基于車-車通信的RBFNN量化滑模控制的ATO算法

楊軍霞，張友鵬

(蘭州交通大學 自動化與電氣工程學院，蘭州 730070)

ATO系統(tǒng)是控制城市軌道列車安全運行的核心單元，其最主要的功能是根據不同的列車運行環(huán)境實時調整列車的運行速度，使列車能夠平穩(wěn)、精確地跟蹤目標位置-速度曲線[1-2].

在高密度運行的城市軌道交通系統(tǒng)中，列車之間信息交互的實時性與可靠性直接影響系統(tǒng)的全局性能及城市軌道交通系統(tǒng)的安全和效率[3].文獻[4-6]中，假設列車之間能夠精確的傳輸列車運行的實時狀態(tài)信息，然而實際的車-車通信信道只具備有限的信道容量，每次只能收發(fā)有限的信息，其相互發(fā)送的狀態(tài)信息有可能被截斷或丟包，影響列車運行控制性能.因此，本文將控制與通信相結合，設計了一種RBFNN自適應量化滑模控制(radial basis function neural network-adaptive quantization sliding mode control,RBFNN-AQSMC)的ATO控制算法.該算法利用RBFNN對列車模型受到的附加阻力及未知干擾進行自適應逼近補償，采用量化通信技術，在通信速率盡可能小的情況下，實現(xiàn)列車高精度控制；基于自適應滑模控制技術驅動列車運行狀態(tài)達到指定的滑動超平面，使列車能夠跟蹤理想的運行曲線.

1 列車動力學模型

考慮列車運行過程中的外界阻力，根據牛頓動力學原理，基于時間的城市軌道列車單質點運動動力學模型可以描述為：

(1)

g(v(t))=a0+b0v(t)+c0v2(t),

(2)

其中：a0、b0和c0為基本阻力參數.附加阻力f(p(t),v(t),t)由于受線路曲線、坡道和隧道等因素的影響，難以建立精確的模型，本文考慮其為有界時變的動力學情況，用RBFNN并行學習的特點來逼近未知的非線性附加阻力和擾動函數.