基于模糊神经网络的重载列车空气制动力预测方法

• 作者: 史可 张征方 白金磊 蒋杰
• 来源期刊: 控制与信息技术
• 学科: 交通运输
• 关键词: 重载列车 空气制动力预测 模糊神经网络 径向基神经网络 预测规则
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 控制理论与应用|Control Theory &Application
• 页码范围: 1-6
• 页数: 6页
• 分类号: U292.92+1
• 语种: 中文
• DOI: 10.13889/j.issn.2096-5427.2022.01.001

摘要

由于重载列车空气制动具有强非线性、反馈减压量误差较大的特点,且充风、排风时间与减压过程之间存在耦合关系,使得重载列车循环空气制动的操纵精确度难以保证,进而影响其操纵安全.为提高重载列车循环空气制动的控制精确度,文章提出一种基于模糊神经网络(fuzzy logic-based neural network,FLNN)的空气制动力预测方法.其首先采用径向基神经网络(radial basis function neural network,RBF-NN)训练空气制动离线数据,得到模糊逻辑形式的空气制动力离线预测规则;然后,计算当前数据与空气制动力离线预测规则的匹配度,得到相应的预测规则;最后,根据当前数据和相应的预测规则,输出空气制动力预测值.该预测方法通过数据处理的方式摆脱了对传统空气制动模型的依赖,避免了充、排风时间与减压过程之间的耦合分析,能够较准确地得到空气制动力预测值.试验结果显示,本文提出的基于FLNN的空气制动力预测方法将重载列车空气制动力在100 kN内的预测精度提高至99％,这验证了该方法在不同的工况下能有效实现空气制动力预测.