CN110371163A - 考虑全路段环境及人为因素的列车自动驾驶预测控制方法 - Google Patents

考虑全路段环境及人为因素的列车自动驾驶预测控制方法 Download PDF

Info

Publication number
CN110371163A
CN110371163A CN201910672329.5A CN201910672329A CN110371163A CN 110371163 A CN110371163 A CN 110371163A CN 201910672329 A CN201910672329 A CN 201910672329A CN 110371163 A CN110371163 A CN 110371163A
Authority
CN
China
Prior art keywords
train
control
drag
resistance
section
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
CN201910672329.5A
Other languages
English (en)
Other versions
CN110371163B (zh
Inventor
张辉
罗乾悦
刘春璐
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.)
Beihang University
Beijing University of Aeronautics and Astronautics
Original Assignee
Beijing University of Aeronautics and Astronautics
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 Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201910672329.5A priority Critical patent/CN110371163B/zh
Publication of CN110371163A publication Critical patent/CN110371163A/zh
Application granted granted Critical
Publication of CN110371163B publication Critical patent/CN110371163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/08—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only
    • B61L23/14—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only automatically operated
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，属于城市轨道交通控制技术领域。本发明首先建立列车的动力模型，考虑到了列车的牵引力、制动力、基本阻力和附加阻力；然后以列车的动力学模型作为预测模型，建立列车的优化控制目标函数，并确定目标函数求解的约束条件；引入列车行驶路段中的环境因素和人为因素，用于更新列车的动力学模型和控制约束条件；获取列车行驶信息，结合实时路段信息，求解优化控制目标函数，得到预测时段内的牵引力控制期望值。本发明凭借模型预测控制算法对解决约束系统控制问题的优势，考虑了列车实际运行过程中的环境影响和人为影响，实现列车舒适而高效的自动驾驶控制。

Description

考虑全路段环境及人为因素的列车自动驾驶预测控制方法
技术领域
本发明涉及城市轨道交通控制技术领域，具体是一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法。
背景技术
我国的城市轨道交通发展迅速并且普及广泛，相对于其他城市公共交通工具而言，有着安全舒适、快速环保、运量大的特点，因而逐渐成为人们出行首选的交通方式。尤其在发达城市中，城市轨道交通已经成为最大的交通运输载体，每天巨大而多变的客运量对列车的驾驶控制技术有着相当高的要求。
现有的列车自动驾驶系统(ATC-Automatic Train Control)可以自动控制列车速度，以避免超速、冒进、追撞等事故发生。ATC系统是一个完整的列车速度监督系统，它提供驾驶员一个连续的允行速度曲线。当列车行驶速度超过允许速度，刹车设备应自动强制其减慢速度，以确保行车安全。
针对ATC的子系统——列车自动运行系统(ATO-Automatic Train Operation)的控制算法研究种类繁多，常见的有传统的PID控制算法、模糊控制算法和神经网络控制算法等。但这些算法均存在一个共同的问题，它们只能单纯地解决列车对期望速度的跟踪，而无法考虑列车运行过程中的诸多影响因素。例如环境因素：轨道的坡度、列车的运行曲线、通过的隧道、行驶风阻和道路状况等；以及人为因素：载客数量、停靠站点的运行状况等。这些影响因素都会出现在列车的行驶过程中，而常见的控制算法很少甚至无法考虑这些因素的影响情况，因此无法保证对列车运行的自动控制效果。
发明内容
为实现列车在真实运行环境下的稳定控制，本发明提出了一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法。使用模型预测控制(MPC)算法，结合列车运行过程中可能涉及到的影响因素，将其代入控制系统的预测模型和约束条件中，进行约束系统控制问题的优化求解。在真实完整的控制系统下，以保证列车的通行安全、运行效率和乘坐舒适性为前提，实现列车的平稳自动驾驶控制。
本发明提供的一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，具体步骤如下：
步骤一、考虑列车运行过程中的基本阻力和附加阻力，建立列车的阻力模型；
(1)基本阻力；
a.轴承阻力(轴颈部的摩擦阻力)：
其中：Fi-第i个轴摩擦阻力，Qi-第i个轴荷重，r-轴颈半径，RL-车轮半径，φ-轴承摩擦系数。
b.滚动摩擦阻力Fr：
其中：Mr-滚动摩擦力矩，Fn-第n个轮对的支承力，σ-滚动摩擦阻力系数。
c.空气阻力：
其中，Fw为空气阻力(N)，ρ为流体密度(kg/m3)，C为空气阻力系数(通常被认为是无量纲的常量)，S为迎风面积(m2)，v为列车速度(m/s)
考虑三种基本阻力，并整理上述公式，得到列车运行单位基本阻力修正计算公式：
其中w为列车运行单位基本阻力(N/kN)。
(2)附加阻力：
a.隧道阻力：
Fs＝1.16Lv2R2-0.74Lv2R+3.54LvR2-2.68LvR+0.13Lv2+39.79LR2+4.86v2R2-2.88v2R+13.42vR2+0.47Lv-26.4LR+5.99vR+0.3v2+15.62R2+4.64L-0.77R-0.92v-31.14
其中，L表示列车长度，v表示列车速度，R表示列车经过的曲线路径的半径。
b.坡度附加阻力：
Wi＝(Mm+Mt)g sinθ
其中：Wi-坡度附加阻力；Mm-动车的质量；Mt-拖车质量；g-重力常数；θ-坡道角度。
单位坡度附加阻力：
其中，q表示坡度。
c.曲线附加阻力：
其中：wr-单位曲线附加阻力(单位：N/kN)，A-经验常数，城际铁路在450-800之间，R-轨道曲线半径(m)。
如果列车所在第1段曲线半径为R1，第2段曲线半径为R2，列车在第1曲线段内长度为l，在第2曲线段内长度为L-l，则此时单位曲线附加阻力如下(单位为N/kN)：
若两曲线段内的坡度也不相同，第1曲线段内坡度为q1，第2曲线段内坡度为q2，则可结合单位坡度附加阻力模型，得到多质点模型单位坡度和曲线附加阻力合力：
L表示列车长度，q1表示变坡点前的计算坡度，q2表示变坡后的计算坡度。
步骤二、建立列车动力学模型，以此作为预测模型建立优化控制目标函数；
列车的总质量：M＝Mm+Mt+Mn，其中Mn为乘客总质量，估算为Mn＝60*n(n为载客数量，平均每位乘客质量为60kg)。
结合步骤一中的阻力模型，得到行驶中的列车总阻力：Ff＝Fs+(w+wfj)*M，其中w表示列车运行单位基本阻力。
建立列车的离散动力学模型：
其中t为当前时刻，F(t)为t时刻列车牵引力(或制动力)，s(t)为列车从上一站点出发行驶里程，τ为惯性迟滞时间，Δt为计算时间间隔，u为控制量，v(t)表示t时刻列车速度。
从而建立优化控制目标函数J：
满足：
F(t+Nc)＝Ff(t+Nc)
v(t)∈(vmin，vmax)
Sn为两站点间总路程，Nc为控制时域，t1为到达下一站点的期望历时，t2为从上一站点出发截止目前历时，
Q，R为权重矩阵，Q＞0，R＞0。vmin和vmax分别为列车运行速度的最小值和最大值，amin和amax分别为列车运行加速度的最小值和最大值。
步骤三、引入列车行驶路段中的环境因素和人为因素，用于更新动力学模型和控制约束条件；
(1)环境因素：
a.固定行驶路段内的坡道信息，用于坡度阻力信息更新；
b.固定行驶路段内的隧道信息，用于列车隧道阻力修正；
c.固定行驶路段内的曲线信息，用于列车曲线阻力修正；
d.列车速度变化引起的风阻变化；
e.恶劣天气等原因导致的列车行驶速度限制；
(2)人为因素：
a.列车载客数量，用于列车总阻力修正；
b.目的地站点的进站情况，用于调整控制器中的目标抵达时间。
步骤四、获取列车行驶信息，结合实时路段信息，求解优化控制目标函数，得到预测时段内的牵引力控制目标。
需要得到列车的行驶信息：实时速度，从上一站点出发经历时间，到下一站点距离信息，当前载客数量；
需要获取的实时路段信息：坡道，隧道，道路曲线，天气，下一站点停靠情况；
将以上信息代入非线性预测控制器中，以通行安全、运行效率和乘坐舒适性为目标，在线求解一定控制时域内的牵引力控制量，控制器从任一站点出发开始进行初始化，并开始求解，直至到达下一站点结束。
列车在t0时刻从某站点出发，一直到下一站点的全局控制序列为：
{u(t0|t0)，u(t0+1|t0+1)，...，u(t0+Np|t0+Np)}
其中Np为预测时域，以此控制序列作为列车的期望输入值，就能实现列车的平稳控制，并满足其运行效率。
本发明的优点在于：
建立了更加全面详细的列车动力学模型，并考虑了列车实际运行过程中存在的环境影响和人为影响，将其转化为列车动力学模型的更新参数和控制器约束，这也是发挥了模型预测控制算法的优势，能够有效处理约束系统控制问题。而行驶路段中存在的众多影响因素，是目前传统列车速度控制器设计中没有考虑到或是无法处理的，本发明以保证运行效率和乘坐舒适性为目标，实时求解出的最适合当前路段环境的控制量到执行器，从而实现列车的自动驾驶控制。
附图说明
图1为本发明建立的列车动力学模型结构框图。
图2为本发明预测控制算法的架构示意图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
本发明涉及一种考虑全路段环境和人为因素的预测控制器设计，控制器的基础是依靠图1列车动力学模型结构搭建出的预测模型，列车的牵引力和制动力作为本控制器的控制量。整个控制流程如图2所示。
本发明的一种考虑全路段环境和人为因素的列车自动驾驶预测控制方法，如图2所示流程，具体步骤如下：
步骤一、考虑列车运行过程中的基本阻力和附加阻力，建立列车的阻力模型；
(1)基本阻力：
a.轴承阻力(轴颈部的摩擦阻力)
城轨列车运行过程中，一部分阻力来源于轴颈部的摩擦阻力，轴颈与轴承之间存在相互作用力，轴颈部的摩擦阻力计算如公式(1)所示
其中：Fi-第i个轴摩擦阻力，Qi-第i个轴荷重，r-轴颈半径，RL-车轮半径，φ-轴承摩擦系数。
b.滚动摩擦阻力
物体在另一物体上滚动(或有滚动趋势)时受到的阻碍作用是由物体和支承面接触处的形变而产生的。一般用滚动摩擦力矩来量度。滚动摩擦阻力计算公式如(2)所示。
其中：Mr-滚动摩擦力矩，Fn-第n个轮对的支承力，σ-滚动摩擦阻力系数。
c.空气阻力
空气阻力是列车在空气介质中行驶时，列车相对于空气运动时空气作用力在行驶方向形成的分力，空气阻力与列车速度的平方成正比，车速越快阻力越大。
当忽略侧面风影响时，空气阻力按照以下公式估算：
其中，Fw为空气阻力(N)，ρ为流体密度(kg/m∧3)，C为空气阻力系数(通常被认为是无量纲的常量)，S为迎风面积(m∧2)，v为列车速度(m/s)
考虑计算公式(1)、(2)、(3)，得到列车运行基本阻力Ftol的表达式如下：
其中h为整车轴的数量，j为整车轮对的数量。由于轴荷重之和为列车总荷重，轮对压力之和为列车对钢轨的总压力，因此公式(4)可进一步整理得：
其中FB为列车对钢轨的总压力(N)。公式(5)左右两边分别乘以1000/FB，可得到如下的列车运行单位基本阻力修正计算公式：
其中w为列车运行单位基本阻力(N/kN)。
(2)附加阻力：
a.隧道阻力
在列车的附加阻力中，隧道空气附加阻力是一个重要的组成部分。隧道空气附加阻力形成的主要原因是因为活塞效应而产生。
隧道空气附加阻力修正公式：
Fs＝1.16Lv2R2-0.74Lv2R+3.54LvR2-2.68LvR+0.13Lv2+39.79LR2+4.86v2R2-2.88v2R+13.42vR2+0.47Lv-26.4LR+5.99vR+0.3v2+15.62R2+4.64L-0.77R-0.92v-31.14(7)
其中，L表示列车长度，v表示列车速度，R表示列车经过的曲线路径的半径。
b.坡度阻力
列车在上坡度运行，坡度附加阻力与列车运行方向相反，阻力是正值；列在下坡度运行，坡度附加阻力与列车运行方向相同，阻力是负值，起的负作用，即变成了“坡度下滑力”。在实际线路中，坡度的夹角都比较小。
坡度附加阻力的计算公式为：
Wi＝(Mm+Mt)g sinθ (8)
其中：Wi-坡度附加阻力；Mm-动车的质量；Mt-拖车质量；g-重力常数；θ-坡道角度。
近似处理：q＝1000sinθ≈1000tanθ (9)
其中：q-坡度(是坡度高度与坡度水平长度的比值，规定以其千分数表示，取两位小数)
单位坡度阻力：
如果列车的长度为L，跨过变坡点的长度为L-l，变坡点前的计算坡度为q1，变坡后的计算坡度为q2，坡度的正负表示上坡段和下坡段。列车坡度qzj的计算如式(2-68)所示(其计算坡度也等于其坡道附加阻力值Wfz)：
c.曲线阻力
曲线附加阻力与曲线半径、列车速度、曲线的外轨高度以及轨距加宽、机车车辆的轴距等许多因素有关，很难用理论方法推导，一般也采用综合经验公式计算。一般公式为：
其中：wr-曲线单位附加阻力(单位：N/kN)，A-经验常数，城际铁路在450-800之间，R-曲线半径(m)。
如果列车所在第1段曲线半径为R1，第2段曲线半径为R2，列车在第1曲线段内长度为l，在第2曲线段内长度为L-l，则此时曲线单位附加阻力如下(单位为N/kN)：
若两曲线段内的坡度也不相同，第1曲线段内坡度为q1，第2曲线段内坡度为q2，则可结合单位坡度附加阻力模型，得到多质点模型单位坡度和曲线附加阻力合力：
步骤二、建立列车动力学模型，以此作为预测模型建立优化控制目标函数；
列车的总质量：M＝Mm+Mt+Mn，其中Mn为乘客总质量，估算为Mn＝60*n(n为载客数量，平均每位乘客质量为60kg)。
结合步骤一中的阻力模型，得到实际行驶中的列车总阻力：
Ff＝Fs+(w+wfj)*M (15)
建立列车的离散动力学模型：
其中F(t)为列车牵引力(或制动力)，s(t)为列车从上一站点出发行驶里程，t为当前时刻，τ为惯性迟滞时间，Δt为计算时间间隔，u为控制量。
从而建立优化控制目标函数：
满足：
F(t+Nc)＝Ff(t+Nc)
v(t)∈(vmin，vmax)
Sn为两站点间总路程，Nc为控制时域，t1为到达下一站点的期望历时，t2为从上一站点出发截止目前历时，Q，R为权重矩阵，Q＞0，R＞0，vmin和vmax分别为列车运行速度的最小值和最大值，amin和amax分别为列车运行加速度的最小值和最大值。
步骤三、引入列车行驶路段中的环境因素和人为因素，用于更新动力学模型和控制约束条件；
(1)环境因素：
a.固定行驶路段内的坡道信息，可在列车行驶过程中，及时或提前反馈至模型预测控制器中，进行坡度阻力wi信息更新；
b.固定行驶路段内的隧道信息，当列车即将驶入隧道时，用于进行列车隧道阻力Fs修正；
c.固定行驶路段内的曲线信息，当列车即将驶入曲线轨道时，用于进行列车曲线阻力wr修正；
d.列车速度变化引起的风阻Fw变化；
e.恶劣天气等原因导致的列车行驶速度限制，从而改变优化控制目标函数(17)的约束条件；
(2)人为因素：
a.列车载客数量的变化，导致列车的载荷发生改变，载客数量信息可用于列车总阻力Ff修正；
b.目的地站点的进站情况，若站点仍有列车停靠，或突发状况导致列车无法按时进站，可主动调节进站时间，更改控制器中的目标抵达时间t1。
以上因素将相应代入至步骤二、三的动力学模型(16)和优化控制目标函数(17)中。
步骤四、获取列车行驶信息，结合实时路段信息，求解优化控制目标函数，得到预测时段内的牵引力控制目标。
需要得到列车的行驶信息(即图2中的状态量)：实时速度v(t)，从上一站点出发经历时间t2，到下一站点距离信息S，当前载客数量n；
需要获取的实时路段信息：坡道，隧道，道路曲线，天气，下一站点停靠情况；
将以上信息代入模型预测控制器中，以通行安全、运行效率和乘坐舒适性为目标，在线求解目标函数(17)，得到一定时域内的牵引力控制量。控制器从任一站点出发时开始进行初始化，并开始求解，直至到达下一站点结束。
每个时刻t求解都会得到一个控制序列u(t|t)表示t时刻的第一个输出控制量；在控制过程中也只取其中的第一个控制量作为列车的期望控制值，因此列车在t0时刻从某站点出发，一直到下一站点的全局控制序列为：
{u(t0|t0)，u(t0+1|t0+1)，...，u(t0+Np|t0+Np)}
其中Np为预测时域，u(t0|t0)表示t0时刻控制器的输出控制量。以此控制序列作为列车的输入值，就能实现列车的平稳控制，并满足其运行效率和乘坐舒适性。

Claims (4)

1.一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，其特征在于：具体步骤如下，
步骤一、考虑列车运行过程中的基本阻力和附加阻力，建立列车的阻力模型；
步骤二、建立列车动力学模型，以此作为预测模型建立优化控制目标函数；
列车的总质量：M＝Mm+Mt+Mn，其中Mn为乘客总质量，估算为Mn＝60*n，n为载客数量；
结合步骤一中的阻力模型，得到行驶中的列车总阻力：Ff＝Fs+(w+wfj)*M，其中w表示列车运行单位基本阻力；
建立列车的离散动力学模型：
其中t为当前时刻，F(t)为t时刻列车牵引力，s(t)为列车从上一站点出发至t时刻行驶里程，τ为惯性迟滞时间，Δt为计算时间间隔，u为控制量，v(t)表示t时刻列车速度；
从而建立优化控制目标函数J：
满足：
F(t+Nc)＝Ff(t+Nc)
v(t)∈(vmin,vmax)
Sn为两站点间总路程，Nc为控制时域，t1为到达下一站点的期望历时，t2为从上一站点出发截止目前历时，
其中，Q，R为权重矩阵，Q>0，R>0；vmin和vmax分别为列车运行速度的最小值和最大值，amin和amax分别为列车运行加速度的最小值和最大值；
步骤三、引入列车行驶路段中的环境因素和人为因素，用于更新动力学模型和控制约束条件；
步骤四、获取列车行驶信息，结合实时路段信息，求解优化控制目标函数，得到预测时段内的牵引力控制目标。
2.根据权利要求1所述的一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，其特征在于：步骤一所述的阻力模型如下：
(1)基本阻力；
a.轴承阻力：
其中：Fi-第i个轴摩擦阻力，Qi-第i个轴荷重，r-轴颈半径，RL-车轮半径，φ-轴承摩擦系数；
b.滚动摩擦阻力Fr：
其中：Mr-滚动摩擦力矩，Fn-第n个轮对的支承力，σ-滚动摩擦阻力系数；
c.空气阻力：
其中，Fw为空气阻力，ρ为流体密度，C为空气阻力系数，S为迎风面积，v为列车速度；
考虑三种基本阻力，并整理上述公式，得到列车运行单位基本阻力修正计算公式：
其中w为列车运行单位基本阻力；
(2)附加阻力：
a.隧道阻力：
Fs＝1.16Lv2R2-0.74Lv2R+3.54LvR2-2.68LvR+0.13Lv2+39.79LR2+4.86v2R2-2.88v2R+13.42vR2+0.47Lv-26.4LR+5.99vR+0.3v2+15.62R2+4.64L-0.77R-0.92v-31.14
其中，L表示列车长度，v表示列车速度，R表示列车经过的曲线路径的半径；
b.坡度附加阻力：
Wi＝(Mm+Mt)gsinθ
其中：Wi—坡度附加阻力；Mm—动车的质量；Mt—拖车质量；g—重力常数；θ—坡道角度；
单位坡度附加阻力：
其中，q表示坡度；
c.曲线附加阻力：
其中：wr—单位曲线附加阻力，A—经验常数，城际铁路在450—800之间，R—轨道曲线半径；
如果列车所在第1段曲线半径为R1，第2段曲线半径为R2，列车在第1曲线段内长度为l，在第2曲线段内长度为L-l，则此时单位曲线附加阻力如下：
若两曲线段内的坡度也不相同，第1曲线段内坡度为q1，第2曲线段内坡度为q2，则结合单位坡度附加阻力模型，得到多质点模型单位坡度和曲线附加阻力合力:
L表示列车长度，q1表示变坡点前的计算坡度，q2表示变坡后的计算坡度。
3.根据权利要求1所述的一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，其特征在于：步骤三所述的环境因素包括：
a.固定行驶路段内的坡道信息，用于坡度阻力信息更新；
b.固定行驶路段内的隧道信息，用于列车隧道阻力修正；
c.固定行驶路段内的曲线信息，用于列车曲线阻力修正；
d.列车速度变化引起的风阻变化；
e.恶劣天气等原因导致的列车行驶速度限制；
所述的人为因素包括：
a.列车载客数量，用于列车总阻力修正；
b.目的地站点的进站情况，用于调整控制器中的目标抵达时间。
4.根据权利要求1所述的一种考虑全路段环境及人为因素的列车自动驾驶预测控制方法，其特征在于：步骤四中所述的列车行驶信息作为状态量，包括实时速度v(t)，从上一站点出发经历时间t2，到下一站点距离信息S，当前载客数量n；所述的实时路段信息包括坡道、隧道、道路曲线、天气和下一站点停靠情况；
将以上信息代入模型预测控制器中，以通行安全、运行效率和乘坐舒适性为目标，在线求解目标函数，得到一定时域内的牵引力控制量；控制器从任一站点出发时开始进行初始化，并开始求解，直至到达下一站点结束；
每个时刻t求解都会得到一个控制序列u(t|t)表示t时刻的第一个输出控制量；在控制过程中也只取其中的第一个控制量作为列车的期望控制值，因此列车在t0时刻从某站点出发，一直到下一站点的全局控制序列为：
{u(t0|t0),u(t0+1|t0+1),...,u(t0+Np|t0+Np)}
其中Np为预测时域，u(t0|t0)表示t0时刻控制器的输出控制量；
以此控制序列作为列车的输入值，就能实现列车的平稳控制，并满足其运行效率和乘坐舒适性。
CN201910672329.5A 2019-07-24 2019-07-24 考虑全路段环境及人为因素的列车自动驾驶预测控制方法 Active CN110371163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910672329.5A CN110371163B (zh) 2019-07-24 2019-07-24 考虑全路段环境及人为因素的列车自动驾驶预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910672329.5A CN110371163B (zh) 2019-07-24 2019-07-24 考虑全路段环境及人为因素的列车自动驾驶预测控制方法

Publications (2)

Publication Number Publication Date
CN110371163A true CN110371163A (zh) 2019-10-25
CN110371163B CN110371163B (zh) 2020-08-21

Family

ID=68255628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910672329.5A Active CN110371163B (zh) 2019-07-24 2019-07-24 考虑全路段环境及人为因素的列车自动驾驶预测控制方法

Country Status (1)

Country Link
CN (1) CN110371163B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666636A (zh) * 2020-04-01 2020-09-15 北京理工大学 一种无人车动力学极限特性包络线在线观测方法
CN112109773A (zh) * 2020-09-01 2020-12-22 北京航空航天大学 一种基于h∞和多目标优化的列车速度控制方法
CN112182745A (zh) * 2020-09-14 2021-01-05 北京航空航天大学 一种估计列车运行过程中驱动能耗的仿真方法
CN113788045A (zh) * 2021-11-16 2021-12-14 中国铁道科学研究院集团有限公司通信信号研究所 基于动态多目标优化控制的有轨电车信号控制系统与方法
CN113879370A (zh) * 2021-10-26 2022-01-04 交控科技股份有限公司 一种列车舒适度的优化方法、电子设备和计算机存储介质
CN113997984A (zh) * 2020-07-28 2022-02-01 株洲中车时代电气股份有限公司 一种变坡点的探测方法及相关装置
CN114228486A (zh) * 2021-11-30 2022-03-25 岚图汽车科技有限公司 一种加速控制方法及装置
CN114604297A (zh) * 2022-04-06 2022-06-10 中南大学 基于对称交替方向乘子法的列车运行控制方法
CN116142262A (zh) * 2022-09-09 2023-05-23 北京交大思诺科技股份有限公司 一种基于功率输出的列车自动驾驶控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5436632B2 (ja) * 2012-07-18 2014-03-05 三菱電機株式会社 自動列車制御装置および列車制御方法
CN105095984A (zh) * 2015-03-31 2015-11-25 江苏理工学院 一种地铁列车轨迹的实时预测方法
CN105224763A (zh) * 2015-10-20 2016-01-06 北京交通大学 一种列车的隧道附加空气阻力迭代学习辨识方法
CN105551337A (zh) * 2015-12-21 2016-05-04 北京交通大学 一种列车司机辅助驾驶方法与系统
CN109815523A (zh) * 2018-12-05 2019-05-28 南京工程学院 基于分解的列车运行多目标差分进化算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5436632B2 (ja) * 2012-07-18 2014-03-05 三菱電機株式会社 自動列車制御装置および列車制御方法
CN105095984A (zh) * 2015-03-31 2015-11-25 江苏理工学院 一种地铁列车轨迹的实时预测方法
CN105224763A (zh) * 2015-10-20 2016-01-06 北京交通大学 一种列车的隧道附加空气阻力迭代学习辨识方法
CN105551337A (zh) * 2015-12-21 2016-05-04 北京交通大学 一种列车司机辅助驾驶方法与系统
CN109815523A (zh) * 2018-12-05 2019-05-28 南京工程学院 基于分解的列车运行多目标差分进化算法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666636A (zh) * 2020-04-01 2020-09-15 北京理工大学 一种无人车动力学极限特性包络线在线观测方法
CN113997984A (zh) * 2020-07-28 2022-02-01 株洲中车时代电气股份有限公司 一种变坡点的探测方法及相关装置
CN112109773A (zh) * 2020-09-01 2020-12-22 北京航空航天大学 一种基于h∞和多目标优化的列车速度控制方法
CN112109773B (zh) * 2020-09-01 2021-08-27 北京航空航天大学 一种基于h∞和多目标优化的列车速度控制方法
CN112182745A (zh) * 2020-09-14 2021-01-05 北京航空航天大学 一种估计列车运行过程中驱动能耗的仿真方法
CN112182745B (zh) * 2020-09-14 2021-10-26 北京航空航天大学 一种估计列车运行过程中驱动能耗的仿真方法
CN113879370A (zh) * 2021-10-26 2022-01-04 交控科技股份有限公司 一种列车舒适度的优化方法、电子设备和计算机存储介质
CN113879370B (zh) * 2021-10-26 2023-10-31 交控科技股份有限公司 一种列车舒适度的优化方法、电子设备和计算机存储介质
CN113788045A (zh) * 2021-11-16 2021-12-14 中国铁道科学研究院集团有限公司通信信号研究所 基于动态多目标优化控制的有轨电车信号控制系统与方法
CN114228486A (zh) * 2021-11-30 2022-03-25 岚图汽车科技有限公司 一种加速控制方法及装置
CN114604297A (zh) * 2022-04-06 2022-06-10 中南大学 基于对称交替方向乘子法的列车运行控制方法
CN116142262A (zh) * 2022-09-09 2023-05-23 北京交大思诺科技股份有限公司 一种基于功率输出的列车自动驾驶控制方法
CN116142262B (zh) * 2022-09-09 2024-07-12 北京交大思诺科技股份有限公司 一种基于功率输出的列车自动驾驶控制方法

Also Published As

Publication number Publication date
CN110371163B (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN110371163A (zh) 考虑全路段环境及人为因素的列车自动驾驶预测控制方法
CN110827535B (zh) 非线性车辆队列协同自适应抗扰纵向控制方法
CN110356404B (zh) 一种具有自主换道功能并提高侧向安全性的智能驾驶系统
CN108284836B (zh) 一种车辆纵向跟随控制方法
CN109727469B (zh) 一种多车道下自动驾驶车辆综合危险度评估方法
CN102030007B (zh) 独立驱动-独立转向车辆整车动力学控制量的获得方法
CN107444393A (zh) 制动系统控制方法及装置
Kotiev et al. Energy efficient motion control of the electric bus on route
CN109270938B (zh) 一种矿用车方阵编队控制系统
CN103955135B (zh) 一种基于双层模式曲线的机车优化操纵序列计算方法
CN106379378B (zh) 一种离线和在线结合调整驾驶曲线的方法和系统
CN112782978B (zh) 一种基于自触发机制的高速列车巡航运行控制方法
CN109634281A (zh) 一种列车系统建模与分布式协同控制方法
CN114818349A (zh) 基于时空网络客流状态估计的节能运行图优化分析方法
Zheng et al. Research on control target of truck platoon based on maximizing fuel saving rate
US20210031802A1 (en) Vehicle Energy Management System
Kaku et al. Model predictive control for ecological vehicle synchronized driving considering varying aerodynamic drag and road shape information
Zhelieznov et al. The revised method for calculating of the optimal train control mode
CN117184176A (zh) 列车自动驾驶速度规划方法及装置
CN110162045A (zh) 一种基于自适应三步法的卡车编队行驶跟随车控制方法
Yuan et al. Longitudinal control of autonomous-rail rapid tram in platooning using model predictive control
Du et al. Research on intelligent formation operation performance of straddle-type rapid transit vehicles in heterogeneous operating environment
Maged et al. Behavioral assessment of an optimized multi-vehicle platoon formation control for efficient fuel consumption
Wang et al. A fully cooperative merging strategy considering the impact of on-ramp merging behavior on upstream traffic
Jang et al. Eco-friendly platooning operation algorithm of the electric vehicles

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191025

Assignee: BEIJING SEA BREEZE INTELLIGENT TECHNOLOGY LLC

Assignor: BEIHANG University

Contract record no.: X2021110000004

Denomination of invention: Predictive control method of automatic train operation considering environment and human factors of whole section

Granted publication date: 20200821

License type: Common License

Record date: 20210125