高速動車組數據驅動無模型自適應積分滑模預測控制

李中奇 周 靚 楊 輝

高速動車組 (Electric multiple unit,EMU) 是由拖車和電力機車組成的動力分布式列車,它已經成為人們日常生活中最重要的交通工具之一.但隨著動車組運行速度越來越快、運行環境越來越復雜多變,其車輛之間的非線性效應也越來越顯著[1-2].在這種情況下,僅憑借列車司機手動操作無法保證動車組的安全性和其他性能要求.因此,進一步開發列車自動駕駛系統以實現動車組高效運行是非常必要的[3].可靠性高、跟蹤效果好的控制器是列車自動駕駛系統的核心,它是實現列車安全、準點、舒適和停車精度等要求的關鍵.針對動車組控制問題,國內外學者已經提出了許多先進的控制方法,從模型的角度出發,大體上可以分為基于模型和基于數據驅動的控制方法[4].其中基于模型的控制方法研究大多數是從牛頓力學定律出發,通過引入一些假設條件,推導出列車的機理模型從而設計控制方案[5-7].這種思路對單質點列車模型尚且有效,但研究對象是更接近實際情況的多質點動車組系統時則較為困難.同許多復雜系統一樣,動車組實際運行過程具有多變量、強耦合以及非線性等特性,使得機理模型的建立異常困難.針對多質點動車組建模難的問題,許多研究開始使用數據驅動建模的方法[8-13].首先設立模型結構,將采集到的各個車廂的輸入輸出數據通過神經網絡訓練[8-9]、聚類分析[10-12]、系統辨識[13]等方法獲取模型參數,最后對所得模型設計控制方案.雖然數據驅動建模的方法能有效地降低列車系統的非線性和耦合關系,但是其前提是獲取列車的模型結構 (輸入輸出階數和影響較大的非線性項);其次,各個車廂的輸入輸出數據不僅數量眾多,而且具有較大的偶然性 (由環境因素、系統內擾、執行器故障等因素導致).

綜上所述,動車組模型中的基本阻力系數、附加阻力和耦合關系由于諸多不確定因素的影響,導致精確數學模型無法得到;另外,即使建立了簡化過后的多質點模型,設計控制器時也必然要考慮到解耦,這無疑增加了計算量和設計難度.因此本文結合動態線性化 (Dynamic linearization,DL) 技術、離散積分滑?？刂?(Integral sliding mode control,ISMC) 和模型預測控制 (Model predictive control,MPC) 的優勢,使得它們能共同工作,并更好地應用于動車組運行系統,具有重要的理論研究意義和實際應用價值.

侯忠生[14]提出的無模型自適應控制 (Modelfree adaptive control,MFAC) 拉開了 DL 技術的序幕.其大體思想是在系統每個工作點處建立一個虛擬等價的數據模型,根據系統復雜程度可分為緊格式動態線性化(Compact format dynamic linearization,CFDL)、偏格式動態線性化 (Partial format dynamic linearization,PFDL) 和全格式動態線性化 (Full format dynamic linearization,FFDL) 數據模型.這些數據模型僅依賴被控對象輸入輸出數據,通過在線估計系統的偽偏導數 (偽梯度向量或偽雅可比矩陣) 并最優化系統超前一步輸出誤差,即可實現數據模型參數的在線更新.隨著相應理論的不斷發展與完善,基于 DL 數據模型的控制方法已經在許多領域得到了廣泛應用[15-18].除了奠基者 MFAC 之外,基于 DL 技術的離散滑?？刂?(Discrete sliding mode control,DSMC) 方法亦受到大量關注,學者們在基于數據的建模與優化、數據驅動滑?？刂品椒ǜ倪M及參數優化等方面開展了大量的研究.文獻[19] 基于 DL 技術和 DSMC指數趨近律,首次提出了無模型自適應準滑?？刂品椒?并進行了對應的數值仿真實驗,但沒有考慮實際系統中的擾動等不確定性的影響.在文獻[19]的基礎上,文獻[20] 利用徑向基神經網絡來估計系統的廣義擾動,提出了基于 CFDL 數據模型的自適應滑?？刂坡?并將其推廣至多輸入多輸出(Multi-input-multi-output,MIMO) 非線性系統,取得了較好的控制效果.但隨著系統階數的增多,滑?？刂破鲾盗恳鄷杀对龆?文獻[21] 基于指數趨近律的數據驅動離散滑?？刂品椒?對智能汽車的速度和位置進行跟蹤控制,響應速度和魯棒性均有所提高.文獻[22-23] 充分結合 MFAC 和 DSMC 方法的優點設計復合控制器,其中 MFAC 方法能降低控制器對系統模型信息的依賴,而 DSMC 方法能補償系統未知外界擾動和未建模動態等不確定性的影響,但復合控制器的穩定性還有待證明.上述方法中,滑?？刂坡傻脑O計均采用了指數趨近律的處理方法,系統中存在明顯的抖振現象.而且,文獻[20] 中徑向基神經網絡有較多參數,加上神經網絡的初始權值取隨機數,容易導致控制品質下降.

MPC 已成功應用于過程工業的各個領域.然而,對于受連續干擾的系統,僅靠 MPC 無法提供令人滿意的效果.考慮到 DSMC 方法的魯棒性,一些學者嘗試將這兩種方法結合起來.文獻[24] 提出了一種基于積分終端滑?？刂坪?MPC 的控制方案,使系統在外界干擾下依然能保持良好的魯棒性.文獻[25] 采用 MPC 和 ISMC 實現機械手運動的分層控制.ISMC 用于補償系統非線性影響,MPC能對狀態和輸入進行約束.針對受外界干擾的離散時間多輸入多輸出非線性系統,文獻[26] 提出了一種新的基于輸出的離散時間積分滑模預測控制 (Integral sliding mode predictive control,ISMPC) 方案,用 MPC 代替了 ISMC 的切換控制.

受上述文獻的啟發以及考慮動車組實際運行情況,本文首次針對包含外部擾動的 MIMO 動車組系統,提出了一種新的數據驅動離散積分滑模預測控制算法.所提算法基于更符合列車運行特性的FFDL 數據驅動模型,構建了一種新的 ISMC 控制律.為了將系統狀態驅動到具有最優運動軌跡的滑模面上,用 MPC 代替 ISMC 的切換控制.這使得ISMPC 能夠獲得更高的輸出跟蹤誤差精度.在滿足一些合理假設的情況下,給出了上述兩種方法的嚴格證明過程.最后,以實驗室配備的 CRH380A型動車組仿真實驗臺對本文提出的 FFDL-ISMC和 FFDL-ISMPC 方法進行仿真測試,比較了兩種控制策略的優劣性.

本文的具體貢獻主要體現在 4 個方面:

1) 提出了新型的 MIMO 離散 ISMC 和 ISMPC算法,相較于文獻[22-23]的方法,系統抖振現象得到了緩解;ISMC 抖振現象良好主要是因為其有切換控制,并使用飽和函數 sat 代替符號函數 sgn;而ISMPC 是因為其在滑模函數中存在兩個誤差積分權重因子,在跟蹤誤差和抖振現象中做了折中選擇.另外,利用一步延時估計動車組系統參數誤差、擾動等不確定因素,實現了較為高效的非線性控制.

2) 為提高控制精度,基于 FFDL 數據模型,結合已設計的 ISMC 和 MPC,進一步推導出積分滑模預測控制方案.與現有組合算法相比,本文的算法不依賴動車組動力學模型,是一種數據驅動控制算法.

3) 與文獻[15-17,27]采用的 CFDL 數據模型相比,本文采用的 FFDL 方法綜合考慮下一時刻輸出變化量與固定長度滑動時間窗口內的輸入輸出之間的關系.FFDL 數據模型對系統的結構、參數的時變性不敏感.

4) 與已有將 DL 技術運用在列車上的文獻[15,28]相比,本文的被控對象為多動力單元列車,更符合實際運行要求.本文所提的方法豐富了列車運行控制理論,可以推廣到其他型號的列車系統中 (14 動2 拖的 CRH380AL、4 動 4 拖的 CRH380B、3～5節編組的 TR08 型磁浮列車).

本文的主要結構如下: 第 1 節給出動車組多動力單元模型結構 (僅為列車運行仿真提供數據支持);第 2 節和第 3 節分別提出基于 DL 技術的 ISMC 和 ISMPC 方法,并對其穩定性進行嚴格的證明;第 4 節和第 5 節分別是仿真分析和總結展望.

引理 1[26].考慮如下標量動態系統

式中,權值常數 0 ＜k1,0 ＜k2＜1,0 ＜α＜1;sig 的含義為 sigα(z)=[sgn(z1)|z1|α,···,sgn(zn)|zn|α]T,sigα(zi)=sgn(zi)|zi|α,sgn 為符號函數.如果|g(t)|＜R,R為任意小的正數,則狀態z i(t) 總是有界的且在有限時間內,以下公式始終成立

式中,t*＞0為一個有界時間常數;max 表示取最大值.

1 動車組運行過程動力學分析

動車組運行系統是由多個相對獨立的牽引動力單元組成的,每個動力單元又由若干動力機車和拖車分布式組合[2,28].其運行過程中各動力單元除了受自身控制力的作用外,還受到來自相鄰單元的車鉤影響,動車組縱向動力學分析如圖1 所示.圖中,中間車廂為裝備了牽引單元的動力機車 (輪子為黑色的車廂),首尾兩節車廂為拖車.

圖1 動車組運行過程動力學描述Fig.1 Dynamic description of EMU operation process

根據牛頓運動學定律分析動車組的受力情況,各動力單元上均受到了牽引力或制動力、基本阻力、車間作用力.根據以上分析,可將列車動力單元數學模型表示為[2,28]

ui為列車在不同工況下動力單元i產生的牽引力或制動力;yi和xi分別表示動力單元i的速度和位移;εi為加速度系數,αi表示動力單元i所受的合力;FNi(t) 為列車運行時動力單元i所受到的基本阻力;參數a i,bi,ci分別表示基本阻力系數,均具有高度不確定性;FZi(t) 為動力單元i和動力單元i+1 間的車間作用力,k為相鄰動力單元的彈性系數,d為阻尼系數.由基本阻力公式可以看出,動車組速度越快,非線性項對系統的影響則越明顯[2,28].參考文獻[2],考慮將一階差分算子應用于系統 (3),得到如下離散時間非線性模型

式中,f i(·) 為非線性函數.

應用常規方案實現列車運行控制時,首要問題是對所有動力單元進行特性分析,將采集到的數據y(t),u(t),x(t)之間的非線性關系建立起來,得到可靠準確的動車組運行模型.然而動車組實際運行中,易受環境、路段變化的影響,列車模型中質量參數、阻力系數、彈簧系數及阻尼系數都存在不確定性,同時模型中還存在著非線性項,導致精確的模型很難得到.針對上述問題,一些研究考慮對列車的非線性部分和車鉤作用進行簡化,得到了理想情況下的列車模型,在此情況下,若采用非數據驅動控制方法設計控制器需考慮各動力單元的耦合關系,計算量巨大.為此本文設計無模型自適應滑?？刂破?對動車組進行速度跟蹤控制.

為方便后續動態線性化處理,首先將式 (6) 進行轉換.式中所有動力單元的位移項xi都可以用與yi有關的公式表示,而yi又能轉換成形如f(y(t),u(t),x(t))的表達式.將式(6) 中所有位移項都轉換成與速度和控制力相關的形式,動車組的輸入輸出數據集合可等效如下 MIMO 離散時間非線性系統

式中,u(t)∈Rn,y(t)∈Rn分別表示系統t時刻的輸入和輸出;n u,ny分別為系統輸入和輸出階數;g(·)為一個非線性且時變的函數.

2 動車組積分滑?？刂破髟O計

2.1 問題描述

首先對列車的輸入輸出數據集合進行動態線性化處理.常用的 CFDL 方法僅考慮了系統下一時刻的輸出變化量與當前時刻的輸入變化量之間的關系[18].然而,動車組運行系統的輸出不僅僅取決于某一個時刻的控制輸入.基于以上考慮,在對數據線性化處理時,可將一個滑動時間窗口內的輸入和輸出對下一時刻輸出的影響都考慮進來,這就是FFDL 數據處理方法.使用該方法可以很好地捕獲原系統中存在的復雜動態,并且該動態線性化方法可有效地將系統復雜性分散降低[18].

式中,0 ≤Ly≤ny,0≤Lu≤nu分別為系統輸出和控制輸入線性化的長度常數,也稱為偽階數.

對動車組系統 (7) 做出如下兩個假設:

假設 1[18,29-30].非線性時變函數g(·) 對系統所有偏量的偏導數為連續的.

假設 1 是控制系統設計中對一般非線性系統的一種典型約束條件,適用于一大類非線性系統;假設 2 是一個類線性化條件,即系統輸出的變化受一定記憶長度的控制輸入和系統輸出變化的限制[29].

定理1.如果非線性時變系統 (7) 滿足假設 1和假設 2,當時,一定存在一個叫做偽分塊雅克比矩陣的參數矩陣Φ(t),使得系統可以等價為 FFDL 數據模型

定理 1 已被嚴格證明[18],不同的線性化長度常數可以得到不同的 FFDL 數據模型,合理選擇長度常數可以提高數據模型對原系統描述時的靈活性.為方便描述,以下令Ly=Lu=1,其他情況類似.

考慮動車組運行過程中存在未知外界擾動、參數估計誤差等不確定因素,將動車組的輸入輸出數據集合重寫為

式 中,y m(t+1)=[ym1(t+1),···,ymn(t+1)]T是系統t+1 時刻的輸出;d(t)=[d1(t),···,dn(t)]T為包含未知外界擾動、參數估計誤差等不確定項的有界廣義擾動.

將式 (7) 代入式 (11) 中,可得

根據式 (9) 和式 (12),可得到包含廣義擾動的列車 FFDL 數據模型

由于d(t) 是未知的,因此本文基于擾動估計技術,將式 (13) 中的擾動項 Δd(t) 通過其一步延時的值估計

接下來需要對時變參數矩陣Φ(t) 進行實時估計,引入參數估計準則函數[17-18]

根據極小化參數估計準則函數 (15),可得到以下參數估計算法

式中,λ∈(0,2] 為步長因子.

2.2 積分滑?？刂破?/h3>

定義系統輸出誤差為

式中,y r(t) 為期望輸出.

受文獻[26] 中算法的啟發,考慮引入一種新的積分滑模函數,形式如下

式中,積分權重因子 0 ＜k1＜1,0 ＜k2＜1,可以通過調節k1,k2權衡跟蹤大小與抖振現象;兩個積分輸出跟蹤誤差項定義如下

隨后,基于以下趨近律設計滑?？刂撇呗?/p>

結合式 (17)、式 (18) 和式 (21),不難得到

將數據模型 (13) 代入式 (22) 中,可得

由式 (23) 可以推導出等效控制律表達式

當系統的初始狀態不在滑模面上或者運動期間出現外部干擾時,獨立的等效控制不能驅動系統的軌跡到滑模面[26-27].為了減輕滑模抖振現象,提高系統魯棒性,設計如下切換控制律

式中,0 ＜γ＜β表示切換增益,γ為一個無窮小的正數.

綜上所述,MIMO 動車組滑?？刂品桨笧?/p>

注1.本文的等效控制 Δueq(t) 是由滑模函數、滑模趨近律和數據模型共同推導而成,不僅與系統誤差有關,還與數據模型的參數矩陣有關;切換控制 Δusw(t) 的系數矩陣與 FFDL 數據模型中有關;而文獻[24,26] 中切換控制的系數矩陣與狀態空間方程中控制矩陣和輸出矩陣有關.此外,不難看出,本文與文獻[24,26] 最顯著的區別是,本文方法是一種數據驅動方法.

注2.為減輕滑模抖振現象,可以考慮采用如下飽和函數 sat 代替符號函數 sgn

式中,Δ ＞0.當 |si(t)|＜Δ 時,系統的魯棒性將會受到影響,因此,參數 Δ 的大小應在抑制抖振與魯棒性之間折中選擇.

2.3 算法穩定性分析

假設 3[24,26].當采樣時間足夠小時,相鄰的兩個采樣間隔廣義擾動的變化量不大,即存在一個任意小的正數γ使得以下公式成立

式中,o (γ) 表示γ的同階無窮小,以下同理.

注3.本文方法的誤差收斂值與相鄰采樣間隔廣義擾動的變化量有關,所以只要噪聲變量有界,誤差收斂值則有界,而噪聲在實驗過程中是人為設計的 (可控),不影響誤差的有界性;另外,排除一些極端突發情況,動車組正常運行過程中,一個采樣間隔內的環境因素、系統內擾等變化是可以忽略不計的,所以假設 3 合理.

定理 2.對于具有外部擾動的離散時間 MIMO非線性系統 (11),如果不確定項d(t) 滿足假設 3,控制方案采用式 (26),則被控系統滿足如下性質:

2) 系統在有限步驟內達到準滑模狀態;

3) 輸出跟蹤誤差e(t)=[e1(t),···,en(t)]T收斂到區域 Ωe,其中

式 (30) 展開可得如下形式

將數據模型 (13) 代入式 (31) 中可得

由于時變參數矩陣Φ(t) 有界,令‖Φ(t)‖≤v,v為有界常數.對式 (32) 兩邊取范數,可推出

對式 (33) 右側第 2 項取平方

由于步長因子λ∈(0,2],以及μ＞0,不難得到

通過式 (34) 和式(35) 可推出

由式 (36) 可推出,一定存在一個0＜M1＜1的數,使以下不等式成立

將式 (37) 代入式 (33) 中可得到如下不等式

證明 2.系統在有限步驟內達到準滑模狀態.

將式 (13) 代入式 (17) 中,可得

將控制律 (26) 代入式 (39) 中,可得

由假設 3 不難得出

將式 (40) 代入滑模函數 (18) 中可得

給出式 (43) 的子元素形式

由式 (44) 不難得出

由式 (45) 可推出

綜上所述可知,系統滿足如下滑模存在和到達條件

因此,s(t) 單調遞減且在有限數量步驟內達到準滑模狀態.

證明 3.以下是對輸出跟蹤誤差有界性的分析.

將滑模函數 (18) 代入式 (43) 中

理同式 (44),可以給出式 (48) 的子元素形式

由假設 3 可得

根據引理 1、式 (49) 和式 (50),可得到跟蹤誤差e i(t) 的收斂性表達式

式中,α,γ,β,k1,k2,b均為有界常數,不難得出系統的跟蹤誤差e(t) 是有界的.

綜上所述,利用控制方案 (26),系統 (11) 的輸出能夠成功地跟蹤期望輸出,系統 (11) 的輸出也能以期望輸出附近的鄰域為界.

3 動車組積分滑模預測控制器設計

3.1 積分滑模預測控制器

為了提高系統的輸出跟蹤控制精度,將所提出的 ISMC 與 MPC 方案相結合.考慮如下 ISMPC定律

式中,Δueq為已設計的等效控制,Δump為 MPC方法生成的最優控制.該控制律使用最優控制Δump將系統狀態驅動到滑模面上,等效控制Δueq用于在后續時間內將狀態軌跡維持在滑模面上.由式 (24) 中 Δueq可知,ISMPC 總控制量Δu*(t)如下

由于 Δump(t) 是未知的,下一步的目標是基于MPC 方法設計 Δump(t).將數據模型 (13) 代入誤差表達式 (17) 中

將式 (24) 中的等效控制 Δueq(t) 代入式 (54)并整理可得

結合式 (18) 和式 (55),給出滑模狀態的一步向前預測s(t+1)

因此,2,···,N步向前預測滑模狀態為

式中,N是預測長度也是控制長度.對以上N個方程積分得到

N個預測方程可以整理成以下形式

根據上述格式,引入指標函數J2的矩陣形式[26]

式中,θ為權重因子,決定了控制量的大小.將式(65) 代入式 (66),性能指標函數可重寫為

極小化性能指標函數 (67),可得到如下控制序列

事實上,式 (68) 中擾動估計誤差的值是未知的,用上一采樣時刻的擾動估計誤差代替是一種可行的方法.由式 (41) 中定義的p(t) 可得

與第 2.1 節的處理類似,Δd(t-1) 可以由得到,那么,p(t-1) 可以由下式得到

通過式 (60)、式 (69) 和式 (70),P(t) 也可以用它的估計代替

所以,控制序列U(t) 可重新寫為

由于只需要將預測控制序列U(t) 的第一個控制信號作用到系統中,得到最優控制律為

式中

綜合以上,積分滑模預測控制律整體組合為

注4.與文獻[24,26] 中的算法相比,本文 ISMPC 算法使用基于 FFDL 數據模型的 MPC,因此也是數據驅動的方法.由于參數矩陣是時變的,在使用 MPC 時則需要進行參數預測處理或者使用向后 (與預測步數一致) 的參數值進行等效替代,控制性能提升的同時復雜度也相應增加.

3.2 算法穩定性分析

定理 3.對于具有外部擾動的離散時間 MIMO非線性系統 (11),在θ=0 時,當不確定項d(t) 滿足假設 3,采用式 (75) 的控制方案,被控系統滿足如下性質:

1) 任意初始狀態,s(t)=[s1(t)···sn(t)]T將收斂到區域 Ωs內,其中

2) 輸出跟蹤誤差e(t)=[e1(t)···en(t)]T收斂到區域 Ωe,其中

證明 4.滑模狀態收斂到區域 Ωs內.

首先,當θ=0 時,將最優控制律 (73) 代入式(56) 中,再根據式 (70),可得

根據假設 3,可得出

綜上所述,滑模狀態s(t) 將收斂到區域 Ωs內.

證明 5.輸出跟蹤誤差e(t) 收斂到區域 Ωe.

首先,當θ=0 時,將最優控制律 (73) 代入式(55) 中,可得

將滑模函數 (18) 代入式 (81) 中

式中

根據定理 3 的性質 1),可推出

將式 (82) 重寫為如下的子元素形式

根據引理 1、式 (84) 和式 (85),可以得到輸出跟蹤誤差e i(t) 的上界為

式中,α,γ,k1,k2,b均為有界常數,不難得出系統的跟蹤誤差e(t) 是有界的.

注5.由本文的系統跟蹤誤差有界性證明可知,系統誤差的最終表達式只與滑模函數的形式以及干擾項的估計誤差有關,與系統的數據模型形式無關.當系統干擾項的估計誤差有界以及系統滿足滑模存在和到達條件時,系統的跟蹤誤差有界.

注6.本文分析了θ=0 時系統在 ISMPC 方案(75) 下的收斂性.當θ0 時,系統的收斂性還有待證明,將作為作者未來的工作.

4 仿真實現及分析

采用實驗室裝備的 CRH380A 型動車組實驗臺對本文提出的 MIMO 數據驅動 ISMC 和 ISMPC 算法進行仿真實驗和性能評估,實驗裝置如圖2 所示.通過該平臺預留的編程接口輸入相應的控制策略,可以將列車運行效果實時顯示在虛擬視景設備上,同時記錄列車的運行速度、位置、與目標點的距離等信息,模擬真實運行環境.

圖2 CRH380A 型動車組模擬實驗臺Fig.2 Simulation experiment device of CRH380A EMU

CRH380A 動車組有 3 個獨立的牽引動力單元,編組方式如圖3 所示.該動車組的各節車輛的基本信息如表1 所示[10,28].

表1 CRH380A 型動車組模型參數Table 1 The CRH380A EMU model parameters

圖3 CRH380A 型動車組動力單元分布Fig.3 Distribution of CRH380A EMU power unit

4.1 仿真設置

車輛模擬運行于華東地區的濟南西至徐州東路段,速度-位移曲線如圖4 所示,其中青色線為限速曲線,紅色線為期望的速度-位移曲線,包括牽引、惰行和制動運行模式.勻速段的減速過程表示動車組通過中性段時的滑行模式.圖5 為 CRH380A 型動車組牽引/制動特性曲線.

圖4 CRH380A 型動車組濟南西至徐州東的實際曲線Fig.4 The actual curves of CRH380A EMU from Jinan west to Xuzhou east

圖5 CRH380A 型動車組牽引/制動特性曲線Fig.5 The traction/braking characteristic curves of CRH380A EMU

操作過程中,引入白噪聲模擬列車實際運行過程中遇到的外界干擾,用以驗證所提算法的魯棒性.將控制策略以及車輛信息輸入到仿真實驗臺中,記錄各方法的列車速度、位置、控制力等信息,并與傳統 FFDL-MFAC 和廣義預測控制 (Generalized predictive control,GPC) 方法進行對比.

1) FFDL-ISMPC 方法: 系統的初始條件設置為y1(1)=y2(1)=y3(1)=yr(1),Φ1(1)=Φ2(1)=diag{0.5,0.5,0.5}.控制器參數設置為μ=1,λ=0.2,k1=0.5,k2=2,α=0.5,N=10.

2) FFDL-ISMC 方法: 系統的初始條件設置為y1(1)=y2(1)=y3(1)=yr(1),Φ1(1)=Φ2(1)=diag{0.5,0.5,0.5}.控制器參數設置為μ=1,λ=0.2,β=0.05,k1=0.5,k2=2,α=0.65.

3) FFDL-MFAC 方法: FFDL-MFAC 方案可參考文獻[18].系統的初始條件設置為y1(1)=y2(1)=y3(1)=yr(1),Φ1(1)=Φ2(1)=diag{0.52,0.52,0.52}.控制器參數設置為μ=1,λ=0.2,δ=1,ρ=0.85.

4) GPC 方法: GPC 方案可參考文獻[9-10].系統的初始條件設置為y1(1)=y2(1)=y3(1)=yr(1).控制器參數設置為: 預測時域和控制時域分別為Nv=3,Nu=2;遺忘因子λGPC=0.9.

4.2 各種控制方法的速度跟蹤及誤差對比

圖6 為 ISMPC、ISMC、MFAC 和 GPC 的各動力單元速度-位移跟蹤曲線,圖7 為對應的速度跟蹤誤差曲線.由于存在外界擾動,ISMC、MFAC和 GPC 方法的性能受到了較大的影響,收斂性難以保證.平穩路段中,ISMC 的各個動力單元跟蹤誤差范圍在 [-0.274 km/h,0.228 km/h] 之間,由于切換控制的加入,系統抖振程度較輕;MFAC 和 GPC的各動力單元跟蹤誤差范圍分別在 [-0.408 km/h,0.413 km/h] 之間和 [-0.446 km/h,0.438 km/h]之間;在經過分相區等期望速度變化頻繁的路段時,MFAC 和 GPC 方法的跟蹤性能進一步惡化,誤差分別只能穩定在 [-0.627 km/h,0.548 km/h]之間和 [-0.811 km/h,0.862 km/h] 之間.反觀 ISMPC 方法,采用新型的積分滑?？刂撇呗?同時,為了將系統狀態驅動到具有最優運動軌跡的滑模面上,用 MPC 代替了 ISMC 的切換控制,進一步提升控制性能.各個動力單元跟蹤誤差范圍全程穩定在 [-0.121 km/h,0.132 km/h] 之間,受擾動影響較小,滿足速度跟蹤精度要求.但相較于 ISMC 方法,系統存在一定的抖振現象,實際工程過程中可在抑制抖振與收斂性之間折中選擇.

圖6 本文方法與其他方法速度跟蹤曲線對比Fig.6 The velocity tracking curves of the proposed method are compared with those of other methods

圖7 本文方法與其他方法各動力單元速度跟蹤誤差對比Fig.7 The velocity tracking errors of the proposed method are compared with those of other methods

圖8 為 ISMPC、ISMC、MFAC 和 GPC 各動力單元速度分級誤差,為圖7 的擴展,目的是討論 4種方法是否符合列車安全速度運行要求.根據 CTCS-3[1-2](中國列車運行控制系統三級) 對速度誤差的要求: 當速度小于等于30 km/h 時,速度誤差范圍不超過 ±2 km/h;當速度大于 30 km/h 時,速度誤差應在速度的 2%以內.圖8 清楚地闡釋了 ISMPC 和 ISMC 方法在所有速度等級都滿足 CTCS-3 速度誤差要求,而 MFAC 和 GPC 在 30 km/h 和50 km/h 等級處超出速度誤差限制,不滿足 CTCS-3 速度誤差要求.在速度等級 50～300 km/h 范圍中,雖然 MFAC 和 GPC 的誤差在要求范圍以內,但如果出現一些特殊情況 (如過長隧道和長大下坡等特殊路段時),速度容易超出限制,給列車運行帶來了一定的安全隱患.

圖8 本文方法與其他方法分級速度跟蹤曲線對比Fig.8 The proposed method and other methods classify the speed tracking curve

4.3 各種控制方法的控制力和加速度對比

圖9 為各個控制方案的控制力變化圖,可以看出,在啟動、制動、惰行時 ISMPC 和 ISMC 的控制方案各動力單元給出的單位控制力滿足恒牽引力啟動、恒功率運行等要求[12],控制力范圍分別為 [-52 kN,42 kN] 和 [-53 kN,43 kN],在工況過渡階段,控制力也能以一定的速率緩和變化.同第 4.2 節的分析,由于切換控制的加入,ISMC 較 ISMPC 方法系統抖振現象緩解.MFAC 和 GPC 在啟動、制動時存在較大的控制力變化,控制力范圍分別為 [-55 kN,47 kN] 和 [-57 kN,58 kN],變化較為頻繁且幅值較大,在不節能的情況下,還給列車運行帶來一定程度的安全問題.

圖9 本文方法與其他方法單位控制力變化對比Fig.9 The variation of unit control force of the proposed method is compared with this of other methods

從圖10 各個控制方案的加速度變化可得:MFAC 和 GPC 方法加速度變化過快,范圍分別為 [-0.9749 m/s2,0.8687 m/s2] 和 [-1.0124 m/s2,0.8746 m/s2],幅值較大.而采用ISMPC 和ISMC 方法的高速動車組加速度過渡階段變化平緩,除了啟動階段,范圍分別為 [-0.9249 m/s2,0.8187 m/s2] 和[-0.9432 m/s2,0.8210 m/s2],幅值小于 MFAC 方法的同時,滿足乘客的舒適度要求[5,12](列車運行的加速度在 [-1 m/s2,1 m/s2] 范圍內時,乘客感覺舒適).

圖10 本文方法與其他方法加速度變化對比Fig.10 The acceleration changes of the proposed method are compared with those of other methods

綜上,本節引入外界干擾,通過速度跟蹤誤差、控制力變化情況、加速度變化情況驗證了 ISMPC和 ISMC 算法的有效性、魯棒性及各自優劣性所在.

4.4 各種控制方法的若干性能指標對比

進一步,為了更直觀分析各個控制器的控制性能,考慮以下若干性能指標對控制器進行評價.

1) 均方誤差 (Mean square error,MSE)

2) 積分誤差絕對值 (Integral absolute error,IAE)

3) 最大加速度[5,31](Maximum acceleration,MA)

MSE 指標衡量的是觀測值與真值偏差,并且對數據中的異常值較為敏感,該值越小,系統跟蹤效果越好,IAE 值類似,MA 值反映系統輸入的穩定性.各個控制方法的性能指標值如表2 所示,可以看出,ISMPC 和 ISMC 算法的 MSE 值和 IAE 值均小于 MFAC 和 GPC 方法.使用 ISMPC 和 ISMC 算法的列車,MA 值分別為 0.9249 和 0.9432,變化偏小;MFAC 和 GPC 的 MA 值較大,分別為0.9749 和 1.0124,也意味著 MFAC 和 GPC 不滿足乘客的舒適性要求,而 ISMPC 和 ISMC 算法可以達到要求.綜上,在有干擾的情況下,ISMPC和 ISMC 算法能控制動車組以較小的跟蹤誤差、穩定的加速度運行.

表2 各個控制方法的若干性能指標對比Table 2 Comparison of several performance indexes of each control method

5 結論

本文首次針對包含未知外部擾動的動車組MIMO 系統,提出一種新的數據驅動離散積分滑模預測控制算法.所提算法基于更符合列車運行特性的 FFDL 數據驅動模型,構建了一種新的 ISMC控制律.為了將系統狀態驅動到具有最優運動軌跡的滑模面上,用 MPC 代替了 ISMC 的切換控制.在滿足一些合理假設的情況下,給出了上述兩種算法的嚴格證明過程.最后,以實驗室配備的 CRH-380A 型動車組仿真實驗臺對本文提出的 ISMC 和ISMPC 算法進行仿真測試.通過與 MFAC 和 GPC對比,仿真結果表明:

1) ISMPC 實現了比 ISMC、MFAC 和 GPC方法對給定速度-位移曲線更高精度的跟蹤控制,誤差范圍在[-0.121 km/h,0.132 km/h] 之間,滿足列車速度誤差要求,確保列車安全準時運行;

2) ISMPC 算法控制力變化更平穩,各動力單元加速度變化范圍均在 [-0.9249 m/s2,0.8187 m/s2]之間,滿足乘客的舒適度要求;

3) 由于用 MPC 代替了 ISMC 的切換控制,ISMPC 相較于 ISMC 算法,系統存在一定的抖振現象,實際工程中應該在抑制抖振與收斂性之間折中選擇;

4) ISMC 相比于 ISMPC,跟蹤性能會差一些,但是由于切換控制的存在,它的抖振情況又比 ISMPC 要好;ISMPC 所使用的方法是基于 FFDL數據模型的 MPC 方法,因此也是數據驅動的方法.由于參數矩陣是時變的,在使用 MPC 時則需要進行參數預測處理或者使用向后(與預測步數一致)的參數值進行等效替代,控制性能提升的同時復雜度也相應地增加了;此外它的抖振現象比 ISMC 要明顯.如何使得該算法在跟蹤性能良好的情況下無抖振現象,將作為作者未來的工作重心.

進一步,在本文的基礎上,作者將在未來進行以下研究:

1) 在引入外部干擾的基礎上,考慮不同車廂類型和延時影響;

2) 考慮采用神經網絡方法對本文提出的控制算法進行參數優化;

3) 近年來,許多學者開始關注列車多智能體系統的協調控制和編隊控制問題.其目標是通過系統中各智能體的相互協作,提高運行效率,防止事故發生[32-33].因此,在未來的工作中,作者將研究具有多智能體的高速列車無模型自適應控制.