CN106934461A - 一种基于furia的机车智能操纵优化规则归纳方法 - Google Patents

Abstract

本发明涉及一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；骤2、进行速度层数据预处理；步骤3、进行档位层数据预处理；步骤4、进行速度层模糊规则归纳；步骤5、进行档位层模糊规则归纳；步骤6、当次优化参数输入及优化结果计算执行；将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用。

Description

一种基于FURIA的机车智能操纵优化规则归纳方法

技术领域

本发明涉及一种机车控制方法，尤其涉及一种基于FURIA的机车智能操纵优化规则归纳方法。

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

本发明的目的是用基于模糊规则归纳的机器学习方法，构建模糊规则集，提供了一个可理解性的相对白盒的优化方法；通过将特征参数模糊化，结合模糊推理理论解决了参数匹配过程中无法遍历所有状态的参数且参数匹配过程中边界划分问题。

本发明的技术方案是提供了一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：

步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；

步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；

步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；

步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。

步骤5、进行档位层模糊规则归纳

输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；

步骤6、当次优化参数输入及优化结果计算执行

对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。

本发发明的有益效果是：

本发明采用了FURIA分类算法，在技术方案运用基于模糊规则归纳的机器学习方法，构建模糊规则集，提供了一个可理解性的相对白盒的优化方法；通过将特征参数模糊化，结合模糊推理理论解决了参数匹配过程中无法遍历所有状态的参数且参数匹配过程中边界划分问题。同时，两层结构的模糊规则归纳方法相对于其他机器学习方法速度快，提高效率和可用性。

整个方案以司机驾驶日志数据为基础，设计针对机车智能操纵的两层架构模型，并利用模糊规则归纳的机器学习方法训练预测模型，即机车操纵的模糊规则库，将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用

附图说明

图1是基于模糊规则归纳的机车智能操纵优化方法过程示意图；

图2是线路分段示意图；

图3是某坡段类型下速度变化分段示意图；

图4是档位层分段示意图；

图5是机车能耗影响因素；

图6是速度层模糊规则的属性特征；

图7是档位层模糊规则的属性特征；

具体实施方式

下面结合附图1-7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归纳的机车智能操纵优化方法过程示意图。

该实施例提供了一种基于FURIA的机车智能操纵优化规则归纳方法，该方法具体包括以下步骤：

步骤1、对机车行驶线路数据进行分段预处理。

机车在不同类型坡度情况下，其驾驶的档位操纵规律不同，在相同或近似的坡度范围内，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学习。因此，需要对机车行驶的整条线路数据进行分段预处理。

线路分段预处理针对线路数据的读取以及处理，主要包括两个核心操作：加算坡度计算和线路分段。

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]。线路分段主要结合线路的加算坡度和限速信息对整条线路进行分段处理。根据线路加算坡度的不同，对线路进行分类设计，如表1坡段分类所示。

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

根据加算坡度对线路的分段进行上表所示坡段类型分类之后，将相邻同坡段类型的坡段进行合并，避免坡段过短降低数据的代表性。机车在行驶过程中，需要满足多种约束条件，其中限速是第一项重要的约束条件。对于一条行驶线路会有明确的限速规定。上述线路分段后，一个坡段可能会存在多个限速值限制，需要根据限速值对坡段进行二次分段。如图2示意，根据加算坡度将线路分为陡上坡-陡下坡-平坡-陡上坡-陡下坡。由于平坡和陡上坡中存在不同的限速约束，因此将平坡和陡上坡进行二次分段，得到最终的7个线路分段。

步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速这三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；将坡段特征、机车特征作为属性，速度变化模式作为类标，构成速度层的训练数据；

具体而言,本发明设计两层架构对司机驾驶日志数据进行处理和学习，第一层针对坡段学习机车速度变化趋势，第二层针对速度变化段学习该段下档位组合序列。

司机驾驶日志数据记录了司机在整条线路各个位置点上使用的档位、机车速度、加速度等信息。根据步骤1的线路分段数据，将驾驶日志数据归属到各个坡段，得到坡段的驾驶日志数据序列，以便后续对坡段智能驾驶操纵规则的挖掘和学习。根据速度变化将日志数据划分速度变化段。速度变化段分为三种类型：加速、减速和匀速。如图3所示，图中曲线为某坡段下机车行驶的速度曲线，按照速度变化将该坡段下的速度划分为四个变化段，加速段(AB)—减速段(BC)—匀速段(CD)—加速段(DE)。在速度变化段划分同时，计算每个速度变化段长度占该坡段长度的比重，共同构成速度变化模式。如图3所示，该路段的速度变化模式为[加速10％—减速30％—匀速40％—加速20％]。以当前坡段特征、前后坡段特征、机车特征为属性，以速度变化模式为类标，构成速度层的训练数据。

步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；将坡段特征、机车特征、速度变化段的特征作为属性，档位操作序列模式作为类标，构成档位层的训练数据；

具体而言，经过步骤2中速度层数据预处理，将坡段对应的司机驾驶日志数据划分为速度变化段，得到每个坡段的速度变化模式。对于每一个速度变化段，由档位序列操作实现该段的速度变化。在档位层的处理中继续处理驾驶日志数据序列，对步骤2中得到的每个速度变化段划分档位段，档位为15个档位，并计算每个档位段在各速度变化段中所占的比重，构成各速度变化段的档位序列模式。如图4所示，在某坡段下按照步骤2得到速度变化模式为[加速20％—减速40％—匀速40％]。对每个速度变化段处理划分其档位段，得到加速段的档位序列模式为[6档20％—7档80％]，减速段的档位序列模式是[7档10％—0档90％]，匀速段的档位序列模式为[2档100％]。以当前坡段特征、机车特征、速度变化段特征为属性，以档位序列模式为类标，构成档位层的训练数据。

步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。

具体而言，规则归纳是机器学习的范畴之一，从数据集中将形式规则提取出来。本发明分两层从机车日志中学习智能操纵优化规则，对一个坡段先学习该坡段的速度变化模式，其次学习各速度变化段下的档位序列模式。规则归纳中的规则通常以如下形式表示：

If x₁ is a₁ and x₂ is a₂ and...x_n is a_n Then y is y_n

其中x_n为条件，a_n为条件满足的值域，y为结论，y_n为结论中的一类。

应用规则归纳学习方法，针对坡段训练学习机车智能操纵的速度变化模式。在机车操纵问题中，存在多方面因素影响操纵结果。这些因素主要分为机车属性、线路特征、外界限制以及机车实时运行状态，如图5所示。从这些因素中分析并提取可控和对机车操作具有重要影响的因素作为学习规则的前件属性，如图6所示提取的特征作为速度层的前件属性，步骤2中描述的速度变化模式，如[加速10％—减速30％—匀速40％—加速20％]作为结论。

由于这些属性都存在无限种状态可能，传统的规则可能较难遍历所有运行状态而有所遗漏，且对于相似的属性值来说，其对应的优化操作序列也可能较为相似，较难对这些属性值的边界进行划分。针对以上特点，本发明结合模糊推理使用基于模糊规则归纳的学习方法构建模糊规则归纳模型，该模型即为一组模糊规则集合。目前模糊规则归纳方法有很多，本发明使用FURIA(Fuzzy Unordered Rule Induction Algorithm)算法，该算法将规则前件中的属性进行参数模糊，使训练出的规则模型可以遍历所有状态。如果输入一列机车在一条路段上的各个状态参数，则该模型会根据这些属性值匹配规则，一组状态参数会匹配多条不同的规则，但每条规则根据其属性的隶属度函数都有一个置信度，最终执行的是置信度最高的规则，按照该规则的结论进行输出。

步骤5、进行档位层模糊规则归纳，输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；

具体而言，步骤4学习到在一个坡段下机车行驶的速度变化模式，如[加速10％—减速30％—匀速40％—加速20％]，在档位层模糊规则归纳中输入为速度变化模式中的一个速度变化段，输出为该速度变化段的档位序列模式。在档位层模糊规则归纳中按照速度变化段的种类分为三个模型进行训练学习，这样可以提高模型的针对性，从而提高准确率，这三个模型分别为加速段档位层模糊规则归纳、减速段档位层模糊规则归纳和匀速段档位层模糊规则归纳。同步骤4相同，在该层本发明使用FURIA算法训练模糊规则模型，即为一组模糊规则集合。在步骤4得到速度变化模式之后，将其拆分为速度变化段并提取属性特征，将其输入到对应的档位层模型中，输出步骤3中描述的档位序列模式，如[6档20％—7档80％]。由于在速度层模糊规则模型训练的时候已经考虑前后坡段的信息，所以在档位层预测的时候更关注于当前坡段的特征属性。档位层规则属性特征如图7所示。其中速度变化段的长度由当前坡段长度和速度层模糊规则模型输出的百分比计算求得，初速度是动态特征，表示进入该速度变化段的初速度。

步骤6、当次优化参数输入及优化结果计算执行；即对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。

具体而言，在速度层和档位层模糊规则归纳模型训练好之后，按照速度层模糊规则模型的前件属性输入当次优化参数，得到当前坡段下机车行驶的速度变化模式，将速度变化模式再拆分速度变化段，并按照档位层模糊规则模型的前件属性输入优化参数到对应的档位层模糊规则模型，得到当前速度变化段下机车的操纵档位序列模式。将每个速度段的操纵档位序列依次拼接构成当前坡段的智能操纵序列，按照该序列进行操纵执行，实现机车智能操纵优化方法，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FURIA的机车智能操纵优化规则归纳方法，其特征在于：

步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；

步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；

步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；

步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。

步骤5、进行档位层模糊规则归纳

输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；

步骤6、当次优化参数输入及优化结果计算执行

对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。

2.根据权利要求1所述的一种基于FURIA的机车智能操纵优化规则归纳方法，其特征于：步骤2中，将坡段特征、机车特征作为属性，速度变化模式作为类标，构成速度层的训练数据。

3.根据权利要求1所述的一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤3中，将坡段特征、机车特征、速度变化段的特征作为属性，档位操作序列模式作为类标，构成档位层的训练数据。