高速列车无线网络自适应滑模容错控制研究OA北大核心CSTPCD

为消除高速列车无线网络控制过程中网络时延和执行器故障对控制性能的叠加影响,对高速列车无线网络进行容错控制研究。首先,搭建列车无线网络控制试验台采集时延数据,采用卷积神经网络(CNN)提取时延数据的空间特征,并利用改进粒子群算法(IPSO)优化门控循环单元(GRU)以提高预测精度;其次,通过反向传播神经网络(BPNN)学习故障状态下的列车参数,对列车牵引/制动执行器进行健康诊断;最后,设计自适应滑模容错控制器对时延和执行器故障进行补偿。结果表明:与PSO-LSTM预测模型相比,IPSOCNN-GRU模型具有更高的预测精度,其最大、最小和平均预测相对误差分别降低94.15%,17.24%和74.39%;在网络时延和执行器故障条件下,所提模型相较于RBF神经网络和反演控制,其速度跟踪平均绝对误差、均方误差和标准差的值均降低近95%。该模型能够精确地预测网络时延,可确保在各种操作条件下列车的平稳运行。