CN113997915A - 基于大数据的列车自动驾驶ato精确停车控制方法 - Google Patents
基于大数据的列车自动驾驶ato精确停车控制方法 Download PDFInfo
- Publication number
- CN113997915A CN113997915A CN202111420453.6A CN202111420453A CN113997915A CN 113997915 A CN113997915 A CN 113997915A CN 202111420453 A CN202111420453 A CN 202111420453A CN 113997915 A CN113997915 A CN 113997915A
- Authority
- CN
- China
- Prior art keywords
- target
- train
- braking
- optimal solution
- determining
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/1701—Braking or traction control means specially adapted for particular types of vehicles
- B60T8/1705—Braking or traction control means specially adapted for particular types of vehicles for rail vehicles
-
- 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
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Regulating Braking Force (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种基于大数据的列车自动驾驶ATO精确停车控制方法,所述方法包括:基于目标制动分段曲线和目标函数,确定目标控制模型;基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;基于所述目标最优解,对所述目标列车进行制动控制;其中,所述目标函数包括:所述目标列车的停靠误差对应的第一目标函数;所述目标列车的制动能耗对应的第二目标函数;所述目标列车的加速度变化率对应的第三目标函数。本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过确定性能良好的目标控制模型,可以实现高效计算目标最优解,进而根据目标最优解对目标列车进行制动控制,从而可以实现精准停车。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种基于大数据的列车自动驾驶ATO精确停车控制方法。
背景技术
目前列车进站停车通常是通过运用比例积分微分(Proportion IntegralDerivative,PID)控制算法对列车进行制动控制。然而在列车实际制动过程中,PID控制算法存在着明显缺陷,例如包括:停车距离存在误差,抗异常情况能力弱等。故列车开始停车制动时,***测量的距离误差也会较大,严重影响列车的停准精度。
发明内容
本发明提供一种基于大数据的列车自动驾驶ATO精确停车控制方法,用以解决现有技术中列车无法实现精准停车的技术问题。
本发明提供一种基于大数据的列车自动驾驶ATO精确停车控制方法,包括:
基于目标制动分段曲线和目标函数,确定目标控制模型;
基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
在一个实施例中,所述基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解,包括:
基于所述目标控制模型,确定所述初始运行数据对应的最优解集;
根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解;
其中,所述第一目标函数的预设优先级最高。
在一个实施例中,所述根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解,包括:
根据所述第一目标函数,将所述最优解集中所述停靠误差最小的解确定为最优解;
在所述最优解为一个的情况下,将所述最优解作为所述目标最优解;
在所述最优解为多个的情况下,基于所述第二目标函数对应的第一预设权重和所述第三目标函数对应的第二预设权重,在多个所述最优解中确定所述目标最优解。
在一个实施例中,所述基于所述目标最优解,对所述目标列车进行制动控制,包括:
基于所述目标最优解,确定所述目标列车的目标制动参数;
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制;
其中,所述目标制动参数包括以下至少一项:各分段的目标制动时间、各分段点的目标速度、各分段目标加速度、各分段目标制动距离。
在一个实施例中,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点;
在确定所述目标列车未到达所述目标停车点的情况下,确定所述目标列车是否到达下一目标分段点;
在所述目标列车到达所述下一目标分段点的情况下,将所述目标列车的当前加速度切换为所述下一目标分段点对应的目标加速度;
在所述目标列车未到达所述下一目标分段点的情况下,保持所述当前加速度不变。
在一个实施例中,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,通过激光信号确定所述目标列车的当前速度和所述目标列车的当前制动距离;
基于所述当前速度和所述当前制动距离,确定所述目标列车是否到达所述目标停车点。
本发明还提供一种基于大数据的列车自动驾驶ATO精确停车控制装置,包括:
第一确定模块,用于基于目标制动分段曲线和目标函数,确定目标控制模型;
第二确定模块,用于基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
控制模块,用于基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过目标制动分段曲线和目标函数,可以确定性能良好的目标控制模型,从而可以实现高效计算目标最优解,进而根据目标最优解对目标列车进行制动控制,从而可以实现精准停车。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的流程示意图;
图2是本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的理想制动曲线与实际制动曲线对比示意图;
图3是本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的理想制动曲线与分段制动曲线对比示意图;
图4是应用本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的流程示意图;
图5是本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的理想制动曲线与大数据最优制动分段曲线对比示意图;
图6是本发明提供的基于大数据的列车自动驾驶ATO精确停车控制装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
相关技术中,对列车进行制动控制的过程具体如下:
目前列车自动驾驶(Automatic Train Operation,ATO)***均通过安装在站台区域内、预定位置的定位设备来调整列车定位,实现精准停车。定位设备例如包括:车地通信(Train-Wayside Communication,TWC)环线、应答器等。
在列车防护***(Automatic Train Protection,ATP)的推荐速度防护下,将ATO的命令速度作为目标输入,将测速测距模块的速度与距离作为反馈,运用PID控制算法进行列车运行级位的输出控制,从而实现站间与站台的列车平稳运行;再根据站台校位交叉点的位置校位,最终达到精准停车的功能实现。
PID控制算法的核心思想是通过反馈的方式来判断上一次执行是否准确,下次执行是否需要修正。当忽略反馈时间时,理论上PID控制的列车制动曲线可以无限接近最佳制动曲线。
然而在列车实际制动过程中,PID调节存在着明显缺陷,具体情况如下:
(1)停车距离存在误差。***计算时使用上一周期的数据,这些数据由于安全原因需要先传送至ATP,再传送给ATO,传输时间大约需要200ms,从而使停车距离存在50cm的误差。
(2)抗异常情况弱。因为***是实时调节,当***延时较大或者数据误差偏大时,***会出现误调节,调节过后基本上都会产生反向超标,只有来回经过多次调节后才能恢复正常。但在停车阶段如果一旦出现问题,那么就会导致列车无法停准。
除上述原因,因造价问题,线路无法铺设太多应答器,故列车开始停车制动时,***测量距离误差也会较大,影响列车制动性能。列车实际制动曲线与理想制动曲线如图2所示。参照图2,可以看出在实际制动过程中,列车速度经常发生阶段性跳变,严重影响列车停准精度与乘客乘坐舒适性。
下面结合附图,通过具体的实施例及其应用场景对本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法进行详细地说明。
图1为本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的流程示意图。参照图1,本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法包括:步骤110、步骤120和步骤130。
步骤110、基于目标制动分段曲线和目标函数,确定目标控制模型;
步骤120、基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
步骤130、基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personalcomputer,PC)等,本发明不作具体限定。
下面以计算机执行本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法为例,详细说明本发明的技术方案。
可选地,在步骤110中,为简化计算量,提高计算效率,本发明采用分段式方法对目标列车制动曲线进行处理。目标列车指的是轨道交通列车,例如包括地铁、高铁或动车等,本发明不作具体限定。
如图3所示,假设目标列车制动分段曲线为理想制动曲线,则可以将理想制动曲线分为n段,每一段制动曲线均是以等加速度降速行驶,每一段记为Ni(i=1,2,3,...,n),分段起始点位置记为si-1,分段起始速度记为vi-1,分段起始时刻记为ti-1,分段结束点位置记为si,分段结束速度记为vi,分段结束时刻记为ti。
其中,s0所对应的分段点为目标列车经过初始应答器且开始制动的点,其位置始终保持不变,该分段点的制动初速度记为v0。sn所对应的点为目标列车停靠站台且速度为零的点。
根据运动学方程,可知:
可选地,已知初始应答器所在位置s0距目标停车点为固定值,记为Sst,由于不同地铁线路所要求的停靠误差不同,则在本发明里统一用es表示停靠误差。除此之外,地铁在精准停车的同时,还需要遵循列车时刻表中的停车时间,要求在到达目标停车点的时刻,目标列车的速度与加速度均为零。同时为保证地铁安全运行,站间行驶速度不应超出限速值vlimit,列车制动加速度不应超过最大减速度alimit,又因为目标列车加速度变化太快会产生极大的冲击,影响乘客乘坐舒适性,因此对加速度的大小也有一定的约束。
可选地,若以提高目标列车停靠精准度为优化目标,则将目标列车的停靠误差绝对值作为控制指标,要求误差越小越好。将第一目标函数记为:J1=S-Sst。
可选地,基于目标制动分段曲线和目标函数,可以建立最优控制问题数学模型,即目标控制模型。其中,目标控制模型可以通过下式表示:
可选地,在步骤120中,根据步骤110中的目标控制模型可知,F(X)为该模型的目标函数,X为该模型的解。其中,X可以通过下式表示:
因为不可能同时出现目标列车停车精度达到最高,制动耗能最小,乘客乘坐舒适性亦达到最高的情况,所以在满足目标函数F(X)最小的情况下,存在多种制动曲线划分方法。此时目标函数可以得到初始速度为v0对应的不同最优解,则可以根据需求在不同最优解中确定唯一最优目标解。
需要说明的是,目标列车制动曲线为理论上的理想制动分段曲线,根据理想制动分段曲线和目标函数建立目标控制模型后,确定目标最优解。再根据当前列车的初始运行数据,可以确定目标最优解对应的分段制动曲线。例如:根据图3中的理想制动曲线,可以获取目标最优解对应的分段制动曲线。
可选地,在步骤130中,根据目标最优解,可以确定目标制动参数。判断目标列车是否按照目标制动参数运行,即可实现对目标列车进行制动控制。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过目标制动分段曲线和目标函数,可以确定性能良好的目标控制模型,从而可以实现高效计算目标最优解,进而根据目标最优解对目标列车进行制动控制,从而可以实现精准停车。
在一个实施例中,所述基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解,包括:
基于所述目标控制模型,确定所述初始运行数据对应的最优解集;
根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解;
其中,所述第一目标函数的预设优先级最高。
可选地,目标控制模型可以转化为多目标求最优解问题,采用多目标粒子群算法(Multi-Objective Particle Swarm Optimization,MOPSO)可以对该模型进行求解,基于Pareto最优解原理进行更新迭代后,得到的是对应目标列车初始速度为v0的一组最优解集,称为Pareto最优解集,记为Xk(k=1,2,...,j,j为最优解的数量)。
可选地,最优解集中存在多组最优解,所以需要根据目标函数的预设优先级,确定唯一目标最优解。由于目标控制模型中包含有停靠误差对应的第一目标函数、制动能耗对应的第二目标函数和加速度变化率对应的第三目标函数,分别对应了停车精准度,制动能耗以及乘客乘坐舒适性三个指标。本发明实施例是在满足停车精准度最高情况下再考虑目标列车的制动能耗和乘客乘坐舒适性,因此,第一目标函数设置有最高的预设优先级,第二目标函数与第三目标函数的预设优先级本发明不作具体限定。
需要说明的是,目标函数的预设优先级可以根据运营商需求进行调整,本发明不作具体限定。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过设置目标函数的预设优先级,可以实现对目标列车的停车精准度、制动能耗和乘坐舒适性三个指标的控制,提高了制动控制的灵活性;并且基于具有最高预设优先级的第一目标函数,可以确定目标最优解,使得目标列车制动时始终处于安全可靠的状态内,并能减小精准停车距离的误差,从而实现精准停车。
在一个实施例中,所述根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解,包括:
根据所述第一目标函数,将所述最优解集中所述停靠误差最小的解确定为最优解;
在所述最优解为一个的情况下,将所述最优解作为所述目标最优解;
在所述最优解为多个的情况下,基于所述第二目标函数对应的第一预设权重和所述第三目标函数对应的第二预设权重,在多个所述最优解中确定所述目标最优解。
可选地,对于上述最优解集Xk,首先选择满足停准精度最高的一组解,即选择停靠误差最小的一组最优解。若该最优解具有唯一性,则直接记为Pareto目标最优解X′j(j∈k)。若该最优解不具备唯一性,再根据当前时刻列车制动能耗所占第一预设权重w1和乘客乘坐舒适性所占第二预设权重w2确定唯一目标最优解X′j。
可选地,第二目标函数对应的第一预设权重和第三目标函数对应的第二预设权重可以根据运营商的需求和目标列车的实际运行情况预先设定或调整。例如:目标列车制动控制性能衡量指标为停靠误差、制动能耗以及乘客乘坐舒适性,则可以设置将停靠误差对应的权重设置为0.5,将制动能耗对应的权重设置为0.3,将乘客乘坐舒适性对应的权重设置为0.2。假设目标列车为始发车且目标列车处于空载状态,则不需要考虑w2。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,可以根据不同的目标函数快速确定唯一目标最优解,提高了目标控制模型的计算效率;通过对目标函数设置预设权重,可以使得列车节能性、停车精准度、乘客乘坐舒适性达到一个平衡。
在一个实施例中,所述基于所述目标最优解,对所述目标列车进行制动控制,包括:
基于所述目标最优解,确定所述目标列车的目标制动参数;
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制;
其中,所述目标制动参数包括以下至少一项:各分段的目标制动时间、各分段点的目标速度、各分段目标加速度、各分段目标制动距离。
可选地,在确定目标最优解X′j之后,根据X′j即可确定当列车初始制动速度为v0,质量为M时目标列车的目标制动参数。其中,目标制动参数例如包括:目标制动曲线分段点及各分段点的目标速度vi、各分段的目标制动时间Ti(Ti=ti-ti-1),进而求得各分段目标加速度ai及各分段目标制动距离Si,从而可以得到最优列车制动分段曲线。
可选地,分析目标列车的当前运行状态,获取目标列车的当前运行数据。判断目标列车是否按照目标制动参数运行,即在确定目标列车的当前运行数据与目标制动参数不匹配的情况下,可以按照目标制动参数对应的最优列车制动分段曲线对目标列车进行制动控制。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过将目标制动参数与目标列车的当前运行数据进行匹配,可以实时确定目标列车是否按照目标最优解运行,并根据匹配结果对目标列车进行制动控制,提高了制动控制的及时性,同时也提高了制动控制的效率。
在一个实施例中,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点;
在确定所述目标列车未到达所述目标停车点的情况下,确定所述目标列车是否到达下一目标分段点;
在所述目标列车到达所述下一目标分段点的情况下,将所述目标列车的当前加速度切换为所述下一目标分段点对应的目标加速度;
在所述目标列车未到达所述下一目标分段点的情况下,保持所述当前加速度不变。
可选地,首先判断列车是否到达目标停车点,且目标列车处于停稳状态。若满足上述条件,则目标列车已经实现精准停车。若目标列车尚未到达目标停车点,则先判断目标列车的当前运行状态,即判断目标列车是否运行至下一制动目标分段点,若目标列车未移至下一制动目标分段点,则不做任何处理,保持目标列车的当前制动加速度不变。当目标列车运行至下一制动目标分段点时,将原加速度切换为目标最优解对应的下一制动分段目标加速度,此判断过程持续至目标列车精准停稳为止。
可选地,在确定目标列车的当前运行数据与目标制动参数不匹配的情况下,对所述目标列车进行制动控制,还包括:可以根据目标最优解,直接确定各分段点的目标速度。目标列车在分段点的实际运行速度与分段点目标速度不匹配的情况下,按照目标最优解对应的分段点目标速度对目标列车进行制动控制,以实现对目标列车的实时控制。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,可以合理采用分段式匀减速的制动方式,使目标列车在制动分段曲线内以恒定加速度行驶,减少了实时变化的加速度所造成的延迟,提高制动控制过程的抗干扰性。
在一个实施例中,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,通过激光信号确定所述目标列车的当前速度和所述目标列车的当前制动距离;
基于所述当前速度和所述当前制动距离,确定所述目标列车是否到达所述目标停车点。
可选地,在目标列车的目标停车点处安装激光接收器,用于接收安装在车载处的激光发射器所发射的激光,并根据发射激光和接收激光的时间间隔,确定目标列车运行的当前速度及目标列车的当前制动距,并将其转换成电信号上传给联锁设备,联锁设备再反馈至车载控制器(Vehicle On-Board Controller,VOBC),从而实现合理控制目标列车以目标制动参数均匀降速,实现精准到站停车。
可选地,激光测速测距设备通常精密度较高,相较于造价昂贵的应答器而言成本较低,采用激光信号确定目标列车的当前速度和目标列车的当前制动距离可以在确保测量精度的同时,还能够降低硬件成本。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,通过采用激光测距,不仅可以减少***误差,提高目标列车的停车精准度,还可以节省线路开发成本。
为进一步的说明本方案,本发明还提供一种基于大数据的列车自动驾驶ATO精确停车控制方法的具体实施例。本发明的具体应用实施例利用大数据平台来实施本方案。
在一个实施例中,大数据平台主要分为以下模块:数据采集单元、数据存储分类单元、数据分析单元、数据决策单元。各模块的功能如下:
数据采集单元:采集列车运行时来自LKJ(列车运行监控记录装置)、应答器、列车控制和管理***(Train Control and Management System,TCMS)的原始数据,数据类型包括列车位置、列车速度、列车以当前速度运行时所处时刻、列车运行至目标位置时所处时刻、列车总重、线路数据等。其中,原始数据包括历史运行数据以及当前运行数据。
数据存储分类单元:根据上述数据建立大数据库,存储的内容除了包括采集到的原始数据外,还包括目标列车初始制动速度为v0,质量为M时,基于Pareto最优解原理所获得的目标最优解以及根据该目标最优解求得的各分段列车的制动时间Ti、各分段加速度ai、各分段的制动距离Si。最优制动分段曲线的分段点划分受到列车初始制动速度v0、质量M的限制,因此首先以速度v0、质量M为第一划分界限;由上文所述Pareto最优解在尚未确定唯一性前,满足停车精度最小对应的最优解可能不止一个,此时便要考虑列车制动耗能所占权重w1和乘客乘坐舒适性所占权重w2,故选择w1和w2作为第二划分界限。通过第一划分界限和第二划分界限来确定唯一目标最优解。
数据分析单元:对采集到的当前运行数据进行分析,根据数据存储分类单元判断列车当前运行状态及当前运行状态所对应的目标最优分段解X′j及目标列车是否按照Pareto最优解X′j分段制动。可以理解的是,还可以通过存储历史运行数据以及对应的历史目标最优解,对当前运行数据进行分析,并且能够基于当前运行数据在历史运行数据中找到匹配的数据,可以快速确定目标最优解,从而简化计算过程。
数据决策单元:根据数据分析单元分析的结果形成决策数据,让列车按照数据存储分类单元中与对应运行状态(对应速度、对应重量、对应权重)相匹配的Pareto目标最优解X′j来控制列车制动。
在一个实施例中,图4是应用本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法的流程示意图。在目标停车点设置激光接收器,以及在车载VOBC搭建完大数据平台后,目标列车进入站台停靠区域时,可以按照图4所示步骤进行处理:
(1)目标列车接收初始制动应答器的数据,大数据平台解析数据,按照目标列车当前运行状态从数据存储分类单元中查找目标最优解X′j,根据目标最优解X′j求得的初始制动减速度为a1,则目标列车以初始制动减速度a1开始均匀减速。与此同时,VOBC打开激光发射器,发射激光信号;
(2)激光接收器接收发射来的激光信号,并根据发射激光与接收激光的时间间隔求出目标列车的当前运行速度及目标列车的当前制动距离。并将当前运行速度和当前制动距离转换成电信号上传至车站附近的联锁设备;
(3)联锁设备首先判断列车是否到达目标停车点sn点且已停稳,若满足上述条件,说明列车已经精准停车,联锁设备上传VOBC列车停稳命令,VOBC反馈联锁设备站台门开启命令,并准备开启车门;若列车尚未到达目标停车点,将激光接收器接收处理的数据经联锁设备反馈给VOBC,VOBC大数据平台根据数据分析单元判断目标列车的当前运行状态。即判断列车是否移至下一制动分段点,若列车未移至下一制动分段点,则制动***不做任何处理,制动加速度不变;当列车移至下一制动区段前的分段点时,制动***将原加速度切换为Pareto目标最优解X′j提供的下一制动分段加速度,此过程直至列车精准停稳为止。确定列车停稳之后,则车载VOBC关闭激光发射器电源。
可选地,本发明实施例获取的大数据最优制动曲线如图5所示。该方法基于MOPSO算法与大数据技术相结合,合理采用分段式列车匀减速制动方式,使列车在最优制动分段曲线内以恒定加速度行驶,减少了控制***实时变化加速度所造成的延迟,提高***的抗干扰性。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制方法,可以在快速实现列车精准定位,减少停靠误差。同时也能满足制动能耗较少、乘坐舒适性提高的目的,极大程度地迎合运营方与乘客的需求。同时***用精密度高的激光测速测距来替代造价昂贵的应答器,既节省线路开发成本,又提高制动***的控制精度。
下面对本发明提供的基于大数据的列车自动驾驶ATO精确停车控制装置进行描述,下文描述的基于大数据的列车自动驾驶ATO精确停车控制装置与上文描述的基于大数据的列车自动驾驶ATO精确停车控制方法可相互对应参照。
图6为本发明提供的基于大数据的列车自动驾驶ATO精确停车控制装置的结构示意图。参照图6,本发明提供的基于大数据的列车自动驾驶ATO精确停车控制装置包括:第一确定模块610、第二确定模块620和控制模块630。
第一确定模块610,用于基于目标制动分段曲线和目标函数,确定目标控制模型;
第二确定模块620,用于基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
控制模块630,用于基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
本发明提供的基于大数据的列车自动驾驶ATO精确停车控制装置,通过目标制动分段曲线和目标函数,可以确定性能良好的目标控制模型,从而可以实现高效计算目标最优解,进而根据目标最优解对目标列车进行制动控制,从而可以实现精准停车。
在一个实施例中,所述第二确定模块620具体用于:
基于所述目标控制模型,确定所述初始运行数据对应的最优解集;
根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解;
其中,所述第一目标函数的预设优先级最高。
在一个实施例中,所述第二确定模块620,还具体用于:
根据所述第一目标函数,将所述最优解集中所述停靠误差最小的解确定为最优解;
在所述最优解为一个的情况下,将所述最优解作为所述目标最优解;
在所述最优解为多个的情况下,基于所述第二目标函数对应的第一预设权重和所述第三目标函数对应的第二预设权重,在多个所述最优解中确定所述目标最优解。
在一个实施例中,所述控制模块630,具体用于:
基于所述目标最优解,确定所述目标列车的目标制动参数;
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制;
其中,所述目标制动参数包括以下至少一项:各分段的目标制动时间、各分段点的目标速度、各分段目标加速度、各分段目标制动距离。
在一个实施例中,所述控制模块630,还具体用于:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点;
在确定所述目标列车未到达所述目标停车点的情况下,确定所述目标列车是否到达下一目标分段点;
在所述目标列车到达所述下一目标分段点的情况下,将所述目标列车的当前加速度切换为所述下一目标分段点对应的目标加速度;
在所述目标列车未到达所述下一目标分段点的情况下,保持所述当前加速度不变。
在一个实施例中,所述控制模块630,还具体用于:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,通过激光信号确定所述目标列车的当前速度和所述目标列车的当前制动距离;
基于所述当前速度和所述当前制动距离,确定所述目标列车是否到达所述目标停车点。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行基于大数据的列车自动驾驶ATO精确停车控制方法,该方法包括:
基于目标制动分段曲线和目标函数,确定目标控制模型;
基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于大数据的列车自动驾驶ATO精确停车控制方法,该方法包括:
基于目标制动分段曲线和目标函数,确定目标控制模型;
基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于大数据的列车自动驾驶ATO精确停车控制方法,该方法包括:
基于目标制动分段曲线和目标函数,确定目标控制模型;
基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,包括:
基于目标制动分段曲线和目标函数,确定目标控制模型;
基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
2.根据权利要求1所述的基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,所述基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解,包括:
基于所述目标控制模型,确定所述初始运行数据对应的最优解集;
根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解;
其中,所述第一目标函数的预设优先级最高。
3.根据权利要求2所述的基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,所述根据所述目标函数的预设优先级,在所述最优解集中确定所述目标最优解,包括:
根据所述第一目标函数,将所述最优解集中所述停靠误差最小的解确定为最优解;
在所述最优解为一个的情况下,将所述最优解作为所述目标最优解;
在所述最优解为多个的情况下,基于所述第二目标函数对应的第一预设权重和所述第三目标函数对应的第二预设权重,在多个所述最优解中确定所述目标最优解。
4.根据权利要求1所述的基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,所述基于所述目标最优解,对所述目标列车进行制动控制,包括:
基于所述目标最优解,确定所述目标列车的目标制动参数;
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制;
其中,所述目标制动参数包括以下至少一项:各分段的目标制动时间、各分段点的目标速度、各分段目标加速度、各分段目标制动距离。
5.根据权利要求4所述的基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,对所述目标列车进行制动控制,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点;
在确定所述目标列车未到达所述目标停车点的情况下,确定所述目标列车是否到达下一目标分段点;
在所述目标列车到达所述下一目标分段点的情况下,将所述目标列车的当前加速度切换为所述下一目标分段点对应的目标加速度;
在所述目标列车未到达所述下一目标分段点的情况下,保持所述当前加速度不变。
6.根据权利要求5所述的基于大数据的列车自动驾驶ATO精确停车控制方法,其特征在于,所述在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,确定所述目标列车是否到达目标停车点,包括:
在确定所述目标列车的当前运行数据与所述目标制动参数不匹配的情况下,通过激光信号确定所述目标列车的当前速度和所述目标列车的当前制动距离;
基于所述当前速度和所述当前制动距离,确定所述目标列车是否到达所述目标停车点。
7.一种基于大数据的列车自动驾驶ATO精确停车控制装置,其特征在于,包括:
第一确定模块,用于基于目标制动分段曲线和目标函数,确定目标控制模型;
第二确定模块,用于基于所述目标控制模型,确定目标列车的初始运行数据对应的目标最优解;
控制模块,用于基于所述目标最优解,对所述目标列车进行制动控制;
其中,所述目标函数包括:
所述目标列车的停靠误差对应的第一目标函数;
所述目标列车的制动能耗对应的第二目标函数;
所述目标列车的加速度变化率对应的第三目标函数。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大数据的列车自动驾驶ATO精确停车控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420453.6A CN113997915B (zh) | 2021-11-26 | 2021-11-26 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420453.6A CN113997915B (zh) | 2021-11-26 | 2021-11-26 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113997915A true CN113997915A (zh) | 2022-02-01 |
CN113997915B CN113997915B (zh) | 2022-06-24 |
Family
ID=79930562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111420453.6A Active CN113997915B (zh) | 2021-11-26 | 2021-11-26 | 基于大数据的列车自动驾驶ato精确停车控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113997915B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612456A (zh) * | 2010-04-14 | 2012-07-25 | 丰田自动车株式会社 | 车辆的控制装置 |
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
US20170305396A1 (en) * | 2014-09-05 | 2017-10-26 | Mitsubishi Electric Corporation | Automatic train operation system and brake control device |
JP2018007464A (ja) * | 2016-07-05 | 2018-01-11 | 株式会社東芝 | 列車制御装置、方法及びプログラム |
CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
CN109615135A (zh) * | 2018-12-12 | 2019-04-12 | 广州地铁集团有限公司 | 一种基于动态规划算法的列车运行优化方法 |
CN109815523A (zh) * | 2018-12-05 | 2019-05-28 | 南京工程学院 | 基于分解的列车运行多目标差分进化算法 |
CN110428093A (zh) * | 2019-07-19 | 2019-11-08 | 北京工商大学 | 基于改进的布谷鸟算法的城市轨道列车运行优化方法 |
CN110427690A (zh) * | 2019-07-29 | 2019-11-08 | 交控科技股份有限公司 | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 |
CN112307564A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 列车ato目标运行速度曲线优化方法及装置 |
CN112734097A (zh) * | 2020-12-31 | 2021-04-30 | 中南大学 | 无人驾驶列车能耗预测方法、***及存储介质 |
CN113147841A (zh) * | 2021-05-13 | 2021-07-23 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
-
2021
- 2021-11-26 CN CN202111420453.6A patent/CN113997915B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612456A (zh) * | 2010-04-14 | 2012-07-25 | 丰田自动车株式会社 | 车辆的控制装置 |
US20170305396A1 (en) * | 2014-09-05 | 2017-10-26 | Mitsubishi Electric Corporation | Automatic train operation system and brake control device |
JP2018007464A (ja) * | 2016-07-05 | 2018-01-11 | 株式会社東芝 | 列車制御装置、方法及びプログラム |
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
CN109815523A (zh) * | 2018-12-05 | 2019-05-28 | 南京工程学院 | 基于分解的列车运行多目标差分进化算法 |
CN109615135A (zh) * | 2018-12-12 | 2019-04-12 | 广州地铁集团有限公司 | 一种基于动态规划算法的列车运行优化方法 |
CN110428093A (zh) * | 2019-07-19 | 2019-11-08 | 北京工商大学 | 基于改进的布谷鸟算法的城市轨道列车运行优化方法 |
CN110427690A (zh) * | 2019-07-29 | 2019-11-08 | 交控科技股份有限公司 | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 |
CN112307564A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 列车ato目标运行速度曲线优化方法及装置 |
CN112734097A (zh) * | 2020-12-31 | 2021-04-30 | 中南大学 | 无人驾驶列车能耗预测方法、***及存储介质 |
CN113147841A (zh) * | 2021-05-13 | 2021-07-23 | 中车长春轨道客车股份有限公司 | 一种轨道车辆的能力管理及节能辅助驾驶方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113997915B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307564B (zh) | 列车ato目标运行速度曲线优化方法及装置 | |
AU2015207963B2 (en) | System and method for vehicle operation | |
EP2292492A2 (en) | Apparatus and method for controlling speed in automatic train operation | |
CN105501221B (zh) | 一种基于车车通信的自适应巡航***和控制方法 | |
CN109895794B (zh) | 基于机器学习的列车自动驾驶***精准停车方法及装置 | |
KR102528317B1 (ko) | 차량 제어용 컨트롤러, 시스템 및 방법 | |
CN112078631B (zh) | 列车速度控制方法及*** | |
CN114677858B (zh) | 车辆管理方法、装置、设备及计算机存储介质 | |
CN108725517A (zh) | 列车协同运行控制***、控制方法及列车车载设备 | |
Saust et al. | Exploitability of vehicle related sensor data in cooperative systems | |
CN114802362B (zh) | 时分控制的列车节能运行方法和装置 | |
WO2022205847A1 (zh) | 一种车速控制方法、装置及相关设备 | |
Rahn et al. | Energy-efficient driving in the context of a communications-based train control system (CBTC) | |
CN112849137B (zh) | 用于确定车辆队列的队列动态的方法和装置 | |
CN112744270B (zh) | 一种基于状态辨识的列车快速精确停车方法 | |
CN113997915B (zh) | 基于大数据的列车自动驾驶ato精确停车控制方法 | |
CN111891185B (zh) | 轨道交通列车停车方法及*** | |
CN112849135B (zh) | 对队列内车辆跟踪调整的方法和装置和具有该装置的车辆 | |
CN114435428A (zh) | 一种列车制动曲线确定方法及装置、列车控制方法及*** | |
CN113954923A (zh) | 一种编组列车停车控制方法和控制*** | |
Pan et al. | A New Calibration Method for the Real‐Time Calculation of Dynamic Safety Following Distance under Railway Moving Block System | |
CN113132474A (zh) | 一种自动驾驶车辆的控制方法、装置及设备 | |
CN114954579B (zh) | 基于云平台仿真***的ato节能控车***及控车方法 | |
CN113060148B (zh) | 用于确定队列内的车辆的行驶特性的方法和装置及具有该装置的车辆 | |
Guo et al. | A Particle Swarm Optimization-Based Online Optimization Approach for Virtual Coupling Trains With Communication Delay |
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 |