基于模糊神经网络的驼峰推峰速度自动控制系统的研究

论文摘要

驼峰是完成货物列车解体作业和重新编组作业的核心设备。驼峰推峰的作业效率对整个编组站的作业效率有很大的影响。现代自动化驼峰系统中包括驼峰机车推峰速度的遥控、溜放进路的自动控制、溜放速度的自动控制、编组站信息综合处理系统等主要技术设备。在现在的技术条件下,驼峰推峰机车已经成功完成了无线遥控技术,并与溜放速度的自动控制系统联成一个整体。如果把驼峰调机推峰作业、钩车溜放作业作为一个作业整体来进行研究,就能实现驼峰作业的整体优化。传统的推峰速度确定方法是由操作人员凭借人工经验给定,但由于操作人员的经验的主观性和不确定性,再加上推峰速度控制过程是一个受多种因素影响的、非线性时变过程,这样就会使得现行的推峰速度的确定方法有时会存在较大的误差。随着编组站的作业量的增加,要想在现有的基础之上发挥出驼峰更大的效率,驼峰最优推峰速度和实时推峰速度的研究是绕不开的课题。在现场,操作员依据实际操作经验和现场实际情况,通过大脑的粗略判断,通常能够给出一个比较合适、比较精确的推峰速度。驼峰推峰过程是一个多变量的非线性时变系统,传统的控制方法需要建立被控对象的数学模型,而驼峰推峰过程的模型无法准确建立。所以,我们利用模糊控制和神经网络来研究驼峰推峰速度和实时推峰速度。文中首先介绍了驼峰自动化和驼峰推峰系统研究的现状；然后分析了现有的驼峰推峰方法,指出了其不足之处,并对影响驼峰推峰过程的因素进行了分析和总结；之后提出了用模糊神经网络来研究驼峰推峰的思路。在确定思路之后,第一步先建立了影响驼峰最优推峰速度和实时推峰速度的各个变量的模糊分布；第二步则对于最优推峰速度模型和实时推峰速度模型,分别设计了一个神经网络来代替模糊推理机；第三步选取驼峰现场数据作为训练样本,通过对网络进行训练,自动生成模糊控制规则。这两个模型结合了神经网络和模糊控制的优点,将专家或熟练操作员的控制策略转换为控制功能函数,并且利用神经网络自学习和自校正的功能,及时地调整并修改模糊控制规则和隶属函数等参数,这样就可以实现模型的自适应,从而实现对控制对象的较好地控制。计算机仿真表明,这两个模糊神经网络经过学习之后,基本能较为准确的反映现场的状况。

论文目录

• 摘要
• abstract
• 1 绪论
• 1.1 论文研究背景和意义
• 1.2 国内外驼峰自动化的发展现状
• 1.2.1 驼峰自动化发展的国外现状
• 1.2.2 驼峰自动化发展的国内现状
• 1.3 驼峰自动化系统中推峰速度控制的发展现状
• 1.4 论文的主要研究内容
• 2 对现有系统的研究及推峰速度的影响因素分析
• 2.1 驼峰推峰速度自动控制系统中所要解决的问题
• 2.2 现有推峰机车遥控系统的原理
• 2.3 现有推峰机车遥控系统的分析
• 2.4 影响推峰速度的因素分析
• 2.4.1 推峰过程分析
• 2.4.2 钩车本身因素
• 2.4.3 环境因素
• 2.4.4 驼峰调机因素
• 2.5 小结
• 3 模糊神经网络
• 3.1 模糊控制
• 3.1.1 概念
• 3.1.2 变量选择
• 3.1.3 论域分割
• 3.1.4 隶属度函数的型式
• 3.1.5 模糊控制规则
• 3.1.6 模糊推论
• 3.1.7 去模糊化
• 3.2 神经网络
• 3.2.1 人工神经元的模型
• 3.2.2 神经网络的分类
• 3.2.3 神经网络的学习算法
• 3.3 模糊神经网络
• 3.4 小结
• 4 驼峰推峰速度的模糊神经网络模型
• 4.1 驼峰推峰速度自动控制系统模型
• 4.2 最优推峰速度的决定因素
• 4.3 基于模糊神经网络的最优推峰速度的计算
• 4.3.1 输入变量的模糊化处理
• 4.3.2 最优推峰速度的模糊神经网络
• 4.3.3 误差反向传播算法
• 4.3.4 算法改进
• 4.3.5 模糊神经网络的训练过程
• 4.4 驼峰实时推峰速度控制的研究
• 4.4.1 输入变量的模糊化处理
• 4.4.2 实时推峰速度的模糊神经网络和学习算法
• 4.5 阻尼最小二乘法的缺点和改进
• 4.6 最优推峰速度模型和实时推峰速度模型的自适应和可移植性
• 4.7 小结
• 5 模糊神经网络的仿真分析
• 5.1 最优推峰速度模型的仿真
• 5.1.1 模型的训练
• 5.1.2 训练后的参数
• 5.1.3 控制变量与结果关系
• 5.1.4 模型的测试
• 5.2 实时推峰速度模型的仿真
• 5.2.1 训练后的模型参数
• 5.2.2 总体结果对比分析
• 5.3 小结
• 结论
• 致谢
• 参考文献
• 攻读学位期间的研究成果