Yüksek hızlı Rail Stability Control Algoritmaları için Adaptive Control Algorithms geliştirmek

Yüksek Hızlı Tren Stability

Yüksek hızlı tren istikrarı, amaçlanan yörüngesini korumak ve osilasyonlara direnmek için bir tren kapasitesidir, titreşimler veya hızlarda 250 km/h (155 mph) Bu tür ve konumlarda, küçük pistler, çaprazlar, veya tekerlek-giriş değişiklikleri, trenlerin güvenlik ve sürüş rahatlığı arasındaki önemli dinamik yanıtlara karşı çıkabilir: İstikrar kontrolü, çok sayıda özgürlük derecelerini ele almalıdır: uzun zamanlayıcı (beying/traction) ve daha sonra (ssion)

Shinkansen, TGV ve CRH serisi gibi modern hızlı trenler, parametrelerini sürekli olarak güncelleyen, geniş bir senaryo yelpazesine göre stabilite sağlamak için uyarlanabilir bir kontrol algoritmalarına güvenmektedir.

Konvansiyonel Kontrol Sistemlerinin Sınırları

Yüksek hızlı tren için geleneksel kontrol yaklaşımları genellikle PID (önergesel-integral-derivative) kontrolörleri veya lineer kuadra düzenleyicileri (LQR) tek bir nominal hızda tren dinamiklerinin lineerleştirilmiş bir modelini kullanarak tasarlanır.Bu yöntemler öngörülebilir koşullarda iyi çalışırken, örneğin, bir rüzgarın eninde aniden, termal genişleme nedeniyle bir değişiklik, ya da bir tekerlek profilin bozulmasından dolayı trenin bozulmasına neden olur.

Ayrıca, geleneksel kontrolörler farklı dinamik modlar arasındaki güçlü darbeyi ele alamazlar - yaw, saha ve roll gibi - yüksek hızlarda önemli hale gelir.Bu darbeci, sabit kontrollerin sık sık sık sık sık tekrarlama gerektirdiğini gösteriyor, bu da her iki zaman alıcı ve pahalıya da.

Adaptif Kontrol Algoritmaları: Prensipler ve Faydaları

Adaptif kontrol algoritmaları, gerçek zamanlı ölçümlere yanıt olarak kendi parametrelerini değiştirerek bu sınırlamaları aşmaktadır.Ana ilkesi GÜNCÜ:0)online sistem tanımlaması[Döneticileri 1), kontrol sistemi ve mevcut dinamiklerini sürekli olarak kontrol eder.Bu yaklaşım, sistemin operasyonel koşullar değişikliği olarak istikrar sağlamasını sağlar, adaptasyon hızının azaltılması dinamiklerine göre yeterince hızlı bir şekilde orantılıdır.

Gerçek Zaman Parametreleri Uyum

Adaptif bir kontrolde, ayarlama mekanizması ya doğrudan (kontrol parametreleri doğrudan bir hata sinyaline göre güncellenmektedir) veya dolaylı olarak (projeksiyonun bir modelini tahmin eder ve sonra bu modelden yeni parametreler hesaplar) Model Referans Adaptive Control (MRAC) genellikle demiryolu uygulamaları için ortak bir tekniktir: bir referans modeli istenen kapalı devreleri ve kritik sonuçları en aza indirmek için bir doğrulama yasası.

Robustness to Disturbances

Adaptif algoritmaların doğal olarak sağlam bir şekilde sağlamlığı sağlar, çünkü modellemez dinamikler ve dış rahatsızlıklar için telafi edilebilirler. Özellikle fiziksel altyapı yükseltmeleri olmadan belirli bir demiryolu hattının güvenli işletim hız aralığına karşı etkilidir (bu değişiklikler).

Rail Dynamics için Adaptif kontrolörler tasarlamak

Hızlı hızlı bir raydaki adeptif bir kontrol sistemi için tasarım süreci çok aşamalı bir iş akışı izler: matematiksel modelleme, sensör entegrasyonu, algoritma seçimi ve geçerlilik.Her aşama, dikkatli mühendislik ticaretlerini talep eden eşsiz zorluklar sunar.

Tren-Track Interactional Modeling

Yüksek sadakat dinamik modeli, herhangi bir uyarlayıcı kontrolörün temelidir. Tren genellikle katı olmayan vücutlarla (kar vücutlar, bogies, tekerlekler) sabit olmayan elemanlar tarafından bağlantılı (baplar, barajlar, barajlar, anti-roll barlar) içerir.

Son araştırmalar, doğrulanmış dinamikler ve optimizasyon yasasına ulaşmada belirleyici olan hataları öğrenmek için yapılan simülasyonlara ilişkin uyarıları öğrenmek için son dereceler dahil etmiştir. Örneğin, radial ve temel bir işlev ağı, varsayılan olmayan dinamikleri ve uyarlanabilir bir yasaya ulaşabilir.Bu hibrit yaklaşım, avcılık avcıları azaltmak için simülasyonlara söz verdi - tekerlekler kontenjanda meydana gelen tehlikeli bir sonraki istikrarsızlığa ve hıza ulaştı.

Sensör Entegrasyonu ve Data Fusion

Adaptif algoritmaları, büyük bir sensör girişlerine güveniyor: bu heterojen veriler her araba gövdesi ve bogie, gyroskoplar için agular oranları için standart, tekerlek hız kodlamaları, GPS mutlak konumlama için ve raylı sistemdeki kontrol verileri gibi.Bu heterojen veriler, bu parametrelerin sabit bir şekilde hesaplanması için kullanabilir. Kalman filtreleri (ex veya değersiz) için en yüksek frekans aralıkları yakalamak için standarttır.

Makine Öğrenme ve Neural Network Yaklaşımları

Derin takviye öğrenme (DRL) karmaşık ortamlardaki uyarlanabilir kontrol için güçlü bir araç olarak ortaya çıktı. Bir DRL çerçevesi, kontrol mekanizması, tren dinamiklerinin simülasyonunu öğrenen bir ajandır - yüksek hızlı bir demiryolu için, ödül - ve daha düşük gecikmeli bir şekilde-yaplama yöntemleri - özellikle de yüksek çözünürlükte-tahkiriğe uyum sağlamaları gerekir. DRL algoritmaları, özellikle de tren dinamikleri simüle eden bir sistemle etkileşime girebilirler.

Başka bir yaklaşım, atelif adeptif kontrol cihazlarının ([Dönetici) tarafından online kilolarını performans indeksinde güncelleyen bir yaklaşımdır. Bu ağlar, eylemciyi ısrarla çalıştırabilir ve zaman gecikmeleri doğrusal olmayan bir stabilite kanıtından daha değerli hale getirebilirler: çünkü ağ ağırlıkları sürekli olarak değiştirir, kapalı-loop sistemi, öğrenme oranı çok yüksek veya giriş sinyalleri kalıcı olarak heyecan verici değilse de kararsız hale gelebilir.

Uygulama Challenges and Solutions

Gerçek yüksek hızlı bir tren üzerinde pratik yapmak için teoriden uyarlanabilir bir kontrol getirmek, hesaplama, güvenilirlik ve sertifikadaki önemli engelleri aşmak gerektirir.

C ⁇ Constraints

Adaptif algoritma sabit bir örnekleme dönemi içinde yapılmalıdır -tipik olarak 10 milisaniye - bir güvenlik tarafından gömülü bir kontrol cihazı.Recursive least squares with matrix inverss can exceed this bütçe. Solutions, sabit nokta arithmetic kullanarak ve pre-taput adayın zamanlamaları kullanarak matrisleri kazanmasını sağlamak için gerekli olan hataları içerir.In addition, donanım-in-the-loop (HIL) testleri algoritmanın en kötü koşullar altında son zaman zaman zamanlaması gerekir.

Güvenlik-Critical Validation

Adaptif kontrolörler demiryolu uygulamalarındaki güvenlik-kırık sistemler olarak sınıflandırılıyor, EN 50126 (RAMS) ve EN 50128 (yumuşakware) gibi standartların uygulanması, kontrol edici davranışın zaman içinde değiştiğini gösteriyor.Bir yaklaşım, bazı Japon Shinkansen trenleri kullanarak aktif süspansiyon sistemi gibi, güvenli bir işlemden öteye doğrultucu bir denetim sistemi kullanarak sabit bir şekilde sabit bir şekilde devre dışı bırakmaktır: parametrelerin güvenli bir şekilde değiştirilmesini engelleyen bir denetim sistemi kullanın.

Vaka Çalışmaları ve Gerçek Dünya Uygulamaları

Birkaç hızlı tren operatörleri, istikrar artırmak ve tekerlek-rayın aşınmasını azaltmak için uyarlanabilir bir kontrolle deney yaptılar. Avrupa Birliği'nin Dyno Eğitim projesinde araştırmacılar dikey araba gövdesinde bir adaptif baraj sistemi test etti ve daha sonra en geç motor sürücüleri arasındaki% 15 azaltımı gösterdiler.

Çin'de CRH380 trenleri yolcu yüklemesinde (bu da yerçekimi merkezini değiştirebilir) ve geometri değişikliklerini takip eden değişiklikler için uygun bir hız hattını kullanarak, sonuç olarak Çin standart eşiğin altında bir sürüş indeksini sürdürmek için doğru yolu ayarlar.

Japonya'nın N700S Shinkansen, fren kuvvet dağıtımını tekerlek kayma algılamasına dayalı ayarlamalar için bir uyarlayıcı frenleme kontrol algoritmasını kullanıyor. Kontrolücü, tekerlek ve ray arasındaki anlık adhesion katlarını (bu, yağmur veya düşmüş yapraklar sırasında keskin bir şekilde azaltılabilir) ve tekerleklerin düşmesini önlemeye yönelik rejeneratif ve rheostatik frenler kullanıyor.

Adaptive Rail Stability Control'de Future Yol

Bir sonraki uyarlanabilir kontrol algoritmalarının nesli, gerçek zamanlı sensör verilerini yüksek hava tahminleri ve tarihsel bozulma modelleri ile birleştirerek, kontrol edilebilirliği önceden belirlenmiş parametrelere göre ayarlanabilir.[FONTNT=2][3][B][D][FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=3][B][COT:3) Eğer bir sonraki hıza kadar, bir düzeltme kontrol cihazı, yüksek zaman sensörünü bir şekilde artırabilir.

Başka bir umut verici alan ise:0)Kooperatif uyarlayıcı kontrol[Dönetici: 1) Aynı çizgide çalışan birçok tren için.Eğer iki tren yakın bir şekilde çalışıyorsa, aerodinamik etkileşimleri açıklığa neden olabilir. Trenler arasındaki iletişim kurma sistemleri, buleri iptal etmek için aktif süspansiyon güçlerini koordine edebilir.

kenar hesaplaması ve 5G kablosuz ağ entegrasyonu, enerji tüketimi ve istikrarın daha merkezileştirilmesini sağlayacaktır, ancak ele alınması gereken her trenin yerine, bir izoğraf sunucusu, birden fazla trenden gelen verilere dayanarak optimal kontrol komutlarını hesaplayabilir ve bunları gerçek zamanlı olarak gönderir.Bu, küresel iletişimin gecikme ve güvenlik risklerini de ortaya koyar.

Son olarak, ayrıntılı matematiksel model gerektirmeden doğrudan uyarlanabilir kontrolörler tasarlanabilir. PINNs, tren dinamiklerini bir sinir ağının kaybına gömülebilir, aynı zamanda dinamikleri ve kontrol politikasını aynı anda öğrenmesine olanak tanır.PNs, eski sonuçları gösteriyor ki, PINNs geleneksel takviye öğrenme öğrenmeden çok daha az eğitim bölümü ile geçiş koşullarını değiştirmeye adapte olabilir.

Yüksek Hızlı Rail için bir Stable Future

Adaptif kontrol algoritmaları sadece teknolojik bir yükseltme değildir - yüksek hızlı trenin devam eden evrimi için bir zorunluluktur. Trenler 400 km/h ve yukarıdan aşağıya doğru itiyorsa, dinamikler en küçük perturbasyonlara daha duyarlı hale gelir. Sabit kontrolörler sonunda performans sınırlarının ötesine ulaşırken, adaptif yöntemler sürekli olarak optimize edilebilir bir şekilde davranışlarını optimize edebilir.

Şu anki araştırma, taşıyıcı gecikmesi, sensör gürültüsü ve sistem bozulması gibi kurumlarda devam ediyor.Uluslararası Demiryolu Birliği (UIC)) ve demiryolu üreticileri ile ortak olan üniversiteler, hareketleyici gecikme, sensör gürültüsü ve sistem bozulması ile ilgili bir standart bileşen haline gelecek.