摘要：针对地铁列车电气控制系统性能优化需求,采用模糊PID复合控制策略与粒子群算法相结合的智能化方法,通过构建三层通信网络架构和数据驱动故障诊断模型,实现了系统控制精度与可靠性提升。仿真测试表明,故障诊断准确率提升至96.5%,验证了智能化优化方案的有效性,为城市轨道交通控制系统升级提供了技术支撑。

　　关键词：地铁列车；电气控制系统；智能化；优化

　　0引言

　　随着城市轨道交通运营规模的持续拓展,地铁列车电气控制系统对安全性、舒适性和经济性提出了更高要求。复杂工况中传统PID控制方法的响应速度迟缓且超调量较大,难以达成精准控制目标,并且故障诊断依靠人工经验和阈值判定,误报率高、响应迟缓[1]。而智能化技术的出现为处理上述问题开拓了新途径,借助融合模糊控制、群智能优化和数据驱动诊断等先进手段,可明显提高系统整体性能。本研究对控制算法、参数优化和故障诊断等关键环节展开了深入探究。

　　1地铁列车电气控制系统构成

　　牵引控制单元、辅助供电系统、制动控制系统、列车网络控制系统以及人机交互界面等共同构成了地铁列车电气控制系统。作为系统核心的牵引控制单元主要集成牵引变流器、牵引电机及其驱动控制装置,承担列车动力输出与速度调节任务,变流器借助功率电子器件实现电能转换,把接触网输入的直流或交流电转化为适配牵引电机工作的电源形式。辅助供电系统由辅助变流器、蓄电池组和充电装置组成,能为车辆的照明、空调、通风及各类控制设备提供稳定电源。制动设备是重要的设备之一,地铁列车减速、加速、停车都是通过制动装置完成的,制动装置高效的响应、运行是列车安全运行的重要保障。列车网络控制系统采用多级网络架构,包括列车总线、车辆总线和设备级总线,达成各子系统间的数据交换与协同控制。人机交互界面主要由司机操控台以及各种显示监控设备组成,为司机提供列车状态信息并接收其操作指令,还具备故障报警与诊断提示功能[2]。

　　2关键技术实现

　　2.1数据采集与处理

　　数据采集系统借助部署于列车各关键部位的传感器阵列,实时收集运行状态信息,涵盖安装在转向架上的速度与加速度传感器,牵引系统内电流、电压和温度等多种检测装置。速度传感器采用光电编码器模式,把分辨率设定为2048脉冲每转,设置200Hz的采样频率来保障速度信号的实时性与精确性。选用霍尔效应型器件作为电流电压传感器,其测量范围涵盖0~1500V直流电压以及0~1200A电流,采样周期为20ms。采集的原始数据会先进行数字滤波处理,对速度信号用五点中值滤波算法消除脉冲干扰,对于电压电流信号则运用一阶低通滤波器,把截止频率设定成30Hz以抑制高频噪声。滤波处理后的数据随即进入特征提取阶段,通过算出滑动窗口内数据的均值、方差和变化率等统计特征,得到标准化特征向量。

　　2.2关键模块设计

　　2.2.1控制算法编程实现

　　基于采集处理后的数据,控制算法采用模糊PID复合控制策略实现牵引力的精确调节。算法程序采用C语言在嵌入式控制器STM32F407平台上编译实现,主控制周期设定为50ms。模糊控制器的输入变量设定为速度误差和误差变化率,输出变量为PID参数的增量调整值。速度误差的模糊论域定义为负大、负中、负小、零、正小、正中、正大七个等级,对应的实际误差范围为-3~3m/s,通过三角形隶属度函数实现模糊化映射。建立49条模糊规则构成规则库,采用Mamdani推理方法进行模糊推理运算,反模糊化过程使用重心法将模糊输出转换为PID参数的精确调整量。PID控制器的基础参数初值设定为比例系数Kp=0.6,积分系数Ki=0.08,微分系数Kd=0.25,这些参数值在模糊控制器的调整作用下实时动态修正[3]。程序实现中设置了积分饱和限制机制,将积分累积上限设定为额定牵引力的15%,防止积分饱和导致超调现象。

　　2.2.2优化算法参数调整

　　算法参数的优化调整采用粒子群算法搜索最优参数组合[4]。粒子群算法的参数空间设定为三维,分别对应PID控制器的三个基础系数,搜索范围确定为Kp在0.3~1.0之间,Ki在0.02~0.15之间,Kd在0.1~0.4之间。初始化50个粒子随机分布在参数空间内,惯性权重采用线性递减策略从0.9降至0.4,学习因子c1和c2均设置为1.8。每个粒子代表一组参数组合,通过将该参数组合应用于控制算法并在仿真平台上运行标准工况测试,评价参数性能。标准测试工况包括起动加速、恒速运行、制动减速三个连续阶段,总时长设定为240s,目标速度曲线按照实际线路运行图设定。优化目标函数采用速度跟踪性能指标与控制平稳性指标的加权组合,如式（1）所示：

　　测试结果显示,优化后算法的上升时间为12.8s,超调量为5.6%,调节时间为18.3s,综合性能指标η为0.817,相较于常规PID控制的上升时间19s、超调量12.3%和综合性能指标0.753有显著改进。

　　2.3通信网络优化

　　通信网络运用三层架构达成系统内各控制单元间的数据交互。列车级总线采用MVB多功能车辆总线协议,把传输速率设定成1.5Mbps,用来连接各车厢的牵引控制单元、制动控制单元以及辅助控制单元；车辆级总线采用CANopen协议,将波特率设为250Kbps,实现单节车厢内各子系统之间的通信功能。网络优化的核心是对消息调度机制进行改进,按数据实时性要求把消息分为三个优先级,牵引制动指令和故障报警信息被赋予最高优先级,把传输周期设定成25ms来保证控制指令的及时性；状态监测数据为中等优先级,传输周期200ms；诊断和配置信息被分配到最低优先级,其传输周期为1000ms。

　　3仿真验证与测试

　　3.1仿真平台搭建

　　仿真平台依托Matlab/Simulink R2021b版本搭建,融合了列车动力学模型、电气系统模型和控制算法模型三个核心模块。对于列车动力学模型,采用六自由度建模方法。电气系统模型囊括了牵引变流器的功率电路拓扑,运用三电平逆变器结构搭建了硬件在环测试接口,借助dSPACE实时仿真系统对控制器代码进行实时验证,选用PCI-6259型号的数据采集卡,把采样率设为10kHz,为后续实车测试搭建可靠算法验证平台。

　　3.2故障诊断准确率测试

　　故障诊断功能测试针对地铁列车电气系统常见故障类型进行了系统验证,测试在仿真平台上模拟了牵引系统、制动系统和辅助系统的多种典型故障模式。故障类型包括牵引电机绕组短路、变流器IGBT开路、速度传感器失效、制动电阻过热、辅助变流器输出电压偏差等15种具体故障,每种故障设置轻度、中度和重度三个严重程度等级。测试对比了基于阈值判断的传统诊断方法与基于数据驱动的智能诊断算法在故障识别准确率、误报率和诊断响应时间等方面的性能差异。每种故障工况测试样本数为500个,其中训练集300个样本（用于模型训练）,验证集100个样本（用于参数调整）,测试集100个样本(用于性能评估,与训练数据完全独立),采用5折交叉验证方法评估模型泛化能力,报告的准确率为测试集上的平均结果。详细结果如表1所示。

　　测试结果显示,智能诊断算法的综合准确率达到96.5%,相比传统阈值诊断方法的78.5%提升了18%,充分证明了数据驱动方法在复杂故障模式识别方面的优势,误报率从8.5%大幅降低至1.7%,这对减少不必要的维护操作和提高系统可用性具有重要意义。诊断响应时间方面,智能算法平均耗时79ms,虽略高于实时性要求极高的控制任务,但完全满足故障诊断的时效性需求。特别值得注意的是,智能诊断算法对传感器故障和辅助系统故障的识别能力提升最为显著,准确率分别提高了23.1%和20.8%,这类故障往往表征不明显且易与正常波动混淆,传统方法难以有效区分,而智能算法通过学习大量历史数据建立复杂特征模式,能够实现精准识别。此外,测试还发现智能算法对故障严重程度的分级判断准确率达到92.3%,为制定差异化维护策略提供了可靠依据。整体上验证了智能化优化方案在提升系统诊断能力方面的有效性。

　　4结语

　　综上所述,本研究系统地分析了地铁列车电气控制系统智能化优化关键技术,构建了集数据采集、模糊PID控制、粒子群参数优化和智能故障诊断于一体的完整技术体系,通过仿真实验验证了优化方案在控制精度、动态响应和故障识别等方面的显著优势。未来将进一步开展实车试验验证,推动轨道交通控制技术向更高智能化水平发展。

参考文献

　　[1]张启瑞,李*伟,王一品,等.基于LCU对青岛地铁2号线列车电气控制系统的改造设计[J].电气技术与经济,2025(7):244-247.

　　[2]钱舒杨,李泓羿,石瑞文,等.计及牵引供电能耗的地铁列车运行图节能优化[J/OL].控制工程,1-9[2025-10-14].

　　[3]钟杰,黄育斌,胡华,等.面向全自动运行系统的地铁列车时刻表节能优化方法[J].铁道标准设计,2025,69(4):34-41+72.

　　[4]董楠楠,夏天,王长海.基于粒子群优化算法对PID参数的优化整定[J].软件,2017,38(11):67-70.