模糊神經網絡在駝峰機車推峰速度控制中的應用*

何 霄

(中鐵二院西北勘察設計有限責任公司站后綜合處，甘肅蘭州 730000)

0 引言

當前，自動化駝峰已經形成了推峰機車無線遙控、車組溜放速度自動控制的自動化控制能力，可以傳遞和共享信息的CIPS系統(tǒng)，極大提高了編組站的解體編組效率。雖然對推峰機車的控制已經達到不用司機在駕駛室操作的水平，但該控制方式下，機車推峰速度的大小仍然憑人的經驗判斷，無法保證當前推峰速度即為最優(yōu)速度，而且推峰過程中包含多個復雜的變量，對速度的計算容易受到鉤車長度、重量，峰頂與駝峰尾部距離及與前行鉤車的距離等因素的影響。論文在考慮到諸多因素后，提出用模糊神經網絡的智能算法［1－2］，通過建立合理的網絡模型來實現(xiàn)推峰機車速度的精確控制，利用模糊控制理論魯棒性和容錯能力強的特點及神經網絡自學習和訓練的能力，得到最優(yōu)的速度控制模型。

1 影響機車推峰速度的因素

1．1 前后兩鉤車摘鉤點的距離差值

即前行鉤車完成摘鉤作業(yè)的地點與當前鉤車摘鉤地點在距離上的差值。在車組溜放過程中，相鄰鉤車之間須保持一定距離的安全間隔，以免溜放車組因分路道岔轉換不及時而造成車輛掉道或擠壞道岔的現(xiàn)象。根據運動物體速度與距離的關系，若正在溜放的鉤車與峰頂即將提鉤的構成間距越大，則應適當加快機車推峰速度，有利于提高作業(yè)效率;反之則減小推峰速度，避免速度過快導致溜放途中兩鉤車碰撞［3］。對于相同作業(yè)計劃，其車組數量和長度是固定不變的，所以決定相鄰溜放車組間距的因素為不同的摘鉤地點的選取。

1．2 溜放車組走行性能引起的時間差異

進行溜放作業(yè)的鉤車可根據走行性能的不同分為難行車(一般為輕車或空車，產生的重力加速度較小)和易行車(一般為重車，產生的重力加速度較大)，確定機車推峰速度時，相鄰鉤車走行性能的大小決定機車推峰速度的變化。若前車是難行車，后車是易行車，則推峰速度就應適當減小;若前車易行后車難行，要適當提高推峰速度。假設給機車恒定的推峰速度V，則相鄰鉤車通過峰頂的時間差t應滿足:

式中:l為車組長度。

1．3 前行鉤車的速度

如果相鄰兩車組溜放過程的時間差最短，則此時機車達到最優(yōu)推峰速度。如果前行車組速度越大，則推峰速度應適度增大，保證當前車組以合理的速度進入溜放坡，提高解體作業(yè)效率。

1．4 前行車組所經過的分路道岔位置到峰頂的距離

如果該距離較大，相鄰車組共同走行的距離將隨之增大，應該及時降低推峰速度，使當前車組與前行車組保持安全間隔距離，確保當前車組在分路道岔轉到位之前到達相應道岔。

2 基于模糊神經網絡的推峰速度控制模型

2．1 對所輸入變量模糊化處理

(1)前后兩鉤車摘鉤點的距離差值模糊化處理。如果前行鉤車中車輛數較多(有可能整車溜放)，當前鉤車的車輛數最少為1，則摘鉤點距離的差值論域可定為［0，100］，同時賦予5個語言變量值很小(VS)、小(S)、中(M)、大(B)，很大(VB)，可得到各語言的隸屬函數如式(2)所示:

(2)溜放車組走行性能引起的時間差異的模糊化處理?？紤]到溜放過程的特殊情況，可能存在相鄰鉤車的車輛數相差很多的現(xiàn)象，時間差=L(幾乎等于帶解車組長度)/V(平均速度)，應該相差30 s，所以取論域為［－15，15］，賦予 3個語言變量小(S)、中(M)、大(B)，隸屬函數如式(3)所示:

(3)前行鉤車速度的模糊化處理。調機推峰速度按規(guī)定不能超過15 km/h，正常情況下最低為3 km/h，論域為［3，15］，賦予5 個語言變量值VS、S、M、B，VB，隸屬函數如式(4)所示:

(4)前行車組所經過的分路道岔位置到峰頂的距離的模糊化處理。編組站溜放坡的第一分路道岔距峰頂的距離不少于30 m，最后一個分路道岔距峰頂一般不超過150 m，所以距離的論域為［30，150］，賦予3個語言變量S、M、B，隸屬函數如式(5)所示:

2．2 建立模型

根據模糊系統(tǒng)的標準模型，設計了控制駝峰推峰速度的模糊神經網絡模型。此模糊神經網絡控制器為四輸入單輸出系統(tǒng)，輸入為影響機車推峰速度的因素，X表示前后兩鉤車摘鉤地點的距離差值、U表示前行車組推峰速度、T表示溜放車組走行性能差異、L表示前行車組所經過的分路道岔位置到峰頂的距離。如圖1所示。

圖1 推峰速度模型

3 基于模糊神經網絡的學習算法

采用誤差反向傳播的迭代算法［4］。為此對每個神經元的輸入輸出關系加以形式化描述。推峰速度的誤差函數定義為:

式中:Vc是實際計算輸出，V0是樣本。

學習目標就是使E小于預定義的誤差。設取誤差代價函數為:

可以得出參數調整的學習算法為:

4 仿真過程

從編組站CIPS系統(tǒng)中得到原始數據組，這里只需要實際股道、實際輛數、實際重量、給定推峰速度、實際推峰速度五類數據，從中取490組數據作為學習樣本訓練，10組作為測試樣本與仿真結果對比，用對比結果說明仿真的準確性［5］。取0．001為誤差平方和，經過485次訓練之后達到要求。如圖2為訓練過程圖，表1為訓練后部分參數表:

圖2 訓練過程圖

表1 訓練后部分參數表

將10組測試數據作為輸入信息，經仿真后的輸出結果與測試樣本結果相比較，得到圖3的結果。*表示模擬速度，曲線為樣本速度，從圖中可以看出，利用模糊神經網絡建立的機車推峰速度模型與機車實際推峰速度基本相似，因此證明論文利用模糊神經網絡控制機車推峰速度是可行的。

圖3 測試圖

在驗證了用模糊神經網絡控制機車推峰速度的可行性后，選取某一段時間機車運行速度曲線作為參照，與模糊神經網絡計算的速度進行對比，進一步驗證模糊神經網絡控制推峰速度的可靠性。在編組站作業(yè)計劃中任選兩鉤計劃，第一鉤車從峰頂到駝峰尾部運行時間為3～25 s，另一個鉤車的運行時間為25～43 s，模型的時間周期設定為2 s，通過神經網絡模型計算機車運行速度。如圖4為模擬速度與實際運行速度的對比

圖4 模擬速度與實際速度對比

圖4 中連續(xù)的曲線為機車實際運行速度，*表示用模糊神經網絡計算出的模擬速度。從圖中可以看出，模擬速度與實際運行速度相差甚小。另外，人工控制機車速度的過程完全憑個人經驗，會出現(xiàn)在某一動及旋轉的載荷下加工的?？梢越柚谲浖ζ浼庸み^程中的振動情況進行仿真和分析，從而可以對振動幅度進行有效地減小。另外，中心孔是定位、校驗軸類零件的基準，無論是中心孔的深度，還是其錐度的大小、兩端之間的同軸度都對加工軸類零件有著很大的影響，這也是今后在對細長軸加工精度提高時所需要考慮和解決的重要問題之一。

［1］ 宋穎杰，徐 琳．淺談中心軸與孔類加工［J］．應用技術，2013(9):72-73．

［2］ 郭建亮，崔伯第．基于切削力測量的細長軸加工誤差在線補償［J］．機床與液壓，2005(5):86-89．

［3］ 武文革，龐思勤．可逆向車削細長軸加工誤差分析［J］．北京理工大學學報，2004，2(2):86-89．

［4］ 王小翠，李 蔚．細長軸車削用量優(yōu)化與加工變形誤差補償技術的研究［J］．工藝與檢測，2007(7):85-88．

［5］ 戴海港．軸類零件彎曲變形在線檢測研究［D］．成都:西華大學機械學院，2011．

［6］ 謝新偉，趙千紅，徐國榮，等．減緩車削加工時細長軸震動的方法［J］．應用能源技術，2007(9):9-10．

［7］ 張新運，王小翠，李 蔚．車削加工誤差補償技術的研究［J］．西安工程大學學報，2009，8(2):56-58．

［8］ 王小翠，李 蔚．細長軸車削用量優(yōu)化與加工變形誤差補償技術的研究［J］．工藝與檢測，2007(7):85-88．

［9］ 江 平．細長軸車削加工過程的有限元仿真分析［D］．成都:西華大學機械學院，2012．

［10］ 武文革，龐思勤．可逆向車削細長軸加工誤差分析［J］．北京理工大學學報，2004，2(2):86-89．

［11］ 葉又東．數控銑削加工中的工藝分析及處理［J］．機械，2004(10):40-42．