25461

طراحي سيستم هدايت خودكار قطار مبتني بر الگوريتم هاي هوشمند با رويكرد كاربردي

كارشناسي ارشد

مهندسي كنترل و علائم

ورودي 1398

1400/8/4

دكتر محمد علي صنديدزاده

مهندسي راه آهن

سال‌ها تجربه در زمينه توسعه و كاربرد سيستم‌هاي راهبري قطار خودكار در راه‌آهن‌هاي شهري وجود دارد. در طي اين سال‌ها، هدايت اتوماتيك در بسياري از سيستم‌هاي حمل و نقل عمومي به دليل مزايايي كه فراهم مي‌كند، در حال گسترش است. استفاده از هدايت اتوماتيك قطار، زمان‌هاي سفر منظم و قابل‌پيش‌بيني تري را در مقايسه با عمليات دستي فراهم مي‌كند. اين امر منجر به افزايش ظرفيت حمل و نقل و همچنين افزايش وقت‌شناسي مي‌شود. گزيده اي از مباحث اصلي هدايت اتوماتيك قطار در فصول اول و دوم بحث شده است. در فصل سوم مشخصات سرعت به عنوان يكي از اساسي ترين مسائل بهينه سازي در حمل و نقل ريلي مورد بررسي قرار گرفته است. مشخصات سرعت داراي چندين شاخص مانند زمان سفر و مصرف انرژي است. اين شاخص ها عمدتا داراي ماهيت غير هم ساز هستند ، كه منجر به يك مسئله بهينه سازي چند هدفه غير خطي و پيچيده مي شود. اين پژوهش يك الگوريتم ابتكاري جديد به نام "جستجوي هوشيارانه" براي تعيين مشخصات سرعت بهينه معرفي مي كند. براي اين منظور ، پس از مدل سازي ديناميك قطار ، ابتدا الگوريتم هاي تكاملي ، از جمله الگوريتم ژنتيك ، بهينه سازي ازدحام ذرات، كلوني زنبور عسل مصنوعي، الگوريتم زنبورها و بهينه سازي مبتني بر آموزش- يادگيري را تجزيه و تحليل مي كنيم. اين كار را به صورت آماري با استفاده از آناليز حساسيت انجام مي دهيم. سپس ، با استفاده از معيارهاي جديدي به نام ضريب تأثير ، نشان مي دهيم كه يك بده بستان در جستجوي جهاني و محلي الگوريتم ها حاكم است. به طور كلي ، هرچه الگوريتم در يك حوزه قوي تر باشد ، در حوزه ديگر ضعيف تر است. در تنيجه ، هيچ الگوريتمي كاملاً برتر از ديگري نيست. ما براي اين مسئله براي اولين بار الگوريتمي تحت عنوان جستجوي هوشيارانه (Conscious Search) را به عنوان يك الگوريتم تركيبي پيشنهاد مي كنيم كه بهينه سازي را در دو فاز جهاني و محلي جداگانه براي حل اين مشكل و انجام بهينه سازي ايده آل انجام مي دهد. مراحل جستجوي هوشيارانه براي غلبه بر الگوريتم هاي ديگر در هر دو مرحله محلي و جهاني طراحي شده است. در ارزيابي ، مشخصات سرعت قطار را با استفاده از روش پيشنهادي و الگوريتم هاي ذكر شده بدست آورديم. بر اساس نتايج شبيه سازي ، جستجوي هوشيارانه از الگوريتم هاي در نظر گرفته شده به لحاظ زماني حداقل 9% و حداكثر 102% بازه زماني گسترده تري را ارائه ميكند و براي زمان ثابت پروفيل ارائه شده حداقل و حداكثر ژول انرژي كمتري مصرف ميكند كه يهبود بسيار قابل توجهي محسوب مي گردد. راه حل هاي آن بر ديگران غالب است كه معيار غلبه، كمتر بودن زمان سفر در عين كمينه بودن انرژي مصرفي به صورت هم زمان مي باشد. به علاوه در فصل چهارم اين پژوهش ، مشكل رديابي سرعت براي عملكرد قطار خودكار نيز مورد مطالعه قرار گرفته است. يك كنترل كننده جديد تناسبي-انتگرال گير- مشتق گير هوشمند پيشنهاد شده است كه در آن چهار الگوريتم بهينه سازي وجود دارد: الگوريتم ژنتيك، بهينه سازي ازدحام ذرات، تكامل ديفرانسيل و الگوريتم رقابت استعماري، براي بهترين تنظيم پارامترهاي كنترل كننده و عملكرد سوئيچ استفاده مي شود. الگوريتم ها براي حالت هاي مختلف راهبري از جمله: شتاب گيري، حركت با سرعت ثابت، خلاصي، ترمز گيري و تغيير مشخصات سرعت تجزيه و تحليل شده اند. با استفاده از سوئيچ ، كنترل كننده با توجه به بهترين الگوريتم تنظيم مي شود. عمل سوئيچينگ از طريق تغيير جزئي از موقعيت فعلي به بهترين مقادير با مقادير گذرا كه توسط ساير خروجي هاي الگوريتم تعيين مي شود انجام مي شود. نتايج شبيه سازي نشان دهنده برتري روش پيشنهادي است. عملكرد ساختار پيشنهادي با يك الگوريتم بهينه سازي جستجوي هوشيارانه مقايسه مي شود. نتايج مقايسه نشان مي دهد كه روش پيشنهادي مي تواند مسير را در تمام حالت هاي رانندگي با دقت بسيار بالا دنبال كند. اين بهبود دقت به ترتيب در مد هاي راهبري شتابگيري، تغيير پروفايل، سرعت ثابت، شتاب منفي و نقطه توقف به ترتيب برابر 51.12% ، 15.15%، 97.98%، 90.18% و 0.1% مي باشد.

1400/08/15

Designing Automatic Train Operation System Based on Intelligent Algorithms with Practical Approach

10/26/2022 12:00:00 AM

Train speed profile is one of the most fundamental optimization issues in rail transportation. The speed profile has several indices, such as time travel and energy consumption. These indices mostly have opposite natures, which leads to a non-linear, complex multi-objective optimization problem. This paper introduces a new heuristic algorithm called Conscious Search (CS) to determine the optimal speed profile. For this purpose, after modeling the train dynamics, we initially analyze the validated algorithms, including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Bees Algorithm (BA), and Teaching-learning Based Optimization (TLBO) statistically using sensitivity analysis. Then, using new criteria called the Impact Factor, we show that a trade-off prevails in the global and local search for algorithms. In general, the stronger the algorithm in one domain, the weaker in the other. Subsequently, no algorithm is absolutely superior to another. We propose CS as a hybrid algorithm that performs the optimization in two separated global and local phases to address this problem and perform the ideal optimization. CS steps are designed to dominate other algorithms in both local and global phases. In the evaluation, we obtained the train speed profile using the proposed method and the mentioned algorithms. Based on the simulation results, CS outperforms the considered algorithms by a palpable margin and its solutions dominate others. These results indicate on effectiveness and excellence of the proposed method. Moreover, in this research, the problem of speed tracing for automatic train operation is studied. A new Intelligent-PID controller is proposed in which four optimization algorithms: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE), and Imperium Colony Algorithm (ICA) for the best parameter tuning with the integration of a switch function are used. The algorithms are analyzed and specialized for different driving modes including: acceleration, cruising, braking and speed profile shift. By the use of a switch, the PID controller is tuned according to the best algorithm. The switching action is done through a slight change from the current position to the best values by transient values determined by the other algorithm outputs. The simulation results indicate the excellence of the proposed method. The performance of the suggested structure is compared with a single-mode optimization algorithm without sue of the switch. The results of the comparison show that the proposed method can track the trajectory on all driving modes with very high accuracy

جستجوي هوشيارانه , بهينه سازي مشخصات سرعت , الگوريتم هاي ابتكاري , بهينه سازي تركيبي , كنترل كننده تناسبي-انتگرال گير- مشتق گير هوشمند

Conscious search , speed profile optimization , heuristic algorithms , hybrid optimization , intelligent PID controller