CN107239628A - 一种基于动态时序图的不确定性机车仿真模型系统构建方法 - Google Patents

Abstract

本发明提供了一种基于动态时序图的不确定性机车仿真模型系统构建方法，其特征在于：步骤1、利用基本动力学模型构建基础环境模型；步骤2、注入动态时序图模型,动态时序图模型为一个基于隐马尔科夫模型的状态转移图模型；步骤3、完成动态时序图模型的不确定性参数学习，即隐马尔可夫模型的学习与训练；步骤4、动态时序图学习完毕后，输入具体不确定环境因素，不确定环境因素包括大雨天气、出现轮滑，将不确定环境因素作为模型的观察序列，即可模拟产生隐藏状态序列，及确定如何对基本物理模型修改参数使其能适应该具体环境因素下的机车运行。用该模型进行列车运行环境扰动参数的学习，与基础模型参数学习共同构建成完善的列车运行环境模型，从而更能适应多变的机车运行环境仿真模拟。

Description

一种基于动态时序图的不确定性机车仿真模型系统构建方法

技术领域

本发明涉及机车控制方法，尤其涉及一种基于动态时序图的不确定性机车仿真模型系统构建方法。

背景技术

列车运行控制是一个典型的多目标、多约束、非线性的复杂实时变化过程。因此列车操纵问题是一个非线性有约束动态最优化问题。而列车在实际运行控制过程中，需要考虑列车安全限速、牵引电机饱和特性和车间最大耦合力等约束条件，同时还需综合考虑运营准时性、节能高效和乘客乘坐舒适度等性能指标。为了保证铁路的安全行驶和提高运输的效率，许多国家和大经济体都在积极的展开高速铁路方面的研究。而出于安全、高效、方便等方面的考虑，设计出针对列车的运行过程仿真系统是很有必有的。

所谓系统仿真，是在系统分析的基础上，对系统的各个部分的性质包括它们之间的关系的性质进行分析，从而创建出能够对系统结构和系统的运行状态、过程进行描述，并且拥有符合要求的数量和逻辑的关系的仿真模型，同时进行试验，并且需要根据实验的结果进行定性或者定量的研究，来对系统进行正确的判断。在一般情况下，仿真系统都是利用客观的系统模型，代替真实模型进行客观的、真实的实验，并在这实验的基础上，进行系统性能等方面的评价。

RailSys是由德国汉诺威大学(University of Hannover)和德国铁路管理咨询公司(RMCon)共同进行开发研究的铁路运行模拟仿真系统。它作为一款对铁路的运行时间表和铁路的基础设施进行优化管理的仿真软件，能够进行铁路交通网络的建立分析、设计优化。甚至可以对列车对某一条线路的占用和当前可用的铁路情况进行综合的分析，还可以对信号的安全性，列车的运行进行评鉴。可以全面的呈现铁路网络系统的实际运行情况，对分析铁路无时不刻在变化的运输量对固定的铁路运行能力的影响、铁路中的相关设施是否需要新建、信号系统的安全及可用性评价、列车时刻表的制定和优化等起到重要的辅助决策作用。该系统目前在欧洲和世界铁路运输行业得到了广泛的应用，如悉尼，科隆.莱茵.堪培拉的高速铁路线，慕尼黑、科隆、悉尼、墨尔本的城市铁路以及柏林和哥本哈根的铁路网络等。

随着计算机技术的快速发展，国内很多学者也进行了相关研究，如郜春海，唐涛等做的“高速铁路列车运行控制系统车载设备的软件设计”，主要进行了高速铁路列车运行控制系统车载设备功能软件的设计；苟径，宁滨等做的“列车追踪运行仿真系统的研究与实现”，

唐金金，周磊山做的“高速列车运行仿真系统研究"，彭其渊，石红国等做的“城市轨道交通列车牵引计算”。同时在列车仿真系统的建立和实现上，也有比较全面的进步。如卢衍丹在“铁路信号与列车控制系统的面向对象仿真”中提出了基于模型库的ATO仿真系统，主要是将ATO系统分解成为一些有独立属性和操作的独立的单元，并提出建立了一种新的列车模型库的建立方法，这样深化了列车模型库的建立；如张勇，张维维做的“CTCS.3级列控系统车载设备仿真测试平台研究”方面的研究都是关于列车仿真软件方面的应用。

而目前传统的机车预测控制模型存在以下问题：(1)能仿真模拟的机车运行情景是有限的，不能完全满足实际自动驾驶需求(2)在设计列车各车厢分布式牵引力和制动力时，可能会造成拖车在牵引到巡航的转换阶段有制动力输出的情况，增大了列车运行能耗；(3)有些方案需要实时在线求解优化问题，会造成控制器设计过程计算量大、硬件实现成本高等问题，极大地限制了其应用范围和应用场合。

因此，在处理机车驾驶仿真时，好的机车运行环境模型对后期使用机器学习等人工智能方法进行优化驾驶研究至关重要。机车自动驾驶是个算法模型与环境不断交互学习的过程，所以算法训练环境是自动驾驶算法得以实现的重要因素。而机车运行环境中包含了众多不确定性因素(如天气变化等)，所以亟待构建不确定性的机车运行环境模型实现对外界环境的有效模拟方法。

发明内容

本发明的目的在于

本发明的技术方案是一种基于动态时序图的不确定性机车仿真模型系统构建方法，其特征在于：

步骤1、利用基本动力学模型构建基础环境模型

该步骤中，基于机车运行日志，通过监督式的学习算法来完成机车基础环境模型的学习与构建；其中：

基础环境模型的输入为具体机车运行环境参数，包括车重、车长、速度、天气、重力加速度、空气阻力、转动阻力、曲度；

基础环境模型可用如下公式表示：

其中，m为机车质量；t为时间；ρ为机车旋转质量的计数因子；v为机车速度；s为机车位移；

f(s)为当前位置的牵引力或者制动力；

R_b(v)为机车基本阻力；

R_l(s)为轨道阻力；

步骤2、注入动态时序图模型,动态时序图模型为一个基于隐马尔科夫模型的状态转移图模型；

步骤3、完成动态时序图模型的不确定性参数学习，即隐马尔可夫模型的学习与训练；

步骤4、动态时序图学习完毕后，输入具体不确定环境因素，不确定环境因素包括大雨天气、出现轮滑，将不确定环境因素作为模型的观察序列，即可模拟产生隐藏状态序列，及确定如何对基本物理模型修改参数使其能适应该具体环境因素下的机车运行。

进一步地，步骤3中，隐马尔可夫模型的学习和训练过程就是得到状态转移矩阵，混淆矩阵，以及初始化概率向量，具体包括：

(1)首先对于隐马尔科夫模型的参数进行一个初始的估计，然后通过对于给定的数据评估参数的的价值并减少它们所引起的错误来重新修订参数；

(2)根据需要建立模型的隐形状态数，首先给定初始参数λ0＝(π，A,B)，在构建不确定性机车运行环境时，具体给定的初始参数如下：

π:初始概率向量；

A：状态转移矩阵；

B：混淆矩阵；

(3)利用Baum-Welch重估公式进行参数估计，直到达到收敛误差或最大迭代步长；

(4)迭代后更新的三元组(π,A,B)，便得到构建不确定性机车运行环境问题的新马尔科夫模型

本发明的有益效果在于：

本发明的优点在于：基于动态时序图模型，进行列车运行环境扰动参数的学习。动态时序图模型适应于状态图随时间动态改变的应用场景，能够提供较为精准的预测结果。应用该模型进行列车运行环境扰动参数的学习，与基础模型参数学习共同构建成完善的列车运行环境模型，从而更能适应多变的机车运行环境仿真模拟。

附图说明

图1是一组用于识别和预测的时间序列；

图2是流程图；

具体实施方式

下面结合附图1-2对本发明的具体技术方案进行详细描述。

该实施例提供了一种基于动态时序图的不确定性机车仿真模型系统构建方法。该方法主要包括以下步骤；首先进行基础环境模型的学习与构建，其次设计动态时序图模型以适用于机车运行场景，然后进行动态时序图模型的学习与构建，最后输入具体的不确定环境因素，利用构建好的模型获得适应于该情形的机车运行模型，更具体地包括：

步骤1、利用基本动力学模型构建基础环境模型

通常，模型的构建分为基础环境模型构建和不确定性环境参数变化趋势学习两个部分。由于机车的运行遵循基本动力学模型，该实施例中，拟基于机车运行日志，通过监督式的学习算法来完成机车基础环境模型的学习与构建。

基础环境模型指该模型的输入为具体机车运行环境参数，包括车重、车长、速度、天气、重力加速度、空气阻力、转动阻力、曲度，具体机车运行环境参数均可以从机车运行日志中获取。

基础环境模型可用如下公式表示：

其中，m为机车质量；t为时间；ρ为机车旋转质量的计数因子；v为机车速度；s为机车位移；

f(s)为当前位置的牵引力或者制动力；

R_b(v)为机车基本阻力，包含转动阻力和空气阻力，其经验公式可定义为：

R_b(v)＝m(a₁+a₂v+a₃v²)

其中a₁,a₂,a₃均为经验常数系数。

R_l(s)为轨道阻力，轨道阻力是由轨道坡度、曲度、隧道等因素产生的，轨道阻力可由如下公式给出定义：

R_l(s)＝m*g*sinα(s)+f_c(r(s))+f_t(l_t(s),v)

其中，g为重力加速度，α(s)、r(s)、l_t(s)分别表示坡度、弯道半径，以及隧道长度。其中弯道阻力fc()和隧道阻力ft()可以由以下公式定义：

当机车在隧道中行驶时，会受到更大的空气阻力，这取决于隧道形状，隧道墙面的粗糙程度，以及机车外观设计等等因素。

步骤2、注入动态时序图模型,动态时序图模型为一个基于隐马尔科夫模型的状态转移图模型。

该实施例中，利用动态时序图进行不确定性机车仿真的方法可以将实际运行环境中存在的众多非确定性扰动因素考虑进来，具体实现方法可以有多种,比如可以采用改进的隐马尔科夫回归模型和Baum-Welch回归算法相结合的动态时序图方法来实现对不确定性环境参数变化趋势的学习，从而完善机车运行环境模型。包含不确定性的机车运行环境模型的成功构建将为机车自动驾驶算法的训练与验证提供有效的支持。

在实际机车运行环境中，环境参数可能会产生不确定性扰动，此时学习到的基础环境模型将无法覆盖该场景。针对此问题，本发明基于动态时序图模型，进行列车运行环境扰动参数的学习。

基于隐马尔科夫模型的状态转移图模型能够适应于状态图随时间动态改变的应用场景，能够提供较为精准的预测结果。应用该模型进行列车运行环境扰动参数的学习，与基础模型参数学习共同构建成完善的列车运行环境模型。

一个隐马尔科夫模型应包含两层：隐藏层和可观测层。

隐藏层由马尔科夫链构成，可以看做有限状态机，每个状态Si都带有状态转移概率。

可观测层是一组用于识别和预测的时间序列Ci。如图1所示：

一个隐马尔科夫模型是一个三元组，即：

初始化概率向量：π＝(π_i),其中π_i＝P(i₁＝q_i),i＝1,2,…,N

状态转移矩阵：A＝(a_ij),其中

混淆矩阵：B＝(b_ij),其中b_ij＝P(B_i|A_j)

该实施例中，不确定性机车仿真模型可以使用HMM来进行描述，我们可以根据一个观察序列(来自于已知的集合)，以及与其有关的一个隐藏状态集，估计一个最合适的隐马尔科夫模型(HMM)，也就是确定对已知序列描述的最合适的(π,A,B)三元组。

在该模型中，隐藏状态为列车运行环境扰动参数的改变情况，即基础模型中出现的机车基本阻力系数a,b,c、弯道阻力系数fc和隧道阻力系数ft。

而观察状态为实际中我们可以观察到的机车运行状态，即正常运行、空转、轮滑、超速等等。具体隐藏状态、观察状态的设计体现在如下状态转移矩阵和混淆矩阵中。然后通过实际的机车运行日志得到一些列观察状态序列完成HMM模型的学习。

模型状态转移矩阵

模型混淆矩阵

步骤3、完成动态时序图模型的不确定性参数学习，即隐马尔可夫模型的学习与训练

学习隐马尔可夫模型的过程实则为得到其状态转移概率矩阵，混淆矩阵，以及初始概率向的混淆矩阵。然而，在许多实际问题的情况下这些参数都不能直接计算的，因此我们首先需要进行估计。

进行参数估计的方法有很多种，以Baum-Welch算法为例，Baum-Welch算法就可以以一个观察序列为基础来进行这样的估计，而这个观察序列来自于一个给定的集合，它所代表的是一个隐马尔科夫模型中的一个已知的隐藏集合。具体来讲，需要以下步骤：

(1)首先对于隐马尔科夫模型的参数进行一个初始的估计，然后通过对于给定的数据评估这些参数的的价值并减少它们所引起的错误来重新修订这些HMM参数。

(2)根据需要建立的模型的隐形状态数，首先给定初始参数λ₀＝(π，A,B)，在构建不确定性机车运行环境时，具体给定的初始参数可以设计如下：

π:初始概率向量，即时刻t＝1时，处于各隐藏状态，即Ai：如增大基本阻力系数a/b/c、减小弯道阻力系数ft、保持系数不变的概率；

A：状态转移概率矩阵。如在t时刻处于增大基本阻力系数a的状态下，在t+1时刻处于减小弯道阻力系数ft的状态下的概率。

B：混淆矩阵，如处于减小弯道阻力系数ft状态下时，机车发生轮滑现象的概率。

步骤(1)和步骤(2)便是模型学习的输入参数，这些输入仅仅通过先验知识输入即可，即便是错误的也没关系，后期模型学习过程中会自动更正。

(3)利用Baum-Welch重估公式进行参数估计，直到达到收敛误差或最大迭代步长。

(4)迭代后更新的三元组(π,A,B)便是适用于构建不确定性机车运行环境问题的新马尔科夫模型。

步骤4、动态时序图学习完毕后，输入具体不确定环境因素，不确定环境因素包括大雨天气、出现轮滑，将不确定环境因素作为模型的观察序列，即可模拟产生隐藏状态序列，及确定如何对基本物理模型修改参数使其能适应该具体环境因素下的机车运行。

而根据模型的观测序列推出最有可能的隐藏状态序列的算法有很多，比如Viterbi算法。

尽管以上结合附图对本发明的实施方案进行了描述，但是本发明并不同限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在说明书的启示下，在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (2)

1.一种基于动态时序图的不确定性机车仿真模型系统构建方法，其特征在于：

步骤1、利用基本动力学模型构建基础环境模型

该步骤中，基于机车运行日志，通过监督式的学习算法来完成机车基础环境模型的学习与构建；其中：

基础环境模型的输入为具体机车运行环境参数，包括车重、车长、速度、天气、重力加速度、空气阻力、转动阻力、曲度；

基础环境模型可用如下公式表示：

<mrow> <mi>m</mi> <mi>&amp;rho;</mi> <mfrac> <mrow> <mi>d</mi> <mi>v</mi> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>R</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>R</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow>

<mrow> <mfrac> <mrow> <mi>d</mi> <mi>s</mi> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mi>v</mi> <mo>,</mo> </mrow>

其中，m为机车质量；t为时间；ρ为机车旋转质量的计数因子；v为机车速度；s为机车位移；

f(s)为当前位置的牵引力或者制动力；

R_b(v)为机车基本阻力；

R_l(s)为轨道阻力；

步骤2、注入动态时序图模型,动态时序图模型为一个基于隐马尔科夫模型的状态转移图模型；

步骤3、完成动态时序图模型的不确定性参数学习，即隐马尔可夫模型的学习与训练；

步骤4、动态时序图学习完毕后，输入具体不确定环境因素，不确定环境因素包括大雨天气、出现轮滑，将不确定环境因素作为模型的观察序列，即可模拟产生隐藏状态序列，及确定如何对基本物理模型修改参数使其能适应该具体环境因素下的机车运行。

2.根据权利要求1所述的基于动态时序图的不确定性机车仿真模型系统构建方法，其特征在于：

步骤3中，隐马尔可夫模型的学习和训练过程就是得到状态转移矩阵，混淆矩阵以及初始概率向，具体包括：

(1)首先对于隐马尔科夫模型的参数进行一个初始的估计，然后通过对于给定的数据评估参数的的价值并减少它们所引起的错误来重新修订参数；

(2)根据需要建立模型的隐形状态数，首先给定初始参数λ₀＝(π，A,B)，在构建不确定性机车运行环境时，具体给定的初始参数如下：

π:初始概率向量；

A：状态转移矩阵；

B：混淆矩阵；

(3)利用Baum-Welch重估公式进行参数估计，直到达到收敛误差或最大迭代步长；

(4)迭代后更新的三元组(π,A,B)，便得到构建不确定性机车运行环境问题的新马尔科夫模型。