地铁系统中电气阀门自动调节方法研究

摘 要：本文针对地铁电气系统的电气阀门的开度控制问题，提出了一种基于回声状态网络的方法。该方法根据气动门的电气阀门开度影响因素，为回声状态网络纳入多个输入。在迭代训练的过程中，用多次嵌套迭代代替复杂的运算处理，从而提升了预测效率和预测精度，也充分发挥了网络中间层的能力。并在试验中给出了回声状态网络的迭代过程，证实了所提方法能够精确地自动调节、控制地铁电气阀门开度。

关键词：地铁系统；电气阀门；自动调节；开度控制

中图分类号：U 231" " " 文献标志码：A

地铁系统是一个大型综合性复杂系统，其控制作业包括多种控制任务，可以划分为多个控制子系统[1]。除了正常的牵引控制、速度控制以外，还包括气体回路控制、油回路控制、水回路控制、压力控制以及流量控制等多种控制任务[2]。在气体和液体回路的控制过程中，以电磁阀为代表的电气阀门控制具有重要作用。例如地铁中的气动门利用电磁阀的开度调节，控制气动门的开启和闭合，包括开启的幅度和气动门轴的旋转角度[3]。可见，对电气阀门的控制直接关系地铁系统中部分执行机构的工作状态、安全和稳定性。如果电气阀门的控制出现问题，就可能导致执行机构出现故障，例如气动门无法正常打开或有效关闭，会给地铁运输埋下较大的安全隐患。为此，对地铁系统中的电气阀门进行调节、配置有效的自动化控制方法具有十分重要的意义。

1 地铁系统中气动门的电气阀门控制结构

地铁系统中包括相当数量的电气阀门，这些阀门用于不同回路的通断、开闭，进而影响执行结构的动作。电气阀门能够根据压力、流量和流速等调整自身的打开角度，同时控制气回路、油回路和水回路等的动作。

本文以地铁系统中的气动门控制为例，研究电磁阀门的控制过程。一列地铁上包括多个上、下乘客的气动门，它们各有自己的控制回路，电磁阀位于其上。多个气动门的多路控制原理结构如图1所示。

每一个气动门都有一个各自的气动控制回路，每一个气动回路又是一个简单的二次启动网络结构。其中，一次网和总气泵相联系，二次网和被控制的气动门相联系。一次网和二次网都有各自的供气回路和回气回路。具有关键作用的电磁阀需要配置在每个回路的一次网上，在电气控制作用下，电磁阀各身的阀门打开到一定程度进行供气。再通过换气操作，控制气动门的打开程度。

从上述电气控制过程不难发现，自动调节和控制电磁阀门开度，不仅关系气动门的启停和开闭效率，也会影响地铁系统的整体安全。

2 地铁系统电气阀门的控制方法设计

2.1 电气阀门控制的总体方案

在地铁系统中，对电气阀门的控制目标主要是为了保证精确的控制开度，从而保障气动门乃至地铁系统的整体安全。因此要求实际电气阀门开度的控制效果和预期的电气阀门理想开度尽可能保持一致，二者间的误差尽可能小。在图1给出的气动控制回路中，每一个控制回路都具有复杂的结构，本文将控制算法配置在换气阀上，利用控制器中的控制算法对换气阀进行控制，达到预期的控制效果，该配置点位如图2所示。

比较图1和图2的结构可以看出，图2为图1气动控制回路的局部形态，是更简化的版本。换气阀是一个电气阀门，可在控制器的作用下达到合理的开度，而在控制器中发挥发挥重要作用的是运行于其上的控制算法，下文将对该控制算法进行设计。

2.2 电气阀门控制的方法设计

为了设计出更有效的控制算法，本文不采用PID等简单的控制技术，而是采用性能更强的回声状态网络。回声状态网络简称ESN网络。从网络结构上来看，回声状态网络是一个分层次的结构，与神经网络的一般形态是一致的。但是回声状态网络可以接纳较多输入，对地铁气动门电气阀门开度的多影响因素具有较好的针对性，而其核心特色是中间层，即隐含层包括较多的神经元。

中间层的神经元不仅数量繁多，而且位置分布随机，不像一般神经网络比较规则。恰是这种不规则，可使回声状态网络具有更多的灵活性，具有更好的学习能力、逼近能力和更高的训练效率。

基于上述分析，本文在地铁电气系统气动门的电气控制问题中配置8个输入和3个层次，构建了整个回声状态网络的训练模型，结构如图3所示。

I1-地铁电气系统中气动门的电气阀门开度第一影响因素；I2-地铁电气系统中气动门的电气阀门开度第二影响因素；I3-地铁电气系统中气动门的电气阀门开度第三影响因素；I4-地铁电气系统中气动门的电气阀门开度第四影响因素；I5-地铁电气系统中气动门的电气阀门开度第五影响因素；I6-地铁电气系统中气动门的电气阀门开度第六影响因素；I7-地铁电气系统中气动门的电气阀门开度第七影响因素；I8-地铁电气系统中气动门的电气阀门开度第八影响因素；O1-地铁电气系统中气动门的电气阀门开度大小。

在图3中的电气阀门控制过程中，回声状态网络会执行其算法，从而进行合理控制。从算法的实质来看，回声状态网络对电气阀门的开度控制是对预期开度的一种预测，进而取得精准控制，因此必须建立在大量历史数据的基础上。本文为9个变量（8个输入和1个输出的对应关系）配置了大量的历史数据。这些数据均为二维数据，即一个数据对应一个时间点，这些数据从形式上构成了时间序列数据。至此，可以将整个回声状态网络的训练过程用数学的形式刻画出来。

以X（n）表示回声状态网络的输入，该输入含有m个维度，是历史数据信息的维度，也预测数据的维度相对应。在整个预测过程中，Δ表示相邻2个数据间的距离，至此可以得到预测数据的表达形式，如公式（1）所示。

x（n）={x（n-Δ），x（n-2Δ），…，x（n-（m-1）Δ）T}

（1）

式中：x（n）为地铁电气阀门开度控制预测过程中的第n个数据；Δ为地铁电气阀门开度控制相邻数据间的距离。

进一步考虑数据的二元属性，包括时间维度的信息，再沿着时间维度考虑数据间的关联性，从而可以将公式（1）扩展为公式（2）。从公式（1）中可以看到，具有时间变化规律的数据在不同时间点上具有关联性，可以借此预测后续的数据。据此，考虑未发生的后续数据的可能情况，数学描述如公式（2）所示。

x（n+s）=P{x（n+s-Δ），x（n+s-2Δ），…，x（n+s-（m-1）Δ）}T （2）

式中：P为地铁电气阀门开度控制过程中的关联函数；s为地铁电气阀门开度控制预测的时间起点；x（n）为地铁电气阀门开度控制预测过程中的第n个数据；Δ为地铁电气阀门开度控制相邻数据间的距离。

在多个历史数据的关联关系计算中，重复的计算会消耗大量系统时间，因此本文采用一种替代处理方法，以提高预测效率，将其改成嵌套迭代的效果，如公式（3）所示。

（3）

在公式（3）中，地铁电气阀门开度控制的预测过程演变为多次迭代过程的嵌套，内括号的是先生成的预测数据，外层括号是后生成的预测数据，每个预测数据都采用迭代的方法产生。经过这样不断处理，可以得到最终预测结果。根据公式（3）的表达，一共进行了s次迭代预测。

如果考虑算法的复杂性，也可以采用更简单的直接预测代替迭代预测，数学描述如公式（4）所示。

x（n+s）=P（x（n）） （4）

与多迭代预测相比，直接预测的处理更简单，但缺省了中间步骤，预测误差会比较大。

3 试验结果和分析

本文针对地铁电气阀门的开度控制问题，分析了其各种控制因素和影响变量，进而分析了气动门的电气控制回路模型，结合2次供气控制回路的控制点位，在换气阀的位置给定控制算法，进而构建回声状态网络的控制算法模型。下文将进行试验，验证回声状态网络对地铁系统电气阀门自动调节方法的有效性。

第一组试验的回声状态网络的训练过程和稳定性分析结果如图4所示。

从图4可以看出，参与训练的数据分别为5000个和10000个。数据越丰富，回声状态网络的收敛速度越快。2组数据基本都在180次以后达到稳定。此时，回声状态网络可以进一步控制电气阀门开度。在回声状态网络的预测下，其电气阀门开度控制结果和电气阀门开度的合理结果随时间维度的变化曲线如图5所示。

由2组曲线的比较情况可以看出，在本文构建的回声状态网络的控制下，电气阀开度的预测控制结果与合理结果基本吻合。因此，在回声状态网络的智能控制下，电气阀开度持续保持在合理范围内，可有效控制二次供热管网内的流量，进而达到有效节能的目的。

4 结论

地铁系统是一个大型综合性复杂系统，例如地铁中的气动门利用电磁阀的开度调节来控制气动门的开启和闭合，包括开启的幅度和气动门轴的旋转角度。为了精准控制地铁气动门的电气阀门开度，本文提出一种基于回声状态网络的控制方法，给出了电气阀门控制相关的各种参数和各种被控量，进而在3个层次的回声状态网络下进行多步预测，最后进行试验测试。测试结果证实了本文控制方法的有效性，在本文方法的控制之下，电气阀门开度的实际值和预期值均取得良好效果。

参考文献

[1]郭世成.地铁车辆受电弓电磁阀、压力开关多次烧损故障和处理分析[J].低碳世界，2018（7）：282-283.

[2]李剑华，张三多.地铁列车高度阀调整对车辆质量影响分析研究[J].现代制造技术与装备，2020，56（9）：201-202.

[3]王凯.长沙地铁1号线列车升弓电磁阀故障分析报告及整改措施[J].技术与市场，2017，24（9）：17-19.