【摘 要】
：
目前我国各行各业快速发展,交通运输业也在以蒸蒸日上的态势发生着巨大变化。高速铁路的建设对于地区的经济发展也带来了越来越好的促进作用,得到了越来越广的支持。在保证列车安全运行的前提下,如何更加智能、方便的提高运行效率和性能成为关注的重点,因此列车的自动驾驶控制已成为高速列车领域的重要研究内容。在列车自动驾驶技术快速发展环境下,本文研究跟踪性能更好的速度跟踪控制方法。传统列车模型未考虑到非线性因素对列
论文部分内容阅读
目前我国各行各业快速发展,交通运输业也在以蒸蒸日上的态势发生着巨大变化。高速铁路的建设对于地区的经济发展也带来了越来越好的促进作用,得到了越来越广的支持。在保证列车安全运行的前提下,如何更加智能、方便的提高运行效率和性能成为关注的重点,因此列车的自动驾驶控制已成为高速列车领域的重要研究内容。在列车自动驾驶技术快速发展环境下,本文研究跟踪性能更好的速度跟踪控制方法。传统列车模型未考虑到非线性因素对列车运行过程的影响,本文将非线性影响描述为未建模动态并建立列车模型,在模型基础上提出了非线性广义预测控制方法以及非线性预测解耦控制方法,具体的研究内容如下:1、高速列车的自动驾驶技术包括对运行速度目标规划以及对规划后的速度进行跟踪,考虑到目前众多研究速度跟踪的控制方法均讨论将控制力作为输入建立的数学模型,而忽略了控制力产生的动态过程,本文从控制力产生的动态过程角度出发,建立了列车的牵引/制动模型,考虑到传统模型中未考虑非线性因素的影响,本文将非线性因素对列车的影响描述为未建模动态,将列车模型描述为牵引/制动模型与未建模动态组成的集成模型。2、考虑到系统未知的未建模动态,本文采用极限学习机神经网络实时估计未建模动态。在集成模型的基础上,利用梯度辨识算法估计模型参数并设计了带有未建模补偿器的非线性广义预测控制器对给定目标速度进行跟踪控制,并对本文方法的稳定性及收敛性给与论证。3、考虑到列车由多个车厢耦合组成,通过分析列车车厢间的作用力并结合控制力与速度的关系,建立了高速列车的多质点模型。考虑到车厢间耦合力的作用,在非线性广义预测控制器的基础上在设计了解耦控制器,消除耦合项对系统的影响。以CRH380A型高速列车作为仿真对象,仿真试验验证了本文方法的准确性。
其他文献
随着工业生产线智能化水平的提升,焊接机器人被广泛用以提高生产效率。在实际生产过程中,焊接机器人不仅需要完成数量众多的焊点焊接任务,且还需尽可能的提高生产效率、减少能量消耗、运行平稳。因此,本文以焊接机器人为研究对象,对过给定路径点的焊接机器人最优运动轨迹展开深入研究。首先对白车身侧围结构和焊接机器人路径规划影响对象进行了研究,分析了制造资源、点焊工艺及资源整体布局对焊接机器人运动规划的影响。基于数
随着科学技术的进步,我国交通运输行业发展尤为突出,其中轨道交通运输业在各方面都具有跨越式进步,积累了大量领先世界的前沿技术。在当下的国民经济快速发展时期,轨道交通运输的压力也越来越大。重载铁路作为大宗商品运输的重要途经,线路距离长且环境多变,面对如此环境,驾驶人员极容易产生疲劳。本文以大秦线上运行的HXD1机车牵引1万吨货车作为研究对象,通过强化学习方法训练出一套重载列车辅助驾驶系统,以缓解驾驶人
随着工业自动化的发展,工业机器人凭借工作效率高、焊接质量好、可重复性高的优点,在机械制造行业得到了越来越广泛的应用,特别是在汽车行业中,白车身的点焊、喷涂等生产任务基本由工业机器人完成。在实际生产中,白车身结构复杂,焊点数量多,焊接任务重。在进行生产线设计时,为提高工作效率,常常会将两台或两台以上的机器人放置在同一工位上,将白车身上的焊点分配至多台机器人,以期减少整个工位的工作时间。但是对于多机器
AT牵引供电系统被广泛用于我国高速铁路供电,牵引网是牵引供电系统的核心组成部分,牵引网故障若故障不能得到及时有效的处理,故障范围将扩大造成严重影响。准确、快速的识别故障类型并确定故障位置有利于铁路工作人员对牵引网的修复工作,能够缩小故障发生时间和减少影响线路。论文提出了一种基于深度学习方法的AT牵引网短路故障的快速识别与测距方案,针对深度学习方法需要数据较多,而AT牵引供电系统输电线路故障数据较少
随着人工智能技术的飞速发展,智能机器人的使用领域愈来愈广泛。SLAM（Simultaneous Localization and Mapping,同时定位与地图构建）技术作为一项协助智能机器人实现自主定位、导航的重要方法,受到了许多研究人员的重视。“视觉SLAM”是指使用视觉传感器来获取外界环境信息的SLAM技术。目前,大多数的视觉SLAM算法在静态环境中使用效果较好,但是如果场景中存在动态的物体
基于视觉的同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是机器人自主移动的核心功能,主要解决的是机器人中“我在哪?”、“我的周围是什么?”的问题,是机器人实现自主智能化的关键。近些年,基于深度学习的目标检测和语义分割的广泛研究与应用,获取非常精准的语义信息已经成为可能。将环境中的物体的语义信息结合到SLAM系统中,是当前SLAM的热门研究
近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。稀土元素作为一种战略资源,渐渐成为一些高新技术产业领域不可替代的角色,对国民经济和社会发展也是举足轻重。为了使稀土资源优势转化为产业优势,对稀土行业就提出了更高的要求。此外,稀土工业过程大时延、非线性、时变、强耦合、多变量等特点使得传统的控制理论和信息处理技术已无法满足稀土行业对先进自动化技术的迫切需求。稀土萃取分离过程中,组
胃肿瘤细胞作为典型的医学图像,是一种小样本数据集,并且胃肿瘤细胞图像复杂、信息冗余,若直接将原始小样本数据带入深度学习进行训练,会出现过拟合、梯度消失等问题。生成对抗网络的出现为解决小样本问题提供了重要的研究方向,即数据增强,通过扩充数据集来解决小样本问题;元学习本身也是用来解决小样本问题,所以研究这两种方法能更好地实现胃肿瘤细胞图像的分类识别。本文的研究内容主要有以下几点:首先,原始的生成对抗网
在这个信息技术不断进步的时代,人们对于图像的分辨率要求越来越高。超分辨率重建作为一种通过软件算法来提高图像分辨率的技术,具有成本低、效果好等优点,在医学成像、卫星遥感和安防监控等众多领域都有重要的作用。随着深度学习的发展,卷积神经网络被引入到超分辨率重建领域,因其复杂数据学习和表示能力强,极大地提高了图像的重建质量。为此,本文提出了两种基于卷积神经网络的超分辨率重建算法,主要研究内容如下:（1）针
高度智能化的机械臂抓取技术一直是机器人研发的重要目标之一。机械臂对于随机移动物体的抓取方法是实现工业生产线由自动化转向智能化所必要的重要功能。本文针对机械臂抓取移动物体的问题,研究了两方面问题。第一,传统基于预测机制的移动物体抓取方法预测精度较差,本文提出了一种结合长短时记忆网络模型（LSTM）和全连接网络结合的预测网络用于物体的移动轨迹预测,提高了轨迹预测准确性。第二,基于预测机制的移动物体抓取