本發(fā)明涉及列車控制，具體涉及一種列車無線網絡時延補償自適應滑模容錯控制方法。

背景技術：

1、無線網絡通信是下一代列車網絡通信的一大方向，自適應滑模容錯控制是列車網絡控制中的一項常見控制方法，自適應滑模容錯控制中的混合趨近率是用于改善滑?？刂浦卸墩瘳F象的一種趨近規(guī)律，自適應的加入能讓控制器的魯棒性更強，容錯控制的加入能在列車執(zhí)行器控制出現故障是保證列車平穩(wěn)運行，時延補償是用于消除控制過程中控制信息由控制器到被控對象產生的時延對控制系統(tǒng)的影響。列車無線網絡控制是未來列車網絡控制的一大方向，在實際應用前需要充分考慮到無線傳輸過程中存在的時延問題和執(zhí)行器故障問題，無線傳輸易受到外界干擾，從而造成時延波動，當時延較大時，會對導致控制不精確。

2、現有技術中的無線網絡控制中的時延問題，常見的處理方式有狀態(tài)預測，即預測下一步的動作，從而進行相應補償方法，主要是通過對獲取到的時延序列進行處理，進一步采用機器學習或深度學習算法對下一時刻時延進行預測。常見的方式是采用分解、降噪等處理原始時延序列，從而降低序列復雜程度，而后采用svm、lssvm、bp、elman、lstm等算法對時延序列進行預測。但往往經一部處理后的某些數據復雜度依然較高，不利于后續(xù)預測。

3、現有技術中的列車網絡控制包含運行控制、空調控制、車門控制等，運行控制主要是對列車的運行速度進行控制，在建立列車運動學模型后通過不同的控制方法實現，如pid控制、滑?？刂?、廣義控制或各種組合算法，但在控制器的設計過程中應該考慮到各種不確定因素帶來的影響，導致控制效果下降。

技術實現思路

1、為了克服現有技術中無線網絡控制中的時延問題以及控制器控制效果差的技術問題，本發(fā)明提供了一種列車無線網絡時延補償自適應滑模容錯控制方法。

2、本發(fā)明為實現上述目的所采用的技術方案是：一種列車無線網絡時延補償自適應滑模容錯控制方法，包括以下步驟：

3、s1：通過截取發(fā)送數據時間的時間戳采集列車無線通信設備的無線時延數據；

4、s2：構建cnn-gru時延預測模型，將無線延時數據輸入至cnn-gru時延預測模型中進行預測，獲得網絡時延；

5、s3：采用bp神經網絡對牽引/制動執(zhí)行器的健康程度進行檢測，獲得牽引/制動執(zhí)行器的健康程度數據；

6、s4：建立列車動力學模型；

7、s5：根據步驟s2中得到的網絡時延、步驟s3中得到的牽引/制動執(zhí)行器的健康程度數據、步驟s4中建立的列車動力學模型設計改進的自適應滑模容錯控制器控制率，對列車進行控制。

8、優(yōu)選地，步驟s2中所述cnn-gru時延預測模型包括cnn卷積神經網絡和門控循環(huán)單元，所述cnn卷積神經網絡和門控循環(huán)單元通過扁平化層連接，所述扁平化層用于將時間序列轉化為適合后續(xù)神經網絡的輸入格式，cnn卷積神經網絡用于對無線時延數據進行特征提取，得到無線時延數據的特征信息，門控循環(huán)單元用于通過特征信息進行時延預測。

9、優(yōu)選地，cnn卷積神經網絡包括依次連接的輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、全連接層和輸出層，其中第一卷積層和第二卷積層用于特征信息提取，第一池化層和第二池化層用于將卷積層提取到的特征信息進行降維，所述全連接層用于對特征信息進行分類輸出。

10、優(yōu)選地，門控循環(huán)單元進行時延預測過程的表達式為：

11、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>z</mi><mi>t</mi></msub><mi>=</mi><mi>a</mi><mi>(</mi><msub><mi>u</mi><mi>z</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>?</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>r</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mi>)</mi></mstyle>；

12、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>r</mi><mi>t</mi></msub><mi>=</mi><mi>a</mi><mi>(</mi><msub><mi>u</mi><mi>r</mi></msub><mrow><mo>[</mo><mrow><msub><mi>h</mi><mrow><mi>t</mi><mi>?</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>r</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mi>)</mi></mstyle>；

13、<mstyle displaystyle="true" mathcolor="#000000"><msub><mover accent="true"><mi>h</mi><mo>?</mo></mover><mi>t</mi></msub><mi>=</mi><mi>tanh(</mi><msub><mi>u</mi><mi>h</mi></msub><mrow><mo>[</mo><mrow><msub><mi>r</mi><mi>t</mi></msub><msub><mi>h</mi><mrow><mi>t</mi><mi>?</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>r</mi><mi>t</mi></msub></mrow><mo>]</mo></mrow><mi>)</mi></mstyle>；

14、；

15、其中，為更新門，為重置門，為輸入和上一時刻隱藏層相乘結果，為隱藏層輸出，為激活函數，為上一時刻隱藏層輸出，、、均為權重矩陣，為神經網絡的輸入。

16、優(yōu)選地，門控循環(huán)單元的超參數采用粒子群算法尋優(yōu)，其尋優(yōu)過程如下：

17、隨機產生初始粒子，并通過tent混沌映射將隨機產生的初始粒子的位置映射到新的位置，其中tent混沌映射公式為：

18、；

19、其中，為混沌后的粒子位置，為隨機產生的初始粒子，為常量，；

20、將初始粒子對應的超參數輸入至門控循環(huán)單元中，輸出預測結果，并計算當前適應度；

21、引入慣性權重，通過自適應算法更新慣性權重，再根據個體極值和全局極值更新粒子的速度和自身的位置，并更新超參數，其中慣性權重的表達式為：

22、；

23、其中，為慣性權重，為最大慣性權重，為最小慣性權重，為當前適應度值，為適應度的最小值，為適應度的平均值；

24、粒子更新速度的表達式為：

25、；

26、其中，為第個粒子在次迭代后在維度上的速度，為慣性權重，為第個粒子在次迭代后在維度上的速度，和均為學習因子，和均為隨機產生的數，和為第個粒子在次迭代后的最優(yōu)解在維度上的位置和全局最優(yōu)解在維度上的位置，為第個粒子在次迭代后在維度上的位置；

27、粒子更新位置的表達式為：

28、；

29、其中，為第個粒子在次迭代后在維度上的位置，為第個粒子在次迭代后在維度上的位置，為第個粒子在次迭代后在維度上的速度；

30、使用當前超參數進行時延預測，并計算適應度，判斷適應度是否小于上一適應度，如小于則重復通過自適應算法更新慣性權重，再根據個體極值和全局極值更新粒子的速度和自身的位置，并更新超參數和使用當前超參數進行時延預測，并計算適應度，判斷適應度是否小于上一適應度的過程，直至達到最大迭代次數，若不小于則輸出當前超參數作為最優(yōu)超參數。

31、優(yōu)選地，適應度計算表達式為：

32、；

33、其中，為當前適應度值，為車廂理想速度與實際速度的差值，為總迭代次數，為當前迭代次數。

34、優(yōu)選地，步驟s3中所述采用bp神經網絡對牽引/制動執(zhí)行器的健康程度進行檢測，具體為，初始化bp神經網絡模型的權重和偏移量，將列車的實際速度、位移、加速度作為bp神經網絡的輸入，將牽引/制動執(zhí)行器的健康程度：0%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%作為bp神經網絡的輸出，采用梯度下降法對bp神經網絡進行訓練，使用訓練好的bp神經網絡對牽引/制動執(zhí)行器的健康程度進行檢測，獲得牽引/制動執(zhí)行器的健康程度數據。

35、優(yōu)選地，s4中所述建立列車動力學模型具體為：考慮車廂之間作用力、牽引/制動執(zhí)行器的健康程度數據、基本阻力數據、附加阻力數據和質量回轉系數，建立列車動力學模型，其表達式為：

36、；

37、其中，為第輛列車的位移，為第輛列車的速度，為第輛列車車廂的質量，為第輛列車牽引/制動執(zhí)行器健康程度，為質量回轉系數，為第輛列車的控制器輸出的力，為第輛列車運行過程中的阻力，，為相鄰車廂之間的作用力，為彈簧-阻尼系統(tǒng)的彈簧的彈性耦合系數，為彈簧-阻尼系統(tǒng)的阻尼系數，和分別表示相鄰車廂之間的位移差和速度差，為當前時刻，為時間延遲，為相鄰車廂之間的作用力。

38、優(yōu)選地，步驟s5具體包括以下步驟：

39、s501：根據列車動力學模型，獲得位移誤差和速度誤差，其表達式為：

40、；

41、其中，為理想位移和實際位移的誤差，為理想速度和實際速度的誤差，為理想位移，為實際位移，為理想速度，為實際速度；

42、s502：獲得滑模面函數，其表達式為：

43、；

44、其中，為滑模面函數，表示序號，為調節(jié)趨近速度的系數，且，為理想位移和實際位移的誤差，為理想速度和實際速度的誤差；

45、s503：獲得混合趨近率，其表達式為：

46、；

47、其中，表示序號，、、、、、均為調節(jié)趨近速度的系數，為滑模面；

48、s504：根據滑模面函數和混合趨近率獲得自適應滑模容錯控制器控制率，其表達式為：

49、；

50、其中，為控制器輸出的力，為當前時刻，為預測的網絡時延，，為加速系數與牽引/制動執(zhí)行器的健康程度之積的倒數，為加速系數，為牽引/制動執(zhí)行器的健康程度，、、、、、為調節(jié)趨近速度的系數，為滑模面函數，為調節(jié)趨近速度的系數，為理想位移和實際位移的誤差，為中間量，為理想速度，為基本阻力，為符號函數；

51、s505：考慮外界環(huán)境因素對基本阻力的影響，通過rbf神經網絡擬合得到考慮外界環(huán)境因素的基本阻力，其表達式為：

52、；

53、其中，為考慮外界環(huán)境因素的基本阻力，為rbf神經網絡的估計權重，為激活函數，為rbf神經網絡估計差值；

54、s506：在考慮外界環(huán)境因素的情況下構建改進的自適應滑模容錯控制器控制率模型，其表達式為：

55、；

56、其中，為控制器輸出的力，為當前時刻，為預測的網絡時延，，為加速系數與牽引/制動執(zhí)行器的健康程度之積的倒數，為加速系數，為牽引/制動執(zhí)行器的健康程度，、、、、、為調節(jié)趨近速度的系數，為滑模面函數，為調節(jié)趨近速度的系數，為理想位移和實際位移的誤差，為理想速度，為基本阻力，為符號函數，為rbf神經網絡的估計權重，為激活函數，為rbf神經網絡估計差值；

57、s507：獲得超參數的自適應率，其表達式：

58、；

59、；

60、；

61、其中，為時刻的的自適應率，為控制自適應率變化的常量，為滑模面函數，為符號函數，為牽引/制動執(zhí)行器的健康程度，為權重的自適應率，為控制自適應率變化的常量，為加速系數，為激活函數，為偏移量的自適應率，為控制自適應率變化的常量。

62、優(yōu)選地，在步驟s5之后還包括步驟s6：對設計的自適應滑模容錯控制器進行穩(wěn)定性驗證，步驟s6具體包括以下步驟：

63、s601：設計李雅普諾夫函數，其表達式為：

64、;

65、其中，為李雅普諾夫函數，為滑模面函數，為加速系數，為控制自適應率變化的常量，為第輛車的理想值與估計值之差，為控制自適應率變化的常量，為rbfnn權重的差值的轉置，為rbfnn權重的差值，為控制自適應率變化的常量，為rbfnn偏移量的差值，為理想值，為估計值，為理想值與估計值之差，為rbf神經網絡理想權重，為rbf神經網絡估計權重，為rbf神經網絡估計權重與理想權重之差，為rbf神經網絡理想差值，為rbf神經網絡估計差值，為rbf神經網絡估計差值與理想差值之差，為當前時刻；

66、s602：對李雅普諾夫函數求導，其表達式為：

67、；

68、其中，為李雅普諾夫函數的導數，為滑模面函數，為滑模面函數的導數，為加速系數，為控制自適應率變化的常量，為第輛車的理想值與估計值之差，為的自適應率，為控制自適應率變化的常量，為rbfnn理想權重和實際權重的差值，為rbfnn期望權重的導數，為控制自適應率變化的常量，為理想偏移量和實際偏移量的差值，為理想偏移量的導數，為當前時刻；

69、s603：將改進的自適應滑模容錯控制器控制率模型帶入步驟s602中的得到的李雅普諾夫函數求導表達式中，得到下述表達式：

70、；

71、其中，為李雅普諾夫函數的導數，為滑模面函數，為調節(jié)趨近速度的系數，為理想速度和實際速度的差值，為理想速度的導數，為牽引/制動執(zhí)行器的健康程度，為控制器輸出的力，為常數，為列車運行的阻力，為控制自適應率變化的常量，為控制自適應率變化的常量，為控制自適應率變化的常量，為第輛車的理想值與估計值之差，為的自適應率，為rbfnn權重的差值的轉置，為權重的自適應率，為理想偏移量和實際偏移量的差值，為偏移量的自適應率，為中間量，為理想速度的導數，為調節(jié)趨近速度的系數，為期望的列車運行阻力，為符號函數，為加速系數，為滑模面，為激活函數，為rbf神經網絡估計差值與理想差值之差，為當前時刻。

72、本發(fā)明與現有技術相比，通過設置cnn-gru時延預測模型，能夠在通過卷積神經網絡提取特征信息后，再進行實驗預測，能夠提高時延預測的準確性；通過建立多質點的列車動力學模型，同時考慮基本阻力、附加阻力、車廂間的作用力、質量回轉系數和牽引/制動執(zhí)行器的健康狀況，使列車動力學模型更加貼近實際，使最終控制效果更準確，采用改進的粒子群算法對時延預測模型記性超參數尋優(yōu)，采用tent混沌映射將初始粒子的位置映射到新的位置，并且引入慣性權重，提高粒子群算法尋優(yōu)超參數的準確性。