馬立君

*南京鐵道職業(yè)技術(shù)學(xué)院 助教，210015 南京

現(xiàn)代自動化駝峰系統(tǒng)包括機(jī)車推送速度的遙控、溜放進(jìn)路自動控制、溜放速度自動控制、編組站信息綜合系統(tǒng)等主要技術(shù)。在目前的技術(shù)條件下，推送機(jī)車已成功使用了無線遙控技術(shù)，并與溜放速度的自動控制系統(tǒng)聯(lián)成整體。如能在將列車解體、推送、溜放作業(yè)視為一體的條件下獲得最佳推送速度，可實(shí)現(xiàn)駝峰調(diào)速的整體優(yōu)化。

在推峰速度由人為給定的控制方式下，機(jī)車推送速度的大小是憑個人的經(jīng)驗(yàn)給出，不易保證獲得最優(yōu)的推送速度;且車組溜放過程是一個復(fù)雜的多變量系統(tǒng)，受到眾多因素如氣候、車組等影響，溜放過程的實(shí)時性和車輛走行狀態(tài)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(yīng)用模糊神經(jīng)網(wǎng)絡(luò)理論建立求解機(jī)車推送速度的模型，不需要建立精確的數(shù)學(xué)模型，利用動態(tài)推理神經(jīng)網(wǎng)絡(luò)構(gòu)成的模糊控制系統(tǒng)，模擬人的實(shí)際思考和操作過程，就能確定推送速度。該方法既兼顧了機(jī)車推送速度控制知識中的模糊性，又利用了神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力強(qiáng)的特點(diǎn)，易于將專家或熟練操作員的控制策略轉(zhuǎn)換為功能函數(shù)，可根據(jù)實(shí)際溜放情況實(shí)現(xiàn)動態(tài)計(jì)算機(jī)車的推峰速度。

1 基于模糊神經(jīng)網(wǎng)絡(luò)確定的推送速度

神經(jīng)網(wǎng)絡(luò)模糊控制器是由神經(jīng)網(wǎng)絡(luò)和模糊控制共同組成的混合系統(tǒng)，兼?zhèn)鋬烧邇?yōu)點(diǎn)。通過利用神經(jīng)網(wǎng)絡(luò)記憶模糊控制規(guī)則的方式，為模糊控制器提供學(xué)習(xí)功能，自動生成模糊控制規(guī)則，將規(guī)則隱含地分布在整個網(wǎng)絡(luò)之中，利用離線訓(xùn)練之后滿足要求的網(wǎng)絡(luò)，通過在線計(jì)算得出優(yōu)化的輸出結(jié)果。

1.1 模糊神經(jīng)網(wǎng)絡(luò)變速推峰模型

為保證相鄰車組之間良好的間隔，調(diào)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(xù)車組的速度等。為使系統(tǒng)簡單，應(yīng)盡量合并有耦合關(guān)系的變量。通過分析現(xiàn)場操作數(shù)據(jù)，確定了如下幾個影響推送速度的因素。

1.車組長度。當(dāng)假定機(jī)車以恒定速度V0推送機(jī)車時，車組的長度就決定了相鄰車組通過峰頂?shù)拈g隔時分t0。根據(jù)溜放作業(yè)的需求，當(dāng)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(yù)先根據(jù)車組長度條件規(guī)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(diǎn)近，前后鉤車共同走行的線路區(qū)段則較短，在較短的線路區(qū)段保持車組的間隔比較容易，因此可以適當(dāng)提高V0。

3.相鄰車組走行性能的差異。用車組的重量估計(jì)其走行性能，即認(rèn)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(rèn)為車重是鉤車走行性能的最重要影響因素。另根據(jù)阻力總體回歸分析結(jié)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(tǒng)的輸入?yún)⒘?，被控參量即推送速度則作為系統(tǒng)的輸出。圖1給出了推送速度神經(jīng)網(wǎng)絡(luò)模糊控制框圖。

圖1 推送速度神經(jīng)網(wǎng)絡(luò)模糊控制框圖

駝峰機(jī)車推峰速度神經(jīng)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(qū)別，只是在推理手段上引入了神經(jīng)網(wǎng)絡(luò)。本系統(tǒng)構(gòu)造了一個三層BP網(wǎng)絡(luò)，輸入結(jié)點(diǎn)為15個，根據(jù)Kolmogorov定理，確定中間層結(jié)點(diǎn)為2×15+1=31個，輸出層結(jié)點(diǎn)為5個，各層之間的傳輸函數(shù)均采用Sigmoid函數(shù)。

系統(tǒng)的工作過程如下:分析計(jì)算影響推送速度的幾個主要因素，傳輸?shù)侥：K，對其進(jìn)行模糊化處理，求得其對應(yīng)各模糊子集的隸屬函數(shù)。將這些隸屬函數(shù)作為動態(tài)模糊推理網(wǎng)絡(luò)的輸入向量，經(jīng)過動態(tài)模糊推理網(wǎng)絡(luò)進(jìn)行推理、決策后輸出相應(yīng)的模糊輸出向量，然后經(jīng)過精確化處理后得到優(yōu)化的機(jī)車推送速度。

1.2 輸入變量的模糊化處理

分析現(xiàn)場操作數(shù)據(jù)，依次對各變量進(jìn)行模糊化處理，確定各變量的論域、語言變量和隸屬函數(shù)。對于不同的編組站，由于站場設(shè)計(jì)的不同，論域和隸屬函數(shù)的參數(shù)也可能存在差異。

1.鉤車重量。論域?yàn)?[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(shù)采用模糊邏輯工具箱內(nèi)置的Z型、S型及高斯型聯(lián)合分布。

2.鉤車長度。論域?yàn)?[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(shù)采用梯形分布。

3.分歧道岔位置。論域?yàn)?[1，90］，根據(jù)駝峰場形狀及道岔由駝峰方向開始由近及遠(yuǎn)命名的規(guī)則，直接取道岔號為參量，將前后兩鉤車所經(jīng)過的所有分路道岔號逐一進(jìn)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(yuǎn)”。將加速坡至第一制動位之間的分歧道岔定義為分歧地點(diǎn)“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(diǎn)“中”，將第二制動位之后的分歧道岔定義為分歧地點(diǎn)“遠(yuǎn)”。隸屬函數(shù)采用梯型分布。

4.推送速度。論域?yàn)?[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(shù)采用高斯分布。

1.3 BP網(wǎng)絡(luò)誤差反向傳播算法

1.3.1 BP網(wǎng)絡(luò)正向和反向傳播

正向傳播:輸入的樣本從輸入層經(jīng)隱層單元一層層進(jìn)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(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。

1.3.2 BP算法執(zhí)行

1.對權(quán)系數(shù)wij置初值;

2.輸入所有樣本集并對應(yīng)得到期望輸出;

3.由前面所述的BP算法，計(jì)算各層輸出;

4.求整個網(wǎng)絡(luò)的誤差E;

5.判斷誤差E，若滿足給定品質(zhì)指標(biāo)要求，則結(jié)束學(xué)習(xí);若不滿足要求，則進(jìn)行第6步;

6.修正權(quán)系數(shù)和閾值，轉(zhuǎn)入第3步。

1.4 輸出結(jié)果的去模糊化

從模糊控制規(guī)則得到的是模糊量，須將模糊量精確化。一條規(guī)則的輸出反映該條規(guī)則的激活程度，其數(shù)值為模糊變量V0中某個模糊值的隸屬度值。設(shè)與V0對應(yīng)的隸屬函數(shù)的中心點(diǎn) (平均值)為mi，則應(yīng)用加權(quán)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(wèi)為神經(jīng)元的層數(shù)，yi、yj為該層權(quán)重。

2 仿真訓(xùn)練及研究

2.1 樣本數(shù)據(jù)的選取

數(shù)據(jù)收集源于TW-2駝峰自動化系統(tǒng)編組現(xiàn)場實(shí)時操作記錄，選取數(shù)據(jù)構(gòu)成訓(xùn)練樣本對，對構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。部分現(xiàn)場操作數(shù)據(jù)如圖2所示。

圖2 駝峰溜放速度控制計(jì)劃表

從溜放速度控制計(jì)劃表可以看到，對于生產(chǎn)現(xiàn)場實(shí)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(jù)操作人員的實(shí)際溜放經(jīng)驗(yàn)確定出理想的鉤車推峰速度?，F(xiàn)場操作數(shù)據(jù)在一定程度上反映了操作人員的經(jīng)驗(yàn)和策略，從中選取具有代表性的數(shù)據(jù)進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，從而使訓(xùn)練過的模糊神經(jīng)網(wǎng)絡(luò)記憶這些經(jīng)驗(yàn)并自動生成一系列的模糊控制規(guī)則，能夠根據(jù)這些規(guī)則給出合理的推峰速度。

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

2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)構(gòu)造如前所述的3層BP網(wǎng)絡(luò)。定義學(xué)習(xí)算法中訓(xùn)練目標(biāo)誤差為0.001，訓(xùn)練步數(shù)為1000次。訓(xùn)練函數(shù)采用動量及自適應(yīng)的梯度遞減訓(xùn)練函數(shù)traindx。

網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，目標(biāo)誤差達(dá)到要求，結(jié)果如圖3所示。

針對網(wǎng)絡(luò)的輸入，使用神經(jīng)網(wǎng)絡(luò)Sim函數(shù)計(jì)算網(wǎng)絡(luò)的最后輸出A部分?jǐn)?shù)據(jù) (2～6鉤車)如下。

圖3 仿真結(jié)果輸出

通過該數(shù)據(jù)可以看出實(shí)際訓(xùn)練A與期望值T總體來說偏差很小，表明該模糊神經(jīng)網(wǎng)絡(luò)較好地反映了控制規(guī)律，訓(xùn)練結(jié)果比較理想。

利用動態(tài)推理神經(jīng)網(wǎng)絡(luò)構(gòu)成的模糊控制系統(tǒng)能夠更好地模擬人的實(shí)際思考和操作過程，將傳統(tǒng)的操作人員憑經(jīng)驗(yàn)遙控機(jī)車推送速度用動態(tài)模糊推理神經(jīng)網(wǎng)絡(luò)來替代，使系統(tǒng)的調(diào)整過程更符合實(shí)際的溜放情況，以達(dá)到優(yōu)化控制效果的目的。

[1]吳芳美.編組站調(diào)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(diào)速技術(shù)，2003，3:2 －4.

[3]葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M］.北京:電子工業(yè)出版社，2007

[4]羅四維.大規(guī)模人工神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)[M］.北京:清華大學(xué)出版社，2004.