CN106647279A - 一种基于模糊规则的机车智能操纵优化计算方法 - Google Patents

一种基于模糊规则的机车智能操纵优化计算方法 Download PDF

Info

Publication number
CN106647279A
CN106647279A CN201710025820.XA CN201710025820A CN106647279A CN 106647279 A CN106647279 A CN 106647279A CN 201710025820 A CN201710025820 A CN 201710025820A CN 106647279 A CN106647279 A CN 106647279A
Authority
CN
China
Prior art keywords
parameter
locomotive
strategy
optimization
optimisation strategy
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
Application number
CN201710025820.XA
Other languages
English (en)
Other versions
CN106647279B (zh
Inventor
顾明
杨帆
黄晋
黄思光
任育琦
赵曦滨
杨英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
CRRC Dalian Institute Co Ltd
CRRC Information Technology Co Ltd
Original Assignee
Tsinghua University
CRRC Dalian Institute Co Ltd
CRRC Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, CRRC Dalian Institute Co Ltd, CRRC Information Technology Co Ltd filed Critical Tsinghua University
Priority to CN201710025820.XA priority Critical patent/CN106647279B/zh
Publication of CN106647279A publication Critical patent/CN106647279A/zh
Application granted granted Critical
Publication of CN106647279B publication Critical patent/CN106647279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于模糊规则的机车智能操纵优化计算方法，具体包括以下步骤：步骤1、进行机车驾驶操纵的优化策略设计并生成优化策略库；步骤2、优化策略中的关键参数提取；步骤3、优化策略参数寻优，通过离线大规模搜索的方式对策略参数进行优化搜索，整个寻优的目标为在机车的运行时间不超过计划时间3分钟的基础上，选择油耗低的优化参数；步骤4、策略参数模糊推理系统设计及实现；步骤5、匹配策略并执行。通过对策略参数进行搜索，进一步提高了策略的优化效果。

Description

一种基于模糊规则的机车智能操纵优化计算方法
技术领域
本发明涉及机车控制技术，尤其涉及一种基于模糊规则的机车智能操纵优化计算方法。
背景技术
近年来随着智能控制系统及产品的发展需求越来越大，关于复杂操纵序列优化问题的研究也越来越普遍。广义上操纵序列是指物体在某一时间段内的所有操作构成的集合，在工业工程领域，人们所关注的是在某些约束条件下，目标物体能够满足某方面的优化性能的最优序列，这个寻优过程称为操纵序列优化。目前国内外众多研究者投入于解决此类问题，解决方法大体分为三类。
第一类方法运用数值搜索的方法设计在线或离线算法来求解优化问题。2000年，Yakimenko O A提出直接快速成型的数值算法寻找近似最优的飞行轨迹，并在实际飞机飞行中验证。2010年Miyatake M,Ko H发表了一篇关于最小能耗的火车速度优化问题的文章，在文中提出梯度法、动态规划和顺序二次规划算法来计算出具有最优化的火车操纵序列。除上述在线优化算法外，也有部分学者采用离线搜索的方式来解决此类优化问题，并在在线决策中运用了离线的优化结果。2002年Al-Hasan S等人针对天然地形中的无人汽车驾驶线路规划问题，通过if-then的模糊规则以及矩阵结构构建图中的点到其他可达线路的离线知识库，用于在线AStar算法搜索优化线路。数值搜索的算法耗时长，且短时间内无法收敛到最优结果，不适合在线控制系统优化。
第二类方法运用解析求解方法求解复杂操纵序列优化问题。2009年P.G.Howlett等人对货运机车在线优化策略的计算进行了研究，他们通过解析求解的方式计算机车在陡坡中运行时，其操纵控制能够达到局部最小能耗的关键转换点来得到全局的优化操纵序列，该方法目前已成功运用于澳大利亚的长途货运机车上。这类方法的主要缺陷是转换点的解析公式推导过程复杂，较难处理多约束条件。
第三类方法直接采用在线启发式的人工根据约束条件分析与设计操纵序列优化策略的方法。2008年，Bai Y,Mao B等针对货运机车节能优化问题提出了通过启发式的算法来构建一套在线的优化控制系统，实现机车的节能目标。但是这种方式过多地引入人工的分析与设计，极大地降低了策略设计的效率，同时由于人思考范围有限，无法覆盖所有可能的情况，这势必会导致部分有化解遗漏。
发明内容
本发明的目的是通过将策略参数模糊化，构建参数模糊推理系统的方式来解决参数寻优过程无法遍历所有状态的策略参数且策略参数匹配过程中的边界划分问题。
本发明的技术方案是提供了一种基于模糊规则的机车智能操纵优化计算方法，具体包括以下步骤：
步骤1、进行机车驾驶操纵的优化策略设计并生成优化策略库，其中：
步骤1.1、优化预处理，优化预处理是针对线路数据的读取以及处理，具体包含加算坡度的计算和线路分段；
步骤1.2、离线知识库构建，将机车记录的司机驾驶数据进行学习，学习的过程包括司机数据预处理，定义分类属性和子操作，并获得不同分类属性下的子操作知识库；
步骤1.3、策略库生成并调整，根据得到的子操作知识库作为设计基础原则，匹配不同的分类属性及火车驾驶操纵领域规范得到原始优化策略，针对区段限速、列车时刻表以及机车行驶安全平稳的约束条件进行策略调整，最终形成优化策略库；
步骤2、优化策略参数提取；
其中，优化策略中的参数根据状态可以分为两类：第一类参数为动态参数，动态参数会根据机车行驶的自身状态和线路情况动态变化，包括车重、坡段类型、当前机车的运行速度；第二类参数为静态参数，静态参数是人为通过机车的运行情况及司机的驾驶经验进行配置，当机车在进行行程初始化即优化预处理过程中从外部配置文件中读入，静态参数无法根据机车的不同状态动态加载；
步骤3、优化策略参数寻优，通过离线大规模搜索的方式对优化策略中的参数进行优化搜索；
步骤4、策略参数模糊推理系统设计及实现；
步骤4.1、进行输入参数模糊化；
步骤4.2、根据模糊规则进行模糊推理，其中，糊推理方法采用Mamdani算法；
步骤4.3、进行参数解模糊，其中采用用中心平均法进行参数解模糊，通过参数解模糊之后得到清晰的优化策略参数；
步骤5、匹配策略并执行；
根据策略参数寻优与模糊推理系统得到的策略优化参数，在优化策略树中进行深度遍历搜索，匹配到每个路段的优化策略，对优化策略进行执行并生成优化操纵序列。
采用上述技术方案后的有益效果是：
该技术方案运用基于模糊推理的策略参数优化方法，通过对策略参数进行搜索，进一步提高了策略的优化效果；通过将策略参数模糊化，构建参数模糊推理系统的方式来解决参数寻优过程无法遍历所有状态的策略参数且策略参数匹配过程中的边界划分问题
附图说明
图1是机车操纵序列优化整体设计框架示意图；
图2是陡上坡策略内部子操作结构图；
图3是优化策略库的树组织结构示意图；
图4优化策略参数模糊推理系统框架；
图5输入参数模糊隶属度函数；
具体实施方式
下面结合附图1-5对本发明的技术方案进行详述。
图1显示的是基于模糊规则的机车智能操纵优化计算方法过程示意图。
该实施例提供了一种基于模糊规则的机车智能操纵优化计算方法，整个方案以设计的机车操纵优化策略库为基础，对策略参数进行寻优，运用模糊推理系统对机车参数进行模糊匹配，将匹配后的策略运用于机车操纵在线优化过程中，使其满足不超出限速、时间尽量准点、运行平稳等约束条件下达到尽可能低的油耗效果；该方法具体包括以下步骤：
步骤1、进行机车驾驶操纵的优化策略设计并生成优化策略库。
机车驾驶操纵优化策略主要针对不同类型的坡段进行设计，因为机车在不同类型的坡度情况下，其驾驶的档位操纵规律不同，在相同近似的坡度范围内，其驾驶档位操纵规律基本一致，因此可以对具有相同或相似的道路坡段情况进行统一策略设计。
优化策略生成主要包括优化预处理、离线知识库构建和策略生成及调整三个步骤。
步骤1.1优化预处理
优化预处理主要是针对线路数据的读取以及处理，主要包含两个核心操作：加算坡度的计算和线路分段。
加算坡度计算主要为线路信息中的坡段、曲线、隧道三种线路对机车叠加所产生的坡度[1]。线路分段主要是根据线路加算坡度的不同，对线路进行分类，如表1坡段分类所示。将线路分段之后对线路不同类型的坡段单独进行策略设计有利于提高策略的完整性和优化效果。
表1坡段分类表
坡段类型 标识 坡度范围(单位：千分度)
超陡下坡 -3 小于-5
陡下坡 -2 大于等于-5，小于-3
缓下坡 -1 大于等于-3，小于-1
平坡 0 大于等于-1，小于1
缓上坡 1 大于等于1，小于
陡上坡 2 大于等于3
步骤1.2离线知识库构建
将机车记录的司机驾驶数据进行学习，学习的过程主要包括司机数据预处理；定义分类属性和子操作，获得不同分类属性下的子操作。分类属性包括坡段类型、坡段长度等，子操作主要分为匀速、加速、减速操作；针对不同分类属性，对不同类别下的子操作运用序列模式挖掘算法进行学习；
本实施例使用基于GSP(Gerneralized Sequential Pattern)算法的序列模式挖掘，得到不同分类属性下的频繁的操纵子操作模式，如在坡长较短的超陡下坡情况下，频繁子操作序列为加速-减速，从而形成策略子操作知识库。各类型坡段不同坡长下频繁子操作序列如表2所示：
表2不同坡段类型不同坡长下子操作序列结果表
步骤1.3策略库生成并调整
根据得到的策略子操作知识库作为设计基础原则，匹配不同的分类属性及火车驾驶操纵领域规范得到原始优化策略，如陡上坡的原始优化策略如图2所示。司机在陡上坡的驾驶规律基本上会因为坡度的原因而减速运行。因此，对于陡上坡来说，由于坡度产生的阻力对机车的影响较大，需要用最大的牵引档位对机车进行牵引，在牵引到一定速度之后，再让机车保持匀速运行。
针对区段限速、列车时刻表以及机车行驶安全平稳等约束进行策略调整，利用错误驱动原理，通过构建大量测试用例对优化策略进行测试，对不合理策略进行扩展和完善，提高其稳定性，最终形成优化策略库，如图3，使用树组织结构示意优化策略库。
步骤2、优化策略中的参数提取
优化策略存在一些输入配置参数，这些策略输入参数是根据现有机车驾驶领域的一些规则规范而人为配置的经验参数。然而对于优化策略来说，对于不同车重、车长等机车状态下，需要设定不同组的优化策略参数。对于机车优化来说，优化策略的执行除了进行策略匹配之外，还需要匹配策略的输入参数。
优化策略参数根据状态可以分为两类：第一类参数为动态参数，该参数会根据机车行驶的自身状态、线路情况等动态变化，一般包括车重、坡段类型、当前机车的运行速度等；第二类参数为静态参数，这类参数一般是人为通过机车的运行情况及司机的驾驶经验进行配置，当机车在进行行程初始化即优化预处理过程中从外部配置文件中读入，该类参数无法根据机车的不同状态动态加载。
针对优化策略库中的策略，对策略的关键参数进行提取，如平均速度浮动阈值、限速阈值、档位拉平距离等，如表3所示为一组策略参数。
表3策略参数表
步骤3、优化策略参数寻优
对于优化操纵策略来说，这些参数通常是通过对领域知识的理解分析而给定的一些经验参数，但并不一定是最优的，如何搜索到最优参数是一个关键内容。为了能够让优化策略有更好的节能效果，通过离线大规模搜索的方式对一些策略参数进行优化搜索，整个寻优的目标为在机车的运行时间不超过计划时间3分钟的基础上，尽量选择油耗低的优化参数。这类优化算法有遗传算法、粒子群算法、模拟退火算法等(不限于所举例)。本实施例采用遗传算法。策略参数寻优的遗传算法的模型可以描述为：将种群个体编码为一组策略参数,初始种群通过在参数范围内随机生成的若干组策略参数来获得,模型的适应度函数为油耗和时间偏差大小,即通过选择满足时间偏差约束条件下的油耗小的适应度来进行个体的筛选。针对进化过程中的每代个体,通过选择运算、交叉运算、变异运算并根据适应度的筛选保留适应度高的个体,下一代个体将由这些个体组成。在整个算法过程中,通过设置种群代数来控制算法的收敛程度,一般来说,优化结果会随着代数的递增而逐渐收敛到最优的结果。整个搜索过程简单且具有较好的鲁棒性，进行策略参数寻优取得良好的效果。经策略参数寻优后生成策略优化参数库，为之后的策略匹配提供依据。
步骤4、策略参数模糊推理系统设计及实现
机车由于车重、车长等因素存在无限种状态可能，因此寻优的参数无法遍历机车的所有运行状态；而对于相似的车重和车长来说，其对应的优化策略输入参数也可能较为相似，较难对参数边界进行划分，针对以上特点，本实施例运用模糊推理的方法来实现优化参数的映射。模糊推理系统的模型框架如图2所示：
模糊推理系统主要分为三个模块：输入参数模糊化、根据模糊规则及推理方法进行模糊推理、优化参数解模糊。下面对这三大块做详细介绍。
步骤4.1输入参数模糊化
精确值进入推理系统时，需要将该精确值模糊化到对应的模糊集合中。参数模糊方法常见的主要有隶属度法(三角、梯形等)、模糊单值法等。在机车操纵上输入参数影响较大的为车重、车长，本实施例采用三角和梯形相结合的隶属度函数来共同设计二者的模糊化函数。图3为车重、车长的隶属度函数。对于车重来说，模糊集合由轻车、较轻车、较重车、重车组成，分别对应了1000t、2500t、4000t、5500t的车重值，即在对应的车重上，隶属度为1。若车重介于某两个相邻车重区间内，则需分别计算其隶属的模糊集的隶属度值。实际情况中，车重小于1000和大于5500的情况也可能存在，若用三角隶属度函数来表示可能会存在隶属度为0的情况，因此该情况下采用梯形隶属度函数来表示。对于车长来说其设计思路与车重类似。输出变量(即参数寻优中需要优化的策略参数，如表1.1所示)也需要设计相应的隶属度函数。根据每个参数在不同车重、车长下的值value的分布范围,设定不同的组别groupi,每个组别代表了范围(ai,bi),判断value是否属于(ai,bi)范围中,若属于则该value的类组为groupi,最后通过计算每个groupi中的值的平均值作为该组别所表示的值valueavg,即在该组别下valueavg的隶属度为1。
步骤4.2根据模糊规则进行模糊推理
模糊规则库依赖于模糊输入和输出的模糊集合所构建而成，是所有模糊规则的集合，模糊推理过程需要依赖模糊规则库。一条模糊规则具备前件和后件，前件表示条件，后件为对应条件下的结论，前件和后件为其所在域中的模糊集合，且可以是多维的，其规则形式如下所示：
If x1is A1and...and xn is An,Then y1is B1and...and ym is Bm
其中x1…xn为多维的条件模糊属性，A1…An为多维条件模糊属性对应的论域；同理y1…ym为多维的结论模糊属性，B1…Bn为多维结论模糊属性对应的论域。在本实施例模糊规则设计中，输入变量为车重、车长，输出变量为优化策略参数，如表2中所列参数。根据车重、车长对应的策略优化参数及策略优化参数对应的模糊集得到模糊规则库，如表3所示，(P1-P5代表表2中所示参数,1～5为模糊集组别编号)。
表3优化策略参数映射模糊规则
模糊推理在模糊规则上进行，常见的模糊推理方法有Larsen法、Mamdani法、Zadeh法等，本实施例选用Mamdani算法，其模糊蕴含关系RM(X,Y)可以通过模糊集合A和B通过笛卡尔积求并集来获得,即
μR M(x,y)＝μA(x)∧μB(y)
步骤4.3参数解模糊
参数解模糊指的是模糊推理之后的结果进行清晰化操作从而得到最终的清晰值。常见常见清晰化方法有重心法、最大隶属度法、中心平均法等。本实施例采用中心平均法进行参数解模糊。假设最终推理生成N个模糊集合构成的结果，q*为第i个模糊集合的中心,在模糊集合中,用μi(q)表示其中的最大隶属度,则最终清晰化得到的清晰值q*可以表示为：
通过参数解模糊之后得到清晰的优化策略参数。
步骤5、匹配策略并执行
根据策略参数寻优与模糊推理系统、得到的策略优化参数，在优化策略树中进行深度遍历搜索，匹配到每个路段的优化策略，对策略进行执行，生成当前策略下的优化操纵序列，达到机车节能驾驶的目标。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (3)

1.一种基于模糊规则的机车智能操纵优化计算方法，具体包括具体包括以下步骤：
步骤1、进行机车驾驶操纵的优化策略设计并生成优化策略库，其中：
步骤1.1、优化预处理，优化预处理是针对线路数据的读取以及处理，具体包含加算坡度的计算和线路分段；
步骤1.2、离线知识库构建，将机车记录的司机驾驶数据进行学习，学习的过程包括司机数据预处理，定义分类属性和子操作，并获得不同分类属性下的子操作知识库；
步骤1.3、策略库生成并调整，根据得到的子操作知识库作为设计基础原则，匹配不同的分类属性及火车驾驶操纵领域规范得到原始优化策略，针对区段限速、列车时刻表以及机车行驶安全平稳的约束条件进行策略调整，最终形成优化策略库；
步骤2、优化策略参数提取；
其中，优化策略中的参数根据状态可以分为两类：第一类参数为动态参数，动态参数会根据机车行驶的自身状态和线路情况动态变化，包括车重、坡段类型、当前机车的运行速度；第二类参数为静态参数，静态参数是人为通过机车的运行情况及司机的驾驶经验进行配置，当机车在进行行程初始化即优化预处理过程中从外部配置文件中读入，静态参数无法根据机车的不同状态动态加载；
步骤3、优化策略参数寻优，通过离线大规模搜索的方式对优化策略中的参数进行优化搜索；
步骤4、策略参数模糊推理系统设计及实现；
步骤4.1、进行输入参数模糊化；
步骤4.2、根据模糊规则进行模糊推理，其中，糊推理方法采用Mamdani算法；
步骤4.3、进行参数解模糊，其中采用用中心平均法进行参数解模糊，通过参数解模糊之后得到清晰的优化策略参数；
步骤5、匹配策略并执行；
根据策略参数寻优与模糊推理系统得到的策略优化参数，在优化策略树中进行深度遍历搜索，匹配到每个路段的优化策略，对优化策略进行执行并生成优化操纵序列。
2.根据权利要求1所述的一种基于模糊规则的机车智能操纵优化计算方法，其特征在于：步骤1.2中，分类属性包括坡段类型、坡段长度，子操作主要分为匀速、加速、减速操作；针对不同分类属性，对不同类别下的子操作运用序列模式挖掘算法进行学习。
3.根据权利要求1所述的一种基于模糊规则的机车智能操纵优化计算方法，其特征在于：步骤4.1中，参数模糊方法包括隶属度法和模糊单值法。
CN201710025820.XA 2017-01-13 2017-01-13 一种基于模糊规则的机车智能操纵优化计算方法 Active CN106647279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710025820.XA CN106647279B (zh) 2017-01-13 2017-01-13 一种基于模糊规则的机车智能操纵优化计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710025820.XA CN106647279B (zh) 2017-01-13 2017-01-13 一种基于模糊规则的机车智能操纵优化计算方法

Publications (2)

Publication Number Publication Date
CN106647279A true CN106647279A (zh) 2017-05-10
CN106647279B CN106647279B (zh) 2019-11-12

Family

ID=58844365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710025820.XA Active CN106647279B (zh) 2017-01-13 2017-01-13 一种基于模糊规则的机车智能操纵优化计算方法

Country Status (1)

Country Link
CN (1) CN106647279B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764571A (zh) * 2018-05-28 2018-11-06 西南交通大学 一种重载列车运行的多目标优化方法
CN112529186A (zh) * 2021-02-18 2021-03-19 中国科学院自动化研究所 嵌入领域规则的工业过程优化决策知识推理方法
CN113255131A (zh) * 2021-05-25 2021-08-13 中国石油大学(华东) 一种基于认知计算的新井目标井位推荐方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5983144A (en) * 1997-12-29 1999-11-09 General Electric Company System and method for tuning look-ahead error measurements in a rail-based transportation handling controller
WO2002101513A2 (en) * 2001-06-12 2002-12-19 Smartpackets, Inc. Adaptive control of data packet size in networks
US20030214417A1 (en) * 2002-05-15 2003-11-20 Peltz David M. Intelligent communications, command, and control system for a land-based vehicle
CN102981408A (zh) * 2012-12-10 2013-03-20 华东交通大学 一种动车组运行过程建模与自适应控制方法
CN103847749A (zh) * 2014-03-27 2014-06-11 北京清软英泰信息技术有限公司 一种双层多目标优化铁路机车操纵序列生成方法
CN103870892A (zh) * 2014-03-26 2014-06-18 北京清软英泰信息技术有限公司 一种从离线至在线实现铁路机车运行操纵的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5983144A (en) * 1997-12-29 1999-11-09 General Electric Company System and method for tuning look-ahead error measurements in a rail-based transportation handling controller
WO2002101513A2 (en) * 2001-06-12 2002-12-19 Smartpackets, Inc. Adaptive control of data packet size in networks
US20030214417A1 (en) * 2002-05-15 2003-11-20 Peltz David M. Intelligent communications, command, and control system for a land-based vehicle
CN102981408A (zh) * 2012-12-10 2013-03-20 华东交通大学 一种动车组运行过程建模与自适应控制方法
CN103870892A (zh) * 2014-03-26 2014-06-18 北京清软英泰信息技术有限公司 一种从离线至在线实现铁路机车运行操纵的方法及系统
CN103847749A (zh) * 2014-03-27 2014-06-11 北京清软英泰信息技术有限公司 一种双层多目标优化铁路机车操纵序列生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
余进，等: "列车运行过程的自适应模糊控制", 《铁道学报》 *
赵爱菊: "机车优化操纵的微机指导系统", 《铁道学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764571A (zh) * 2018-05-28 2018-11-06 西南交通大学 一种重载列车运行的多目标优化方法
CN112529186A (zh) * 2021-02-18 2021-03-19 中国科学院自动化研究所 嵌入领域规则的工业过程优化决策知识推理方法
CN112529186B (zh) * 2021-02-18 2021-06-08 中国科学院自动化研究所 嵌入领域规则的工业过程优化决策知识推理方法
CN113255131A (zh) * 2021-05-25 2021-08-13 中国石油大学(华东) 一种基于认知计算的新井目标井位推荐方法
CN113255131B (zh) * 2021-05-25 2023-02-28 中国石油大学(华东) 一种基于认知计算的新井目标井位推荐方法

Also Published As

Publication number Publication date
CN106647279B (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
Wu et al. Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus
Zhou et al. Smart train operation algorithms based on expert knowledge and reinforcement learning
CN107516107A (zh) 一种混合动力车辆的行驶工况分类预测方法
CN106779148B (zh) 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107688343A (zh) 一种混合动力车辆的能量控制方法
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN106529674A (zh) 多无人机协同多目标分配方法
CN104881527A (zh) 城市轨道交通列车ato速度命令优化方法
CN103092076A (zh) 动车组制动过程多模型自适应pid控制
CN106647279B (zh) 一种基于模糊规则的机车智能操纵优化计算方法
CN108897928A (zh) 一种基于嵌套蒙特卡洛树搜索的智能车坡路节能车速优化方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN106707765A (zh) 高速动车组跟踪运行实时优化控制方法
Skarka Reducing the energy consumption of electric vehicles
CN107400935A (zh) 基于改进elm的熔融纺丝工艺的调节方法
CN106647269B (zh) 一种机车智能操纵优化计算方法
Bin et al. Energy-efficient speed profile optimization for high-speed railway considering neutral sections
Chuang et al. Design of optimal coasting speed for saving social cost in mass rapid transit systems
CN113689720B (zh) 一种基于卷积神经网络的自动交叉口通行决策方法
CN108394429A (zh) 一种为城轨列车群生成自动驾驶曲线的方法
Wang et al. Ecological cruising control of connected electric vehicle: a deep reinforcement learning approach
CN106934461B (zh) 一种基于furia的机车智能操纵优化规则归纳方法
Zhang et al. Integrated velocity optimization and energy management strategy for hybrid electric vehicle platoon: A multi-agent reinforcement learning approach
Gao et al. Multi-physical cooperative control of plug-in hybrid electric vehicles via cyber hierarchy and interactional network
CN104239975B (zh) 基于改进离散粒子群算法的船舶引航排班方法

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