仿真结果令人满意, 并表明神经网络控制方法的曲线很光滑, 其速度基本上维持在某一值附近, 另外, 当环境和模型变化时, 仍能通过学习进行适应, 具有较好的鲁棒性和自适应性。
模糊神经网络一般情况下难以获得全局最优, 对多输入系统的处理也有一定的困难。遗传算法(GA) 作为一种随机搜索的全局优化算法, 借鉴了生物进化中适者生存的思想, 它在模糊规则的自动获取与神经网络的学习过程中呈现了强大的生命力。
为了解决最低能耗问题, 1997年新加坡学者开始把遗传算法用于列车自动驾驶仿真中[13], 根据各种情况, 在出发前便产生惰行的最合适点, 以实现能耗最低。1999年, 新加坡学者又引入DE (digerential evolu -tion) 概念, 并用它调整模糊隶属函数以优化列车的运行控制[14]。DE 提供最优化目标函数, 易于使用且收敛快。
[12]
3 展望
综上所述, 列车自动驾驶的智能控制算法的研究已相当普遍, 但投入使用的大部分列车自动驾驶系统的控制算法采用的是自适应PID 控制或一般的PID 控制, 仅有日本采用过预测型模糊控制算法进行列车控制, 而其他智能控制算法与集成型智能控制算法并未有投入使用的报导。我国城市轨道交通列车自动控制系统目前主要是以引进为主, 同时加快国产化的进度。目前引进了来自德国、美国、英国等公司的控制系统, 这些控制系统的工作方式或各子系统的数据需求是不太一样的。因此, 可针对具体的控制系统分析其数据, ,
102 铁 道 学 报 第25卷
的应用[J].中国铁道科学, 1996, 17(4) :101) 109.
[7]Feng Xiao -yun, et al. The Research of Fuzzy Prediction and Its
Application in Train . s Automatic Control[A ]. In:Autonomous Decentralized Systems, 2000. Proceedings, 2000In ternational Workshop[C].2000. 82) 86.
[8]董海鹰. 列车专家控制系统的知识表示研究[J]. 测控技术,
1999, 18(4) :7) 9.
[9]董海鹰, 党建武. 基于框架式模糊petri 网列车专家控制系
统知识表示研究[J].铁道学报, 2000, 22(3) :112) 115. [10]Sekine S, et al. Application of Fuzzy Neural Network control to
Automatic Train Operation and Tuning of Its Control Rules[A ].In:Volu me:4, Fuzzy Systems, 1995. Proceedings of 1995IEEE International Conference[C].1995. 1741) 1746. [11]Wang Jing, et al. Direct Fuzzy Neural Control with Application to
Automatic Train Operation[J]. Control Theory and Applications, 1998, 15(3) :391) 399.
[12]武妍, 施鸿宝. 基于神经网络的地铁列车运行过程的集成
型智能控制[J]. 铁道学报, 2000, 22(3) :10) 15.
[13]Chang C S, Si m S S. Op timisi ng Train Movements through Coast
ControlUsing Genetic Algori thms[J]. IEE Proc. -Electr. Power Appl. , 1997, 144(1) :65) 73.
[14]Chang C S, et al. Pareto -optimal Set Based Multiobjective Tuni ng
of Fuzzy Automatic Train Operation for Mass T ransit System[J].IEE Proc. -Electr. Power Appl. , 1999, 146(5) :577) 583. [15]蔡文. 物元模型及其应用[M ].北京:科学技术文献出版
社, 1998.
[16]赵克勤. 集对分析及其初步应用[M]. 杭州:浙江科学技术
出版社, 2000.
车的基础上, 再从运行过程的局部开始实现智能控制算法, 以提高舒适性, 降低能耗。
从列车自动驾驶智能控制的现状分析, 这并不意味着在目前阶段研究高性能的全局优化的智能控制算
法没有意义。当已有控制算法不能满足日益严峻的城市交通问题时, 智能控制算法便将发挥其作用, 因此仍要对智能控制算法尤其是集成型智能控制算法进行研究。此外, 笔者获悉智能控制领域出现了可拓学[15]与集对分析[16]两门新兴学科。可拓学能很好地解决矛盾问题, 集对分析能对不确定性系统进行/客观承认, 系统描述、定量刻画、具体分析0。
参考文献:
[1]刘贺文, 赵海东, 贾利民. 列车运行自动控制(ATO) 算法的
研究[J]. 中国铁道科学, 2000, 21(4) :38) 43.
[2]李士勇. 模糊控制#神经控制和智能控制论[M]. 哈尔滨:哈
尔滨工业大学出版社, 1998.
[3]李浚泉. 智能控制发展过程综述[J]. 工业控制计算机,
1999, (3) :30) 34.
[4]Yasunobu S, et al. Application of Predictive Fuzzy Control to Auto -matic Train Operation Controller [A ].In:Proc. of IECON . 84[C]. 1984. 657) 662.
[5]Oshima H, et al. Automatic train operation system based on pre -dictive fuzzy control[A ]. In:Artificial Intelligence for Industrial Applications, 1988. IEEE AI . 88, Proceedings of the Internation -al Workshop[C].1988. 485) 489.
[6]张建华, 等. 新型模糊预测控制及其在列车自动运行过程中
(责任编辑 姚家兴)