国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于模糊規(guī)則的機車智能操縱優(yōu)化計算方法與流程

      文檔序號:11153027閱讀:380來源:國知局
      本發(fā)明涉及機車控制技術,尤其涉及一種基于模糊規(guī)則的機車智能操縱優(yōu)化計算方法。
      背景技術
      :近年來隨著智能控制系統(tǒng)及產品的發(fā)展需求越來越大,關于復雜操縱序列優(yōu)化問題的研究也越來越普遍。廣義上操縱序列是指物體在某一時間段內的所有操作構成的集合,在工業(yè)工程領域,人們所關注的是在某些約束條件下,目標物體能夠滿足某方面的優(yōu)化性能的最優(yōu)序列,這個尋優(yōu)過程稱為操縱序列優(yōu)化。目前國內外眾多研究者投入于解決此類問題,解決方法大體分為三類。第一類方法運用數值搜索的方法設計在線或離線算法來求解優(yōu)化問題。2000年,YakimenkoOA提出直接快速成型的數值算法尋找近似最優(yōu)的飛行軌跡,并在實際飛機飛行中驗證。2010年MiyatakeM,KoH發(fā)表了一篇關于最小能耗的火車速度優(yōu)化問題的文章,在文中提出梯度法、動態(tài)規(guī)劃和順序二次規(guī)劃算法來計算出具有最優(yōu)化的火車操縱序列。除上述在線優(yōu)化算法外,也有部分學者采用離線搜索的方式來解決此類優(yōu)化問題,并在在線決策中運用了離線的優(yōu)化結果。2002年Al-HasanS等人針對天然地形中的無人汽車駕駛線路規(guī)劃問題,通過if-then的模糊規(guī)則以及矩陣結構構建圖中的點到其他可達線路的離線知識庫,用于在線AStar算法搜索優(yōu)化線路。數值搜索的算法耗時長,且短時間內無法收斂到最優(yōu)結果,不適合在線控制系統(tǒng)優(yōu)化。第二類方法運用解析求解方法求解復雜操縱序列優(yōu)化問題。2009年P.G.Howlett等人對貨運機車在線優(yōu)化策略的計算進行了研究,他們通過解析求解的方式計算機車在陡坡中運行時,其操縱控制能夠達到局部最小能耗的關鍵轉換點來得到全局的優(yōu)化操縱序列,該方法目前已成功運用于澳大利亞的長途貨運機車上。這類方法的主要缺陷是轉換點的解析公式推導過程復雜,較難處理多約束條件。第三類方法直接采用在線啟發(fā)式的人工根據約束條件分析與設計操縱序列優(yōu)化策略的方法。2008年,BaiY,MaoB等針對貨運機車節(jié)能優(yōu)化問題提出了通過啟發(fā)式的算法來構建一套在線的優(yōu)化控制系統(tǒng),實現機車的節(jié)能目標。但是這種方式過多地引入人工的分析與設計,極大地降低了策略設計的效率,同時由于人思考范圍有限,無法覆蓋所有可能的情況,這勢必會導致部分有化解遺漏。技術實現要素:本發(fā)明的目的是通過將策略參數模糊化,構建參數模糊推理系統(tǒng)的方式來解決參數尋優(yōu)過程無法遍歷所有狀態(tài)的策略參數且策略參數匹配過程中的邊界劃分問題。本發(fā)明的技術方案是提供了一種基于模糊規(guī)則的機車智能操縱優(yōu)化計算方法,具體包括以下步驟:步驟1、進行機車駕駛操縱的優(yōu)化策略設計并生成優(yōu)化策略庫,其中:步驟1.1、優(yōu)化預處理,優(yōu)化預處理是針對線路數據的讀取以及處理,具體包含加算坡度的計算和線路分段;步驟1.2、離線知識庫構建,將機車記錄的司機駕駛數據進行學習,學習的過程包括司機數據預處理,定義分類屬性和子操作,并獲得不同分類屬性下的子操作知識庫;步驟1.3、策略庫生成并調整,根據得到的子操作知識庫作為設計基礎原則,匹配不同的分類屬性及火車駕駛操縱領域規(guī)范得到原始優(yōu)化策略,針對區(qū)段限速、列車時刻表以及機車行駛安全平穩(wěn)的約束條件進行策略調整,最終形成優(yōu)化策略庫;步驟2、優(yōu)化策略參數提??;其中,優(yōu)化策略中的參數根據狀態(tài)可以分為兩類:第一類參數為動態(tài)參數,動態(tài)參數會根據機車行駛的自身狀態(tài)和線路情況動態(tài)變化,包括車重、坡段類型、當前機車的運行速度;第二類參數為靜態(tài)參數,靜態(tài)參數是人為通過機車的運行情況及司機的駕駛經驗進行配置,當機車在進行行程初始化即優(yōu)化預處理過程中從外部配置文件中讀入,靜態(tài)參數無法根據機車的不同狀態(tài)動態(tài)加載;步驟3、優(yōu)化策略參數尋優(yōu),通過離線大規(guī)模搜索的方式對優(yōu)化策略中的參數進行優(yōu)化搜索;步驟4、策略參數模糊推理系統(tǒng)設計及實現;步驟4.1、進行輸入參數模糊化;步驟4.2、根據模糊規(guī)則進行模糊推理,其中,糊推理方法采用Mamdani算法;步驟4.3、進行參數解模糊,其中采用用中心平均法進行參數解模糊,通過參數解模糊之后得到清晰的優(yōu)化策略參數;步驟5、匹配策略并執(zhí)行;根據策略參數尋優(yōu)與模糊推理系統(tǒng)得到的策略優(yōu)化參數,在優(yōu)化策略樹中進行深度遍歷搜索,匹配到每個路段的優(yōu)化策略,對優(yōu)化策略進行執(zhí)行并生成優(yōu)化操縱序列。采用上述技術方案后的有益效果是:該技術方案運用基于模糊推理的策略參數優(yōu)化方法,通過對策略參數進行搜索,進一步提高了策略的優(yōu)化效果;通過將策略參數模糊化,構建參數模糊推理系統(tǒng)的方式來解決參數尋優(yōu)過程無法遍歷所有狀態(tài)的策略參數且策略參數匹配過程中的邊界劃分問題附圖說明圖1是機車操縱序列優(yōu)化整體設計框架示意圖;圖2是陡上坡策略內部子操作結構圖;圖3是優(yōu)化策略庫的樹組織結構示意圖;圖4優(yōu)化策略參數模糊推理系統(tǒng)框架;圖5輸入參數模糊隸屬度函數;具體實施方式下面結合附圖1-5對本發(fā)明的技術方案進行詳述。圖1顯示的是基于模糊規(guī)則的機車智能操縱優(yōu)化計算方法過程示意圖。該實施例提供了一種基于模糊規(guī)則的機車智能操縱優(yōu)化計算方法,整個方案以設計的機車操縱優(yōu)化策略庫為基礎,對策略參數進行尋優(yōu),運用模糊推理系統(tǒng)對機車參數進行模糊匹配,將匹配后的策略運用于機車操縱在線優(yōu)化過程中,使其滿足不超出限速、時間盡量準點、運行平穩(wěn)等約束條件下達到盡可能低的油耗效果;該方法具體包括以下步驟:步驟1、進行機車駕駛操縱的優(yōu)化策略設計并生成優(yōu)化策略庫。機車駕駛操縱優(yōu)化策略主要針對不同類型的坡段進行設計,因為機車在不同類型的坡度情況下,其駕駛的檔位操縱規(guī)律不同,在相同近似的坡度范圍內,其駕駛檔位操縱規(guī)律基本一致,因此可以對具有相同或相似的道路坡段情況進行統(tǒng)一策略設計。優(yōu)化策略生成主要包括優(yōu)化預處理、離線知識庫構建和策略生成及調整三個步驟。步驟1.1優(yōu)化預處理優(yōu)化預處理主要是針對線路數據的讀取以及處理,主要包含兩個核心操作:加算坡度的計算和線路分段。加算坡度計算主要為線路信息中的坡段、曲線、隧道三種線路對機車疊加所產生的坡度[1]。線路分段主要是根據線路加算坡度的不同,對線路進行分類,如表1坡段分類所示。將線路分段之后對線路不同類型的坡段單獨進行策略設計有利于提高策略的完整性和優(yōu)化效果。表1坡段分類表坡段類型標識坡度范圍(單位:千分度)超陡下坡-3小于-5陡下坡-2大于等于-5,小于-3緩下坡-1大于等于-3,小于-1平坡0大于等于-1,小于1緩上坡1大于等于1,小于陡上坡2大于等于3步驟1.2離線知識庫構建將機車記錄的司機駕駛數據進行學習,學習的過程主要包括司機數據預處理;定義分類屬性和子操作,獲得不同分類屬性下的子操作。分類屬性包括坡段類型、坡段長度等,子操作主要分為勻速、加速、減速操作;針對不同分類屬性,對不同類別下的子操作運用序列模式挖掘算法進行學習;本實施例使用基于GSP(GerneralizedSequentialPattern)算法的序列模式挖掘,得到不同分類屬性下的頻繁的操縱子操作模式,如在坡長較短的超陡下坡情況下,頻繁子操作序列為加速-減速,從而形成策略子操作知識庫。各類型坡段不同坡長下頻繁子操作序列如表2所示:表2不同坡段類型不同坡長下子操作序列結果表步驟1.3策略庫生成并調整根據得到的策略子操作知識庫作為設計基礎原則,匹配不同的分類屬性及火車駕駛操縱領域規(guī)范得到原始優(yōu)化策略,如陡上坡的原始優(yōu)化策略如圖2所示。司機在陡上坡的駕駛規(guī)律基本上會因為坡度的原因而減速運行。因此,對于陡上坡來說,由于坡度產生的阻力對機車的影響較大,需要用最大的牽引檔位對機車進行牽引,在牽引到一定速度之后,再讓機車保持勻速運行。針對區(qū)段限速、列車時刻表以及機車行駛安全平穩(wěn)等約束進行策略調整,利用錯誤驅動原理,通過構建大量測試用例對優(yōu)化策略進行測試,對不合理策略進行擴展和完善,提高其穩(wěn)定性,最終形成優(yōu)化策略庫,如圖3,使用樹組織結構示意優(yōu)化策略庫。步驟2、優(yōu)化策略中的參數提取優(yōu)化策略存在一些輸入配置參數,這些策略輸入參數是根據現有機車駕駛領域的一些規(guī)則規(guī)范而人為配置的經驗參數。然而對于優(yōu)化策略來說,對于不同車重、車長等機車狀態(tài)下,需要設定不同組的優(yōu)化策略參數。對于機車優(yōu)化來說,優(yōu)化策略的執(zhí)行除了進行策略匹配之外,還需要匹配策略的輸入參數。優(yōu)化策略參數根據狀態(tài)可以分為兩類:第一類參數為動態(tài)參數,該參數會根據機車行駛的自身狀態(tài)、線路情況等動態(tài)變化,一般包括車重、坡段類型、當前機車的運行速度等;第二類參數為靜態(tài)參數,這類參數一般是人為通過機車的運行情況及司機的駕駛經驗進行配置,當機車在進行行程初始化即優(yōu)化預處理過程中從外部配置文件中讀入,該類參數無法根據機車的不同狀態(tài)動態(tài)加載。針對優(yōu)化策略庫中的策略,對策略的關鍵參數進行提取,如平均速度浮動閾值、限速閾值、檔位拉平距離等,如表3所示為一組策略參數。表3策略參數表步驟3、優(yōu)化策略參數尋優(yōu)對于優(yōu)化操縱策略來說,這些參數通常是通過對領域知識的理解分析而給定的一些經驗參數,但并不一定是最優(yōu)的,如何搜索到最優(yōu)參數是一個關鍵內容。為了能夠讓優(yōu)化策略有更好的節(jié)能效果,通過離線大規(guī)模搜索的方式對一些策略參數進行優(yōu)化搜索,整個尋優(yōu)的目標為在機車的運行時間不超過計劃時間3分鐘的基礎上,盡量選擇油耗低的優(yōu)化參數。這類優(yōu)化算法有遺傳算法、粒子群算法、模擬退火算法等(不限于所舉例)。本實施例采用遺傳算法。策略參數尋優(yōu)的遺傳算法的模型可以描述為:將種群個體編碼為一組策略參數,初始種群通過在參數范圍內隨機生成的若干組策略參數來獲得,模型的適應度函數為油耗和時間偏差大小,即通過選擇滿足時間偏差約束條件下的油耗小的適應度來進行個體的篩選。針對進化過程中的每代個體,通過選擇運算、交叉運算、變異運算并根據適應度的篩選保留適應度高的個體,下一代個體將由這些個體組成。在整個算法過程中,通過設置種群代數來控制算法的收斂程度,一般來說,優(yōu)化結果會隨著代數的遞增而逐漸收斂到最優(yōu)的結果。整個搜索過程簡單且具有較好的魯棒性,進行策略參數尋優(yōu)取得良好的效果。經策略參數尋優(yōu)后生成策略優(yōu)化參數庫,為之后的策略匹配提供依據。步驟4、策略參數模糊推理系統(tǒng)設計及實現機車由于車重、車長等因素存在無限種狀態(tài)可能,因此尋優(yōu)的參數無法遍歷機車的所有運行狀態(tài);而對于相似的車重和車長來說,其對應的優(yōu)化策略輸入參數也可能較為相似,較難對參數邊界進行劃分,針對以上特點,本實施例運用模糊推理的方法來實現優(yōu)化參數的映射。模糊推理系統(tǒng)的模型框架如圖2所示:模糊推理系統(tǒng)主要分為三個模塊:輸入參數模糊化、根據模糊規(guī)則及推理方法進行模糊推理、優(yōu)化參數解模糊。下面對這三大塊做詳細介紹。步驟4.1輸入參數模糊化精確值進入推理系統(tǒng)時,需要將該精確值模糊化到對應的模糊集合中。參數模糊方法常見的主要有隸屬度法(三角、梯形等)、模糊單值法等。在機車操縱上輸入參數影響較大的為車重、車長,本實施例采用三角和梯形相結合的隸屬度函數來共同設計二者的模糊化函數。圖3為車重、車長的隸屬度函數。對于車重來說,模糊集合由輕車、較輕車、較重車、重車組成,分別對應了1000t、2500t、4000t、5500t的車重值,即在對應的車重上,隸屬度為1。若車重介于某兩個相鄰車重區(qū)間內,則需分別計算其隸屬的模糊集的隸屬度值。實際情況中,車重小于1000和大于5500的情況也可能存在,若用三角隸屬度函數來表示可能會存在隸屬度為0的情況,因此該情況下采用梯形隸屬度函數來表示。對于車長來說其設計思路與車重類似。輸出變量(即參數尋優(yōu)中需要優(yōu)化的策略參數,如表1.1所示)也需要設計相應的隸屬度函數。根據每個參數在不同車重、車長下的值value的分布范圍,設定不同的組別groupi,每個組別代表了范圍(ai,bi),判斷value是否屬于(ai,bi)范圍中,若屬于則該value的類組為groupi,最后通過計算每個groupi中的值的平均值作為該組別所表示的值valueavg,即在該組別下valueavg的隸屬度為1。步驟4.2根據模糊規(guī)則進行模糊推理模糊規(guī)則庫依賴于模糊輸入和輸出的模糊集合所構建而成,是所有模糊規(guī)則的集合,模糊推理過程需要依賴模糊規(guī)則庫。一條模糊規(guī)則具備前件和后件,前件表示條件,后件為對應條件下的結論,前件和后件為其所在域中的模糊集合,且可以是多維的,其規(guī)則形式如下所示:Ifx1isA1and...andxnisAn,Theny1isB1and...andymisBm其中x1…xn為多維的條件模糊屬性,A1…An為多維條件模糊屬性對應的論域;同理y1…ym為多維的結論模糊屬性,B1…Bn為多維結論模糊屬性對應的論域。在本實施例模糊規(guī)則設計中,輸入變量為車重、車長,輸出變量為優(yōu)化策略參數,如表2中所列參數。根據車重、車長對應的策略優(yōu)化參數及策略優(yōu)化參數對應的模糊集得到模糊規(guī)則庫,如表3所示,(P1-P5代表表2中所示參數,1~5為模糊集組別編號)。表3優(yōu)化策略參數映射模糊規(guī)則模糊推理在模糊規(guī)則上進行,常見的模糊推理方法有Larsen法、Mamdani法、Zadeh法等,本實施例選用Mamdani算法,其模糊蘊含關系RM(X,Y)可以通過模糊集合A和B通過笛卡爾積求并集來獲得,即μRM(x,y)=μA(x)∧μB(y)步驟4.3參數解模糊參數解模糊指的是模糊推理之后的結果進行清晰化操作從而得到最終的清晰值。常見常見清晰化方法有重心法、最大隸屬度法、中心平均法等。本實施例采用中心平均法進行參數解模糊。假設最終推理生成N個模糊集合構成的結果,q*為第i個模糊集合的中心,在模糊集合中,用μi(q)表示其中的最大隸屬度,則最終清晰化得到的清晰值q*可以表示為:通過參數解模糊之后得到清晰的優(yōu)化策略參數。步驟5、匹配策略并執(zhí)行根據策略參數尋優(yōu)與模糊推理系統(tǒng)、得到的策略優(yōu)化參數,在優(yōu)化策略樹中進行深度遍歷搜索,匹配到每個路段的優(yōu)化策略,對策略進行執(zhí)行,生成當前策略下的優(yōu)化操縱序列,達到機車節(jié)能駕駛的目標。雖然上面結合本發(fā)明的優(yōu)選實施例對本發(fā)明的原理進行了詳細的描述,本領域技術人員應該理解,上述實施例僅僅是對本發(fā)明的示意性實現方式的解釋,并非對本發(fā)明包含范圍的限定。實施例中的細節(jié)并不構成對本發(fā)明范圍的限制,在不背離本發(fā)明的精神和范圍的情況下,任何基于本發(fā)明技術方案的等效變換、簡單替換等顯而易見的改變,均落在本發(fā)明保護范圍之內。當前第1頁1 2 3 
      當前第1頁1 2 3 
      網友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1