CN113147843B - 基于环境感知与信号系统的列车自动控制方法 - Google Patents

Abstract

本发明公开了一种基于环境感知与信号系统的列车自动控制方法，包括：每相邻两站之间的区段划定为一个轨道区段，每个轨道区段的中心位置部署气象站；每个气象站获取相应气象数据，通过网络发送给数据处理服务器；该数据处理服务器根据各轨道区段的气象数据，对每个轨道区段进行轨道湿滑分析，获得各个轨道湿滑指数，并发送给ATS系统；ATS系统根据轨道湿滑指数决定合适的加速度、制动率等级与运行等级；ATS系统在列车准备发车时对车载子系统发送前方轨道区段所对应的加速度、制动率等级与运行等级命令。本发明防止列车打滑，也保证行车安全和乘客的舒适度。

Description

基于环境感知与信号系统的列车自动控制方法

技术领域

本发明涉及城市轨道交通技术领域，尤其涉及列车自动控制方法。

背景技术

在城市轨道交通信号控制领域，全自动无人驾驶系统(FAO)已经成为未来的发展方向。列车在露天地面或高架路段行驶期间由于雨雪天气容易发生空转打滑，制动率降低，有针对雨雪天气下如何有效的自动控制列车的研究，例如：

中国专利(CN105549587B)介绍了一种基于控制中心判断，用于雨雪天的列车自动驾驶控制方法，首先判断列车所处环境是否为雨雪天气，并结合列车打滑状态，控制中心对线路上所以列车发送合适指令让列车停止(可选)并进入预设模式行驶(设置了牵引力和制动力的上限)，但是没有没有描述如何判断雨雪天气的具体方案，并且假设了雨雪天气会对线路中所有列车造成影响，即使信号系统控制范围内部分区域并没有降水。

中国专利(CN112141172A)介绍了另一种基于控制中心判断的雨雪模式设置方法，通过ATS(列车自动监控系统)系统以区域控制器(ZC)管辖的轨道区段为单位，通过对ZC发送雨雪模式指令，间接的对辖区内的列车运行参数做统一调整，依然依赖中央调度对天气的判断。

中国专利(CN110758487A)介绍了一种基于环境感知的雨雪天气下列车自动驾驶控制方法，通过加权处理结合了网络天气信息与轨道地面的降水量，对综合降水量进行雨雪天气等级分级，从而选择相应的预设驾驶模式。主要适用于高速铁路，并没有针对城市轨道交通信号系统做明确的子系统功能分配说明。

中国专利(CN110271521A)介绍了一种基于信号系统的列车防滑控制方法，不依赖于中央控制系统发送指令，而是通过车辆挡风玻璃上的雨量传感器获取雨量信息，综合轨道区段多个列车的雨量数据，计算轨道湿滑状态，并结合列车打滑状态与列车常用制动率计算当前区段列车可实现制动率并实时更新列车速度参考曲线。然而，给线路上所有列车都装置雨量传感器，从经济和可维护角度考虑可能都不是最优方案；而且在列车从地下或站台区域驶入露天地面过程中，由于车载雨量传感器无法提前预测地面雨量，列车制动率调整并不及时。

发明内容

本发明的目的在于提供基于环境感知与信号系统的列车自动控制方法，防止列车打滑，也保证行车安全和乘客的舒适度。

实现上述目的的技术方案是：

一种基于环境感知与信号系统的列车自动控制方法，包括：

步骤S1，每相邻两站之间的区段划定为一个轨道区段，每个轨道区段的中心位置部署气象站；

步骤S2，每个气象站获取相应气象数据，通过网络发送给数据处理服务器；

步骤S3，数据处理服务器根据各轨道区段的气象数据，对每个轨道区段进行轨道湿滑分析，获得各个轨道湿滑指数，并通过网络发送给ATS系统；

步骤S4，ATS系统根据轨道湿滑指数决定此区段合适的列车加速度、制动率等级与运行等级；

步骤S5，ATS系统在列车在当前站台准备发车时对车载子系统发送前方轨道区段所对应的加速度、制动率等级与运行等级命令。

优选的，所述的气象数据包括：实时测量的分钟级雨量、每分钟实时更新的当日的累计测量雨量、过去一小时测量雨量、有无雨雪状态以及温湿度。

优选的，步骤S3中，数据处理服务器采用卡尔曼滤波方法，将累计测量雨量和实时测量的分钟级雨量作为输入，通过闭环控制，计算当前的实时预估雨量；

数据处理服务器建立函数闭环控制模型，数据处理服务器初始化时，根据气象数据计算并输出初次的轨道湿滑指数，并将当前输出作为下一轮计算的输入；数据处理服务器运行时，根据上一轮计算的轨道湿滑指数和实时预估雨量以及气象站提供的其它数据更新当前的轨道湿滑指数，并将当前输出作为下一轮计算的输入。

优选的，步骤S4中，ATS系统中预存有轨道湿滑指数范围与加速度、制动率等级以及运行等级的对应关系表。

优选的，将气象数据中各数据作为变量，通过函数闭环控制模型进行模拟和实验，通过调整参数和权重进行模型的优化，计算轨道湿滑指数。

优选的，实时预估雨量包括累计预估雨量和分钟级预估雨量。

优选的，数据处理服务器采用卡尔曼滤波方法计算实时预估雨量：

关于累计雨量及其增加/减弱速度的状态X_k和累计雨量观测值y_k方程：

其中，

F＝[₁₀]

w_k为系统的过程噪音序列，v_k为观测噪音序列，

为累计雨量增加/减弱

速度，状态一步预测方程为：

其中，

和

分别表示k-1时刻雨量最优状态估计值以及基于k-1时刻雨量信息预测出的k时刻的轨道区段累计雨量状态；

均方误差一步预测方程为：

P_k|k-1＝H×P_k-1×H^T+Q_k-1

以上Q_k-1为过程噪音方差，P_k-1和P_k|k-1分别为k-1时刻雨量信息最优均方误差以及基于k-1时刻雨量信息最优均方误差预测之k时刻的轨道区段雨量均方误差，T为矩阵转置；

卡尔曼滤波增益方程为：

K_k＝P_k|k-1×F^T×[F×P_k|k-1×F^T+r_k]^-1

以上r_k为观测噪音方差，K_k为k时刻的卡尔曼增量；

滤波估计方程为：

y_k为k时刻的累计雨量观测值；

均方误差更新矩阵为：

P_k＝[I-K_k×F]×P_k|k-1

I为单位矩阵；

设置系统初始值为

但P₀矩阵内的值不能全为0，由于Q_k取决于w_k，可将Q_k设为

q作为常数可根据具体情况设定；由于r_k取决于v_k，与测量效果与仪器的精度有关，r_k可设为常量。

优选的，如果在k时段不更新，观测到的值依旧为y_k-1，则：

本发明的有益效果是：本发明沿用中央ATS对车载子系统发送命令做加速度/制动率等级与运行等级调整的前提下，通过部署在轨旁的气象站提供的降水量等气象数据，计算当前轨道湿滑程度，并自动向驶入列车发送合适的命令，实现了基于环境感知的列车自动控制。无需依赖中央调度对天气的判断，更有效率的实现雨雪天气下的自动列车控制。基本上只涉及到ATS子系统软件改动以及新增的数据处理服务器，轨旁与车载无需升级。

同时，提前精准的对列车做ATO(列车自动驾驶系统)模式调整：由于每个湿轨区段只覆盖两个相邻站之间的区域，只有即将驶入其辖区的列车才会进行相应调整，如果再下一个区域没有湿轨或程度改变，ATS会让列车恢复正常运行模式或进一步对列车进行ATO模式调整。

轨旁部署的气象站每相邻两站轨道区段只需要一个，一个线路所需要的气象站数量只取决于在地面上的轨道区段(或站)的数量，一般少于同一线路上列车的数量，与在每辆列车上安装两个雨量传感器相比，更节省开支与维护成本。

附图说明

图1是本发明的基于环境感知与信号系统的列车自动控制方法的流程图；

图2是本发明中轨道区域划分标准与气象站布置示意图；

图3是本发明中整体系统网络框架图；

图4是本发明中轨道湿滑程度与列车ATO模式选择逻辑图；

图5是本发明中卡尔曼滤波器在翻斗式雨量计预估累计雨量模拟效果。

图6是本发明中卡尔曼滤波器在称重式雨量计预估累计雨量模拟效果。

具体实施方式

下面将结合附图对本发明作进一步说明。

请参阅图1，本发明的基于环境感知与信号系统的列车自动控制方法，包括下列步骤：

步骤S1，每相邻两站之间的区段划定为一个轨道区段，每个轨道区段的中心位置部署气象站。如图2所示。气象站可采用太阳能供电方式，并通过光纤用以太网通过防火墙分别连接到DCS(数据通信系统)网络或通过4G/5G发送至云端并从同一台服务器将所有气象站进行数据处理并将结果并通过以太网与防火墙统一接入DCS网络，整体网络架构如附图3所示。VOBC表示车载控制器。

步骤S2，每个气象站获取相应气象数据，通过网络发送给数据处理服务器。气象数据包括：实时测量的分钟级雨量、每分钟实时更新的累计测量雨量、过去一小时测量雨量、有无雨雪状态以及温湿度。以上信息分别由雨量传感器，雨雪有无传感器以及温湿度传感器提供并通过安装在气象站上的数采仪汇总并输出。考虑到即使几小时前有雨，如果过去半小时雨停了，虽然轨道上仍可能会有积水，但由于雨水蒸发，当前轨道湿滑程度可能远低于半小时前。因为温湿度这两个因素直接影响雨水蒸发速度，所以也有必要将其纳入模型中变量的一部分。

步骤S3，数据处理服务器根据各轨道区段的气象数据，对每个轨道区段进行轨道湿滑分析，获得各个轨道湿滑指数，并发送给ATS系统。具体地，

1)数据处理服务器采用卡尔曼滤波方法，将累计测量雨量和实时测量的分钟级雨量作为输入，通过闭环控制，计算当前的实时预估雨量。实时预估雨量包括累计预估雨量和分钟级预估雨量。如图4所示。

在典型的降雨天气下，雨量信息对轨道湿滑的影响是最直接和突出的，最常见的翻斗式雨量计测量分辨率一般为0.2mm，在雨量达到0.2mm之前，累计雨量测量输出为0，只能通过雨水有无传感器检测到降水；一旦达到此阈值或以上，测量值只能是0.2的倍数，即便在中到大雨的情况下也不一定每分钟都能更新，但可用卡尔曼滤波器方法对累计降雨量做平滑处理，对当前分钟级雨量做预估；而称重式雨量计则通过测量累计降水的重量而得出累计降水量，所以不存在更新频率的问题，但卡尔曼滤波方法也可以有效避免测量误差，使预估结果更接近与真实值。

不管选择哪种雨量计，累计雨量可被当做匀速增量的系统，并伴随着过程白噪音，以下关于累计雨量及其增加/减弱速度的状态X_k和累计雨量观测值y_k方程均在理论上有效：

其中，

F＝[1 0]

w_k为系统的过程噪音序列，v_k为观测噪音序列，

为累计雨量增加/减弱速度，状态一步预测方程为：

其中，

和

分别表示k-1时刻雨量最优状态估计值以及基于k-1时刻雨量信息预测出的k时刻的轨道区段累计雨量状态；

均方误差一步预测方程为：

P_k|k-1＝H×P_k-1×H^T+Q_k-1

以上Q_k-1为过程噪音方差，P_k-1和P_k|k-1分别为k-1时刻雨量信息最优均方误差以及基于k-1时刻雨量信息最优均方误差预测之k时刻的轨道区段雨量均方误差，T为矩阵转置；

卡尔曼滤波增益方程为：

K_k＝P_k|k-1×F^T×[F×P_k|k-1×F^T+r_k]^-1

以上r_k为观测噪音方差，K_k为k时刻的卡尔曼增量；

滤波估计方程为：

y_k为k时刻的累计雨量观测值；

均方误差更新矩阵为：

P_k＝[I-K_k×F]×P_k|k-1

I为单位矩阵；

为了使此滤波器开始工作，需设置系统初始值为

但P₀矩阵内的值不能全为0，由于Q_k取决于w_k，可将Q_k设为

q作为常数可根据具体情况设定；由于r_k取决于v_k，与测量效果与仪器的精度有关，r_k可设为常量。

由于翻斗式雨量计不是每分钟都会更新，也就是说在如果在k时段不更新，观测到的值依旧为y_k-1，但这样就会与以上方程组产生矛盾，所以在此特殊情况下可将以下等式成立：

关于模拟翻斗式与称重式雨量计测量的累计雨量与卡尔曼滤波器在两种情况的应用，请参阅图5和图6(z为观测累计雨量数据，x_hat为预测值)，两次滤波均使用:

r_k＝0.064，

2)数据处理服务器建立函数控制模型，并进行模拟和实验，通过调整参数和权重进行模型的优化。数据处理服务器初始化(服务器重启等情况)时，将气象数据中各数据作为变量，通过函数模型计算并输出初次的轨道湿滑指数，并将当前输出作为下一轮计算的输入。数据处理服务器运行时，通过函数闭环控制模型，根据上一轮计算的轨道湿滑指数和实时预估雨量更新当前的轨道湿滑指数，并将当前输出作为下一轮计算的输入。除了预估的实时雨量与上一次计算的轨道湿滑指数，其它气象站汇报的雨量信息(包括当日累计雨量或过去一小时累计雨量等)就没有在利用开环函数计算轨道湿滑指数时(初始化时需要)那么重要了。

步骤S4，ATS系统根据轨道湿滑指数决定此区段合适的加速度、制动率等级与运行等级。如图4所示。ATS系统中预存有轨道湿滑指数范围与加速度、制动率等级以及运行等级的对应关系表。其基于由推理规则与实验数据建立并通过实际进行参数和模型的优化而获得。

同时，ATS也可通过报警向调度中心做相应的湿轨报警与通知。

步骤S5，ATS系统在列车准备发车时对车载子系统发送前方轨道区段所对应的加速度、制动率等级与运行等级命令。如果下一个区段湿轨已解除，相应命令也应自动下发让列车ATO模式恢复正常值。具体地，车载控制器通过加速度/制动率的限制防止列车打滑，而同时列车速度参考曲线取决于运行等级，并考虑了列车在前方轨道湿滑区域为防止打滑所能实现的制动率，因此运行等级调整也能防止列车在湿轨运行中做没有必要的加速或减速，因而能减少不必要的能耗浪费，保证列车运行质量与乘客舒适度。

由于在现有信号系统里，在进行加速度与制动率等级与运行等级的调整之前，列车需要在站台区域并处于静止状态。假设列车在轨道区间运行期间遇到降雨，即使当前轨道区段湿滑程度突然变高，列车也无法实时降低制动率与速度曲线，虽然在这种情况列车有可能打滑，但概率并不高，因为列车区间运行只有最多2-3分钟，并且雨水刚降临，大多情况下并不会对轨道湿滑程度造成比较大的影响；而且如果在列车在降速时实时响应湿轨命令，减低制动率，列车将无法正常停靠在下一站台。因此出于系统稳定性考虑，可保留现有车载子系统设计，列车到站后才会响应由于前方轨道湿滑所导致的ATS系统下发的湿轨命令(加速度与制动率等级调整)与运行等级调整。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。

Claims (5)

1.一种基于环境感知与信号系统的列车自动控制方法，其特征在于，包括：

步骤S1，每相邻两站之间的区段划定为一个轨道区段，每个轨道区段的中心位置部署气象站；

步骤S2，每个气象站获取相应气象数据，通过网络发送给数据处理服务器；

步骤S3，数据处理服务器根据各轨道区段的气象数据，对每个轨道区段进行轨道湿滑分析，获得各个轨道湿滑指数，并通过网络发送给ATS系统；所述的气象数据包括：实时测量的分钟级雨量、每分钟实时更新的当日的累计测量雨量、过去一小时测量雨量、有无雨雪状态以及温湿度；

步骤S4，ATS系统根据轨道湿滑指数决定此区段合适的列车加速度、制动率等级与运行等级；

步骤S5，ATS系统在列车在当前站台准备发车时对车载子系统发送前方轨道区段所对应的加速度、制动率等级与运行等级命令；

步骤S3中，数据处理服务器采用卡尔曼滤波方法，将累计测量雨量和实时测量的分钟级雨量作为输入，通过闭环控制，计算当前的实时预估雨量；

数据处理服务器建立函数闭环控制模型，数据处理服务器初始化时，根据气象数据计算并输出初次的轨道湿滑指数，并将当前输出作为下一轮计算的输入；数据处理服务器运行时，根据上一轮计算的轨道湿滑指数和实时预估雨量以及气象站提供的其它数据更新当前的轨道湿滑指数，并将当前输出作为下一轮计算的输入；

数据处理服务器采用卡尔曼滤波方法计算实时预估雨量：

关于累计雨量及其增加/减弱速度的状态X_k和累计雨量观测值y_k方程：

其中，

F＝[1 0]

W_k为系统的过程噪音序列，v_k为观测噪音序列，

为累计雨量增加/减弱速度，状态一步预测方程为：

其中，

和

分别表示k-1时刻雨量最优状态估计值以及基于k-1时刻雨量信息预测出的k时刻的轨道区段累计雨量状态；

均方误差一步预测方程为：

P_k|k-1＝H×P_k-1×H^T+Q_k-1

以上Q_k-1为过程噪音方差，P_k-1和P_k|k-1分别为k-1时刻雨量信息最优均方误差以及基于k-1时刻雨量信息最优均方误差预测之k时刻的轨道区段雨量均方误差，T为矩阵转置；

卡尔曼滤波增益方程为：

K_k＝P_k|k-1×F^T×[F×P_k|k-1×F^T+r_k]^-1

以上r_k为观测噪音方差，K_k为k时刻的卡尔曼增量；

滤波估计方程为：

y_k为k时刻的累计雨量观测值；

均方误差更新矩阵为：

P_k＝[I-K_k×F]×P_k|k-1

I为单位矩阵；

设置系统初始值为

但P₀矩阵内的值不能全为0，由于Q_k取决于w_k，可将Q_k设为

q作为常数可根据具体情况设定；由于r_k取决于v_k，与测量效果与仪器的精度有关，r_k可设为常量。

2.根据权利要求1所述的基于环境感知与信号系统的列车自动控制方法，其特征在于，步骤S4中，ATS系统中预存有轨道湿滑指数范围与加速度、制动率等级以及运行等级的对应关系表。

3.根据权利要求1所述的基于环境感知与信号系统的列车自动控制方法，其特征在于，将气象数据中各数据作为变量，通过函数闭环控制模型进行模拟和实验，通过调整参数和权重进行模型的优化，计算轨道湿滑指数。

4.根据权利要求1所述的基于环境感知与信号系统的列车自动控制方法，其特征在于，实时预估雨量包括累计预估雨量和分钟级预估雨量。

5.根据权利要求1所述的基于环境感知与信号系统的列车自动控制方法，其特征在于，

如果在k时段不更新，观测到的值依旧为y_k-1，则：

Images