CN103287455B - 一种基于精确惩罚优化的高速列车紧急制动信号发生装置 - Google Patents

Abstract

本发明公开了一种基于精确惩罚优化的高速列车紧急制动信号发生装置，由车速传感器、险情距离/处理时间输入单元、高速列车中控MCU、制动器单元、紧急制动警报与状态显示设备构成，开启车速传感器用于实时测量当前车速后，列车司机将险情距离以及险情处理时间输入险情距离/处理时间输入单元；高速列车中控MCU执行内部的精确惩罚优化方法，计算出既能使列车安全通过险情发生地、同时又使列车耽误的时间最短的制动策略并将其转换为制动指令，发给制动器单元，同时发出紧急制动报警信号；本发明既能保证高速列车安全通过险情发生地，同时又能使列车耽误的时间最短。

Description

一种基于精确惩罚优化的高速列车紧急制动信号发生装置

技术领域

本发明涉及轨道交通安全领域，主要是一种基于精确惩罚优化的高速列车紧急制动信号发生装置。在列车前方出现紧急状况时能够计算出使列车耽误时间最短的制动策略，并将其作为制动信号加以实施。

背景技术

高速列车在行驶过程中，由于各种随机因素，可能会在车前方出现突发性的紧急状况。如果处理不及时，将会酿成严重的事故。

在技术成熟的日本、德国和法国，高速列车发生事故并不罕见。典型的一个案例是：2005年4月25日，日本一列高速列车在经过兵库县尼崎市时，因司机欲追回误点时刻而来不及在弯道上减速造成出轨，列车与一辆列车相撞后，冲入一座住宅大厦，造成第一车厢与第二车厢全毁，导致107人死亡，555人受伤。这起惨案导致日本政府和国会修改了《铁道事业法》，规定各铁路公司必须承担在铁路沿线安装“自动列车停止装置(ATS)”等义务。

我国“7.23”温州动车追尾事故更是引起了人们对列车安全的高度重视。国产自主研发的高速车同样需要开发紧急避免制动技术和相关产品。

发明内容

假设在高速列车前方一段距离外出现险情，并且已知排除险情所需要的时间。为了使列车安全通过险情发生地、同时使列车耽误的时间最短，本发明提供一种基于精确惩罚优化方法的高速列车紧急制动信号发生装置，该装置能够计算出满足上述要求的制动策略，并将其作为制动信号加以实施。

高速列车制动过程的数学模型可以描述为

${\stackrel{\·}{x}}_1\left(t\right)=x_2\left(t\right)$

${\stackrel{\·}{x}}_2\left(t\right)=F\left(t\right)$

x₁(t₀)=0

x₂(t₀)=x₂₀

x₁(t)≤s_b

其中t表示时间，x₁(t)表示列车行驶的距离，是x₁(t)的一阶导数，x₂(t)表示列车的行驶速度，是x₂(t)的一阶导数，t₀表示列车开始制动的时间点，x₂(t₀)为t₀时刻的速度，s_b是t₀时刻列车距离险情发生地的距离，t_f表示列车通过险情发生地的时间点，在t_f时刻要求列车行驶的距离不超过s_b。从该描述可以看出，列车紧急列车制动过程的数学模型是一组微分代数方程。

使列车耽误的时间最短，实际上等价于制动过程对列车施加的制动力最少。以F(t)代表随时间变化的制动力，则该问题的最终表达式为：

$\min J\left[F\left(t\right)\right]={\∫}_{t_0}^{t_f}{F}^2\left(t\right)\mathrm{dt}$

$\begin{array}{cc}s.t.& {\stackrel{\·}{x}}_1\left(t\right)=x_2\left(t\right)\end{array}$

${\stackrel{\·}{x}}_2\left(t\right)=F\left(t\right)$

x₁(t₀)=0

x₂(t₀)=x₂₀

x₁(t)≤s_b

该问题本质上是最优控制问题。其中J[F(t)]是问题的目标函数，由制动力F(t)决定。但是约束x₁(t)≤s_b是无穷维约束，从数学上来说很难处理，这里采用精确惩罚函数将该问题转换为下面等价形式：

$\min J\left[F\left(t\right)\right]={\∫}_{t_0}^{t_f}{F}^2\left(t\right)\mathrm{dt}+\mathrm{\ρ}{\∫}_{t_0}^{t_f}\max \{x_1\left(t\right)-s_b,0\}\mathrm{dt}$

$\begin{array}{cc}s.t.& {\stackrel{\·}{x}}_1\left(t\right)=x_2\left(t\right)\end{array}$

${\stackrel{\·}{x}}_2\left(t\right)=F\left(t\right)$

x₁(t₀)=0

x₂(t₀)=x₂₀

其中ρ称为惩罚因子。在数学上已经证明：如果求解过程中将ρ的值不断增大，得到的解将与原问题的解精确相等，这种方法称为精确罚函数优化（ExactPenalty Optimization，简称EPO）法。

本发明解决其技术问题所采用的技术方案是：在高速高速列车中控MCU中集成了精确惩罚优化方法，在需要紧急制动时由所述MCU自动输出制动指令给制动器单元，实现紧急减速或停车。所述MCU可以视为紧急制动信号产生器，其完整系统如图2所示，包括车速传感器、险情距离/处理时间输入单元、高速列车中控MCU、制动器单元、紧急制动警报与状态显示单元。所述系统内的各组成部分均由车内数据总线统一连接。

所述系统的运行过程如下：

步骤A1：高速列车在行驶过程中开启车速传感器，用于实时测量当前该列车的行驶速度；

步骤A2：在某时刻t₀，列车司机被告知前方距离s_b外有险情发生，处理该险情需要的时间为t_f-t₀。列车司机将险情距离s_b以及险情处理时间t_f-t₀输入险情距离/处理时间输入单元；

步骤A3：高速列车中控MCU执行内部的精确惩罚优化方法，计算出既能使列车安全通过险情发生地、同时又使列车耽误的时间最短的制动策略；

步骤A4：高速列车中控MCU将计算获得的制动策略转换为制动指令，发给制动器单元，同时发出紧急制动报警信号。

集成了精确惩罚优化方法的高速列车中控MCU是本发明的核心，如图3所示，其内部包括信息采集模块、初始化模块、常微分方程组（Ordinary DifferentialEquation，简称ODE）求解模块、收敛性判断模块、ρ更新模块、非线性规划问题（Non-linear Programming，简称NLP）求解模块、控制指令输出模块。其中信息采集模块包括险情距离采集、险情处理时间采集、当前车速采集三个子模块，NLP求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。

所述中控MCU产生紧急制动信号的过程如下：

步骤B1：信息采集模块获取从险情距离/处理时间输入单元输入到中控MCU的设定值，以及从车速传感器输入到中控MCU的当前车速值。执行从步骤B2开始的精确惩罚优化方法；

步骤B2：初始化模块开始运行，设置制动过程时间的分段数、制动策略的初始猜测值F^(k)(t)，设定计算精度tol，将迭代次数k置零；

步骤B3：通过ODE求解模块获取本次迭代的目标函数值J[F^(k)(t)]和约束函数值。当k=0时跳过步骤B4直接执行步骤B5；

步骤B4：如果J[F^(k)(t)]与上一次迭代的目标函数值J[F^(k-1)(t)]的绝对值之差小于精度tol，则判断收敛性满足，并将本次迭代的制动策略作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤B5；

步骤B5：增大惩罚因子ρ，再用F^(k)(t)的值覆盖F^(k-1)(t)的值，并将迭代次数k增加1；

步骤B6：NLP求解模块利用在步骤B3中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比F^(k-1)(t)更优的新制动策略F^(k)(t)。该步骤执行完成后再次跳转至步骤B3，直至收敛性判断模块满足为止。

所述的ODE求解模块，采用的方法为四步Adams方法，计算公式为：

$x_1\left(t_{i+1}\right)=x_1\left(t_i\right)+\frac{h}{24}[55x_2\left(t_i\right)-59x_2\left(t_{i-1}\right)+37x_2\left(t_{i-2}\right)-9x_2\left(t_{i-3}\right)]$

$x_2\left(t_{i+1}\right)=x_2\left(t_i\right)+\frac{h}{24}[55F\left(t_i\right)-59F\left(t_{i-1}\right)+37F\left(t_{i-2}\right)-9F\left(t_{i-3}\right)]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示在Adams方法中选择的t_i的前一时间点，t_i+1表示在Adams方法中选择的t_i的后一时间点，以此类推。积分步长h为任意两相邻时间点之差。x₁(t_i)表示列车在t_i时刻的行驶距离，x₂(t_i)表示列车在t_i时刻的行驶速度，F(t_i)表示在t_i时刻的制动力。

所述的NLP求解模块，采用如下步骤实现：

步骤C1：将制动策略F^(k-1)(t)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J[F^(k-1)(t)]；

步骤C2：从点P₁出发，根据选用的NLP算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)

步骤C3:通过式F^(k)(t)=F^(k-1)(t)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J[F^(k)(t)]比J[F^(k-1)(t)]更优。

本发明的有益效果主要表现在：1、既能保证高速列车安全通过险情发生地；2、同时又能使列车耽误的时间最短。

附图说明

图1是本发明的功能示意图；

图2是本发明的结构示意图；

图3是本发明中控MCU内部模块结构图；

图4是实施例1的紧急制动策略图。

具体实施方式

实施例1

假设高速列车在行驶过程中，司机被告知在前方1km处轨道上突然出现障碍，且排除障碍需要30秒。司机将这两项信息输入险情距离/处理时间输入单元，此时车速传感器传入中控MCU的当前车速为300km/h。中控MCU立即开始运行内部精确惩罚优化方法，其运行过程如图3所示，为：

步骤D1：初始化模块32开始运行，设置制动过程时间的分段数为20、设置制动策略的初始猜测值F^(k)(t)为-0.5，设定数值计算精度tol为0.01，将迭代次数k置零；

步骤D2：通过ODE求解模块33获取本次迭代的目标函数值J[F^(k)(t)]和约束函数值。当k=0时跳过步骤D3直接执行步骤D4；

步骤D3：如果J[F^(k)(t)]与上一次迭代的目标函数值J[F^(k-1)(t)]的绝对值之差小于精度要求0.01，则判断收敛性满足，并将本次迭代的制动策略作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤D4；

步骤D4：将惩罚因子ρ的值增加10倍，再用F^(k)(t)的值覆盖F^(k-1)(t)的值，并将迭代次数k增加1；

步骤D5：NLP求解模块36利用在步骤D2中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比F^(k-1)(t)更优的新制动策略F^(k)(t)。该步骤执行完成后再次跳转至步骤D2，直至收敛性判断模块34满足为止。

所述的ODE求解模块，采用的方法为四步Adams方法，计算公式为：

$x_1\left(t_{i+1}\right)=x_1\left(t_i\right)+\frac{h}{24}[55x_2\left(t_i\right)-59x_2\left(t_{i-1}\right)+37x_2\left(t_{i-2}\right)-9x_2\left(t_{i-3}\right)]$

$x_2\left(t_{i+1}\right)=x_2\left(t_i\right)+\frac{h}{24}[55F\left(t_i\right)-59F\left(t_{i-1}\right)+37F\left(t_{i-2}\right)-9F\left(t_{i-3}\right)]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示在Adams方法中选择的t_i的前一时间点，t_i+1表示在Adams方法中选择的t_i的后一时间点，以此类推。积分步长设为0.01已能较好满足精度要求。x₁(t_i)表示列车在t_i时刻的行驶距离，x₂(t_i)表示列车在t_i时刻的行驶速度，F(t_i)表示在t_i时刻的制动力。

所述的NLP求解模块，采用如下步骤实现：

步骤E1：将制动策略F^(k-1)(t)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J[F^(k-1)(t)]；

步骤E2：从点P₁出发，选用SQP算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)

步骤E3:通过式F^(k)(t)=F^(k-1)(t)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J[F^(k)(t)]比J[F^(k-1)(t)]更优

精确惩罚优化方法的计算结果如图4所示。坐标经过归一化处理，纵坐标值为-1表示最大制动力，值为1表示最大牵引力。整条控制曲线F(t)的值都不超过0，表明这是一条制动控制曲线。曲线上的星号数目代表时间分段数为20。曲线上的值只在制动过程结束时才为0，表明列车在安全通过障碍区时已经无需再制动。

最后，中控MCU将获得的制动控制策略作为指令输出到制动器单元，完成机械上的制动操作，同时发出紧急制动报警信号。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (1)

1.一种基于精确惩罚优化的高速列车紧急制动信号发生装置，在列车前方出现紧急状况时能够计算出使列车耽误时间最短的制动策略，并将其作为制动信号加以实施；其特征在于：由车速传感器、险情距离/处理时间输入单元、高速列车中控MCU、制动器单元、紧急制动警报与状态显示设备构成，各组成部分均由车内数据总线连接；所述装置的运行过程包括：

步骤A1：开启车速传感器用于实时测量当前车速；

步骤A2：列车司机将险情距离以及险情处理时间输入险情距离/处理时间输入单元；

步骤A3：高速列车中控MCU执行内部的精确惩罚优化方法，计算出既能使列车安全通过险情发生地、同时又使列车耽误的时间最短的制动策略；

步骤A4：高速列车中控MCU将计算获得的制动策略转换为制动指令，发给制动器单元，同时发出紧急制动报警信号；

所述的高速列车中控MCU，包括信息采集模块、初始化模块、常微分方程组求解模块、收敛性判断模块、ρ更新模块、非线性规划问题求解模块、控制指令输出模块；其中信息采集模块包括险情距离采集、险情处理时间采集、当前车速采集三个子模块，非线性规划问题求解模块包括寻优方向计算、寻优步长计算、非线性规划问题收敛性判断三个子模块；

所述高速列车中控MCU自动产生制动信号的精确惩罚优化方法，运行步骤如下：

步骤B1：信息采集模块获取从险情距离/处理时间输入单元输入到高速列车中控MCU的设定值，以及从车速传感器输入到高速列车中控MCU的当前车速值；执行从步骤B2开始的精确惩罚优化方法；

步骤B2：初始化模块开始运行，设置制动过程时间的分段数、制动策略的初始猜测值F^(k)(t)，设定计算精度tol，将迭代次数k置零；

步骤B3：通过常微分方程组求解模块获取本次迭代的目标函数值J[F^(k)(t)]和约束函数值；当k＝0时跳过步骤B4直接执行步骤B5；

步骤B4：如果J[F^(k)(t)]与上一次迭代的目标函数值J[F^(k-1)(t)]的绝对值之差小于精度tol，则判断收敛性满足，并将本次迭代的制动策略作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤B5；

步骤B5：增大惩罚因子ρ，再用F^(k)(t)的值覆盖F^(k-1)(t)的值，并将迭代次数k增加1；

步骤B6：非线性规划问题求解模块利用在步骤B3中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比F^(k-1)(t)更优的新制动策略F^(k)(t)；该步骤执行完成后再次跳转至步骤B3，直至收敛性判断模块4满足为止；

所述的常微分方程组求解模块，采用的方法为四步Adams方法，计算公式为：

$x_1\left(t_{i+1}\right)=x_1\left(t_i\right)+\frac{h}{24}\[55x_2\left(t_i\right)-59x_2\left(t_{i-1}\right)+37x_2\left(t_{i-2}\right)-9x_2\left(t_{i-3}\right)\]$

$x_2\left(t_{i+1}\right)=x_2\left(t_i\right)+\frac{h}{24}\[55F\left(t_i\right)-59F\left(t_{i-1}\right)+37F\left(t_{i-2}\right)-9F\left(t_{i-3}\right)\]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示在Adams方法中选择的t_i的前一时间点，t_i+1表示在Adams方法中选择的t_i的后一时间点，以此类推；积分步长h为任意两相邻时间点之差；x₁(t_i)表示列车在t_i时刻的行驶距离，x₂(t_i)表示列车在t_i时刻的行驶速度，F(t_i)表示在t_i时刻的制动力；

所述的非线性规划问题求解模块，采用如下步骤实现：

步骤C1：将制动策略F^(k-1)(t)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J[F^(k-1)(t)]；

步骤C2：从点P₁出发，根据选用的非线性规划问题算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)；

步骤C3:通过式F^(k)(t)＝F^(k-1)(t)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J[F^(k)(t)]比J[F^(k-1)(t)]更优。