阅读说明：本技术 基于二阶adrc算法的地铁列车速度自动控制方法 (Subway train speed automatic control method based on second-order ADRC algorithm ) 是由 郑子缘 戴胜华 梁瑶 曹景铭 吴为 谢旭旭 周兴 李正交 卢建成 习家宁 王宇琦 于 2019-09-17 设计创作，主要内容包括：本发明提供了一种基于二阶ADRC算法的地铁列车速度自动控制方法。该方法包括：由列车的运行目标速度经过跟踪微分器安排过渡过程并提取微分信号后,获得跟踪速度和跟踪加速度；由列车实际运行速度经过扩张状态观测器估计对象状态和不确定扰动作用后获得观测扰动、观测速度和观测加速度；将跟踪速度误差和跟踪加速度误差经过非线性反馈环节后得到输出量,将输出量减去观测扰动和系统增益的倒数的乘积后,得到系统控制量。将系统控制量转化为列车的数学模型的控制力,并将控制力输出给列车的数学模型。本发明结合ADRC算法的优点对速度跟踪误差进行修正,从而减小速度跟踪误差,使得对列车的控制更加精确,能够使得列车更加平稳运行。(The invention provides a subway train speed automatic control method based on a second-order ADRC algorithm. The method comprises the following steps: arranging a transition process by a running target speed of a train through a tracking differentiator and extracting a differential signal to obtain a tracking speed and a tracking acceleration; the actual running speed of the train is subjected to the action of estimation of the object state and uncertain disturbance by the extended state observer to obtain observation disturbance, observation speed and observation acceleration; and obtaining output quantity after the tracking speed error and the tracking acceleration error pass through a nonlinear feedback link, and obtaining system control quantity after subtracting the product of observation disturbance and the reciprocal of system gain from the output quantity. And converting the system control quantity into the control force of a mathematical model of the train, and outputting the control force to the mathematical model of the train. The invention corrects the speed tracking error by combining the advantages of the ADRC algorithm, thereby reducing the speed tracking error, ensuring that the control of the train is more accurate and the train can run more stably.)

基于二阶ADRC算法的地铁列车速度自动控制方法

技术领域

本发明涉及城市轨道交通控制技术领域，尤其涉及一种基于二阶ADRC(activedisturbance rejection control，自抗扰控制)算法的地铁列车速度自动控制方法。

背景技术

随着我国城镇化率的不断上升，现代大都市人口愈发稠密，城市交通问题日益严峻，建设高效率、高密度和高可靠性的城市轨道交通体系成为迫切需求为了满足这些要求，ATO(automatic train operation，列车自动驾驶)是必不可少的。采用优秀的列车驾驶控制算法，可以有效提高行车的安全、改善效率、提高密度、增加旅客的舒适度，减少司机人控不确定性，降低司机劳动强度。比例积分微分(proportion integrationdifferentiation，PID)控制算法是一种经典的控制算法，已经被广泛地运用于地铁列车控制中，并取得了一定的控制效果。

然而，在地铁列车运行过程中运行参数以及各种干扰存在较大随机性，基于PID算法的列车控制器不能很好适应这种干扰，使得在实际控车中，列车行驶策略常常会出现频繁的调整，加减速切换次数过多且超调问题严重，列车难以平稳运行，降低旅客乘坐时舒适度。

发明内容

本发明的实施例提供了一种基于二阶ADRC算法的地铁列车速度自动控制方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于二阶ADRC算法的地铁列车速度自动控制方法，包括：

获取列车的运行目标速度和实际运行速度；

由列车的运行目标速度经过跟踪微分器安排过渡过程并提取微分信号后，获得跟踪速度和跟踪加速度；

由列车实际运行速度经过扩张状态观测器估计对象状态和不确定扰动作用后获得观测扰动、观测速度和观测加速度；

由跟踪速度和观测速度做差得到跟踪速度误差，由跟踪加速度和观测加速度做差得到跟踪加速度误差；

将所述跟踪速度误差和跟踪加速度误差经过非线性反馈环节后得到输出量，将所述输出量减去观测扰动和系统增益的倒数的乘积后，得到系统控制量。

将所述系统控制量转化为列车的数学模型的控制力，并将控制力输出给列车的数学模型。

优选地，所述的获取列车的当前运行目标速度和实际运行速度，包括：

根据列车在当前区间内的区间计划运营时间以及线路限定条件信息，计算出列车的运行ATO速度曲线，根据列车的运行ATO速度曲线获取列车的当前运行目标速度；

利用列车上的速度传感器采集列车实际运行速度。

优选地，所述的跟踪微分器由以下公式给定输入输出。

其中v₁(k),v₂(k)分别为跟踪速度，跟踪加速度，r₀是跟踪微分器的速度系数，h₀为滤波因子，fst为一个非线性函数。

优选地，所述的扩张状态观测器由以下公式给定输入输出：

e(k)＝z₁(k)-y(k)

z₁(k+1)＝z₁(k)+z₂(k)-β₀₁e(k)

z₂(k+1)＝z₂(k)+z₃(k)-β₀₂fal(e(k),0.5,δ)+b₀u(k)

z₃(k+1)＝z₃(k)-β₀₃fal(e(k),0.25,δ)

其中z₁(k),z₂(k),z₃(k)分别为观测扰动、观测加速度和观测速度。e(k)为跟踪误差。u(k)为系统控制量。β₀₁,β₀₂,β₀₃为三个观测器参数，b为系统增益，y(k)为对象输出，fal为非线性函数。

优选地，所述跟踪微分器、扩张状态观测器和非线性反馈环节中用到的非线性函数为：

d＝rh₀,

d₀＝dh₀,

y＝x₁+h₀x₂,

其中r₀是跟踪微分器的速度系数，r₀越大跟踪速度越快，当r₀→∞时，跟踪微分器无差地跟踪控制量的输入，r表示跟踪微分器的快慢因子，h₀为滤波因子，设定一定的值用来消除高频的震荡，e是跟踪误差，η和η₀为ESO和NLSEF的线性区间，z₁,z₂能够估计出被控量y和其微分y'，z₃能够估计出系统的扩张状态a＝f(x,x',w(t))，a是一个0到1之间的参数，sign为符号函数，用于返回值的正负；

所述非线性反馈环节由以下公式给定输入输出：

其中，v₁(k),v₂(k)分别为跟踪速度、跟踪加速度。z₁(k),z₂(k),z₃(k)分别为观测扰动、观测加速度和观测速度，e₁(k)，e₂(k)分别为跟踪速度误差和跟踪加速度误差，β₁，β₂为观测器系数，α₁，α₂为0到1之间的参数，δ表示设置的线性区间的大小，u₀(k)为非线性反馈的输出，u(k)为系统控制量，b₀为系统增益的估计值。

优选地，所述列车的数学模型为：

其中G_n(s)为固定环节，由列车情况和自身的牵引制动决定，G₀(s)为可变环节，由外部条件决定，固定环节G_n(s)的输入为控制级位，输出为牵引力，将该牵引力作为数学模型的控制力，可变环节G₀(s)的输入为固定环节的输出，输出为列车的运行速度。

优选地，所述的方法还包括：

通过二阶ADRC控制器完成跟踪微分器、非线性反馈和扩张状态观测器的相关处理过程，通过调试好参数的ADRC控制器使得列车运行于ATO设定的位置—速度曲线之上。

优选地，所述的方法还包括：

利用改进的粒子群算法中的对二阶ADRC控制器中的β₀₁,β₀₂,β₀₃,β₁,β₂参数进行整定的处理流程为：

步骤(1)：初始化粒子群，根据经验给定待整定的参数的上下界限，取初始值w₁＝1,w₂＝10，惯性权重w_start＝0.93,w_end＝0.31，粒子群规模Size＝70，搜索空间维数D＝5，粒子群繁殖代数G＝100；

所述改进的粒子群算法的适应度函数如下：

式中w₁,w₂为权值，e(t)为跟踪误差，J为适应度函数值，所述跟踪误差即为被控对象的输出和基于线路条件选定的ATO速度曲线之间的误差；

步骤(2)：更新惯性权重因子和每个粒子的位置以及速度；

步骤(3)：计算每个粒子适应度函数值，选取得到ADRC控制器最优控制效果适应度函数值；

步骤(4)：对粒子群适应度函数值排序，最优的三分之一粒子进入下次迭代，并利用遗传算子对进入下次迭代的粒子进行操作，产生新的粒子，并用新的粒子代替原群体中间的三分之一粒子；对于最后三分之一粒子，进行维数随机初始变异；

步骤(5)：对每个粒子，比较其当前位置适应度函数值与历史最优适应度函数值和全局最优适应度函数值的关系，如果当前位置适应度函数值优于历史最优适应度函数值，则对应替换历史最佳位置和它的历史最优适应度函数值，如当前位置适应度函数值还优于全局最优适应度函数值，则对应替换全局最佳位置和全局最优适应度函数值，并记录该全局最优粒子位置；

步骤(6)：判断是否达到最大迭代次数，达到则算法结束，反之重复执行步骤(3)、步骤(4)和步骤(5)，经过设定次数代迭代，最后得到最优的ADRC控制器核心参数β₀₁,β₀₂,β₀₃,β₁,β₂；

步骤(7)：将所述步骤(1)和步骤(6)得到的参数作为ADRC控制器的最终参数。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例结合ADRC算法的优点对速度跟踪误差进行修正，从而减小速度跟踪误差，使得对列车的控制更加精确，能够使得列车更加平稳运行，有效提高列车运行效率，旅客舒适度，列车停车精度；减小列车能耗、运行时间误差。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于二阶ADRC算法的地铁列车速度自动控制方法的实现原理图；

图2是本发明实施例提供的一种基于二阶ADRC算法的地铁列车速度自动控制方法的处理流程图；

图3是本发明实施例提供的一种ADRC控制器结构示意图；

图4是本发明中利用改进的粒子群算法对ADRC控制器参数进行整定的原理示意图。

图5是本发明在亦庄线宋家庄站至肖庄站线路上的列车控制仿真曲线。

图6是本发明在亦庄线宋家庄站至肖庄站线路上的列车控制误差仿真曲线。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

面对这种问题，应当使用一种对外界干扰具有很强抑制能力的控制算法，使得列车准确的运行于ATO设定的位置—速度曲线之上。

本发明实施例提供了一种基于二阶ADRC算法的地铁列车速度自动控制方法的实现原理图如图1所示，具体处理流程如图2所示，包括如下的处理步骤：

步骤S210、获取列车当前运行目标速度和实际速度。

根据列车在当前区间内的区间计划运营时间以及线路限定条件信息，计算出列车运行ATO速度曲线。

根据列车运行ATO速度曲线，获取列车当前运行目标速度。

利用列车上的速度传感器采集列车实际运行速度，将采集到的列车实际运行速度传输给ADRC控制器，用于后续调整。

步骤S220、由列车的运行目标速度经过跟踪微分器安排过渡过程并提取微分信号后，获得跟踪速度和跟踪加速度。

在本发明实施例中，通过ADRC控制器运用二阶ADRC算法完成跟踪微分器、非线性反馈和ESO(extended state observer，扩张状态观测器)的相关处理操作。图3是本发明实施例提供的一种ADRC控制器结构示意图。

跟踪微分器由以下公式给定输入输出。

其中v₁(k),v₂(k)分别为跟踪速度，跟踪加速度，v₀(k)为运行目标速度(ATO系统制定的列车运行曲线在该位置的速度离散量)，r₀是跟踪微分器的速度系数，h₀为滤波因子，fst为一个非线性函数。

跟踪微分器用于安排过渡过程并提取其微分信号，输入运行目标速度v₀(ATO系统制定的列车运行曲线在该位置的速度连续量)，输出跟踪速度v₁和跟踪加速度v₂。

步骤S230、由列车实际运行速度经过扩张状态观测器估计对象状态和不确定扰动作用后获得观测扰动、观测速度和观测加速度。

ESO用于估计对象状态和不确定扰动作用，输入列车实际运行速度y(k)，输出观测扰动z1、观测加速度z2和观测速度z3。

ESO由以下公式给定输入输出。

e(k)＝z₁(k)-y(k)

z₁(k+1)＝z₁(k)+z₂(k)-β₀₁e(k)

z₂(k+1)＝z₂(k)+z₃(k)-β₀₂fal(e(k),0.5,δ)+b₀u(k)

z₃(k+1)＝z₃(k)-β₀₃fal(e(k),0.25,δ)

其中z₁(k),z₂(k),z₃(k)分别为观测扰动、观测加速度和观测速度。e(k)为跟踪误差。u(k)为系统控制量。β₀₁,β₀₂,β₀₃为三个观测器参数，b为系统增益，b一般根据实际调试经验选定，y(k)为对象输出，fal为非线性函数。

u(k)＝u₀(k)-z₁(k)/b，其中u₀(k)为非线性反馈环节的输出，z₁(k)/b为补偿对象内扰和外扰的补偿量，y(k)由列车上的速度传感器得到，在仿真中为系统的上一时刻的输出值，β₀₁,β₀₂,β₀₃这三个量是根据后续的改进的粒子群算法计算得到。

步骤S240、由跟踪速度和观测速度做差得到跟踪速度误差，由跟踪加速度和观测加速度做差得到跟踪加速度误差。

步骤S250、跟踪速度误差和跟踪加速度误差经过非线性反馈环节后得到的输出减去观测扰动和系统增益的倒数的乘积后，得到系统控制量。

非线性反馈用于根据安排的过渡过程与状态估计之间误差的非线性组合和扰动估计量的补偿生成系统控制量，非线性反馈的输入为跟踪速度误差e₁和跟踪加速度误差e₂，输出为系统控制量u₀。

跟踪微分器、扩张状态观测器和非线性反馈环节中用到的非线性函数为：

d＝rh₀,

d₀＝dh₀,

y＝x₁+h₀x₂,

其中r₀是跟踪微分器的速度系数，r₀越大跟踪速度越快，当r₀→∞时，跟踪微分器可以无差地跟踪控制量的输入。r表示跟踪微分器的快慢因子。h₀为滤波因子，设定一定的值用来消除高频的震荡。e是跟踪误差。η和η₀为ESO和NLSEF的线性区间。

参数η为fal函数的线性区间宽度，与系统误差范围有关。η取值小于0.0025时容易导致高频脉动，而δ1取值过大时起不到非线性反馈控制的效果，因此一般将η取为0.01左右。η₀与η意义相似，也取为0.01左右。

如果ESO的参数选择合适，z₁,z₂能够很好地估计出被控量y和其微分y'，z₃能够估计出系统的扩张状态a＝f(x,x',w(t))，a是一个0到1之间的参数，sign为符号函数，用于返回值的正负；

所述非线性反馈环节由以下公式给定输入输出：

其中，v₁(k),v₂(k)分别为跟踪速度、跟踪加速度，z₁(k),z₂(k),z₃(k)分别为观测扰动、观测加速度和观测速度，e₁(k)，e₂(k)分别为跟踪速度误差和跟踪加速度误差，β₁，β₂为观测器系数，α₁，α₂为0到1之间的参数，δ表示设置的线性区间的大小，u₀(k)为非线性反馈的输出，u(k)为系统控制量，b₀为系统增益的估计值。

图4是本发明中利用改进的粒子群算法对ADRC控制器参数进行整定的原理示意图。

上述改进的粒子群算法的适应度函数如下：

式中w₁,w₂为权值，e(t)为跟踪误差，J为适应度函数值。其中跟踪误差即为被控对象的输出和基于线路条件选定的ATO速度曲线之间的误差。能够使得适应度函数最小的ADRC核心参数，即为最优控制参数。

步骤S260、将上述系统控制量转化为列车的数学模型的控制力，并将控制力输出给列车的数学模型。

设定列车的数学模型如下：

其中G_n(s)为固定环节，由列车情况和自身的牵引制动决定。G₀(s)为可变环节，由外部条件决定。固定环节的输入为控制级位，输出为牵引力。可变环节的输入为固定环节的输出，其输出为列车的运行速度。

列车的数学模型为图2中ADRC控制器图中的被控对象，列车的数学模型的控制力为G_n(s)的输出。通过调试好参数的ADRC控制器使得列车准确地运行于ATO设定的位置—速度曲线之上，ADRC控制器获得的外部控制量有当前ATO系统的理论速度，内部控制量有前一时刻的实际速度输出，以及其一阶和二阶导数，其具体控制步骤已经包括在前面所述的二阶ADRC算法之中。

依据调试经验将二阶自抗扰控制器的对控制效果影响较小的h,h₀,r,δ,α₁,α₂,b₀基础参数进行取定。

利用改进的粒子群算法，对二阶自抗扰控制器中影响较大的β₀₁,β₀₂,β₀₃,β₁,β₂五个核心参数进行整定，其整定流程为：

步骤(1)：初始化粒子群，根据经验给定待整定的参数的上下界限。取初始值w₁＝1,w₂＝10，惯性权重w_start＝0.93,w_end＝0.31，粒子群规模Size＝70，搜索空间维数D＝5，粒子群繁殖代数G＝100。

步骤(2)：更新惯性权重因子和每个粒子的位置以及速度；

步骤(3)：计算每个粒子适应度函数值，即可选取得到ADRC控制器最优控制效果适应度函数值；

步骤(4)：对粒子群适应度函数值排序，最优的三分之一进入下次迭代。并利用遗传算子对它们进行操作，产生新的一批粒子，并用它们代替原群体中间的三分之一粒子。对于最后三分之一粒子，进行维数随机初始变异，以避免局部最优的情况出现；

步骤(5)：对每个粒子，比较其当前位置适应度函数值与历史最优适应度函数值和全局最优适应度函数值的关系。如果其优于历史最优适应度函数值，则对应替换历史最佳位置和它的历史最优适应度函数值。如还优于全局最优适应度函数值，则对应替换全局最佳位置和全局最优适应度函数值，并记录该全局最优粒子位置；

步骤(6)：判断是否达到最大迭代次数，达到则算法结束，反之重复执行步骤(3)、步骤(4)和步骤(5)。经过100代迭代，最后可以得到最优的ADRC控制器核心参数

β₀₁,β₀₂,β₀₃,β₁,β₂；

步骤(7)：将上述步骤[0022]，[0029]得到作为ADRC控制器的最终参数。

实施例二

如图5所示，本发明在亦庄线宋家庄站至肖庄站线路上的列车控制仿真曲线图中，ADRC算法列车控制曲线基本与ATO重合，说明速度跟踪误差很小。

如图6所示，本发明在亦庄线宋家庄站至肖庄站线路上的列车控制误差仿真曲线在大部分区域基本为一条直线，说明速度跟踪误差很小，列车运行平稳，加减速次数较少。

综上所述，本发明实施例通过ADRC控制器对被控列车对象的数学模型几乎没有任何要求，还引入了基于现代控制理论的状态观测器技术，并将抗干扰技术融入了控制系统当中，其参数可以用改进的粒子群算法快速整定。故本发明利用ADRC算法对列车速度进行自动控制方法，有效的减少了列车驾驶过程中的速度跟踪误差和加减速切换次数，使得对列车的控制更加精确，从而提高了列车运行效率，旅客舒适度，列车停车精度；减小列车能耗、运行时间误差。实现对列车的精确控制。

本发明实施例结合ADRC算法的优点对速度跟踪误差进行修正，从而减小速度跟踪误差，使得对列车的控制更加精确，能够使得列车更加平稳运行，有效提高列车运行效率，旅客舒适度，列车停车精度；减小列车能耗、运行时间误差。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。