內燃機車自動駕駛優(yōu)化算法與控制策略的研究

陶偉平 劉罡

摘要： 基于列車動力學方程為基礎，以能耗、準時性、精確停車以及舒適度為優(yōu)化指標建立了列車自動駕駛的多目標優(yōu)化模型，其優(yōu)化算法采用遺傳算法，控制策略基于一種實時速度校正的計算方法。為驗證算法有效性，選用了一種具體的采用內燃機的列車自動駕駛實際算例，利用遺傳算法對采用列車自動駕駛的多目標優(yōu)化模型進行優(yōu)化以得到列車運行目標曲線，并實施自動駕駛控制?；贛ATLAB平臺的仿真結果表明，在相同條件下，本文設計的遺傳算法和控制策略具有較佳的性能。

Abstract： Based on the train dynamics equation， a multi-objective optimization model for automatic train driving is established with energy consumption， punctuality， precise parking and comfort as optimization indicators. The optimization algorithm uses genetic algorithms， and the control strategy is based on a real-time speed. The calculation method of the correction. In order to verify the effectiveness of the algorithm， a specific actual example of automatic train driving with internal combustion engine is selected， and the genetic algorithm is used to optimize the multi-objective optimization model of automatic train driving to obtain the train operation target curve and implement automatic driving control. The simulation results based on MATLAB platform show that the genetic algorithm and control strategy designed in this paper have better performance under the same conditions.

關鍵詞： 自動駕駛;算法;控制策略

Key words： autonomous driving;algorithm;control strategy

中圖分類號：U268.4+2? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）17-0008-02

0? 引言

列車自動駕駛系統(tǒng)所采用的優(yōu)化及控制算法，是確保列車自動駕駛系統(tǒng)性能的核心。

對于列車自動駕駛的研究可追溯至上個世紀中期，其理論基礎研究和仿真優(yōu)化研究方面都取得了一定的研究成果。針對列車追蹤控制問題，一種能夠同時兼顧考慮列車追蹤過程的準時性和節(jié)能性優(yōu)化指標的多模型切換的優(yōu)化框架被提出[1]。針對一定速度約束下的列車速度軌跡跟蹤控制問題，提出了一種輔助列車駕駛的模糊預測控制方法[2]。針對高速列車速度軌跡多目標優(yōu)化問題，一種基于差分進化和模擬退火算法的改進算法被設計并應用[3]。

1? 列車自動駕駛多目標模型

1.1? 列車牽引能耗模型

列車牽引能耗是列車運行全程中列車動力機構（蒸汽機、內燃機、電機等）克服列車阻力所做的功。

式中，P為列車自動駕駛運行過程的牽引能耗：t1和t2為列車自動駕駛運行過程的初始時間和終止時間;μ（t）為t時刻內燃機克服列車阻力的牽引功率。

1.2 舒適度模型

舒適度反映著乘客的乘車質量，是衡量列車運行舒適性的重要指標，其表達式為

式中，Ks表示舒適度;ai表示列車在第i個工況點運行時的加速度。

1.3 精確停車模型

精確停車是指列車在整個站間運行時的實際運行距離與站間距離之差，其模型表達式為

式中，KJ表示停車精度誤差衡量指標;SZ表示列車實際運行距離;S′表示站間距離。

1.4 準時性模型

準時性模型可以表示為列車的實際運行時間與預期時間之差，其模型表達式為

2? 改進的列車自動駕駛遺傳算法

由進化論可知，任意種群隨著時間的推移而不斷地進化，會具備越來越多的優(yōu)良品質。然而，由于他們的進化環(huán)境和初始種群都有一定的局限性，經(jīng)過相當長時間后，將逐漸進化到某些特征相對優(yōu)勢的狀態(tài)。雙種群遺傳機制是一種并行機制，它使用兩個種群同時進化，并交換種群之間優(yōu)秀個體所攜帶的遺傳信息，以打破種群內的平衡態(tài)以達到更高的平衡態(tài)，從而跳出局部最優(yōu)。

具體的改進遺傳算法的流程圖如圖1所示。

3? 實時速度校正的計算方法

在列車自動駕駛控制過程中，需要考慮到采樣誤差對控制效果的影響。因此，可以設置一個附加數(shù)據(jù)源，用以對實時控制過程中某一部分大概率存在較大采樣誤差的實時采樣數(shù)據(jù)進行適當?shù)男Ｕ?，從而提升整體控制過程的實時采樣精度。由采樣數(shù)據(jù)源得到的實時速度與校正數(shù)據(jù)源的差異較大（大于給定的閾值），則說明該采樣數(shù)據(jù)源得到的實時速度有較大概率存在較大的采樣誤差，有必要對其校正。具體校驗和修正的公式如下述公式（5）、（6）所述：

式中，vis，x表示第is個采樣點的來源于基于某種采樣數(shù)據(jù)源x計算得到實時速度;vis，ref表示第is個采樣點的來源于附加校正數(shù)據(jù)源的實時采樣速度值;Δvis，c表示校驗采樣誤差率，也即vis，x與vis，ref之間的采樣誤差與vis，x之間的比值;Δvis，p表示被允許的最大校驗采樣誤差率;vis，xc表示符合校正條件的情況下（公式（6）不成立），第is個采樣點的被附加校正數(shù)據(jù)源修正的基于某種采樣數(shù)據(jù)源x的采樣修正速度值。

4? 實例仿真

4.1 列車自動駕駛實際算例優(yōu)化

為遺傳算法在列車自動駕駛優(yōu)化中的有效性，選用了一種具體的采用內燃機的列車自動駕駛實際算例，其線路參數(shù)調用“route_Euston_Rugby.m”文件，并且車輛參數(shù)調用“vehicle_Pendolino.m”文件。此外，對于上述內燃機車自動駕駛算例，預期旅行時間必須小于3120s，并且能耗盡可能少。基于上述列車自動駕駛算例在MATLAB下的仿真結果如圖2和表1所示。

由表1可知，由遺傳算法獲得了上述內燃機車自動駕駛實際算例的優(yōu)化解，其優(yōu)化所得的優(yōu)化指標較為理想，其旅行時間小于預期的3120s，且能耗較低，為1478.9kWh。由圖2可知，遺傳算法有著較佳的優(yōu)化效果。

4.2? 列車自動駕駛實際算例控制

為驗證控制算法在列車自動駕駛優(yōu)化中的有效性，選用了一種具體的采用內燃機的列車自動駕駛實際算例，其車輛參數(shù)和線路參數(shù)分別調用了“vehicle_route_Trehafod_

Treherbert.m”文件和“route_Euston_Rugby.m”文件。基于上述內燃機車自動駕駛算例在MATLAB下的仿真結果如圖3～圖4和表1所示。由圖3～圖4可知，所獲得的列車速度距離曲線比較平滑，且能夠運行完全程。這表明本文采用的速度校正控制策略具有較佳的跟蹤控制性能。

5? 結論

列車自動駕駛是一個復雜的優(yōu)化與控制問題。采用遺傳算法能夠獲得較佳的列車自動駕駛優(yōu)化效果。此外，所提出的實時速度校正方法也適合于列車自動駕駛跟蹤控制。由本文選用的一種具體的采用內燃機的列車自動駕駛實際算例的仿真結果可知，本文所設計的列車自動駕駛優(yōu)化算法與控制策略都適合于解決列車自動駕駛問題。

參考文獻：

[1]Gu， Q.; Tang， T.; Cao， F.; Song， Y. Energy-Efficient Train Operation in Urban Rail Transit Using Real-Time Traffic Information. IEEE Trans. Intell. Transp. Syst [J]. 2014， 15， 1216-1233.

[2]Bai， Y.; Tin， K.H.; Mao， B.; Ding， Y.; Chen， S. Energy-Efficient Locomotive Operation for Chinese Mainline Railways by Fuzzy Predictive Control. IEEE Trans. Intell. Transp. Syst [J].2014， 15， 938-948.

[3] Shangguan， W.; Yan， X.; Cai， B.; Wang， J. Multiobjective Optimization for Train Speed Trajectory in CTCS High-Speed Railway With Hybrid Evolutionary Algorithm. IEEE Trans. Intell. Transp. Syst [J]. 2015， 16， 2215-2225.