英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
使用先进数据的柴油电力机车的节能运行
摘要: 柴油机电力机车具有显着的燃料消耗。在这项研究中，模糊前瞻控制被认为是燃料消耗优化的在线方法。模糊控制器将通过考虑前面路径的梯度和速度限制来修改期望的速度分布。行程时间增量用作优化约束。现有的列车运动模拟模型是通过间接指数计算燃料消耗。提出了一种用于列车运动模拟的新模型，以更准确地计算燃料消耗。该模型考虑机车子系统并满足在机车目录中指定的实验燃料消耗数据。在三个本地轨道上使用GM Sd40-2的列车的模拟显示了燃料消耗的显着减少以及可接受的行程时间增量。模拟结果还表明，与基于动态规划方法的控制器相比，模糊预测控制器具有非常快的计算。
关键词：柴油电力机车 燃油消耗 前瞻控制 模糊控制
介绍
铁路运输系统通常被认为是货运和客运的能量最优方法（Lawyer，2007）。 然而，铁路运输业是燃料和能源的主要消费者之一。 例如，美国七个一级铁路在2012年消耗了超过36亿加仑的柴油（美国交通部）。 因此，减少燃料消耗和提高该领域的效率将具有显着的经济和环境利润。
在铁路运输的燃料消耗优化领域的研究主要在过去二十年中演变（Cheng和Howlett，1992; Howlet，Milroy＆Pudney，1994; Howlett，1996）。使用最大原理和功能分析（Howlett，1990）证明了在缺乏梯度的路径上列车的最佳速度曲线的存在。速度限制的效果被应用于Pudney和Howlett（1994）的问题。针对在没有坡度的路径上的两个站之间的列车运动描述了优化的速度分布（Hansen＆Pachl，2008）。该优化轮廓具有四个阶段：加速到最大速度，保持恒定速度，无牵引力和减速的惯性滑行。据报道，使用优化算法可以将燃料消耗降低13％（Howlett＆Pudney，1995）。优化问题被解决了一个具有分段恒定梯度的路径（Howlett＆Cheng，1997）。基于Kuhn-Tucker方程导出一组特征方程。
燃料消耗优化问题通过燃料消耗的局部最小化来解决给定路径的每个部分（Howlett＆Pudney，2009）。通过优化算法获得在上坡之前增加速度的最佳点。在另一项研究中，最大原理方法被用来优化地铁线路的能源消耗（Khmelnitsky，2000）。在本领域中已经描述了其他新颖的方法。例如，已经提出了用于列车速度分布的遗传算法（Kang，2011）。在这项研究中，滑行点是主要参数，并且定义了适应度函数，使得列车可以在限定的行程时间内穿过两个站之间的距离。在另一项研究中，检查了某一地铁线的地铁列车运输（Zhang et al。，2014）。在本研究中，提出综合评价指数（CEI），通过计算牵引能源成本和技术操作时间来分析城市轨道交通的综合优化策略。提出了随机列车能效运行模型，并将惯性运行阶段替换为准惯性运行阶段（Li et al。，2013）。
在回顾的论文中，使用牵引力的简单模型，并且通过间接指数来测量燃料消耗。 燃料消耗是柴油发动机的工作速度和扭矩的函数。 考虑机车子系统的工作点和操作约束可以给出更准确的模拟结果。
虽然可用的数值方法提供了可观的结果（Cheng，Davydova，Howlett＆Pudney，1999; Howlett，2000; Howlett＆Leizarowitz，2001; Liu＆Golovitcher，2003），这些方法使用离线计算。 他们正在考虑静态情况问题，因此如果在前面的路径的情况发生任何更改，这些计算必须再次运行。 因此，开发考虑动态情况（例如前方路径中的交通）的在线算法可能更适用于客舱计算机程序中的实际目的。
提出了一个相对包容性的铁路运输牵引节能保护评价（Feng et al。，2013）。 该审查得出结论，考虑到轨道线路或网络的系统运输操作，必须考虑具有合理改进特征的不同轨道对准和火车的动态优化控制程序。
“前瞻”控制方法是优化道路车辆的燃料消耗的新方法。 该方法基于将未来路径信息用于加速和减速控制命令。 前瞻方法被用作通过使用动态规划来解决最优控制问题来降低燃料消耗的有效工具。 前瞻性模糊控制方法被用作优化混合动力电动汽车的燃料消耗的快速有效的方法。 该方法也用于优化汽车通风系统。 所获得的结果显示在道路运输中应用该方法的显着熟练。 在前瞻控制领域中审查的论文没有考虑前方路径的速度限制。 例如，他们提出的算法在上坡路段之前增加车辆速度，但是如果在上坡路段中存在弯曲路径或其他速度限制，则不正确地增加速度。
前瞻方法尚未在铁路运输领域中使用。 这种方法的明显贡献在于优化铁路运输的能源消耗。 该算法可以用于训练机车驱动器，并且还可以用作辅助列车控制仪器。
模糊先行控制算法作为一种具有在线计算的动态方法在本文中通过考虑前方路径的速度限制来实现。 为了更准确的燃油消耗计算，在第2节中提出了列车运动模拟的动态模型。优化问题在第3节中定义。成本函数定义为行程燃料消耗，行程时间被认为是约束。 设计的模糊前瞻控制器在第4节中给出。最后，在第5节中，通过对具有GM Sd40-2机车的货运列车的模拟来讨论所提出的算法与基于动态编程的控制器相比的有效性 在本地轨道。
火车模型
查看第1节列车运动模拟开发的模型表明燃料消耗是通过这些模型中的间接指数计算的。 因此，提出了一种用于列车运动模拟的新模型，以更准确地计算燃料消耗。 该模型考虑了在机车中在发电或传输中具有作用的所有机车子系统。 机车的Simulink建模的主要框图如图1所示。
柴油发动机，发电机，电动机，主传动，轮轴轴块如图1所示。 1与ADVISOR软件中使用的模型相同。 ADVISOR（先进车辆模拟器）是用于混合动力电动汽车模拟的一个MATLAB工具箱（NREL，2001）。 在所提出的模型中，基于作为柴油发动机的速度和扭矩的函数的特定燃料消耗（SFC）曲线图来计算燃料消耗。因此，所提出的模型可以与现有模型相比直接且更精确地计算燃料消耗 用于列车运动模拟。
机车具有内部控制回路，其中柴油发动机的调速器和伴随装置，负载调节器是主要部件（通用汽车的电动分部，1978）。调速器的外部输入包括由列车驾驶员的节气门位置和实际发动机速度确定的请求发动机速度。调节器控制燃料喷射器设置，其确定柴油发动机燃料率，以及负载调节器位置。负载调节器本质上是大电位计，其通过改变其励磁激励和因此施加到柴油发动机的负载的程度来控制主发电机功率输出。随着柴油发动机上的负载改变，其转速也将改变。这由调速器通过发动机速度反馈信号的变化来检测。净效果是调节燃料速率和负载调节器位置，使得柴油发动机的速度和扭矩（以及因此输出功率）将对于任何给定的节气门位置保持恒定，而与路径上的实际列车速度无关。对应于八个节气门位置的标称恒定功率曲线在图2中示出
列车驾驶员或控制器可通过设置节气门位置或使用制动手柄来控制列车速度。 机车最大牵引力Ft定义为：F t = min ( F1,F2) (1)
F1是电动机（牵引电动机）产生的牵引力，F2是车轮和轮胎之间的最大粘附力.
这个约束在车轮和轴块中考虑。 车轮和轨道F2（N）之间的最大粘附力可以计算为：
F2 = 9.8 beta;ad l l (2)
其中W1是机车轴向载荷（kg），n1是机车轴的数量，beta;ad是附着系数，其表示为：
其中V是机车速度（km / h）（Hansen＆Pachl，2008）。
列车运动的经验方程用于列车纵向动力学块。 阻力可以根据Davis方程确定，其中阻力表示为速度的抛物线函数（Davis，1926）。 对于机车和汽车分别计算Davis阻力RD（N），并且随后考虑它们的和。 戴维斯方程写成
其中W是轴向载荷（kg），（A，B，C，D，a）是Davis系数，n是轴数。 另一个阻力是由于路径坡度和曲率引起的路径几何阻力。 路径几何电阻Rpath（N / kg）定义为：
其中Rgrade（N / kg）等于每1000m的高度变化（m），曲率（N / kg）是弯曲路径阻力，
其中r是曲线半径（m）（Hansen＆Pachl，2008）。 当制动时，牵引力变为零，并且制动力代替牵引力。 制动力Fbrake（N / kg）表示为
其中theta;b是制动重量分数，其是坡度和速度的函数（Hansen＆Pachl，2008）。 phi;k是摩擦系数，表示为
其中V是机车速度（km / h）（Hansen＆Pachl，2008）。通过使用牛顿第二运动定律，可以计算列车加速度，速度，位置以及因此的行驶时间。
优化问题
优化列车运动的理想策略包括最小化行程时间和燃料消耗。 然而，这两个参数以相反的方式起作用。 换句话说，燃料消耗的减少可能导致行程时间的增加。 难以定义将行驶时间转换为燃料消耗中的等效值的精确因子。
在货运列车运行的优化问题中的一个有效方法是将目标函数定义为燃料消耗和行程时间作为约束（Kang，2011）。 这意味着必须最小化燃料消耗，使得行程时间增量必须小于预定极限。 在这项研究中，旅行时间约束被认为比通过遵循由安装在路径上的速度符号限定的初始期望速度曲线所实现的行程时间增加至多3％。 问题中的另一个约束是与初始期望速度分布的速度偏差。 在当前的问题中，速度偏差约束被认为是高于10km / h
低于初始期望速度。 应当注意，初始期望速度分布通常低于轨道上的最大允许速度。 因此，与期望速度曲线的10km / h的偏差将不会引起安全问题。 优化问题定义为：
FC最小值的限制条件
其中FC是燃料消耗，Delta;t是行程时间增量，tID是通过遵循由安装在路径上的速度标记限定的初始期望速度曲线而实现的行程时间。 vd是期望速度，VID是初始期望速度分布。
模糊前瞻控制器设计
设计模糊前瞻控制器以优化列车燃料消耗。 该控制器具有预定方案，并且根据前方路径的预设坡度和速度限制来模糊地修改初始期望速度曲线。 例如，如果在前方路径中存在上坡路段，则应当在上坡路段之前增加期望的速度，使得其可以更容易地通过。 模糊先行控制器的一般结构如图3所示
速度控制器是基于来自期望速度曲线的速度误差确定节气门位置和制动的主控制器。 模糊前瞻控制器可以分为两个单元：前瞻单元和模糊控制器。模糊前瞻控制器框图如图4所示。
路径梯度和速度限制数据库应该可用于如图1所示的先行单元。路径被表示为许多块。数据库中每个路径块的数据包括起点，终点，曲线半径，坡度和速度限制。先行单元计算称为“先行窗口”的路径的选定部分的平均梯度和速度限制。该前瞻窗口将在距车辆的瞬时位置指定距离的前方路径（图5）中被考虑。在该距离中，车辆速度受先前的控制命令的影响。应当注意，先行窗口以与车辆相同的速度在车辆的前方移动。先行窗口立即扫描前方路径，使得前方路径中的变化被窗口逐渐感测。每个控制命令的效果预期出现在其对应的前瞻窗口的开始点。为了计算即将到来的梯度和速度限制的平均值，路径被离散化为一组等间隔的连续点，其信息是在路径数据库中可用。如果先前的控制命令域和先行窗口分别包括n1和n2点，则前方情况（梯度和速度限制）被定义为如下
因此，“前方情况”是先行窗口内的点的平均情况。
模糊先行控制算法的第二单元是模糊控制器。该块用作前馈控制器，并且基于前方路径的坡度和速度限制来修改初始期望速度分布（VID）。可以使用其他前馈算法，例如基于模型的预测控制（MPC）或动态规划（DP），而不是模糊控制器。第2节中提出的列车运动模型是基于柴油发动机，发电机和电动机的查找表和工作约束的非常非线性模型。因此，在这种非线性系统中，开发模糊控制器可能更合适。模糊规则是基于列车驾驶员的实际经验。例如，如果在前方路径上没有速度限制并且前方坡度增加，则应当增加车辆速度。但是如果在前方路径中存在速度限制并且坡度增加，则不需要增加车辆速度。车辆能量在制动阶段被浪费，因此模糊规则的目的是通过更好地规划期望速度来减小制动力。
设计的模糊控制器的两个输入变量包括瞬时情况（梯度和速度限制）和前方状况之间的差异。 控制器的输出变量是所需的速度修改（Delta;VLA）。 本文提出的方法使用缩放因子来微调模糊逻辑控制器。 缩放因子使得能够使用规范化的话语，并且起到类似于常规控制器中的增益系数的作用（Filev＆Yager，1994）。 所有变量使用的隶属函数包括大负（BN），中负（MN），零（Z），中正（MP）和大正（BP）。 所有隶属函数都是三角形的，均匀分布在alpha;1和1之间。这些隶属函数如图6所示。
为了相对于铁路轨道结构的特性调整输入变量的缩放因子，前坡梯度范围被认为是从le;2.5％梯度到le;2.5％梯度，并且前限速度的最大变化被认为是70km /H。 因此，输入变量的缩放因子分别调整为1 / 0.025和1/70，用于前进坡度和前进速度极限。在用于期望速度修改的缩放因子调谐中，认为模糊前瞻控制器应当具有修改 带宽710公里/小时。 因此，输出变量的缩放因子调谐为10.为了从模糊推理机获得清晰的控制输出，使用称为质心区域的最常见的方法。 模糊规则库如表1所示
拟议方法的实施
为了验证所提出的方法并评估其性能，真实的机车在真实的轨道上建模。 这项研究中的铁路轨道是一条37公里的地方铁路轨道。 模拟路径显示在图7的地图上。 路径坡度在每1000m为theta;15〜15°的范围内，最小曲线半径为300m。 图6的第二曲线图中的5000mu;m的曲线半径。 图5表示路径的直线部分。 路径的坡度和曲线半径轮廓如图2所示。 路径被离散化为一组点，它们之间的距离等于dx =10mu;m。
机车型号是GM Sd40-2，是一种用
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[140472]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
