首页 理论教育高速列车智能驾驶技术优化方案

高速列车智能驾驶技术优化方案

【摘要】:选取枝江北到宜昌从这一区间展示高速列车智能驾驶模型的仿真结果,并将仿真结果与人工驾驶进行对比。图6-11速度时间对比图从时间速度曲线和控制器输出曲线可以看出,A-CART算法和B-CART算法都可以较好地对人工驾驶数据进行学习。表6-3人工驾驶、A-CART算法、B-CART算法仿真各项性能指标对比通过性能指标对照表,我们可以定量地看出不同驾驶方式的优缺点。综上所述,建立的高速列车智能驾驶模型可以使列车舒适、准时、精确、低能耗的平稳运行。

在我国高速铁路飞速发展的基础上,高速列车的运营密度与运行速度有了巨大提升,目前高速列车仍处于人工驾驶阶段,难以满足高速铁路安全高效运行的基本要求。列车自动驾驶运用计算机技术可以对列车进行实时控制,不仅可以保证列车的精确停车和准点到站,还可以保证乘客的舒适性以及降低运行能耗。通过分析实际高速铁路人工驾驶数据,发现有经验的、优秀的司机可以将列车安全、准时、精确地停在指定位置,整个驾驶过程也比较平稳。因此,建立高速列车智能驾驶模型,运用集成分类回归树算法归纳总结优秀司机的驾驶策略,并将其转变为计算机可以识别的智能控制语言进而控制高速列车的运行。

采集人工驾驶数据所用的实验动车组车型CRH2,数据的采集主要依靠差分GPS技术和车轮速度传感器。在工业控制计算机上,能够得到采样周期为0.1 s的列车的经纬度、高程、公里标、速度、加速度等信息。固定限速可以通过列控工程数据表得到。

得到以上信息后,首先对这些信息进行处理,数据处理的目标是得到以下八个属性的信息分别是:限速、坡度、运行速度、剩余时间、剩余距离、距下一限速变化的距离、下一限速的大小、加速度,前七个数据作为输入数据,最后一个作为输出数据。将所有数据处理完毕以后,对这些数据进行筛选。所要使用的驾驶数据必须满足最基本的驾驶策略:考虑舒适性即列车的加速度(减速度)的绝对值不能太大,加速度(减速度)的变化率不能太高,列车工况切换的次数不能过多;考虑节能性即尽可能多的进行列车的惰行,可以有效地降低能耗;考虑停车精确性即在停车阶段,根据列车与目标点之间的距离,选择合适的制动大小,使列车能够精确停车;考虑准时性即列车的运行速度应该尽量接近最大允许运行速度。表6-1和表6-2即为模型中将要用到的一组数据。

表6-1 列车行驶实时数据

续 表

表6-2 线路限速及坡度信息

通过集成分类回归树算法从大量的优秀的人工驾驶数据中进行挖掘和学习,可以得出一个挖掘模型,当仿真运行时,输入限速信息、实时速度、坡度、剩余距离、剩余时间,通过该挖掘模型可以得出列车的实时加速度,再与阻力加速度相加即可得到实时控制器输出。具体步骤如下所示:

①导入人工驾驶数据包括:限速、速度、坡度、剩余距离、剩余时间、加速度;

②利用集成分类回归树算法对该数据进行挖掘,挖掘出输入限速、速度、坡度、剩余距离、剩余时间,输出加速度的模型;

③输入新的限速、速度、坡度、剩余距离、剩余时间时即可得到列车需要的加速度,与阻力加速度相加即为实时控制器输出。

高速列车智能驾驶模型系统结构如图6-10所示。

图6-10 高速列车智能驾驶模型系统结构

高速列车智能驾驶模型的仿真数据来自汉宜高速铁路,数据的格式和所包含信息已在前文列出。选取枝江北到宜昌从这一区间展示高速列车智能驾驶模型的仿真结果,并将仿真结果与人工驾驶进行对比。仿真软件可以生成速度时间和速度位置两种曲线,当设定固定运行时间时,用速度时间曲线可以更好地观察列车的实时运行状况;当设定复杂限速或复杂坡度时,用速度位置曲线可以更好地查看各点的限速和坡度变化;如图6-11所示。

图6-11 速度时间对比图

从时间速度曲线和控制器输出曲线可以看出,A-CART算法和B-CART算法都可以较好地对人工驾驶数据进行学习。两者的速度曲线比较接近,速度曲线也都比较平滑,列车运行比较平稳。

人工驾驶、A-CART算法、B-CART算法仿真的各项性能指标如表6-3所示。

表6-3 人工驾驶、A-CART算法、B-CART算法仿真各项性能指标对比

通过性能指标对照表,我们可以定量地看出不同驾驶方式的优缺点。除了工况切换次数相同外,总体来说智能驾驶在各项性能的表现都要优于人工驾驶,这也验证了高速列车智能驾驶模型的有效性。该模型的两种算法性能比较也比较明显,A-CART算法除了舒适度稍微差一些,但也满足舒适的基本要求,在准时性、停车精确性和节能性上都要优于B-CART算法。综上所述,建立的高速列车智能驾驶模型可以使列车舒适、准时、精确、低能耗的平稳运行。