CN113353122B - 虚拟连挂高速列车在追踪车制动力故障下的控制方法 - Google Patents
虚拟连挂高速列车在追踪车制动力故障下的控制方法 Download PDFInfo
- Publication number
- CN113353122B CN113353122B CN202110709439.1A CN202110709439A CN113353122B CN 113353122 B CN113353122 B CN 113353122B CN 202110709439 A CN202110709439 A CN 202110709439A CN 113353122 B CN113353122 B CN 113353122B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- train
- tracking
- control module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008878 coupling Effects 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims description 64
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0018—Communication with or on the vehicle or train
- B61L15/0027—Radio-based, e.g. using GSM-R
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种虚拟连挂高速列车在追踪车制动力故障下的控制方法，其特征在于：对于轻度制动力故障，对首车进行减速控制，并在惰行过程中生成新的自动驾驶曲线用于减速后的剩余线路的驾驶控制，追踪车通过神经网络模型输出新的最小追踪距离，用以调整对前车的追踪距离；对于重度制动力故障，将故障车及其后方的全部单列车停车后，再控制故障车前方的全部单列车停车。采用本发明所述的控制方法对虚拟连挂高速列车在追踪车制动力故障情况下进行控制，即能保证虚拟连挂高速列车的运行安全，还能最大限度减少对线路运行效率的影响。
Description
技术领域
本发明涉及交通运输技术领域，特别是一种虚拟连挂高速列车在追踪车制动力故障下的控制方法。
背景技术
随着高速铁路网络日趋完善、运输压力日渐增加，运输能力紧张问题亟待解决，如何通过提高列车运行控制效率，从而达到提升轨道交通运输能力问题显得尤为重要。虚拟连挂技术是指多辆列车之间不依靠物理连接，而是通过无线通信实现多辆列车以相同速度、极小间隔运行的列车群体协同运行方式。虚拟连挂技术能有效缩小列车运行追踪间隔，在不改变轨道、线路等既有设施的条件下大幅提升运输能力，尤其适用于目前运输能力已经饱和、靠现有技术难以继续提高的繁忙线路。
高速列车运行的首要目标是保证安全，而建立起虚拟连挂的高速列车群在运行过程中，有可能出现制动力缺失故障的情况。由于列车运行的速度高，若不及时采用相应的处理办法，将会造成严重的后果和巨大损失。在虚拟连挂高速列车群运行过程中，协同编队的多辆列车分为首车(领航者)和追踪车。当首车出现制动力缺失时，根据制动力缺失情况，可直接降低首车的速度或者停车，后面的追踪列车按照相应追踪规则依次对前车进行追踪运行即可。倘若不是首车，而是追踪列车出现制动力缺失，而制动力缺失的情况又是多样化的，由于追踪列车运行速度快，同时与前车之间的间隔距离较短，如果不及时调整，追踪列车就极有可能与前车追尾，造成严重的安全事故。
发明内容
针对背景技术的问题，本发明提供一种虚拟连挂高速列车在追踪车制动力故障下的控制方法，以解决现有技术中对虚拟连挂列车中的追踪车发生制动力缺失故障时，没有合理高效的应对方法，列车运行不安全且对线路运营效率影响大的问题。
为实现本发明的目的，本发明提供了一种虚拟连挂高速列车在追踪车制动力故障下的控制方法，所述虚拟连挂高速列车由多个单列车组成，将行驶在最前面的单列车记为首车，将行驶在所述首车之后的单列车记为追踪车，其创新点在于：单个单列车上设置有车载ATO模块、通信模块和定位模块，所述首车上还设置有车载中控模块和驾驶曲线生成模块，所述追踪车上还设置有追踪控制模块、制动力监测模块和神经网络模块；
单个所述首车上的车载ATO模块与驾驶曲线生成模块连接，首车上的车载ATO模块、定位模块、通信模块和驾驶曲线生成模块均与所述车载中控模块连接；
单个所述追踪车上的车载ATO模块、制动力监测模块、神经网络模块、定位模块和通信模块均与所述追踪控制模块连接；
首车上的定位模块实时将首车的位置信息传输给车载中控模块，车载中控模块实时将首车的位置信息传输给首车上的车载ATO模块；追踪车上的定位模块实时将追踪车的位置信息传输给追踪控制模块，追踪控制模块实时将追踪车的位置信息传输给追踪车上的车载ATO模块；
各个单列车上的通信模块相互无线通信连接；
制动力监测模块能对对应追踪车的多个转向架制动***的制动力情况进行监测，当至少一个转向架制动***的制动力出现故障时，制动力监测模块能生成制动故障信息，所述制动故障信息包括制动力监测模块对应单列车的编号和车厢转向架制动力故障的个数；
所述驾驶曲线生成模块预存有虚拟连挂高速列车的约束参数，驾驶曲线生成模块能根据车载中控模块的指令生成首车的自动驾驶曲线，并将得到的自动驾驶曲线数据传输给首车的车载ATO模块；
所述神经网络模块在虚拟连挂高速列车运行前提前训练好神经网络模型，然后神经网络模块将训练好的神经网络模型装载到追踪控制模块备用；追踪控制模块能利用神经网络模型输出最小安全追踪距离数据，并将最小安全追踪距离数据传输给对应的追踪车的车载ATO模块；
所述控制方法包括：
虚拟连挂高速列车运行过程中，各个追踪车的制动力监测模块对各自对应追踪车所辖的多个转向架制动***进行实时监测；
单个追踪车的制动力监测模块监测到至少一个车厢转向架制动力故障即生成制动故障信息，然后制动力监测模块将得到的制动故障信息传输给对应的追踪控制模块；追踪控制模块对收到的制动故障信息进行处理得到故障程度信息，然后追踪控制模块将得到的故障程度信息通过对应的通信模块发送给首车的通信模块；所述故障程度包括轻度故障和重度故障，单个追踪车的车厢转向架制动力故障个数累计为1个或2个时记为轻度故障，单个追踪车的车厢转向架制动力故障个数累计达到3个及3个以上时记为重度故障；所述故障程度信息还包括对应单列车的编号；
首车的通信模块将接收到的故障程度信息传输给车载中控模块，车载中控模块对故障程度信息进行判断处理：当故障程度信息均为轻度故障时，按方法一对虚拟连挂高速列车进行减速控制；当制动故障程度信息中出现重度故障时，即按方法二对虚拟连挂高速列车进行停车控制；
所述方法一包括：
首车按以下方式控制：车载中控模块根据公式一获取目标速度v2，根据公式二获取降速耗时t，根据公式四获取到达目标速度v2时首车的目标位置x2；然后车载中控模块向首车的车载ATO模块发送降速指令，车载ATO模块根据收到的降速指令控制列车采用惰行的运行方式从当前运行速度v1降低到目标速度v2；同时车载中控模块向驾驶曲线生成模块发送驾驶曲线生成指令，然后驾驶曲线生成模块根据目标位置x2、目标速度v2和所述约束参数在时间t内生成新的自动驾驶曲线，然后驾驶曲线生成模块将新的自动驾驶曲线传输给首车的车载ATO模块，然后首车的车载ATO模块从目标位置x2开始根据新的自动驾驶曲线控制首车行驶；同时车载中控模块实时将自身的状态信息通过对应的通信模块发送给相邻后车的通信模块；所述降速指令还包括目标速度v2和目标位置x2数据信息；所述驾驶曲线生成指令还包括所述目标位置x2、目标速度v2和降速耗时t数据信息；
追踪车按以下方式控制：追踪车的通信模块实时将相邻前车的状态信息传输给追踪控制模块，同时追踪控制模块实时将对应追踪车的状态信息通过对应通信模块传输给相邻后车的通信模块；追踪控制模块根据相邻前车的状态信息、自身的状态信息以及自身的列车参数通过神经网络模型生成最小安全追踪距离数据，然后追踪控制模块将生成的最小安全追踪距离数据和相邻前车的位置信息传输给对应追踪车的车载ATO模块，应追踪车的车载ATO模块根据收到的最小安全追踪距离数据和相邻前车的位置信息控制追踪车行驶；
单列车的所述状态信息包括单列车的当前速度、当前位置、当前位置的轨道坡度和制动故障信息；所述列车参数包括单列车的车型和车重；所述相邻前车为与单列车相邻的前方的单列车，所述相邻后车为与单列车相邻的后方的单列车；
所述公式一为：
v2＝v1+Δv
其中，v1为首车的当前速度；Δv为降速调低值，当单个追踪车的转向架制动***故障个数为1时，所述Δv取值为-10km/h，当单个追踪车的转向架制动***故障个数为2时，所述Δv取值为-20km/h
所述公式二为：
其中，a为首车的加速度，根据公式三获取；
所述公式三为：
其中，F(v1)为首车的牵引力，B(v1)为首车的制动力，首车惰行时，F(v1)和B(v1)均为0kN；R(v1)为首车在当前速度v1下所受的基本运行阻力，x1为首车当前位置，G(x1)为首车在当前位置x1处所受的坡道阻力，R(v1)和G(x1)均可根据现有技术中的方法进行计算获取；m为首车的质量；
所述公式四为：
x2＝x1+s
其中，s为首车惰行减速距离，根据公式五获取；
所述公式五为：
所述方法二包括：
1)所述车载中控模块根据故障程度信息将存在重度故障的单列车记为故障列车；然后车载中控模块通过首车的通信模块向故障列车的通信模块及故障列车后方各个单列车的通信模块发送停车指令；
2)故障列车及其后方的单列车按以下方式控制：单个单列车的通信模块将收到的停车指令传输给对应的追踪控制模块，追踪控制模块将收到停车指令传输给对应的车载ATO模块，车载ATO模块控制对应的单列车制动停车；
3)故障列车及其后方的单列车全部制动停稳后，故障列车的追踪控制模块将停车完毕信号通过对应的通信模块同时发送给故障列车前方的各个单列车的通信模块；
4)故障列车前方的各个追踪车按以下方式控制：单个追踪车的通信模块将收到的停车完毕信号传输给对应的追踪控制模块，追踪控制模块收到停车完毕信号后立即向对应的车载ATO模块发出停车指令，然后车载ATO模块控制对应的追踪车制动停车；
首车按以下方式控制：首车的通信模块将收到的停车完毕信号传输给对应的车载中控模块，车载中控模块收到停车完毕信号后立即向首车的车载ATO模块发出停车指令，然后首车的车载ATO模块控制首车制动停车。
进一步地，所述神经网络模型的实时输入量包括相邻前车的速度、相邻前车的轨道坡度、追踪车的速度、追踪车的轨道坡度、追踪车的车重、单个追踪车的车厢转向架制动力故障个数；神经网络模型的输出量为最小安全追踪距离；神经网络模型包括2个隐藏层。
本发明的原理在于：
现有技术中，对于虚拟连挂高速列车的追踪车出现制动力缺失故障没有成熟的应对措施，如果为了保证运行效率，在故障程度较轻的情况下，尚无较好的应对措施，整个虚拟连挂高速列车的单列车之间极大存在撞车等安全隐患。
本申请中，发明人对追踪车的制动力缺失故障程度进行分类处理，对不同程度的故障进行有针对性的控制，对于故障程度为轻度故障的情况，仅仅对虚拟连挂高速列车进行减速控制，只有故障程度为重度故障的情况，才进行停车控制处理，这样既保证了整个虚拟连挂高速列车的运行安全，同时也保证了运行效率。
具体地，发明人通过研究发现，对于轻度故障的情况，虚拟连挂高速列车因故障减速后，其已有的自动驾驶曲线不再适用，需要重新规划自动驾驶曲线以指导列车运行，然而自动驾驶曲线的计算生成需要一定的时间，如果暂停列车运行势必造成对整个线路列车运行效率的影响，发明人创造性地通过对驾驶曲线生成***模块的合理配置，并利用首车惰行降速的时间来计算生成新的自动驾驶曲线，使首车在到达降速的目标位置能利用新的自动驾驶曲线控制车辆运行，引领整个虚拟连挂高速列车在剩余线路上的安全运行。上述方式既达到对虚拟连挂高速列车减速控制的目的，又最大限度地降低对整个虚拟连挂高速列车运行效率的影响。
另一方面，对于追踪车来说，由于制动力缺失故障，为保证安全，需要对追踪距离进行调整，本发明创造性地将神经网络技术引用进来，用来计算追踪车与前车的安全追踪距离，为车载ATO模块提供追踪控制依据，保证追踪列车始终保持与相邻前车的运行速度相适应的追踪距离运行。由于神经网络具有学习能力，当首车速度调整后，追踪列车能很快进行追踪距离的调整，进一步保证整个虚拟连挂高速列车的运行效率，且神经网络模型还能根据收集和累积的故障资料进行学习增强，不断提高神经网络输出量的准确度，有利于虚拟连挂高速列车追踪车的安全追踪。
对于重度故障的情况，对虚拟连挂高速列车的停车控制也兼顾到安全和效率两方面。由于故障列车的制动力缺失，其制动距离相较之前有所增加，为了保证安全，首先控制故障列车及其后方的单列车先停下来，再控制故障列车前方的单列车停车；而故障列车后方的单列车由于没有制动力缺失问题，可以与故障列车作为一组同时采取停车制动操作，故障列车前方的单列车作为另一组同时采取停车制动操作，这样最大限度减少虚拟连挂高速列车的停车时间，为后续故障排除争取更多时间，进一步减少对线路运营的影响。
由此可见，采用本发明的方法，具有以下的有益效果：采用本发明的控制方法对虚拟连挂高速列车在追踪车制动力故障情况下进行控制，即能保证虚拟连挂高速列车的安全运行，还能最大限度减少虚拟连挂高速列车在追踪车制动力故障情况下对线路运行效率的影响。
附图说明
本发明的附图说明如下。
附图1为本发明所涉及硬件的连接示意图。
图中：1、车载ATO模块；2、通信模块；3、定位模块；4、车载中控模块；5、驾驶曲线生成模块；6、追踪控制模块；7、制动力监测模块；8、神经网络模块。
具体实施方式
下面结合实施例对本发明作进一步说明。
如图1所示的虚拟连挂高速列车由多个单列车组成，将行驶在最前面的单列车记为首车，将行驶在所述首车之后的单列车记为追踪车，单个单列车上设置有车载ATO(Automatic Train Operation)模块1、通信模块2和定位模块3，所述首车上还设置有车载中控模块4和驾驶曲线生成模块5，所述追踪车上还设置有追踪控制模块6、制动力监测模块7和神经网络模块8；
单个所述首车上的车载ATO模块1与驾驶曲线生成模块5连接，首车上的车载ATO模块1、定位模块3、通信模块2和驾驶曲线生成模块5均与所述车载中控模块4连接；
单个所述追踪车上的车载ATO模块1、制动力监测模块7、神经网络模块8、定位模块3和通信模块2均与所述追踪控制模块6连接；
首车上的定位模块3实时将首车的位置信息传输给车载中控模块4，车载中控模块4实时将首车的位置信息传输给首车上的车载ATO模块1；追踪车上的定位模块3实时将追踪车的位置信息传输给追踪控制模块6，追踪控制模块6实时将追踪车的位置信息传输给追踪车上的车载ATO模块1；
各个单列车上的通信模块2相互无线通信连接；
制动力监测模块7能对对应追踪车的多个转向架制动***的制动力情况进行监测，当至少一个转向架制动***的制动力出现故障时，制动力监测模块7能生成制动故障信息，所述制动故障信息包括制动力监测模块7对应单列车的编号和车厢转向架制动力故障的个数；
所述驾驶曲线生成模块5预存有虚拟连挂高速列车的约束参数，包括线路参数、单列车数量及参数、限速参数、停车位置参数、站点之间的运行时间参数、列车工况转换原则等；驾驶曲线生成模块5能根据车载中控模块4的指令生成首车的自动驾驶曲线，并将得到的自动驾驶曲线数据传输给首车的车载ATO模块1；
所述神经网络模块8在虚拟连挂高速列车运行前提前训练好神经网络模型，然后神经网络模块8将训练好的神经网络模型装载到追踪控制模块6备用；追踪控制模块6能利用神经网络模型输出最小安全追踪距离数据，并将最小安全追踪距离数据传输给对应的追踪车的车载ATO模块1，追踪车的车载ATO模块1能根据收到的最小安全追踪距离数据和相邻前车的位置信息控制追踪车行驶；所述神经网络模型的输入量包括相邻前车的速度、相邻前车的轨道坡度、追踪车的速度、追踪车的轨道坡度、追踪车的车重、单个追踪车的车厢转向架制动力故障个数；神经网络模型的输出量为最小安全追踪距离；神经网络模型包括2个隐藏层；
所述控制方法包括：
虚拟连挂高速列车运行过程中，各个追踪车的制动力监测模块7对各自对应追踪车所辖的多个转向架制动***进行实时监测；事实上，高速列车的每节动力车厢分别有前后两个转向架，每一个转向架上面设置有一套制动***，根据制动***失去制动能力的转向架个数的多少，单列车的车厢转向架制动力故障的个数包括1个、2个或3个及3个以上。
单个追踪车的制动力监测模块7监测到至少一个车厢转向架制动力故障即生成制动故障信息，所述制动故障信息包括追踪车的对应编号和车厢转向架制动力故障的个数，然后制动力监测模块7将得到的制动故障信息传输给对应的追踪控制模块6；追踪控制模块6对收到的制动故障信息进行处理得到故障程度信息，然后追踪控制模块6将得到的故障程度信息通过对应的通信模块2发送给首车的通信模块2；所述故障程度包括轻度故障和重度故障，单个追踪车的车厢转向架制动力故障个数累计为1个或2个时记为轻度故障，单个追踪车的车厢转向架制动力故障个数累计达到3个及3个以上时记为重度故障；所述故障程度信息还包括对应单列车的编号；
首车的通信模块2将接收到的故障程度信息传输给车载中控模块4，车载中控模块4对故障程度信息进行判断处理：当故障程度信息均为轻度故障时，按方法一对虚拟连挂高速列车进行减速控制；当制动故障程度信息中出现重度故障时，即按方法二对虚拟连挂高速列车进行停车控制；
所述方法一包括：
首车按以下方式控制：车载中控模块4根据公式一获取目标速度v2，根据公式二获取降速耗时t，根据公式四获取到达目标速度v2时首车的目标位置x2；然后车载中控模块4向首车的车载ATO模块1发送降速指令，车载ATO模块1根据收到的降速指令控制列车采用惰行的运行方式从当前运行速度v1降低到目标速度v2；同时车载中控模块4向驾驶曲线生成模块5发送驾驶曲线生成指令，然后驾驶曲线生成模块5根据目标位置x2、目标速度v2和所述约束参数在时间t内生成新的自动驾驶曲线，然后驾驶曲线生成模块5将新的自动驾驶曲线传输给首车的车载ATO模块1，然后首车的车载ATO模块1从目标位置x2开始根据新的自动驾驶曲线控制首车行驶；同时车载中控模块4实时将自身的状态信息通过对应的通信模块2发送给相邻后车的通信模块2；所述降速指令还包括目标速度v2和目标位置x2数据信息；所述驾驶曲线生成指令还包括所述目标位置x2、目标速度v2和降速耗时t数据信息；驾驶曲线生成模块5可采用现有技术中的智能算法如粒子集群算法、遗传算法等来生成自动驾驶曲线；
追踪车按以下方式控制：追踪车的通信模块2实时将相邻前车的状态信息传输给追踪控制模块6，同时追踪控制模块6实时将对应追踪车的状态信息通过对应通信模块2传输给相邻后车的通信模块2；追踪控制模块6根据相邻前车的状态信息、自身的状态信息以及自身的列车参数通过神经网络模型生成最小安全追踪距离数据，然后追踪控制模块6将生成的最小安全追踪距离数据和相邻前车的位置信息传输给对应追踪车的车载ATO模块1，应追踪车的车载ATO模块1根据收到的最小安全追踪距离数据和相邻前车的位置信息控制追踪车行驶；
单列车的所述状态信息包括单列车的当前速度、当前位置、当前位置的轨道坡度和制动故障信息；所述列车参数包括单列车的车型和车重；所述相邻前车为与单列车相邻的前方的单列车，所述相邻后车为与单列车相邻的后方的单列车；
所述公式一为：
v2＝v1+Δv
其中，v1为首车的当前速度；Δv为降速调低值，当单个追踪车的转向架制动***故障个数为1时，所述Δv取值为-10km/h，当单个追踪车的转向架制动***故障个数为2时，所述Δv取值为-20km/h
所述公式二为：
其中，a为首车的加速度，根据公式三获取；
所述公式三为：
其中，F(v1)为首车的牵引力，B(v1)为首车的制动力，首车惰行时，F(v1)和B(v1)均为0kN；R(v1)为首车在当前速度v1下所受的基本运行阻力，x1为首车当前位置，G(x1)为首车在当前位置x1处所受的坡道阻力，R(v1)和G(x1)均可根据现有技术中的方法进行计算获取；m为首车的质量；
所述公式四为：
x2＝x1+s
其中，s为首车惰行减速距离，根据公式五获取；
所述公式五为：
所述方法二包括：
1)所述车载中控模块4根据故障程度信息及故障程度信息中的单列车的编号将存在重度故障的单列车记为故障列车；然后车载中控模块4通过首车的通信模块2向故障列车的通信模块2及故障列车后方各个单列车的通信模块2发送停车指令；
2)故障列车及其后方的单列车按以下方式控制：单个单列车的通信模块2将收到的停车指令传输给对应的追踪控制模块6，追踪控制模块6将收到停车指令传输给对应的车载ATO模块1，车载ATO模块1控制对应的单列车制动停车；
3)故障列车及其后方的单列车全部制动停稳后，故障列车的追踪控制模块6将停车完毕信号通过对应的通信模块2同时发送给故障列车前方的各个单列车的通信模块2；
4)故障列车前方的各个追踪车按以下方式控制：单个追踪车的通信模块2将收到的停车完毕信号传输给对应的追踪控制模块6，追踪控制模块6收到停车完毕信号后立即向对应的车载ATO模块1发出停车指令，然后车载ATO模块1控制对应的追踪车制动停车；
首车按以下方式控制：首车的通信模块2将收到的停车完毕信号传输给对应的车载中控模块4，车载中控模块4收到停车完毕信号后立即向首车的车载ATO模块1发出停车指令，然后首车的车载ATO模块1控制首车制动停车。
本发明中涉及的神经网络技术、粒子集群算法、遗传算法等均为现有技术中十分常见的处理手段，相关的内容，本领域技术人员可从现有技术的相关文献中获取。
Claims (2)
1.一种虚拟连挂高速列车在追踪车制动力故障下的控制方法，所述虚拟连挂高速列车由多个单列车组成，将行驶在最前面的单列车记为首车，将行驶在所述首车之后的单列车记为追踪车，其特征在于：单个单列车上设置有车载ATO模块(1)、通信模块(2)和定位模块(3)，所述首车上还设置有车载中控模块(4)和驾驶曲线生成模块(5)，所述追踪车上还设置有追踪控制模块(6)、制动力监测模块(7)和神经网络模块(8)；
单个所述首车上的车载ATO模块(1)与驾驶曲线生成模块(5)连接，首车上的车载ATO模块(1)、定位模块(3)、通信模块(2)和驾驶曲线生成模块(5)均与所述车载中控模块(4)连接；
单个所述追踪车上的车载ATO模块(1)、制动力监测模块(7)、神经网络模块(8)、定位模块(3)和通信模块(2)均与所述追踪控制模块(6)连接；
首车上的定位模块(3)实时将首车的位置信息传输给车载中控模块(4)，车载中控模块(4)实时将首车的位置信息传输给首车上的车载ATO模块(1)；追踪车上的定位模块(3)实时将追踪车的位置信息传输给追踪控制模块(6)，追踪控制模块(6)实时将追踪车的位置信息传输给追踪车上的车载ATO模块(1)；
各个单列车上的通信模块(2)相互无线通信连接；
制动力监测模块(7)能对对应追踪车的多个转向架制动***的制动力情况进行监测，当至少一个转向架制动***的制动力出现故障时，制动力监测模块(7)能生成制动故障信息，所述制动故障信息包括制动力监测模块(7)对应单列车的编号和车厢转向架制动力故障的个数；
所述驾驶曲线生成模块(5)预存有虚拟连挂高速列车的约束参数，驾驶曲线生成模块(5)能根据车载中控模块(4)的指令生成首车的自动驾驶曲线，并将得到的自动驾驶曲线数据传输给首车的车载ATO模块(1)；
所述神经网络模块(8)在虚拟连挂高速列车运行前提前训练好神经网络模型，然后神经网络模块(8)将训练好的神经网络模型装载到追踪控制模块(6)备用；追踪控制模块(6)能利用神经网络模型输出最小安全追踪距离数据，并将最小安全追踪距离数据传输给对应的追踪车的车载ATO模块(1)；
所述控制方法包括：
虚拟连挂高速列车运行过程中，各个追踪车的制动力监测模块(7)对各自对应追踪车所辖的多个转向架制动***进行实时监测；
单个追踪车的制动力监测模块(7)监测到至少一个车厢转向架制动力故障即生成制动故障信息，然后制动力监测模块(7)将得到的制动故障信息传输给对应的追踪控制模块(6)；追踪控制模块(6)对收到的制动故障信息进行处理得到故障程度信息，然后追踪控制模块(6)将得到的故障程度信息通过对应的通信模块(2)发送给首车的通信模块(2)；所述故障程度包括轻度故障和重度故障，单个追踪车的车厢转向架制动力故障个数累计为1个或2个时记为轻度故障，单个追踪车的车厢转向架制动力故障个数累计达到3个及3个以上时记为重度故障；所述故障程度信息还包括对应单列车的编号；
首车的通信模块(2)将接收到的故障程度信息传输给车载中控模块(4)，车载中控模块(4)对故障程度信息进行判断处理：当故障程度信息均为轻度故障时，按方法一对虚拟连挂高速列车进行减速控制；当制动故障程度信息中出现重度故障时，即按方法二对虚拟连挂高速列车进行停车控制；
所述方法一包括：
首车按以下方式控制：车载中控模块(4)根据公式一获取目标速度v2，根据公式二获取降速耗时t，根据公式四获取到达目标速度v2时首车的目标位置x2；然后车载中控模块(4)向首车的车载ATO模块(1)发送降速指令，车载ATO模块(1)根据收到的降速指令控制列车采用惰行的运行方式从当前运行速度v1降低到目标速度v2；同时车载中控模块(4)向驾驶曲线生成模块(5)发送驾驶曲线生成指令，然后驾驶曲线生成模块(5)根据目标位置x2、目标速度v2和所述约束参数在时间t内生成新的自动驾驶曲线，然后驾驶曲线生成模块(5)将新的自动驾驶曲线传输给首车的车载ATO模块(1)，然后首车的车载ATO模块(1)从目标位置x2开始根据新的自动驾驶曲线控制首车行驶；同时车载中控模块(4)实时将自身的状态信息通过对应的通信模块(2)发送给相邻后车的通信模块(2)；所述降速指令还包括目标速度v2和目标位置x2数据信息；所述驾驶曲线生成指令还包括所述目标位置x2、目标速度v2和降速耗时t数据信息；
追踪车按以下方式控制：追踪车的通信模块(2)实时将相邻前车的状态信息传输给追踪控制模块(6)，同时追踪控制模块(6)实时将对应追踪车的状态信息通过对应通信模块(2)传输给相邻后车的通信模块(2)；追踪控制模块(6)根据相邻前车的状态信息、自身的状态信息以及自身的列车参数通过神经网络模型生成最小安全追踪距离数据，然后追踪控制模块(6)将生成的最小安全追踪距离数据和相邻前车的位置信息传输给对应追踪车的车载ATO模块(1)，对应追踪车的车载ATO模块(1)根据收到的最小安全追踪距离数据和相邻前车的位置信息控制追踪车行驶；
单列车的所述状态信息包括单列车的当前速度、当前位置、当前位置的轨道坡度和制动故障信息；所述列车参数包括单列车的车型和车重；所述相邻前车为与单列车相邻的前方的单列车，所述相邻后车为与单列车相邻的后方的单列车；
所述公式一为：
v2＝v1+Δv
其中，v1为首车的当前速度；Δv为降速调低值，当单个追踪车的转向架制动***故障个数为1时，所述Δv取值为-10km/h，当单个追踪车的转向架制动***故障个数为2时，所述Δv取值为-20km/h；
所述公式二为：
其中，a为首车的加速度，根据公式三获取；
所述公式三为：
其中，F(v1)为首车的牵引力，B(v1)为首车的制动力，首车惰行时，F(v1)和B(v1)均为0kN；R(v1)为首车在当前速度v1下所受的基本运行阻力，x1为首车当前位置，G(x1)为首车在当前位置x1处所受的坡道阻力，R(v1)和G(x1)均可根据现有技术中的方法进行计算获取；m为首车的质量；
所述公式四为：
x2＝x1+s
其中，s为首车惰行减速距离，根据公式五获取；
所述公式五为：
所述方法二包括：
1)所述车载中控模块(4)根据故障程度信息将存在重度故障的单列车记为故障列车；然后车载中控模块(4)通过首车的通信模块(2)向故障列车的通信模块(2)及故障列车后方各个单列车的通信模块(2)发送停车指令；
2)故障列车及其后方的单列车按以下方式控制：单个单列车的通信模块(2)将收到的停车指令传输给对应的追踪控制模块(6)，追踪控制模块(6)将收到停车指令传输给对应的车载ATO模块(1)，车载ATO模块(1)控制对应的单列车制动停车；
3)故障列车及其后方的单列车全部制动停稳后，故障列车的追踪控制模块(6)将停车完毕信号通过对应的通信模块(2)同时发送给故障列车前方的各个单列车的通信模块(2)；
4)故障列车前方的各个追踪车按以下方式控制：单个追踪车的通信模块(2)将收到的停车完毕信号传输给对应的追踪控制模块(6)，追踪控制模块(6)收到停车完毕信号后立即向对应的车载ATO模块(1)发出停车指令，然后车载ATO模块(1)控制对应的追踪车制动停车；
首车按以下方式控制：首车的通信模块(2)将收到的停车完毕信号传输给对应的车载中控模块(4)，车载中控模块(4)收到停车完毕信号后立即向首车的车载ATO模块(1)发出停车指令，然后首车的车载ATO模块(1)控制首车制动停车。
2.如权利要求1所述的虚拟连挂高速列车在追踪车制动力故障下的控制方法，其特征在于：所述神经网络模型的实时输入量包括相邻前车的速度、相邻前车的轨道坡度、追踪车的速度、追踪车的轨道坡度、追踪车的车重、单个追踪车的车厢转向架制动力故障个数；神经网络模型的输出量为最小安全追踪距离；神经网络模型包括2个隐藏层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110709439.1A CN113353122B (zh) | 2021-06-25 | 2021-06-25 | 虚拟连挂高速列车在追踪车制动力故障下的控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110709439.1A CN113353122B (zh) | 2021-06-25 | 2021-06-25 | 虚拟连挂高速列车在追踪车制动力故障下的控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113353122A CN113353122A (zh) | 2021-09-07 |
| CN113353122B true CN113353122B (zh) | 2022-06-17 |
Family
ID=77536356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110709439.1A Active CN113353122B (zh) | 2021-06-25 | 2021-06-25 | 虚拟连挂高速列车在追踪车制动力故障下的控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113353122B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114537477B (zh) * | 2022-03-01 | 2023-06-09 | 重庆交通大学 | 一种基于tdoa的列车定位追踪方法 |
| CN115092211B (zh) * | 2022-05-31 | 2023-07-04 | 同济大学 | 动态列车间隔调整的广域联锁控制方法、装置及存储介质 |
| CN114919627B (zh) * | 2022-06-17 | 2023-06-09 | 重庆交通大学 | 一种基于ris技术的列车定位追踪的方法 |
| CN115432030B (zh) * | 2022-10-17 | 2023-06-16 | 重庆交通大学 | 一种山区环境下虚拟连挂列车提速运行的控制方法 |
| CN115432038B (zh) * | 2022-10-17 | 2023-06-16 | 重庆交通大学 | 一种轨道电路故障下虚拟连挂列车的控制方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015204769A1 (de) * | 2015-03-17 | 2016-09-22 | Siemens Aktiengesellschaft | Verfahren sowie Vorrichtung zur automatischen Beeinflussung spurgebundener Fahrzeuge |
| CN106919173B (zh) * | 2017-04-06 | 2020-05-05 | 吉林大学 | 一种基于重型车辆编队的制动集成控制方法 |
| CN108791366B (zh) * | 2018-05-31 | 2020-02-14 | 北京全路通信信号研究设计院集团有限公司 | 一种采用虚拟耦合的多列车协同控制方法及*** |
| KR20210016100A (ko) * | 2019-07-31 | 2021-02-15 | 한국철도기술연구원 | 자율 협업 기반의 동적 열차제어 방법 및 장치 |
| CN111866090B (zh) * | 2020-06-30 | 2023-03-24 | 中国铁道科学研究院集团有限公司 | 一种列车故障预警方法和装置 |
| CN112590871B (zh) * | 2020-12-23 | 2022-09-02 | 交控科技股份有限公司 | 列车安全防护方法、装置和*** |
-
2021
- 2021-06-25 CN CN202110709439.1A patent/CN113353122B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113353122A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113353122B (zh) | 虚拟连挂高速列车在追踪车制动力故障下的控制方法 | |
| CN107685749B (zh) | 一种基于车车通信的虚拟连挂小编组列车控制***及方法 | |
| CN113120038B (zh) | 一种采用虚拟编组技术的快慢车实时编解运行组织方法 | |
| CN108791366A (zh) | 一种采用虚拟耦合的多列车协同控制方法及*** | |
| CN110239596A (zh) | 一种基于ctcs-3的移动闭塞列车控制方法及*** | |
| CN107672626B (zh) | 基于时间间隔保持的轨道车辆防碰撞***及方法 | |
| CN110194201A (zh) | 一种列控等级转换***及其方法 | |
| CN112644561B (zh) | 一种基于相对速度追踪模型的列车追踪能力确定方法 | |
| CN113525461A (zh) | 面向虚拟编队的列车运行控制方法 | |
| CN109625027A (zh) | 一种列车群作业组织与运行控制*** | |
| CN114407985B (zh) | 一种基于虚拟编组的列车追踪方法和控制*** | |
| CN114834503A (zh) | 基于弹性追踪模型的虚拟编组列车控制方法 | |
| CN114298398B (zh) | 一种基于弹性调整策略的高速列车动态追踪运行优化方法 | |
| CN108501960A (zh) | 一种空铁轨道***及空铁运行方法 | |
| CN113060188A (zh) | 一种高速列车编队在途追踪运行协同优化方法 | |
| CN113830139A (zh) | 一种列车信息交互方法及*** | |
| CN113734244B (zh) | 虚拟连挂高速列车在通信故障下的控制方法 | |
| CN112550343A (zh) | 一种适用于货运列车的自动挂车方法及装置 | |
| WO2023097838A1 (zh) | 一种灵活编组的解编方法、设备和存储介质 | |
| Zhou et al. | The safety braking protection model of virtually coupled train platoon in subway | |
| CN116691777A (zh) | 一种轨道车辆的虚拟联挂追踪控制***及方法 | |
| CN116654054A (zh) | 一种基于车车通信的虚拟编组全状态切换控制***及方法 | |
| CN114524000B (zh) | 虚拟连挂解编场景下的自主资源管理方法 | |
| WO2023097839A1 (zh) | 一种灵活编组运行控制方法、设备和存储介质 | |
| WO2023097840A1 (zh) | 一种灵活编组的建立方法、***、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |