（系统理论专业论文）模糊神经网络在列车制动控制中的建模及应用.pdf

中文摘要 安全和效率是铁路运输生产永恒的主题，尤其是近年来随着我国铁路事业的 快速发展，铁路运输呈现重载、高速、高密度的特点，而这一切需要可靠性高的 列车运行控制系统作保障。制动控制作为列车运行控制的一部分，对列车的安全 性起着关键作用。现行的基于牵引计算理论的制动模式曲线和列车实际运行存在 偏差，导致控制效果并不理想，因此如何构造更准确的制动控制模型成为研究的 热点。 复杂系统的建模仿真，是系统建模领域的关键问题。模糊神经网络理论融合 了模糊系统和神经网络二者的优势，能较好地实现复杂系统建模。本文以复杂系 统建模为背景，对模糊神经网络建模方法、适合于列车制动控制建模的模糊神经 网络结构及其应用进行了研究。 论文在借鉴国内外已有研究成果的基础上，围绕列车制动控制建模这一问题， 主要研究了以下内容： 1 本文从复杂系统建模的观点分析了列车制动控制中所存在的模糊性问题及 其产生的原因，得出将模糊神经网络引入列车制动建模是可行的。 2 本文重点研究了在制动控制系统特性不够清楚的前提下构造适合于列车制 动控制的模糊神经网络结构模型。通过对标准的模糊神经网络结构进行改进，得 到一个四层的改进型模糊神经网络，从理论上证明模型具有全局逼近的特性，并 推导了参数对应的学习算法。然后运用改进的模型对列车制动过程进行了建模， 从实际操纵的角度上分析并确定了模型的输入输出变量，使该模型更符合列车实 际运行环境，这和以往的模型所采用的结构及所选用的变量不同。 3 为避免传统意义上语言变量划分太细导致模糊规则数目过多，影响网络的 学习速度和精度，本文将聚类算法引入模糊神经网络结构辨识中对数据进行分类， 同时结合实际操纵，确定所需规则数，兼顾了数据建模和实际操纵两方面的特点。 4 为了验证改进的网络结构用于列车制动控制建模的有效性，本文以一列货 物列车为例进行建模和计算，数值计算结果表明改进的模糊神经网络模型具有运 算速度快、精度较高的特点；通过运用m a t l a b 中s i m u l i n k 模块对列车制动过程进 行仿真，证明改进的模型运用于列车制动控制的建模是可行的。 关键词：模糊系统；神经网络；模糊神经网络控制；列车制动；智能控制 分类号：u 2 9 3 a b s t r a c t a b s t r a c t ：s a f e t ya n de f f i c i e n c ya r ee t e r n a lt h e m e sf o rr a i l w a yt r a n s p o r t a t i o n ， e s p e c i a l l ya st h er a p i dd e v e l o p m e n to fc h i n a sr a i l w a y i nr e c e n ty e a r s ，t h er a i l w a y t r a n s p o r t a t i o nh a ss h o w nh e a v y h i g h s p e e d ，h i g h - d e n s i t yc h a r a c t e r i s t i c s ，a l lw h i c hn e e d a h i g hr e l i a b l et r a i nc o n t r o ls y s t e ma sag u a r a n t e e b r a k i n gc o n t r o l ，a sap a r to ft h et r a i n c o n t r o l ，p l a y sak e yr o l ei nt r a i ns a f e t yb u tt h e r ea r es o m ee r r o r sb e t w e e nt h eb r a k i n g m o d ec u r v eb a s e do nt r a i n t r a c t i o n - c a l c u l a t i o nt h e o r ya n dt h ea c t u a lo p e r a t i o no ft h e t r a i n ，w h i c hr e s u l t si nt h a tt h ee f f e c to ft h ec o n t r o li sn o tg o o d t h e r e f o r e ，h o wt o c o n s t r u c tam o r ea c c u r a t et r a i nb r a k i n gc o n t r o lm o d e lb e c o m e sah o tr e s e a r c hi nr e c e n t y e a r s c o m p l e xs y s t e m sm o d e l i n ga n ds i m u l a t i o ni sak e yi s s u ei ns y s t e m sm o d e l i n gf i e l d f u z z yn e u r a ln e t w o r k ( f n n ) i n t e g r a t e db o t ha d v a n t a g e so ff u z z ys y s t e m sa n dn e u r a l n e t w o r k s ，c a nb e t t e rr e a l i z ec o m p l e xs y s t e m sm o d e l i n g i nt h i sp a p e r , t h em e t h o do f f n nm o d e l i n g , f n ns t r u c t u r ew h i c hi ss u i t a b l ef o rm o d e l i n go ft h et r a i nb r a k i n g c o n t r o la n di t sa p p l i c a t i o n sh a v eb e e ns t u d i e d ，w h i c hi sb a s e do nt h eb a c k g r o u n do f c o m p l e xs y s t e m sm o d e l i n g t h i sp a p e r , b a s e do nt h er e s e a r c ha th o m ea n da b r o a d ，i so nt h ei s s u eo ft r a i n b r a k i n gc o n t r o lm o d e l i n g ，a n dt h em a i nr e s e a r c hc o n t e n t sa r ea sf o l l o w s ： 1 t h ef u z z yp r o b l e m se x i s t e di nt h et r a i nb r a k i n gc o n t r o la n di t sc a u s e sh a v eb e e n a n a l y z e df r o mt h ep e r s p e c t i v eo fc o m p l e xs y s t e m sm o d e l i n g ，a n di ti sd r a w nt h a tt h e f n nu s e di nt h et r a i nb r a k i n gm o d e l i n gi sf e a s i b l e 2 i nt h i sp a p e r ，i ti sf o c u s e do nh o wt oc o n s t r u c tas u i t a b l ef n nm o d e lf o rt r a i n b r a k i n gc o n t r o lu n d e rt h ep r e m i s et h a tt h ec h a r a c t e r i s t i c so ft h eb r a k i n gc o n t r o ls y s t e m i sn o tc l e a re n o u g h t h e nt h es t a n d a r df n nh a sb e e ni m p r o v e da n da ni m p r o v e df o u r l a y e r sf u z z yn e u r a ln e t w o r kw a sa c q u i r e dw i t hi t sl e a r n i n ga l g o r i t h md e d u c e d ，w h i c hi s p r o v e d t h a tt h i sm o d e lh a st h ec h a r a c t e r i s t i c so ft h eo v e r a l l a p p r o a c h i n t h e o r y a f t e r w a r d s ，w eu s e dt h ei m p r o v e dm o d e lt ot h et r a i nb r a k i n gp r o c e s sa n d d e t e r m i n et h ei n p u ta n do u t p u tv a r i a b l e sf r o m p r a c t i c a lp o i n to fv i e w o nt h e m a n i p u l a t i o n ，w h i c hm a d et h em o d e l i sm o r e a d a p t e d t ot h ea c t u a l o p e r a t i n g e n v i r o n m e n t t h i si sd i f f e r e n tf r o mt h ep r e v i o u sm o d e ls t r u c t u r ea n dt h ev a r i a b l e s s e l e c t e da r ea l s od i f f e r e n t 3 t r a d i t i o n a l l y , t o om a n yl a n g u a g ev a r i a b l e so f t e nl e a dt o om a n yf u z z yr u l e s ，a n d t h e yh a v ei m p a c to nn e t w o r kl e a r n i n gs p e e da n da c c u r a c y t o a v o i di t ，k - m e a n s c l u s t e r i n ga l g o r i t h mh a sb e e ni n t r o d u c e dt ot h ef n n s t r u c t u r ei d e n t i f i c a t i o na n db e e n u s e df o rt h ed a t ac l a s s i f i c a t i o n a tt h es a m et i m e ，t h ea c t u a lm a n i p u l a t i o ni sa l s o c o n s i d e r e dc o m b i n e dw i t ht h ec l a s s i f i c a t i o nt od e t e r m i n et h en e c e s s a r yr u l e s i tb o t h t a k e si n t oa c c o u n tt h ea c t u a ld a t am o d e l i n ga n dt h ec h a r a c t e r i s t i c so ft h em a n i p u l a t i o n 4 i no r d e rt ov e r i f yt h ev a l i d i t yo ft h ei m p r o v e dn e t w o r ks t r u c t u r eu s e di nt h et r a i n b r a k i n gc o n t r o lm o d e l i n g ，i nt h i sp a p e r , af r i g h tt r a i nw a su s e da sa l le x a m p l ef o r m o d e l i n ga n dc a l c u l a t i o n t h en u m e r i c a lr e s u l t ss h o wt h a ti m p r o v e df u z z yn e u r a l n e t w o r km o d e lh a st h ec h a r a c t e r i s t i c so fh i g l ls p e e da n dp r e c i s i o n t h e nw eu s e dt h e m a t l a bm o d u l e - s i m u l i n kt os i m u l a t et h et r a i nb r a k i n gp r o c e s s ，a n di tp r o v e dt h a tt h e i m p r o v e dm o d e lu s e di nt h et r a i nb r a k i n gc o n t r o li sf e a s i b l e k e y w o r d s ：f u z z ys y s t e m s ；n e u r a ln e t w o r k s ；f u z z yn e u r a ln e t w o r kc o n t r o l ； t r a i nb r a k i n g ；i n t e l l i g e n tc o n t r o l c i 。a s s n o ：i j 2 9 3 v 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 昊海俊 签字日期：2 0 0 9 年6 月6e l 导师签名： 签字日期：伊铲年b 月6 日 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意。 学位论文作者签名： 吴两馒 签字日期： 2 瞎年月莎 日 致谢 本论文是在我的导师毛保华教授和孙全欣教授的悉心指导下完成的。从论文 的选题，研究方法的确定到论文的撰写，每一个环节都凝聚着两位导师的心血和 智慧。两位导师渊博的学识、敏捷的思维、开阔的眼界、高度的责任心、严谨的 治学态度对我的学习有极大的帮助和影响，是我一生努力的楷模。值此论文完成 之际，谨向我尊敬的导师毛保华和孙全欣教授致以最崇高的敬意和最衷心的感谢， 同时还要感谢导师在生活上给予我巨大的关怀和教诲。 特别感谢丁勇老师对我论文的指导，本论文从写作思路到开题报告乃至论文 撰写的整个过程无不凝聚了他的心血。丁老师的每次指点都使我受益非浅、茅塞 顿开，他那种实事求是的严谨作风、锐意创新的探索精神对我产生了深刻的影响。 值此论文成稿之际，向丁老师表示诚挚的谢意。 感谢高利平博士生和柏赞博士生的帮助，他们在繁忙的学习中抽出时间对本 文提出许多有益的建议，较大程度上帮助我完成论文的修改。同时还要感谢周方 明、贾文峥、杨远舟、秦颖、赖树坤、姚宪辉、陈俊励、王学勇、李凯胜、詹琳 霞、冯伟、张鲁喻、雷莲桂等同学对我论文中的研究工作给予的支持和帮助。更 要感谢实验室全体成员，特别是“列车节能优化操纵指导系统”课题组的全部成 员，为本论文的完成做出了大量的数据支持和理论准备，与大家齐心协力完成项 目的那段时光，更让我终生难以忘怀。 感谢我读研生涯的所有任课老师、院系领导以及辅导员对我的培养和关怀。 感谢在攻读研究生期间，与我愉快相处的宿舍好友、同班同学，我们之间深 厚的友谊使我能在良好的环境中度过美好的学业时光，我将铭记我们一起奋斗的 日子并将友谊永存心底! 本文是在轨道交通控制与安全国家重点实验室完成的，研究得到了国家自然 科学基金重点项目( 6 0 6 3 4 0 1 0 ) 以及教育部创新团队项目( i r t 0 6 0 5 ) 资助下完成 的，作者在此十分感谢实验室的帮助和项目的资助，这促进了我论文的顺利完成。 最后还要感谢我的父母，漫长的求学之路，倾注了他们对我的无限关怀与期 望，在这里对他们表示衷心的感谢，他们的鼓励和支持使我能够在学校专心完成 我的学业。 愿所有关心和帮助过我的老师、同学、亲人、朋友永远幸福、平安! 1 1 研究背景及意义 1 绪论 伴随着我国铁路大面积提速，长大干线上重载货物列车的开行，我国铁路装 备技术水平整体跨上了新台阶。重载、高速、高密度已经成为我国铁路的重要发 展趋势，但对整个铁路运输安全也提出了更高的要求。铁路运输安全是衡量运输 质量的重要指标，需要有可靠性高的制动系统作为保证。尤其列车运行速度的不 断提高，对制动系统的可靠性提出了更高的要求。因此，对列车制动系统的研究 和应用就成了必然的趋势。特别是近年来电子技术、计算机科学及控制理论的不 断完善，更加速了相应研究和应用的步伐。 目前，世界各国的城市轨道交通信号系统大都采用了列车自动控制系统( a = r c ， a u t o m a t i ct r a i nc o n t r 0 1 ) 。列车自动控制系统包括列车自动防护系统( a t p ， a u t o m a t i ct r a i np r o t e c t i o n ) 、列车自动运行系统( a t o ，a u t o m a t i ct r a i no p e r a t i o n ) 和列车自动监控系统( a t s ，a u t o m a t i ct r a i ns u p e r v i s i o n ) 1 1 j 。a t p 系统作为a t c 系统的一部分，它主要用于对列车驾驶进行防护，对与安全有关的设备或系统实 行监控，实现列车间隔保护、超速防护等功能l 。由于a t p 系统给城市轨道交通 良好的安全保障，部分城市轨道交通线路已经实现了列车自动运行( a t o ) ，司机 的任务除提供必要的信息、监督列车运行状态外，仅在系统故障或紧急情况下参 与列车控制。与a t p 系统在城市轨道交通中的作用类似，铁路中的制动控制系统 承担着确保行车安全的重要职责。然而目前铁路上还未能实现列车“自动驾驶 ， 究其原因，主要是铁路运行的复杂性和现场环境多变性，实现列车“自动驾驶 需要可靠性高、适应性强的制动控制系统作保障，现有的制动控制系统距a t o 系 统所要求相差甚远。a t o 系统采用智能控制系统代替司机进行控制，故作为a t o 系统一部分的制动控制系统同样须具有智能性，这就要求人的知识、经验、控制 策略以及其它特有智能行为均在控制系统中得到有效体现，而这一切很难在传统 控制理论框架下得到统一表示和处理，因此基于传统控制理论研制高性能的制动 控制系统已不可能。 在长期实践中，列车制动是非常重要而又复杂的问题 2 1 。考虑制动过程的复杂 性以及外界条件的多变性，长期以来，铁路系统以力学为基础，根据牵引计算理 论，结合大量实验，整理出若干简单实用、符合实际的图表、曲线、经验公式作 为一定时期内的计算标准。该方法虽然在实际中发挥了重要作用，同时也存在一 些问题，主要表现在以下几个方面： ( 1 ) 长期以来制动问题的解算以力学基础，根据列车受力条件计算制动距离。 但实际上，影响列车制动过程的因素很多，复杂性高，很难从理论上推导出精确 的计算公式，在实践中只能采用近似的方法计算。随着铁路向高速、重载的方向 发展，列车的制动距离比普通列车的制动距离更长，按照传统理论计算得到的结 果和实际相比，误差也将显著增加，显然这对于列车运行安全是不利的，因此需 要寻找新的方法保证理论结果具有一定的精确性。 ( 2 ) 我国铁路列车实际编组车型复杂，列车中的车辆使用各种类型的制动机， 并且每种制动机的构造不同，很难通过实验精确测得其性能参数。并且在制动中 广泛使用的闸瓦，其性能会随着外界条件变化而不同，很难通过实验全面了解其 特性。另外，随着科技的进步及新材料的运用，出现了许多新的制动机和闸瓦， 这些都需要通过多次实验来测定其特性参数，显然增大了实验的难度，从一定程 度上限制了铁路的发展。 ( 3 ) 因列车制动过程复杂，受多种因素影响，如：线路条件、环境因素、列 车司机熟练操作程度等。在不同条件下，列车制动特性也会发生很大变化，并且 采取的控制策略也不相同，这些差异很难通过牵引计算理论反映出来。 ( 4 ) 为实现“自动驾驶”这一目标，铁路运输需要在控制技术上有所突破。 而运用较广的现代控制理论因对数学模型的精确性要求很高，对于模型中存在多 种不确定因素的列车制动过程显得力不从心。 ( 5 ) 制动控制系统作为高速铁路控制系统的核心，对行车安全具有重要意义。 然而，长期以来发达国家对高速铁路控制系统的核心技术进行封锁，外界很难获 知其制动控制系统的相关参数，因此独立研制具有自主知识产权的列车制动控制 系统是具有很强的现实意义。 上述分析可知，基于牵引计算理论的传统控制方法不仅很难处理列车制动中 的不确定性问题，而且也很难适合我国铁路未来发展的需要。因此，需要发展新 的制动控制方法解决传统方法中存在的不足。事实上，对于一名优秀的司机而言， 虽然他并不能精确计算，但却能通过自己的观察和经验针对不同的条件给出合理 的控制策略，保证列车的安全运行，而这一点是目前任何系统都很难实现的。司 机之所以能够很好地处理列车制动过程的控制问题，关键在于司机对于外界信息 的认识是模糊的、不精确的，而这一点恰是精确数学模型很难处理的。 近年来随着被控对象结构的复杂化以及控制目标的多样化，传统的控制理论 和方法显得力不从心。而智能控制由于对外界环境和任务的复杂性有更强的适应 性，迅速在广泛的领域中获得应用1 3 j 。按照系统的一般行为特性，j s a l b u s 认为智 能控制是在不确定环境中做出合适动作的能力【4 1 。智能控制具有描述和处理具有不 2 确定性问题的能力，可用于复杂系统的建模和控制。 由于列车制动过程具有高度的复杂性以及非线性，将智能控制理论用于列车 制动控制的研究具有重要意义和价值，方面可实现智能化的列车制动控制系统， 另一方面使铁路列车运行控制从传统的控制系统向智能化控制系统的转换成为可 能。模糊系统和神经网络作为两种重要的智能控制技术，都能模拟人的智能行为， 不需要精确的数学模型，能处理许多不确定性和非线性问题，二者相比，神经网 络擅长从输入输出数据中学习有用的知识，模糊系统则是擅长利用人的经验性知 测引。若二者结合并将其运用于列车制动控制中，则能在发挥各自优势的技术上有 效地处理许多传统模型很难解决的问题，因此本文的研究重点是合理的运用模糊 神经网络对列车制动控制这一复杂过程进行建模。 1 2 列车运行控制发展现状 制动控制作为列车运行控制的一部分，通常都是伴随着列车运行控制的研究 而发展。本节将重点介绍列车运行控制理论的国内外研究现状，同时结合实际， 介绍相关理论在列车控制系统中的应用。 1 2 1 理论研究现状 列车运行控制理论的发展主要表现为核心控制算法的不同，目前主要形成了 如下的几类方法1 6 j 【_ 7 j ( 1 ) 经典p i d 控制算法：该方法核心是以经典的、经验性的列车牵引制动公 式为基础，加装固定不变的起动、惰行、牵引、制动模式来实现控制列车运行。 ( 2 ) 参数自适应控制算法：该方法核心与经典p i d 控制算法一致，只是采取 了自适应的参数调整策略来减小参数变化对算法的影响，是第一种方法的改进。 ( 3 ) 智能控制算法：这种方法核心是一种思维的活动，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。此外 由于智能控制的各类算法均有其特点，可将它们的优势互补，将几种智能控制方 法融合在一起构成集成型智能控制算法，这是目前智能控制算法发展的趋势。 此外，北京交通大学李克平提出了基于元胞自动机的列车运行控制系统模型， 并用于测试和评价列车运行控制系统的控制算法及性能【踟。北京交通大学刘海东、 丁勇等综合使用定时算法与启发式算法，实现了列车运行的节能控制以及列车晚 点后运行调整1 9 1 。由于智能控制算法能够对不确定环境下的复杂系统控制取得理想 的效果而得到铁路科技工作者的青睐，因此本节重点对运用于列车运行控制中的 3 三种智能控制算法的背景及其应用作相关介绍，并且介绍这些方法在列车运行控 制中的一些典型研究成果。 ( 1 ) 模糊控制方法 模糊理论是由l a z a d e h 于1 9 6 5 年在名为f u z z ys e t s 的开创性文章中创立 的，随后几年他又不断完善了模糊理论，1 9 6 8 年提出了模糊算法，1 9 7 0 年提出了 模糊决策等1 1 0 l 。1 9 7 3 年z a d e h 发表了分析复杂系统和决策过程的新方法刚要 一文【1 1 】，奠定了研究模糊控制的基础理论，在引入语言变量这一概念基础上，提 出用模糊i f t h e n 规则来量化人的知识。1 9 7 5 年英国的m a m d a n i 和a s s i l i a n 教授创 立了模糊控制器的基本框架，发表文章带有模糊逻辑控制器的语言合成实验【1 2 1 ， 并且将其运用于蒸汽机的自动运转控制中，取得良好的控制效果。随后从8 0 年代 至今，模糊理论的大规模应用使其产生巨大飞跃，并且不断发展。 在列车运行控制方面，s y a s u n o b u ( 1 9 8 3 ) 在i f a c 会议上发表了( f u z z yc o n t r o l f o r a u t o m a t i ct r a i no p e r a t i o ns y s t e m ) ) 1 1 3 】的论文，第一次将模糊控制方法应用于列 车运行控制中，+ 标志着智能控制进入了列车运行控制的研究领域。此后，国内外 发表了许多关于列车运行智能控制的研究报告和论文，尽管他们所用理论和方法 不尽相同，但基本思想是借鉴s y a s u n o b u 关于列车运行过程的划分方法和司机操 纵列车的规则形式。 随后s y a s u n o b u ( 1 9 8 4 ) 提出了模糊预测控制方法【1 4 l ，日立研究所运用该方 法成功研制了“预测型模糊控制”的列车自动驾驶系统【1 5 】【1 6 1 ，并于1 9 8 7 年，将该 系统在仙台地铁投入运营。多年来仙台地铁以其安全度高、舒适性好、停车精度 高、运行时间短、能耗低等指标而著称，并且开创列车自动驾驶模糊控制的先例。 北京交通大学贾利民( 1 9 9 2 ) 在列车运行过程的智能控制首先提出了基 于过程划分和专家系统的两层递阶智能控制系统结构，并将其与模糊多目标优化 控制( f m o c ) 相结合提出了智能多目标优化控制( i m o c ) 方法，然后将其用于 列车运行过程控制，提出了基于i m o c 的智能化列车运行控制( i a t c s ) 方法1 1 7 j 。 铁道科学研究院张建华等( 1 9 9 6 ) 在新型模糊预测控制及其在列车自动运 行过程中的应用提出了新型模糊预测控制算法1 1 引。西南交通大学冯晓云( 1 9 9 8 ) 在其博士论文中提出基于满意优化控制的模糊预测方法，并将其运用于列车运行 控制的建模，仿真取得了较好的效果f 1 9 1 1 2 0 l 。 ( 2 ) 神经网络控制方法 神经网络的研究起源于上世纪4 0 年代，心理学家m c c u l l o c h 和数学家p i t t s 首 先提出神经元的数学模型 4 1 。1 9 4 9 年h e b b 提出了改变神经元连接强度的h e b b 规 则。1 9 5 8 年r o s e n b l a t t 引入了“感知器”的概念，并提出了构造感知器的结构。 1 9 6 2 年w i d r o w 提出了线性自适应元件( a d l i n e ) ，之后m i n s k y 和p a p e r t ( 1 9 6 9 ) 对 4 感知机作了严格的数学分析，指出了几个模型的局限性，从此神经元网络的研究 在相当长时间内发展缓慢【4 1 。1 9 8 2 年，h o p f i e l d 引用“能量函数 概念，使神经网 络的平衡稳定状态有了明确的判据方法，形成了8 0 年代以来神经网络的研究热潮。 1 9 8 5 年h i n t o n 和s c j n o w s h i 提出了b o l t z m a n n 机模型，在学习过程中采用了模拟 退火技术，保证系统全局最优。随后k o s k o 提出了双向联想存储器和自适应双向 联想存储器，为在具有噪声环境中的学习提供了有效方法。现今神经网络已被广 泛运用于各种非线性控制【4 1 。 在列车运行控制方面，中科院自动化所( 1 9 9 5 ) 将一种新型的联想记忆神经 网络应用于列车的自动停车【7 l ，并以滚动优化的方式实现了基于联想记忆神经网络 的长过程预测控制，保证了控制系统对于模型参数变化的鲁棒性和制动停车精度。 铁道科学研究院张琦f 2 1 】等( 1 9 9 8 ) 运用神经网络研究列车运行过程，证明基 于神经网络所设计的控制系统满足列车运行非线性特点，具有一定的实际意义。 ( 3 ) 模糊神经网络控制方法 模糊神经网络是近年来研究的热点，由于模糊神经网络融合了模糊系统和神 经网络二者的优点，即善于表达人的经验性知识，又可以从输入输出样本中学习， 因此被广泛应用于智能控制领域。 s c k i n e s ( 1 9 9 5 ) 在i e e e 会议上发表了模糊神经网络在a t o 控制系统中的 应用以及控制规则的转变一文，将两级独立的模糊神经网络控制系统用于a t o 系统中，考察了动态特性改变引起的加速误差的控制特性，以及速度控制转换到 位置控制的控制特性【2 2 1 。该系统能在运行前或运行中提取优化模糊规则，并且减 少模糊控制规则的数量以处理相应的动态信息。 王晶( 1 9 9 6 ) 在基于模糊控制方法的基础上提出了一种新的a t o 控制算法一 直接模糊神经控制方法【2 3 l 。该方法基于复杂动态过程划分的思想，建立了列车运 行过程的五个子过程近似工程数学模型，仿真结果表明该方法具有一定的实用性。 武妍( 1 9 9 9 ) 针对神经网络学习算法存在的缺陷，将模糊逻辑集成于神经网 络的学习过程中，提出了一种f - b p 算法，将其运用于地铁列车的自动驾驶控制中 【2 4 1 。随后( 2 0 0 0 ) 武妍用模糊控制的b p 网络实现了列车站间运行控制，用基于遗 传算法的模糊神经网络实现定位停车控制，仿真结果表明神经网络的控制方法能 通过学习而适应环境和参数的改变，具有较好的鲁棒性和自适应性f 2 5 1 。 腾振宇( 2 0 0 3 ) 提出了一种基于再励学习的模糊自适应控制方案用于解决地 铁运行控制的多目标问题l 冽。 吴桂云( 2 0 0 4 ) 2 7 1 采用了在误差函数中引入正则项的方法降低了控制系统的 复杂度，同时运用基于扩展的自适应神经模糊推理系统( a n f i s ) 获取模糊规则数， 仿真结果表明该方法应用于地铁列车运行控制是可行的，可以保证较好的舒适性、 5 速度跟随性和停车准确性。 北京交通大学王卓( 2 0 0 5 ) 运用自适应模糊神经推理系统( a n f i s ) 研究高速 列车的制动控制，实现了高速列车制动过程的智能控制【勰1 。 一般情况下模糊神经网络难以获得全局最优，遗传算法( g a ) 作为一种随机 搜索的全局优化算法，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。新加坡学者c h a n gc s ( 1 9 9 7 ) 将遗传算法用于列车自动驾驶仿真 中 2 9 1 ，根据各种情况，在出发前产生惰行最合适点，以实现能耗最低。c h a n gc s ( 1 9 9 9 ) 又引入最优目标函数用于调整模糊隶属函数以优化列车的运行控制，该法 简单并且收敛较快。黄良骥( 2 0 0 1 ) 3 1 】提出了基于遗传算法的模糊神经网络控 制算法，将其运用于列车自动驾驶系统的控制中。 1 2 2 控制系统发展现状 铁路经历了1 7 0 年的发展，无论在载重、速度和密度上都有了质的飞跃，与 之相适应，列车控制系统也伴随着铁路发展在技术水平上日新月异。到目前为止， 列车运行控制系统的发展分为以下四个阶段【3 2 】： 第一阶段是列车自动停车a t s ( a u t o m a t i ct r a i ns t o p ) 阶段，a t s 设备主要 任务是当地面信号产生禁止变化时，司机失去警惕未进行相应的操作，列车自动 停车。此装置与列车的运行速度无关。 第二阶段是列车超速防护a t p ( a u t o m a t i ct r a i np r o t e c t i o n ) 阶段，a t p 的根 本任务是防止列车发生因冒进禁止信号和超过规定速度运行而可能引发的事故。 a t p 系统与a t s 系统的区别在于a t p 不仅对地面信号的变化起监督执行作用，而 且能够接受机车信号的指示进行速度监督，并在必要时对列车进行制动控制，防 止列车因超速行驶而引发事故。 第三阶段是列车自动控制a t c ( a u t o m a t i ct r a i nc o n t r 0 1 ) 阶段，a t c 能够实 现列车自动启动以及列车自动加速等功能。 第四阶段是列车自动运行a t o ( a u t o m a t i ct r a i no p e r a t i o n ) 阶段，a t o 是列 车自动驾驶的初级阶段，它的主要功能有列车自动启动、站间自动运行、根据信号 进行加速或者减速、到站定位停车以及车门自动关启等。 从第二阶段开始，列车制动控制系统就成为列车运行控制系统中不可缺少的 基本子系统。然而随着列车速度的日益提高、运行环境的进一步复杂，人们很难 适应列车运行对控制响应速度和对信息处理速度的要求。此外，人的疲劳会使控制 的品质急剧下降，因此研制智能化的列车制动控制系统是必需的。 由于p i d 反馈控制技术实现较容易，目前世界上研制和投入使用的列车运行 6 控制系统大都采用p i d 反馈控制方法，该方法的核心是对速度模式的追踪，一旦 列车超速则采取制动，然而这在高速运行条件下，将导致列车制动系统的频繁动 作，限制了列车运行质量，可能造成列车设备的损坏，并最终影响行车安全和效 率。但是p i d 反馈控制方法理论成熟、技术容易实现，因而在目前铁路驾驶以人 工操纵为主的条件下，这种方法仍然是一种较好的选择。 1 3 论文的结构框架 通过上述既有研究成果发现，目前大部分研究成果主要集中于控制理论算法， 实际中仅有p i d 反馈控制算法得到运用。控制算法作为列车运行控制的中枢，在 整个控制系统中起着非常关键的作用，因此如何运用智能控制理论构造合理的控 制系统是非常有意义的。另一方面，从文献中可知目前关于列车运行控制理论主 要是a t o 控制算法研究，并且主要以地铁站间运行控制为主，制动控制单独研究 较少，研究铁路的智能控制的文献更少。由于地铁运行环境相比铁路简单，并且 干扰因素较少，因此构造适于铁路列车制动控制算法时考虑的因素是不同的。 此外，由于列车制动过程的复杂性，并且受多种因素影响，而一名优秀的司 机可以凭借自己的经验很好的控制列车进站停车，因此如何从优秀司机的经验数 据获取列车制动控制规则成为研究的重点。模糊神经网络由于融合了模糊系统和 神经网络各自的优势，能很好的对这类系统进行分析和建模，因此本文的研究重 点是在对控制系统特性不清楚的前提下，利用模糊神经网络这一理论方法对优秀 司机的经验数据进行建模分析，获取合理的控制规则数，为控制系统设计提供理 论依据。 本文将在以往研究成果的基础上，运用改进的模糊神经网络模型研究列车制 动控制，具体而言，本文将通过6 章对该研究工作进行论述。 第一章：绪论。本章首先论述了研究背景和意义，然后在广泛阅读文献的基 础上，阐述了目前国内外关于列车运行控制理论和控制系统的发展现状，最后介 绍了本文研究的主要内容。 第二章：研究方法介绍。本章分别从模糊系统和神经网络入手，深入研究了 模糊神经网络系统的理论基础、学习算法，从理论上给出了模糊系统和神经网络 具有通用的逼近性质，奠定了模糊神经网络运用于列车制动控制建模的理论基础。 第三章：列车制动控制分析。本章分析了列车制动p i d 控制的特点、方式以 及不足，重点从被控对象数学模型的建立、控制信息的测量和控制目标函数的确 定等几个方面分析了列车制动控制中存在的模糊性因素，证明了铁路列车控制中 应用模糊神经网络方法的可行性。 7 第四章：基于模糊神经网络的列车制动控制模型算法。本章首先在基于标准 的模糊神经网络结构的基础上构造了四层的模糊神经网络，并从理论上证明了该 模糊神经网络具有通用逼近性质，然后确定了各个参数的学习算法，同时运用聚 类的方法从数据中确定了模糊规则数目，给出了整个建模过程的算法流程。其次 以列车制动控制过程为研究对象，运用改进的模糊神经网络构建了列车制动控制 模型，确定了控制器的输入输出，同时给出了整个网络的训练流程。 第五章：仿真算例研究。为了验证所改进的模糊神经网络结构对于列车制动 建模的合理性，本章以一列货物列车为例，选取了合适训练样本，得到了在学习 率不同条件下的均方误差曲线，并获得了控制器的控制规则。然后通过检验样本 对训练好的网络检验，数值计算结果表明模糊推理的合理性，最后通过仿真证明 模糊神经网络理论运用于列车的制动控制建模是可行的。 第六章：结论和展望。总结了本文研究所得出的主要结论，并且针对论文存 在的不足之处，指出了将来需要进一步研究的问题。 本文的结构如图1 - 1 所示： 图1 - 1 论文结构图 f i g 1 1s t r u c t u r eo ft h ep a p e r 8 2 模糊神经网络的数学理论 模糊系统及神经网络理论创立至今，已在许多的领域里发挥着重要的作用。 模糊系统及神经网络能够模拟人类所特有的理性知识并能加以适当的归纳、融合 和发展，能应用于非线性系统建模，其理论基础在于模糊系统及神经网络对非线 性系统函数特性上的任意逼近能力。由于模糊系统可以和神经网络系统相结合生 成多种模糊神经网络，所以模糊神经网络的结构和学习算法也是多种多样的。 本章主要介绍模糊系统和神经网络的一些基本原理，然后重点以标准型模糊 神经网络为例，介绍了标准型模糊神经网络结构，并推导了其学习算法。 2 1 模糊系统理论 2 1 1 模糊系统的结构 一般而言，模糊系统是指与模糊概念和模糊逻辑有直接关系的系统，它由模 糊产生器、模糊规则库、模糊推理机和反模糊化器四部分组成【3 3 1 ，如图2 - 1 所示： 图2 - 1 模糊逻辑系统 f i g 2 - 1f u z z yl o g i cs y s t e m 1 模糊产生器：功能在于将uc 尺- 上的一个确定的点工：“，x z ， 厂映射为 一个模糊集合a ，其映射方式有两种： ( 1 ) 单值模糊产生器：若模糊集合a 对支撑集x 为模糊单值，则对某一点 z z ，有。g ) 一1 ，而对于其余所有的x 乒x ，有z a , ) = 0 ： ( 2 ) 非单值模糊产生器：当z - z 时，。 ) t 1 ，但当x 逐渐远离z 时，纥“) 从1 开始衰减，如肛。o ) 常取为e x p ( 一o 一x ) r g 一z ) 仃2 ) 。 在大多数情况下，般采用的是第一种方法，即单值模糊产生器。 2 模糊规则库：规则库是由若干模糊推理规则组成，其模糊推理规则形式为： 9 r ：矿五i s 互7 ，i s t h e ny 妇g 。其中鼻和g 分别为阢c 尺和 杉cr 的模糊集合，rx ；“，z 2 ，吒) re u lx u 2 u n 和y e v 均为语言变量， f = 1 ，2 ，m ，亦即m 为规则总数。可以看出算，) ，是模糊逻辑系统的输入和输出。 模糊规则的获取问题是模糊规则库构造的主要问题。一般有两种方法：是 从专家那里直接得到；二是通过自学习的方法。前者的优点是简单、快捷，缺点 是对专家要求太高；后者由于神经网络的出现而得到广泛的重视，应用该方法时， 需要考虑隶属度函数中的参数估计问题。 3 模糊推理机：根据模糊逻辑法则把模糊规则库中的“i f - t h e n 规则转换为 某种映射，即将u ；u x u ，u nc r “上的模糊集合映射成v 上的模糊集合。 模糊规则：尺，：f 而i s 爿，i s t h e n yi sg 。可以被表示成一个积空间 u x v 上的模糊蕴含e 7 呻g 2 。设u 上的模糊集合a 为模糊推理机的输 入，若采用合成运算，则由每一条模糊推理规则所导出v 上的模