【技术实现步骤摘要】
本专利技术涉及列车运行跟踪控制，尤其是涉及一种基于rbf神经网络pid的列车运行跟踪控制器设计方法。
技术介绍
1、列车运行控制系统根据列车在铁路线路上运行的客观条件和实际情况，对列车运行速度及制动方式等状态进行监督、控制和调整。大传输容量下的列车运行跟踪控制器也需要应对更为复杂的参数情况，这对列车控制器提出了更高的要求，建立更为实用效果更好的自适应控制器是必需的。列车运行控制器除了保证列车实际跟踪速度曲线与推荐速度曲线的速度误差较小外，还需要尽可能的优化列车跟踪控制涉及的相关指标。
2、对于列车运行跟踪控制，现在大多数列车都采用基于经验公式的经典pid控制器，pid控制具有控制算法简单的优点且控制效果较好。但是pid控制的参数一般需要手动进行调节，很难找到当前状态下理想的参数。
技术实现思路
1、本专利技术的目的是提供一种基于rbf神经网络pid的列车运行跟踪控制器设计方法，解决了目前pid控制器的参数人工手动进行调节时，很难调节到理想参数的问题。
2、为实现上述目的，本专利技术提供了一种基于rbf神经网络pid的列车运行跟踪控制器设计方法，包括以下步骤：
3、s1、确定rbf神经网络结构中的输入层节点数、隐层节点数和输出层节点数；
4、s2、给出各层权值的初始值、学习速率η、动量因子α和pid控制器初始参数；
5、s3、对输入信号r(k)以及输出信号y(k)进行采样，并计算rbf神经网络的三个输入量控制误差e(k-1)
6、s4、根据rbf神经网络控制规则对列车运行速度进行控制；
7、s5、根据rbf神经网络更新神经网络pid控制器的三个参数；
8、s6、设计执行器限制下的控制逻辑，避免执行器限制造成的自适应规则崩溃；
9、s7、进行下次采样控制，k的值加1，即k＝k+1，返回到步骤s1继续。
10、优选的，步骤s4具体包括以下步骤：
11、s41、将步骤s3中的三个输入量依次表达为i1(k)、i2(k)、i3(k)并合并为向量搭建的rbf神经网络的输出为pid的比例增益kp(k)、积分增益ki(k)以及微分增益kd(k)，将输出量依次表达为k1(k)、k2(k)、k3(k)并合并为向量i(k)、k(k)的表达式分别如下；
12、i(k)＝[i1(k)，i2(k)，i3(k)]t＝[e(k-1)，u(k-1)，y(k-1)]t(1)
13、k(k)＝[k1(k)，k2(k)，k3(k)]t＝[kp(k)，ki(k)，kd(k)]t (2)；
14、s42、定义p、q、r分别用于表示输入层、隐层以及输出层的节点，k为控制器采样序列号，输入层的表达公式为：
15、
16、其中，ip(k)表示神经网络输入向量i(k)的每个元素，np(1)(k)是输入层每个节点的输入，op(1)(k)是输入层每个节点的输出，f(1)是输入层的激活函数，是输入层的输出向量；
17、隐层的表达公式为：
18、
19、其中，nq(2)(k)是隐层每个节点的输入，oq(2)(k)是隐层每个节点的输出，f(2)是隐层的激活函数，为式(4)所表达的隐层节点的中心向量，||nq(2)(k)-cq(k-1)||是nq(2)(k)到cq(k-1)的欧几里得距离，bq(k-1)是隐层节点的半径，以及是隐层的输出向量；
20、输出层的计算公式为
21、
22、其中，nr(3)(k)为输出层每个节点的输入，为输出层每个节点的连接权重向量，其具体为从隐层每个节点q到输出层该节点的权重，wr(k-1)表达式为：
23、wr(k-1)＝[wr1(k-1)，...wrq(k-1)] (6)
24、or(3)(k)为输出层每个节点的输出，f(3)为输出层的激活函数，为控制器增益常数，为输出层的输出向量；
25、神经网络的输入与输出分别为i(k)和k(k)，pid最终的增益值如下式所示：
26、k(k)＝o(3)(k) (7)。
27、优选的，步骤s5具体包括以下步骤：
28、s51、选取网络指标函数e(k)，其式为；
29、
30、s52、向量wr(k-1)的每一个元素用wrq(k-1)表示，向量cq(k-1)的每一个元素用cqp(k-1)表示，输出层与隐层的参数更新规则分别如下式所示：
31、
32、其中，η为学习率，η＞0，α为动量因子，α∈[0，1)；
33、s53、基于偏微分的定义，表达式为：
34、
35、
36、其中相关的偏微分的具体计算如下所示：
37、
38、优选的，步骤s6具体包括以下步骤：
39、s61、在执行器限制时采用下式作为神经网络参数调整方法：
40、
41、当执行器限制时，若则存在ks使若u(k)＝u，则存在ks使u(k+ks)＞u；
42、s62、对于执行器上限饱和的情况，控制器的输出采用下式进行表达：
43、
44、其中，k+kx为执行器限制下的控制器采样序列，且存在i满足1≤i≤kx，神经网络输出层cr为正值的情况下，kp(k+kx)，ki(k+kx)与kd(k+kx)恒为正值，e(k+kx)与e(k+kx)-e(k+kx-1)在执行器上限饱和的情况下逐渐变小，因此，δtc(e(0)+e(1)+...+e(k+kx))在特定时间序列ks下会被抵消，并实现u(k+ks)的增加。
45、因此，本专利技术采用上述一种基于rbf神经网络pid的列车运行跟踪控制器设计方法，有益效果如下：
46、(1)本专利技术通过吸纳rbf神经网络的拟合优势，在此基础上构建神经网络pid控制器中对应的神经网络结构，确定控制规则与网络参数更新规则，其控制参数具有自适应的特点。
47、(2)本专利技术制定的相关规则保证了神经网络pid控制器中pid增益的正负不变性，同时设计了执行器限制下的控制逻辑，避免执行器限制造成的自适应规则崩溃，在保证鲁棒性的同时，减轻调节参数的困扰。
48、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于RBF神经网络PID的列车运行跟踪控制器设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于RBF神经网络PID的列车运行跟踪控制器设计方法，其特征在于，步骤S4具体包括以下步骤：
3.根据权利要求2所述的一种基于RBF神经网络PID的列车运行跟踪控制器设计方法，其特征在于，步骤S5具体包括以下步骤：
4.根据权利要求3所述的一种基于RBF神经网络PID的列车运行跟踪控制器设计方法，其特征在于，步骤S6具体包括以下步骤：
【技术特征摘要】
1.一种基于rbf神经网络pid的列车运行跟踪控制器设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于rbf神经网络pid的列车运行跟踪控制器设计方法，其特征在于，步骤s4具体包括以下步骤：
3.根据权...
【专利技术属性】
技术研发人员：蒲茜，沈海阔，孔顺雨，晏雪妮，智少丹，肖燕彩，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。