关键词:
深度学习
精准停车
地铁运动模型
地铁控制系统
PID算法
摘要:
城市轨道交通(地铁)作为公共交通的重要组成部分,是提升人们出行效率的主要方式,对大城市、特大城市以及中心城市的发展起着十分重要的作用。随着乘坐地铁人数的增多,因地铁停车精度不足导致的乘客上下车效率低、站台门对位失效以及调度延误等问题日益突出。由于地铁制动过程受限于传统PID控制器的静态参数配置,难以适应复杂的动态环境。因此需设计和实现一套更精确和高效的地铁精准停车系统,以提高轨道交通的运行效率。本文针对传统控车模型,提出一种融合双向长短期记忆网络(Bi LSTM)与改进型自适应PID的混合控制模型(Bi LSTM-APID),通过深度学习实现环境扰动下制动误差的动态补偿,提高地铁停车的精度。
本文通过多模态环境感知、深度学习模型优化控制算法与系统实现三个维度的深度协同,构建地铁精准停车解决方案。在环境感知方面,基于轮轴编码器、惯性导航单元及光纤光栅称重系统的多源传感器网络,通过滑动窗口归一化技术实现12维动态参数的时空对齐,有效消除空转误差与时钟漂移导致的轨迹失真。在此基础上,提出Bi LSTM-APID混合控制模型,利用双向LSTM网络捕捉制动过程的时序依赖特性,结合多头注意力机制动态分配制动初/末阶段的特征权重(0.45:0.55),实现PID参数的毫秒级在线自整定(调整周期50ms)。最终通过速度阈值触发的分段优化机制,在高速区(v≥15km·h?1)基于增益调度实现快速收敛,低速区(v<15km·h?1)应用含49条高斯隶属规则的模糊补偿策略,借助误差变化率的二阶导数反馈抑制机械传动非线性扰动。
实验验证表明,本系统在暴雨湿滑、超载30%等1,200组扰动工况下,停车误差标准差从传统PID的±32cm降至±5cm,站台门同步时间缩短至0.5秒级。通过模型-数据双驱动架构生成理想制动曲线,残差补偿阈值|ΔS|<5cm;结合网络剪枝(参数量压缩85%)与8-bit定点量化技术,推理延迟稳定在18ms,满足50ms实时性要求,提升了系统的鲁棒性和地铁的停车精度。