ATO系统速度控制的BP-FIPID算法

doi:10.3778/j.issn.1002-8331.2005-0254

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (22): 224-229.DOI: 10.3778/j.issn.1002-8331.2005-0254

ATO系统速度控制的BP-FIPID算法

楚彭子，虞翊，林辉，袁建军，姜西

1.同济大学道路与交通工程教育部重点实验室，上海 201804
2.同济大学磁浮交通工程技术研究中心，上海 201804
3.同济大学上海市磁浮与轨道交通协同创新中心，上海 201804
4.中铁第四勘察设计院集团有限公司，武汉 430063

出版日期:2020-11-15 发布日期:2020-11-13

BP-FIPID Algorithm for Speed Control of ATO System

CHU Pengzi, YU Yi, LIN Hui, YUAN Jianjun, JIANG Xi

1.The Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University, Shanghai 201804, China
2.Maglev Transportation Engineering R&D Centre, Tongji University, Shanghai 201804, China
3.Shanghai Maglev and Rail Transit Collaborative Innovation Centre, Tongji University, Shanghai 201804, China
4.China Railway Siyuan Survey and Design Group Co., Ltd., Wuhan 430063, China

Online:2020-11-15 Published:2020-11-13

摘要/Abstract

摘要：

针对列车自动运行（Automatic Train Operation，ATO）系统控制算法的稳定性与智能性需求，以及比例积分微分（Proportion Integration Differentiation，PID）控制算法的拓展优化，结合BP（Back Propagation）神经网络算法和模糊免疫PID（Fuzzy Immune PID，FIPID）控制算法，提出一种基于BP神经网络的免疫控制参数自适应调整的模糊免疫PID控制算法（BP-FIPID）。以列车运行控制模型为控制对象，分别采用阶跃信号和列车运行目标速度曲线对传统FIPID以及BP-FIPID进行仿真检验。测试结果显示，与FIPID算法相比，BP-FIPID算法具有更好的阶跃响应和抗干扰性能，针对复杂工况的速度-时间曲线同样体现出理想的追溯性。免疫控制参数的自适应调整有助于改进FIPID的性能，两种算法均可作为实践参考。

关键词: 列车运行控制, ATO系统, BP-FIPID, 模糊免疫PID（FIPID）, BP神经网络

Abstract:

Aiming at the stability and intelligence requirements of the control algorithm in Automatic Train Operation（ATO） systems, and the expansion and optimization of PID control algorithm, a BP （Back Propagatio） neural network-based Fuzzy Immune PID（BP-FIPID） control algorithm for the adaptive adjustment of immune parameters is proposed based on the BP neural network algorithm and Fuzzy Immune PID（FIPID） control algorithm. Taking a train operation control model as the control object, FIPID and BP-FIPID are tested using a step signal and a target speed curve of train operation. The results show that compared with FIPID, BP-FIPID algorithm has a good performance of step response and anti-interference, and the traceability for the target speed curve with complex conditions is also ideal. The adaptive adjustment of immune control parameters can help to improve the performance of FIPID, and the two algorithms can be used as practical references.

Key words: train operation control, ATO system, BP-FIPID, Fuzzy Immune PID（FIPID）, BP neural network

楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.

CHU Pengzi, YU Yi, LIN Hui, YUAN Jianjun, JIANG Xi. BP-FIPID Algorithm for Speed Control of ATO System[J]. Computer Engineering and Applications, 2020, 56(22): 224-229.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[5]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[6]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[7]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[8]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[9]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[10]	赵亚飞，韦广梅. 基于BP神经网络的有限元应力修匀的研究[J]. 计算机工程与应用, 2018, 54(13): 67-72.
[11]	韦鹏宇1，2，4，潘福成1，2，3，李帅3. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
[12]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.
[13]	刘裕国，王浩，姚宏亮，李俊照. 水平窗口能量计算的股市趋势预测算法[J]. 计算机工程与应用, 2017, 53(21): 225-232.
[14]	刘颖，王楠. 最大熵模型和BP神经网络的短句对齐比较[J]. 计算机工程与应用, 2015, 51(7): 112-117.
[15]	盛家川. 基于直方图的水墨画艺术风格研究[J]. 计算机工程与应用, 2014, 50(21): 1-3.

ATO系统速度控制的BP-FIPID算法

BP-FIPID Algorithm for Speed Control of ATO System

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics