CN114030511A - 一种基于运行时验证的列车调度操作危险预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于运行时验证的列车调度操作危险预测方法及系统，先建立列车运行控制参数化模型，然后以线路工程数据、列车运行数据和行车许可终点位置作为输入，计算不变集、流条件以及四种运行状态之间的迁移条件，以对参数化模型进行配置，得到实例化模型。再对实例化模型进行线性化，得到列车运行控制混成自动机模型，最后利用多面体过近似混成自动机可达集计算算法对列车运行控制混成自动机模型进行求解，得到列车运行可达集，根据列车运行可达集确定列车是否会发生危险，进而能够在调度命令下发之前，预测该调度命令是否会导致列车运行的危险，从而提升调度操作的安全性和效率。

Description

一种基于运行时验证的列车调度操作危险预测方法及系统

技术领域

本发明涉及列车调度危险预测技术领域，特别是涉及一种基于运行时验证的列车调度操作危险预测方法及系统。

背景技术

在列车调度操作作业时，会出现进路的取消、变更情况，将会引起列车调车进路的突然缩短或取消，MA(movement authority，行车许可)临时回撤、限速发生变化，可能导致列车发生紧急制动或出现超速、挤岔、出轨等危害行车安全的事故。这些列车调度操作有些是必须下达的(例如前方出现塌方，必须调整进路)，但有些是可以避免或变更命令时机的(例如想提高列车运行效率而改变进路，或者前方预报出现异常天气而认为需要降低最大允许运行速度等)。如果因执行可调整的调度命令(即可以避免或变更命令时机的调度命令)而导致列车出现紧急制动甚至发生危险，则得不偿失。

目前调度员是根据规章制度下发调度命令的，存在规则制度的管控颗粒度大、管理困难，安全隐患大等问题。因此，有必要研制一种方法及系统，能够在调度命令下发之前，预测该调度命令是否会导致列车运行的危险，并将结果报告给调度员，使其能够根据预测结果决定是否执行或调整该调度命令，从而提升调度操作的安全性和效率。

发明内容

本发明的目的是提供一种基于运行时验证的列车调度操作危险预测方法及系统，能够在调度命令下发之前，预测该调度命令是否会导致列车运行的危险，从而提升调度操作的安全性和效率。

为实现上述目的，本发明提供了如下方案：

一种基于运行时验证的列车调度操作危险预测方法，所述危险预测方法包括：

建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

根据所述列车运行可达集确定列车是否会发生危险。

一种基于运行时验证的列车调度操作危险预测系统，所述危险预测系统包括：

参数化模型构建模块，用于建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

实例化模型构建模块，用于获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

线性化模型构建模块，用于对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

运行可达集计算模块，用于利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

危险预测模块，用于根据所述列车运行可达集确定列车是否会发生危险。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明用于提供一种基于运行时验证的列车调度操作危险预测方法及系统，先建立列车运行控制参数化模型，然后以线路工程数据、列车运行数据和行车许可终点位置作为输入，计算不变集、流条件以及四种运行状态之间的迁移条件，以对参数化模型进行配置，得到实例化模型。再对实例化模型进行线性化，得到列车运行控制混成自动机模型，最后利用多面体过近似混成自动机可达集计算算法对列车运行控制混成自动机模型进行求解，得到列车运行可达集，根据列车运行可达集确定列车是否会发生危险，进而能够在调度命令下发之前，预测该调度命令是否会导致列车运行的危险，从而提升调度操作的安全性和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1所提供的危险预测方法的方法流程图；

图2为本发明实施例1所提供的危险预测方法的框架图；

图3为本发明实施例1所提供的危险预测方法的流程框图；

图4为本发明实施例1所提供的参数化模型的示意图；

图5为本发明实施例1所提供的速度-位置曲线的示意图；

图6为本发明实施例1所提供的列车运行控制曲线线性化的示意图；

图7为本发明实施例1所提供的伪状态的状态示意图；

图8为本发明实施例1所提供的线性化模型的示意图；

图9为本发明实施例1所提供的可达集预测结果的示意图；

图10为本发明实施例1所提供的不同参数配置的累计验证时间示意图；

图11为本发明实施例2所提供的危险预测系统的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于运行时验证的列车调度操作危险预测方法及系统，能够在调度命令下发之前，预测该调度命令是否会导致列车运行的危险，从而提升调度操作的安全性和效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

对于列车运行危险的预测，必须保证预测结果的安全性，即保证预测结果是完备的，不会出现预测结果显示安全，而列车实际运行出现危险的情况。目前有些ATS系统(automatic train supervision，列车自动监控系统)可以通过仿真的方式预测调度命令的执行后果。但基于仿真的预测是不完备的，无法保证结果的安全性。运行时验证是一种轻量级的形式化方法，它根据规范(即一组要检查的预期安全属性)计算出系统所有可能的执行轨迹，从而给出系统是否存在可能危险的预测。但现有的运行时验证技术没法处理过于复杂的非线性系统，无法适应对列车运行危险的预测。

为解决以上问题，本实施例提出一种基于运行时验证的列车调度操作危险预测方法。该方法建立了一套基于形式化的列车运行监控器，根据调度作业(即调度员下达调度命令)时列车运行数据及线路工程数据计算列车运行状态可达集，预测列车未来可能的运行状态，判断列车未来是否会发生危险，并对可能的危险发出报警信息。

如图1、图2和图3所示，所述危险预测方法包括：

S1：建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

具体的，根据列车运行控制设计原理进行参数化混成自动机建模，得到列车运行控制参数化模型，由列车运行控制参数化模型生成监控器。如图4所示，其给出了参数化模型的示意图。图4中，ACC(accelerate，加速)代表牵引状态，也可称为加速运行状态；COA(coasting，惰行)代表阻力下惰行状态；SB(service braking，常用制动)代表常用制动状态；EB(emergency braking，紧急制动)代表紧急制动状态。列车运行控制参数化模型包含四个状态：ACC、COA、SB和EB，分别代表列车运行系统的四种列车速度控制模式：牵引、惰行、常用制动和紧急制动。

不变集Inv为列车能够处于当前运行状态的约束条件。牵引状态、阻力下惰行状态和紧急制动状态对应的不变集均为：列车位置大于0，且小于行车许可终点位置和列车速度大于0，即0＜s＜k_eoa&v＞0，其中，s为列车位置，k_eoa为行车许可终点位置，v为列车速度。常用制动状态对应的不变集为：列车位置大于0，且小于行车许可终点位置和列车速度小于0，即0＜s＜k_eoa&v＜0。

流条件Flow为列车在当前运行状态中位置和速度这两个变量的变化方式。牵引状态对应的流条件为：

其中，s为列车位置，v为列车速度，a_tr为牵引加速度，w为列车运行阻力加速度。阻力下惰行状态对应的流条件为：

常用制动状态对应的流条件为：

其中，a_sb为常用制动加速度。紧急制动状态对应的流条件为：

其中，a_eb为紧急制动加速度。

图4中，tran₁...tran₉均为边名称，其表示四种运行状态之间的迁移条件。迁移条件的具体表示参见表1。

表1

表1中，

分别表示位置i对应的牵引速度、惰行速度、常用制动速度和紧急制动速度；∧代表且。

在每一运行状态中，变量s和v根据该运行状态对应的流条件进行变换，同时当变量s和v的值不满足该运行状态对应的不变集的约束时，将强制离开该运行状态。参数化模型会在不同运行状态中按照当前运行状态对应的流条件更新列车状态参数s和v，同时当列车运行状态参数满足一定条件时会进行模型状态的转换。模型状态转移具体描述如下：

在列车处于牵引状态时，当列车在当前位置下的列车速度大于当前位置对应的牵引速度而小于当前位置对应的常用制动速度时，即当变量s和v满足迁移条件1(trans₁)时，则模型状态迁移到阻力下惰行状态；当列车在当前位置下的列车速度大于或等于当前位置对应的常用制动速度而小于当前位置对应的紧急制动速度时，即当变量s和v满足迁移条件4(trans₄)时，则模型状态迁移到常用制动状态；当列车在当前位置下的列车速度大于或等于当前位置对应的紧急制动速度时，即当变量s和v满足迁移条件5(trans₅)时，则模型状态迁移到紧急制动状态。

在列车处于阻力下惰行状态时，当列车在当前位置下的列车速度小于当前位置对应的惰行速度时，即当变量s和v满足迁移条件2(trans₂)时，则模型状态迁移到牵引状态；当列车在当前位置下的列车速度大于或等于当前位置对应的常用制动速度时，即当变量s和v满足迁移条件7(trans₇)时，则模型状态迁移到常用制动状态；当列车在当前位置下的列车速度大于或等于紧急制动速度时，即当变量s和v满足迁移条件9(trans₉)时，则模型状态迁移到紧急制动状态。

在列车处于常用制动状态时，当列车在当前位置下的列车速度小于当前位置对应的牵引速度时，即当变量s和v满足迁移条件3(trans₃)时，则模型状态迁移到牵引状态；当列车在当前位置下的列车速度大于当前位置对应的惰行速度而小于当前位置对应的常用制动速度时，即当变量s和v满足迁移条件6(trans₆)时，则模型状态迁移到阻力下惰行状态；当列车在当前位置下的列车速度大于或等于紧急制动速度时，即当变量s和v满足迁移条件8(trans₈)时，则模型状态迁移到紧急制动状态。

在建立列车运行控制参数化模型时，依据EBI曲线、SBI曲线和COA曲线确定四种运行状态之间的迁移条件，EBI曲线为根据紧急制动加速度所绘制的速度-位置曲线，SBI曲线为根据常用制动加速度所绘制的速度-位置曲线，COA曲线为根据列车运行阻力加速度所绘制的速度-位置曲线。

具体的，计算进入牵引状态、惰行状态、常用制动状态和紧急制动状态的迁移条件(tran₁-tran₉)基于如下模型实现：根据列车调度指令获得列车行车许可终点(EOA，endofauthority)位置，即允许列车到达的最远位置，且该最远位置期望列车速度为零。根据发出调度指令时的列车运行数据即可得到初始位置和初始速度。进而基于初始位置、初始速度、最远位置、最远位置速度为零以及紧急制动加速度所绘制的速度-位置曲线即为EBI曲线。基于初始位置、初始速度、最远位置、最远位置速度为零以及常用制动加速度所绘制的速度-位置曲线即为SBI曲线。基于初始位置、初始速度、最远位置、最远位置速度为零以及列车运行阻力加速度所绘制的速度-位置曲线即为COA曲线。速度-位置曲线指的是列车运行过程中速度与位置的关系曲线。EBI曲线、SBI曲线和COA曲线如图5所示。

另外，假设列车以紧急制动的控制状态运行至EOA位置，可以得到一条速度-位置曲线，该曲线则为EBI曲线，如果列车速度超过该曲线则必须实施紧急制动，否则会发生越过EOA的危险。同理，列车以常用制动的控制状态运行至EOA，产生的速度-位置曲线为列车的SBI曲线。同时，列车运行时速度应不低于某个值，以在规定时间内完成运行计划，低于这一速度则列车应当加速运行，这一速度对应的速度-位置曲线即为列车的COA曲线，COA曲线的计算方式是SBI曲线减去一个固定值，列车运行时的速度-位置曲线期望在SBI曲线与COA曲线之间。基于上述列车运行的控制规则，确定四种运行状态之间的迁移条件，以建立参数化模型。

S2：获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

监控器获取调车所在线路数据输入，即获取线路工程数据，线路工程数据包括线路坡度值和线路限速值。正在进行调度操作的列车将运行数据实时发送给监控器，列车运行数据包括列车位置、速度、ID及列车当前所处的运行状态。调车作业时，调度员会随时调整列车进路，列车MA及线路限速可能随时发生改变，列车将以上改变数据发送给监控器(即参数化模型)。

监控器结合列车运行数据及线路工程数据将参数化模型实例化。实例化方法为：根据获取的EOA位置、线路限速信息、列车的当前速度、位置、列车的最大牵引和制动加速度，计算三种控制状态的速度-距离曲线，即绘制EBI曲线、SBI曲线和COA曲线，以计算出参数化模型中不变集、流条件和迁移条件中的参数取值，从而将参数化模型中的参数变为具体的数值，得到实例化模型。

S3：对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

实例化模型为连续非线性模型，目前无法使用传统混成自动机解决非线性问题，为快速计算出非线性模型的可达集，本实施例利用PLOA算法(piecewise linear over-approximation，分段过近似)将实例化模型分段线性化。具体的，S3可以包括：

(1)利用PLOA算法分别对EBI曲线、SBI曲线和COA曲线进行分段线性化，得到EBI曲线、SBI曲线和COA曲线分别对应的多段线性函数；

具体的，以任一曲线为例介绍该PLOA算法。如图6所示，列车运行控制s-v曲线(EBI曲线、SBI曲线和COA曲线)为非线性二次函数曲线，假设将该曲线线性化处理为三段线性化线段，则先从列车初始位置至EOA位置之间等间隔地取两个分段点，并用直线连接分段点，即可组成三段线性化线段，其中0-h1为f₁，h1-h2为f₂，h2-s_EOA为f₃，且s(0，h1)＝s(h1，h2)＝s(h2，s_EOA)。s(0，h1)指的是0到h1之间的距离。

基于上述原理，PLOA算法的实现过程如下：用n个分段点作为线性分段的连接点，将制动过程的速度-位置曲线在位置的维度上分割为等距离的(n+1)段，即在速度-位置曲线中将位置等分，找出分段点对应在曲线上的位置，定为曲线的分割点。令f(s)为EBI/SBI/COA曲线，(S₁，V₁)，...(S_n，V_n)为分段点，S₁＜S₂＜...＜S_n为分段位置，V_max为最大允许速度，最大允许速度是同一位置中线路限速和曲线速度二者的较小值。f(s)可用以下分段线性函数f_L(s)进行线性化转换，其中，

利用上述公式，即可将每一速度-位置曲线均划分为n+1段线性化线段，并可计算每一线性化线段的线性函数。

(2)为描述线性化模型，增加了一种特殊状态：伪状态，并为每一段线性函数引入伪状态，即每一线性函数对应一个伪状态。如图7所示，伪状态对应的不变集为：在伪状态中的停留时间小于预设时间段，即t＜Δt；伪状态对应的流条件为：

其中，s为列车位置；v为列车速度；在伪状态中，变量s和v的取值不发生变化，在伪状态中仅能停留很短的一段时间Δt，之后会强制迁出伪状态。

(3)根据线性函数确定伪状态和四种运行状态之间的迁移条件；

伪状态和四种运行状态之间的迁移条件包括：

在列车处于运行状态时，当列车在运行状态的停留时间大于预设时间段，则迁移至离开当前运行状态时的列车位置所属的对应于当前运行状态的线性函数所对应的伪状态。

在列车处于伪状态时，当列车在伪状态的停留时间大于预设时间段，则依据列车当前速度和列车当前位置迁移至运行状态。

具体的，依据列车当前速度和列车当前位置迁移至运行状态可以包括：以列车当前位置作为输入，基于EBI曲线对应的多段线性函数确定第一速度值，基于SBI曲线对应的多段线性函数确定第二速度值，基于COA曲线对应的多段线性函数确定第三速度值；判断列车当前速度是否大于或等于第一速度值，得到第一判断结果；若第一判断结果为是，则迁移至紧急制动状态；若第一判断结果为否，则判断列车当前速度是否大于或等于第二速度值，得到第二判断结果；若第二判断结果为是，则迁移至常用制动状态；若第二判断结果为否，则判断列车当前速度是否大于或等于第三速度值，得到第三判断结果；若第三判断结果为是，则迁移至阻力下惰行状态；若第三判断结果为否，则迁移至牵引状态。

通过上述迁移条件，即可实现伪状态与四种运行状态之间的迁移。需要说明的是，在每一运行状态下，仍然按照该运行状态对应的流条件更新列车位置和列车速度。

(4)依据伪状态和四种运行状态之间的迁移条件以及伪状态和每一运行状态对应的不变集和流条件，确定列车运行控制混成自动机模型。

列车运行控制混成自动机模型为线性化模型，该线性化模型如图8所示。该线性化模型包括初始状态Init、n个伪状态(Mid1至Midn)和四种运行状态(牵引状态、惰行状态、常用制动状态、紧急制动状态)。伪状态的数量等同于分段函数的分段数量，系统处于伪状态时，列车速度、位置均不发生改变。

在此，给出线性化模型的部分迁移条件，如表2所示。

表2

表2中，j_sbn、k_sbn为线性化SBI曲线第n段曲线的斜率和截距，j_ebn、k_ebn为线性化EBI曲线第n段曲线的斜率和截距，s为距离。

系统处于初始状态时，列车位置s满足s≤h1的迁移条件，对应分段函数f₁(s)，迁入伪状态Mid1，在伪状态内列车速度与位置均不发生改变，经过Δt＝0.1s时间后满足迁移条件Δt≥0.1，u≤j_sb1×s+k_sb1-2，迁入牵引状态ACC，在该状态下，以曲线f₁(s)更新列车速度、位置，在牵引Δt＝0.1s时间后满足迁移条件Δt≥0.1，u≤j_sb1×s+k_sb1-2，迁入牵引状态ACC。模型在不同状态下首先根据当前的速度位置迁入对应的伪状态，在伪状态中根据位置信息判断不同分段函数的使用，再迁入对应的状态。利用如此往复的状态迁移及运算描述列车的加速过程。当列车运行通过第一个线性分段点所处位置后，迁入的伪状态变为Mid2，以曲线f₂(s)更新列车速度、位置，以此类推，直至列车运行至终点，系统迁入最后一个伪状态Mid_n，到达EOA终点。

S4：利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

列车运行可达集即为列车运行位置、速度和时间(s，v，t)的所有可能组合，即计算列车停车前所有可能的速度-位置曲线集合。

S5：根据所述列车运行可达集确定列车是否会发生危险。

对于列车运行可达集中的每一条速度-位置曲线，判断速度-位置曲线是否包含超速或者超过行车许可终点位置的情况；若所有速度-位置曲线都不包含超速或者超过行车许可终点位置的情况，则列车不会出现危险。即若计算得到的列车运行可达集不包含超速或越过EOA的危险状态，则列车运行可达集满足安全约束，可认为从当前状态直至停车，在所有可能运行工况的情况下，列车不会出现危险。若列车运行可达集包含超速或越过EOA的危险状态，则系统会尽可能迅速发起危险警报并将具体危险提示发送至列车运行控制系统。

以下，通过一具体实例对本实施例所述的危险预测方法进行进一步的说明：如下为列车在某一特定初始条件下进行调度作业，利用运行时验证方法的危险预测结果。线路条件如表3所示。

表3

A(m，n)为LPHA模型(linear parametric hybrid automata，线性化参数化混成自动机)配置，m代表分段点个数，n代表状态迁移间隔时间限制，当系统在某状态停留超过ns时迁出该状态。参数m越大，模型线性化以后的结果更接近原始非线性化模型，可达到更好的拟合效果，但由于状态的增多，验证时间增长。参数n越大，在各个状态停留的时间越长，状态迁移次数更少，处于伪状态时间更少，总验证时间更少，但过大的时间分隔会影响模型的线性拟合效果。

以列车运行初始位置为2203m，初始速度为7.2m/s的验证为例，利用运行时验证方法预测列车调车作业时的危险状况，分别为模型配置A(5，0.1)，A(5，0.2)，A(5，0.5)，A(3，0.1)，A(3，0.2)，A(3，0.5)的参数，预测结果如图9所示。

在计算出的可达集中，若是所有情况下列车均在到达EOA前速度为0则判定为安全，否则认为列车未来的运行可能出现危险。图9所示，除第一种A(5，0.1)模型配置条件下预测可达集无危险情况，其余均预测出了可能危险。在预测出危险的前提下，通过向列控系统发出报警，车载收到报警信息后触发紧急制动，及时采取制动措施，使系统导向安全侧，以保证调车作业下列车运行MA及限速临时改变状况下也能安全操作。

在该初始条件下，以上五种参数配置场景下，分别在列车调度时进行实时验证，验证所花费时间曲线及列车运行曲线如图10所示。可见Δt的大小将对验证时间产生较大影响，尤其在Δt＝0.1时将大大增加系统验证时间，分段点的数量也会对验证时间造成一定的影响，分段点数量越多，验证效果越准确，但也会一定程度增大系统验证时间。

当前调度命令的安全保障主要基于规章制度、人工经验或者计算机仿真验证等方法实现，列车调度员在变更进路、下发临时限速或者回撤MA等操作时，难以考虑到所有可能发生的场景，导致结果的安全性无法保证，或者牺牲效率保安全，采用粗放管理办法，禁止可能导致危险的所有操作，这样会降级城轨整体运输效率和对异常情况的处置、恢复能力。运行时验证是一种完备、安全的预测方法。通过建立列车行为模型，可保证预测结果的安全性。通过将预测结果反馈给调度员，保证调度命令的安全性，从而在安全的前提下提升调度效率。但是，由于列车运行控制系统涉及计算、通信与控制这3个方面的高频实时协作，列车运行行为呈现非线性的复杂特征，传统的形式化验证方法存在状态空间爆炸问题。为了降低可达集的计算复杂度而不丧失识别危险状态的能力，本实施例提出了一种用于列车行为模型的过近似线性化算法。本实施例解决了对于复杂列车运行系统中危险的安全、完备预测问题。将该技术用于城轨ATS系统中，作为一个辅助手段判断在调度命令下发前，列车未来是否会发生危险，对可能的危险实施报警。应该本方法后，可有效避免列车触发不必要的紧急制动，并降低危害行车安全的事故发生，对于提升整体调度的安全性和效率具有积极意义和广阔市场前景。

实施例2：

本实施例用于提供一种基于运行时验证的列车调度操作危险预测系统，如图11所示，所述危险预测系统包括：

参数化模型构建模块M1，用于建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

实例化模型构建模块M2，用于获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

线性化模型构建模块M3，用于对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

运行可达集计算模块M4，用于利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

危险预测模块M5，用于根据所述列车运行可达集确定列车是否会发生危险。

本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于运行时验证的列车调度操作危险预测方法，其特征在于，所述危险预测方法包括：

建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

根据所述列车运行可达集确定列车是否会发生危险。

2.根据权利要求1所述的危险预测方法，其特征在于，所述不变集为列车能够处于当前运行状态的约束条件；所述牵引状态、所述阻力下惰行状态和所述紧急制动状态对应的不变集均为：列车位置大于0，且小于所述行车许可终点位置和列车速度大于0；所述常用制动状态对应的不变集为：列车位置大于0，且小于所述行车许可终点位置和列车速度小于0。

3.根据权利要求1所述的危险预测方法，其特征在于，所述流条件为列车在当前运行状态中位置和速度的变化方式；

所述牵引状态对应的流条件为：

其中，s为列车位置；v为列车速度；a_tr为牵引加速度；w为列车运行阻力加速度；

所述阻力下惰行状态对应的流条件为：

所述常用制动状态对应的流条件为：

其中，a_sb为常用制动加速度；

所述紧急制动状态对应的流条件为：

其中，a_eb为紧急制动加速度。

4.根据权利要求1所述的危险预测方法，其特征在于，所述四种所述运行状态之间的迁移条件包括：

在列车处于所述牵引状态时，当列车在当前位置下的列车速度大于当前位置对应的牵引速度而小于当前位置对应的常用制动速度时，则迁移到所述阻力下惰行状态；当列车在当前位置下的列车速度大于或等于当前位置对应的常用制动速度而小于当前位置对应的紧急制动速度时，则迁移到所述常用制动状态；当列车在当前位置下的列车速度大于或等于当前位置对应的紧急制动速度时，则迁移到所述紧急制动状态；

在列车处于所述阻力下惰行状态时，当列车在当前位置下的列车速度小于当前位置对应的惰行速度时，则迁移到所述牵引状态；当列车在当前位置下的列车速度大于或等于当前位置对应的常用制动速度时，则迁移到所述常用制动状态；当列车在当前位置下的列车速度大于或等于紧急制动速度时，则迁移到所述紧急制动状态；

在列车处于所述常用制动状态时，当列车在当前位置下的列车速度小于当前位置对应的牵引速度时，则迁移到所述牵引状态；当列车在当前位置下的列车速度大于当前位置对应的惰行速度而小于当前位置对应的常用制动速度时，则迁移到所述阻力下惰行状态；当列车在当前位置下的列车速度大于或等于紧急制动速度时，则迁移到所述紧急制动状态。

5.根据权利要求1所述的危险预测方法，其特征在于，在建立列车运行控制参数化模型时，依据EBI曲线、SBI曲线和COA曲线确定四种所述运行状态之间的迁移条件；所述EBI曲线为根据紧急制动加速度所绘制的速度-位置曲线；所述SBI曲线为根据常用制动加速度所绘制的速度-位置曲线；所述COA曲线为根据列车运行阻力加速度所绘制的速度-位置曲线。

6.根据权利要求5所述的危险预测方法，其特征在于，所述对所述实例化模型进行线性化，得到列车运行控制混成自动机模型具体包括：

利用PLOA算法分别对所述EBI曲线、所述SBI曲线和所述COA曲线进行分段线性化，得到所述EBI曲线、所述SBI曲线和所述COA曲线分别对应的多段线性函数；

为每一段所述线性函数引入伪状态，所述伪状态对应的不变集为：在所述伪状态中的停留时间小于预设时间段；所述伪状态对应的流条件为：

其中，s为列车位置；v为列车速度；

根据所述线性函数确定所述伪状态和四种所述运行状态之间的迁移条件；

依据所述伪状态和四种所述运行状态之间的迁移条件以及所述伪状态和每一所述运行状态对应的不变集和流条件，确定列车运行控制混成自动机模型。

7.根据权利要求6所述的危险预测方法，其特征在于，所述伪状态和四种所述运行状态之间的迁移条件包括：

在列车处于所述运行状态时，当列车在所述运行状态的停留时间大于所述预设时间段，则迁移至离开当前运行状态时的列车位置所属的对应于当前运行状态的线性函数所对应的伪状态；

在列车处于所述伪状态时，当列车在所述伪状态的停留时间大于所述预设时间段，则依据列车当前速度和列车当前位置迁移至所述运行状态。

8.根据权利要求7所述的危险预测方法，其特征在于，所述依据列车当前速度和列车当前位置迁移至所述运行状态具体包括：

以列车当前位置作为输入，基于所述EBI曲线对应的多段线性函数确定第一速度值，基于所述SBI曲线对应的多段线性函数确定第二速度值，基于所述COA曲线对应的多段线性函数确定第三速度值；

判断列车当前速度是否大于或等于第一速度值，得到第一判断结果；

若所述第一判断结果为是，则迁移至所述紧急制动状态；

若所述第一判断结果为否，则判断列车当前速度是否大于或等于第二速度值，得到第二判断结果；

若所述第二判断结果为是，则迁移至所述常用制动状态；

若所述第二判断结果为否，则判断列车当前速度是否大于或等于第三速度值，得到第三判断结果；

若所述第三判断结果为是，则迁移至所述阻力下惰行状态；

若所述第三判断结果为否，则迁移至所述牵引状态。

9.根据权利要求1所述的危险预测方法，其特征在于，所述根据所述列车运行可达集确定列车是否会发生危险具体包括：

对于所述列车运行可达集中的每一条速度-位置曲线，判断所述速度-位置曲线是否包含超速或者超过所述行车许可终点位置的情况；

若所有所述速度-位置曲线都不包含超速或者超过所述行车许可终点位置的情况，则列车不会出现危险。

10.一种基于运行时验证的列车调度操作危险预测系统，其特征在于，所述危险预测系统包括：

参数化模型构建模块，用于建立列车运行控制参数化模型；所述参数化模型包括四种运行状态中每一所述运行状态对应的不变集和流条件以及四种所述运行状态之间的迁移条件；所述运行状态包括牵引状态、阻力下惰行状态、常用制动状态以及紧急制动状态；

实例化模型构建模块，用于获取发出调度指令时列车所在线路的线路工程数据以及列车运行数据，并根据所述调度指令确定行车许可终点位置；以所述线路工程数据、所述列车运行数据和所述行车许可终点位置作为输入，计算所述不变集、所述流条件以及四种所述运行状态之间的迁移条件，以对所述参数化模型进行配置，得到实例化模型；

线性化模型构建模块，用于对所述实例化模型进行线性化，得到列车运行控制混成自动机模型；

运行可达集计算模块，用于利用多面体过近似混成自动机可达集计算算法对所述列车运行控制混成自动机模型进行求解，得到列车运行可达集；所述列车运行可达集包括根据所述调度指令动作后到列车停止之前所形成的多条速度-位置曲线；

危险预测模块，用于根据所述列车运行可达集确定列车是否会发生危险。

Images