基于模糊神經網絡的駝峰推送速度控制研究

馬立君

*南京鐵道職業技術學院 助教，210015 南京

現代自動化駝峰系統包括機車推送速度的遙控、溜放進路自動控制、溜放速度自動控制、編組站信息綜合系統等主要技術。在目前的技術條件下，推送機車已成功使用了無線遙控技術，并與溜放速度的自動控制系統聯成整體。如能在將列車解體、推送、溜放作業視為一體的條件下獲得最佳推送速度，可實現駝峰調速的整體優化。

在推峰速度由人為給定的控制方式下，機車推送速度的大小是憑個人的經驗給出，不易保證獲得最優的推送速度;且車組溜放過程是一個復雜的多變量系統，受到眾多因素如氣候、車組等影響，溜放過程的實時性和車輛走行狀態的不確定性，使得溜放速度的控制模型的建立和求解有一定困難。應用模糊神經網絡理論建立求解機車推送速度的模型，不需要建立精確的數學模型，利用動態推理神經網絡構成的模糊控制系統，模擬人的實際思考和操作過程，就能確定推送速度。該方法既兼顧了機車推送速度控制知識中的模糊性，又利用了神經網絡自學習能力強的特點，易于將專家或熟練操作員的控制策略轉換為功能函數，可根據實際溜放情況實現動態計算機車的推峰速度。

1 基于模糊神經網絡確定的推送速度

神經網絡模糊控制器是由神經網絡和模糊控制共同組成的混合系統，兼備兩者優點。通過利用神經網絡記憶模糊控制規則的方式，為模糊控制器提供學習功能，自動生成模糊控制規則，將規則隱含地分布在整個網絡之中，利用離線訓練之后滿足要求的網絡，通過在線計算得出優化的輸出結果。

1.1 模糊神經網絡變速推峰模型

為保證相鄰車組之間良好的間隔，調速時既要考慮影響本車組走行性能的因素，還要考慮前行車組和后續車組的速度等。為使系統簡單，應盡量合并有耦合關系的變量。通過分析現場操作數據，確定了如下幾個影響推送速度的因素。

1.車組長度。當假定機車以恒定速度V0推送機車時，車組的長度就決定了相鄰車組通過峰頂的間隔時分t0。根據溜放作業的需求，當確定了所需的t0后，車組越長，推送速度就可以越高。因此可以預先根據車組長度條件規定不同的推送速度。

2.相鄰車組分歧道岔位置。相鄰車組分歧地點近，前后鉤車共同走行的線路區段則較短，在較短的線路區段保持車組的間隔比較容易，因此可以適當提高V0。

3.相鄰車組走行性能的差異。用車組的重量估計其走行性能，即認為重車為易行車，輕車為難行車。車組在加速坡溜放時，加速坡短而陡且道岔阻力和曲線阻力都比較小，可以認為車重是鉤車走行性能的最重要影響因素。另根據阻力總體回歸分析結果，車輛總重對阻力的影響最大，溫度次之，速度的影響最弱，因此推送時著重考慮車重因素。

從以上分析可得，影響推送速度的主要因素作為系統的輸入參量，被控參量即推送速度則作為系統的輸出。圖1給出了推送速度神經網絡模糊控制框圖。

圖1 推送速度神經網絡模糊控制框圖

駝峰機車推峰速度神經模糊控制器在輸入/輸出參量的選擇、在模糊論域和模糊子集的確定方面，與一般的模糊控制器沒有什么區別，只是在推理手段上引入了神經網絡。本系統構造了一個三層BP網絡，輸入結點為15個，根據Kolmogorov定理，確定中間層結點為2×15+1=31個，輸出層結點為5個，各層之間的傳輸函數均采用Sigmoid函數。

系統的工作過程如下:分析計算影響推送速度的幾個主要因素，傳輸到模糊化模塊，對其進行模糊化處理，求得其對應各模糊子集的隸屬函數。將這些隸屬函數作為動態模糊推理網絡的輸入向量，經過動態模糊推理網絡進行推理、決策后輸出相應的模糊輸出向量，然后經過精確化處理后得到優化的機車推送速度。

1.2 輸入變量的模糊化處理

分析現場操作數據，依次對各變量進行模糊化處理，確定各變量的論域、語言變量和隸屬函數。對于不同的編組站，由于站場設計的不同，論域和隸屬函數的參數也可能存在差異。

1.鉤車重量。論域為 [40，60］，單位為噸。賦予4個語言變量值，即“輕”、 “較輕”、 “較重”、“重”。隸屬函數采用模糊邏輯工具箱內置的Z型、S型及高斯型聯合分布。

2.鉤車長度。論域為 [1，8］，單位為輛。賦予4個語言變量值，即“短”、 “較短”、 “較長”、“長”。隸屬函數采用梯形分布。

3.分歧道岔位置。論域為 [1，90］，根據駝峰場形狀及道岔由駝峰方向開始由近及遠命名的規則，直接取道岔號為參量，將前后兩鉤車所經過的所有分路道岔號逐一進行比較后取小，即可得前后兩鉤車分歧道岔的道岔號。為分歧道岔位置賦予3個語言變量，即“近”、“中”、“遠”。將加速坡至第一制動位之間的分歧道岔定義為分歧地點“近”，將第一制動位至第二制動位的分歧道岔定義為分歧地點“中”，將第二制動位之后的分歧道岔定義為分歧地點“遠”。隸屬函數采用梯型分布。

4.推送速度。論域為 [4，8］，單位為km/h。賦予5個語言變量，即“低”、 “較低”、“中”、“較高”、“高”。隸屬函數采用高斯分布。

1.3 BP網絡誤差反向傳播算法

1.3.1 BP網絡正向和反向傳播

正向傳播:輸入的樣本從輸入層經隱層單元一層層進行處理，通過所有的隱層之后，則傳向輸出層;在逐層處理的過程中，每一層神經元的狀態只對下一層神經元的狀態產生影響。在輸出層把現行輸出和期望輸出進行比較，如果現行輸出不等于期望輸出，則進入反向傳播過程。

1.3.2 BP算法執行

1.對權系數wij置初值;

2.輸入所有樣本集并對應得到期望輸出;

3.由前面所述的BP算法，計算各層輸出;

4.求整個網絡的誤差E;

5.判斷誤差E，若滿足給定品質指標要求，則結束學習;若不滿足要求，則進行第6步;

6.修正權系數和閾值，轉入第3步。

1.4 輸出結果的去模糊化

從模糊控制規則得到的是模糊量，須將模糊量精確化。一條規則的輸出反映該條規則的激活程度，其數值為模糊變量V0中某個模糊值的隸屬度值。設與V0對應的隸屬函數的中心點 (平均值)為mi，則應用加權平均判別的清晰化方法求出輸出V0的清晰值，如式 (1)所示。

其中l為神經元的層數，yi、yj為該層權重。

2 仿真訓練及研究

2.1 樣本數據的選取

數據收集源于TW-2駝峰自動化系統編組現場實時操作記錄，選取數據構成訓練樣本對，對構造的模糊神經網絡進行訓練。部分現場操作數據如圖2所示。

圖2 駝峰溜放速度控制計劃表

從溜放速度控制計劃表可以看到，對于生產現場實際推送速度控制，是影響溜放速度的各主要因素，包括鉤車重量、鉤車長度、分歧道岔位置等，根據操作人員的實際溜放經驗確定出理想的鉤車推峰速度。現場操作數據在一定程度上反映了操作人員的經驗和策略，從中選取具有代表性的數據進行模糊神經網絡的訓練，從而使訓練過的模糊神經網絡記憶這些經驗并自動生成一系列的模糊控制規則，能夠根據這些規則給出合理的推峰速度。

根據選取的數據及定義的模糊分布，輸入模糊化之后構成樣本集中的輸入矩陣P即目標樣本及輸出矩陣T即目標矢量。給出部分訓練樣本 (2～6鉤車)的目標矢量T即推峰速度構成如下。

2.2 神經網絡的訓練

使用MATLAB神經網絡工具箱函數構造如前所述的3層BP網絡。定義學習算法中訓練目標誤差為0.001，訓練步數為1000次。訓練函數采用動量及自適應的梯度遞減訓練函數traindx。

網絡經過訓練后，目標誤差達到要求，結果如圖3所示。

針對網絡的輸入，使用神經網絡Sim函數計算網絡的最后輸出A部分數據 (2～6鉤車)如下。

圖3 仿真結果輸出

通過該數據可以看出實際訓練A與期望值T總體來說偏差很小，表明該模糊神經網絡較好地反映了控制規律，訓練結果比較理想。

利用動態推理神經網絡構成的模糊控制系統能夠更好地模擬人的實際思考和操作過程，將傳統的操作人員憑經驗遙控機車推送速度用動態模糊推理神經網絡來替代，使系統的調整過程更符合實際的溜放情況，以達到優化控制效果的目的。

[1]吳芳美.編組站調車自動控制[M］.北京:中國鐵道出版社，2004

[2]杜緒生，高樹允.滾動軸承車輛溜放阻力的測試及研究[J］.減速頂與調速技術，2003，3:2 －4.

[3]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M］.北京:電子工業出版社，2007

[4]羅四維.大規模人工神經網絡理論基礎[M］.北京:清華大學出版社，2004.