CN117734646A - 轨道列车及其循环空气制动方法、装置、设备和存储介质 - Google Patents
轨道列车及其循环空气制动方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117734646A CN117734646A CN202310502886.9A CN202310502886A CN117734646A CN 117734646 A CN117734646 A CN 117734646A CN 202310502886 A CN202310502886 A CN 202310502886A CN 117734646 A CN117734646 A CN 117734646A
- Authority
- CN
- China
- Prior art keywords
- braking force
- sequence
- preset
- rail train
- train
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000011478 gradient descent method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 157
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000116 mitigating effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明公开了一种轨道列车及其循环空气制动方法、装置、电子设备和计算机可读存储介质,涉及轨道列车技术领域,该方法包括:获取轨道列车的运行状态;根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列;根据目标制动力序列,控制轨道列车的空气制动设备;本发明通过以有限集的处理方式缩小求解空间,明确决策空间和决策可行域,满足列车自动驾驶的安全和确定性要求;且加入梯度寻优功能提升A*算法的诱导能力,保证非线性的空气制动过程能及时准确地获取制动力,保证循环空气制动的控制效果。
Description
技术领域
本发明涉及轨道列车技术领域,特别涉及一种轨道列车的循环空气制动方法、装置、电子设备、轨道列车及计算机可读存储介质。
背景技术
目前,轨道列车(如重载货运列车)在大长下坡到运行,需要大量的能量来进行制动,但是当制动能力不足的时候需要采用循环控制制动的方式进行制动。但是这种制动力(如电制力或牵引力)和循环空气制动协同控制的模式,由于线路导致的重力和车钩的物理特性以及空气制动系统的力传递非同步性的共同作用,容易导致纵向力过大的问题,这一问题在重载列车领域尤为明显,使得需要以纵向力最小的方式运行。
然而,现有技术中寻找列车运行循环控制制动期间优化的运行机制方面并不令人满意;因此,如何能够提供轨道列车的循环空气制动方案,在非线性的空气制动过程中,及时准确地获取制动力,保证循环空气制动的控制效果,是现今急需解决的问题。
发明内容
本发明的目的是提供一种轨道列车的循环空气制动方法、装置、电子设备、轨道列车及计算机可读存储介质,以在非线性的空气制动过程中,及时准确地获取制动力,保证循环空气制动的控制效果。
为解决上述技术问题,本发明提供一种轨道列车的循环空气制动方法,包括:
获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;
根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,所述制动力为电制力或牵引力,所述非线性有限集序列为各制动力序列的集合;
利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列;
根据所述目标制动力序列,控制所述轨道列车的空气制动设备。
可选的,所述预设平稳性目标函数为其中,J为所述预设平稳性目标函数,vi为节点i处的速度,Δs为预设节点间隔距离,Δs=si+1-si,si为列车行程中预设节点,i=0,1,2,…,n-1;n为预设节点总数;所述非线性有限集序列包括所述运行位置与已知终止位置之间各节点处的制动力。
可选的,所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列,包括:
根据所述预设约束条件,配置操纵序列;其中,所述操纵序列为U(u0,u1,…,un-1), 为节点i处的制动力,flim(·)为所述预设约束条件对应的约束函数;
根据所述操纵序列,将所述运行状态作为初始状态,配置初始状态序列;其中,所述初始状态序列为(x0,x1,…,xn),所述初始状态为x0,所述初始状态包括运行位置s0和运行速度v0,si+1=si+Δs,sn为已知终止位置,m为所述轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力;
根据所述初始状态序列和所述预设平稳性目标函数对应的梯度下降计算公式,得到所述非线性有限集序列;其中,所述预设平稳性目标函数为所述梯度下降计算公式为/>所述非线性有限集序列为Ω={U(ui,ui+1,…,un-1),ui∈Ωi},Ωi={uΩ,i|uΩ,i=ui+j·▽Ji,j=0,1,2,…,k},Ωi为节点i对应的制动力的集合,k为节点i处的分支个数。
可选的,所述利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列,包括:
根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列;其中,所述启发函数为f*(U)=g*(U)+h*(U),g*(U)为从初始状态x0转移到当前状态xi的代价,h*(U)为从当前状态xi转移到目标状态xn的代价,m为所述轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力,vopt为最优缓解状态的速度;
根据所述预设平稳性目标函数,计算所述非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断所述最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;
若是,则确定最优制动力序列为所述目标制动力序列;
若否,则利用所述最小平稳性目标函数值对应的制动力序列更新所述操纵序列,并执行所述根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列的步骤。
可选的,所述根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列,包括:
令i等于0;
利用所述启发函数,计算当前状态xi对应的全部制动力序列的启发函数值;
利用所述启发函数值最小的制动力序列中的更新操纵序列的ui;
判断i是否小于n-1;
若小于n-1,则令i=i+1,并执行所述利用所述启发函数,计算当前状态xi对应的全部制动力序列的启发函数值的步骤;
若等于n-1,则判断在操纵序列的作用下,目标状态xn的最终速度vn是否在列车缓解速度约束范围内;
若在所述列车缓解速度约束范围内,则将所述操纵序列作为所述最优制动力序列,并执行所述根据所述预设平稳性目标函数,计算所述非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断所述最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值的步骤;
若不在所述列车缓解速度约束范围内,通过g*(U)=g*(U)+f*(U)更新g*(U),并执行所述令i等于0的步骤。
可选的,所述预设约束条件包括列车速度相关制动力约束、线路相关制动力约束、加速度约束、牵引手柄操纵约束和最优缓解状态约束中的至少一项。
可选的,所述预设约束条件包括所述列车速度相关制动力约束、所述线路相关制动力约束、所述加速度约束、所述牵引手柄操纵约束和所述最优缓解状态约束;
所述列车速度相关制动力约束为fi为节点i处的制动力,fT,max(vi)为所述轨道列车所能施加的最大牵引力,fE,max(vi)为所述轨道列车所能施加的最大电制力;
所述线路相关制动力约束为xi为节点i处的位置,fL,max(xi,vi)为所述轨道列车在xi位置处所允许的最大牵引力,fL,min(xi,vi)为所述轨道列车在xi位置处所允许的最小电制力;
所述加速度约束为amin≤ai≤amax;ai为节点i处的加速度,amin为列车最小加速度,amax为列车最大加速度;
所述最优缓解状态约束为vN、sN和fN分别为当前节点的速度、位置和制动力,vg、sg和fg分别为最优缓解状态的速度、位置和制动力,Δ′v、Δ′s和Δ′f为列车允许的速度、位置和制动力的误差范围。
可选的,所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备之前,还包括:
判断所述轨道列车的驾驶模式是否为自动驾驶模式;
若为所述自动驾驶模式,则执行所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备的步骤。
可选的,所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列之前,还包括:
判断所述轨道列车是否处于循环空气制动场景;
若处于所述循环空气制动场景,则执行所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列的步骤。
可选的,所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备之后,还包括:
根据所述轨道列车最新的运行状态,基于最小二乘法对所述轨道列车进行反馈校准。
可选的,所述利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列之后,还包括:
将所述目标制动力序列发送到所述轨道列车的人机交互设备上进行显示。
本发明还提供了一种轨道列车的循环空气制动装置,包括:
获取模块,用于获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;
生成模块,用于根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,所述制动力为电制力或牵引力,所述非线性有限集序列为各制动力序列的集合;
寻优模块,用于利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列;
控制模块,用于根据所述目标制动力序列,控制所述轨道列车的空气制动设备。
本发明还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的轨道列车的循环空气制动方法的步骤。
本发明还提供了一种轨道列车,包括:如上述所述的电子设备。
此外,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的轨道列车的循环空气制动方法的步骤。
本发明所提供的一种轨道列车的循环空气制动方法,包括:获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,制动力为电制力或牵引力,非线性有限集序列为各制动力序列的集合;利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列;根据目标制动力序列,控制轨道列车的空气制动设备;
可见,本发明通过根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列,能够以有限集的处理方式缩小求解空间,明确决策空间和决策可行域的集合,满足列车自动驾驶对于安全和确定性的要求;并且通过利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列,以A*算法为基本框架,加入了梯度寻优功能,提升了A*算法的诱导能力,避免维度灾难的情况发生,从而能够在非线性的空气制动过程中,及时准确地获取制动力,保证循环空气制动的控制效果。此外,本发明还提供了一种轨道列车的循环空气制动装置、电子设备、轨道列车及计算机可读存储介质,同样具有上述有益效果。
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,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种轨道列车的循环空气制动方法的流程图;
图2为本发明实施例所提供的另一种轨道列车的循环空气制动方法的流程示意图;
图3为本发明实施例所提供的另一种轨道列车的循环空气制动方法的迭代寻优过程的流程示意图;
图4为本发明实施例所提供的另一种轨道列车的循环空气制动方法的迭代寻优过程的流程图;
图5为本发明实施例所提供的一种轨道列车的循环空气制动装置的结构框图;
图6为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参考图1,图1为本发明实施例所提供的一种轨道列车的循环空气制动方法的流程图。该方法可以包括:
步骤101:获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度。
具体的,本步骤中的处理器可以获取轨道列车(如重载货运列车)当前的运行状态,运行状态包括轨道列车的运行位置和运行速度。
步骤102:根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,制动力为电制力或牵引力,非线性有限集序列为各制动力序列的集合。
可以理解的是,本实施例中可以采用预先设置的平稳性目标函数(即预设平稳性目标函数),在预设约束条件下,通过梯度下降法,计算得到基于位置域的制动力(如电制力或牵引力)的非线性的有限集序列(即非线性有限集序列),以利用非线性有限集序列计算得到控制轨道列车的空气制动设备所使用的制动力序列(即目标制动力序列)。
对应的,本步骤之前处理器还可以判断轨道列车是否处于循环空气制动场景;若处于循环空气制动场景,则进入步骤102;若不处于循环空气制动场景,则可以结束本流程,或采用其他场景的制动控制方式对应进行制动控制。
具体的,对于本实施例中的预设约束条件的具体数量和内容,可以由设计人员根据实用场景和用户需求自行设置,如预设约束条件可以包括列车速度相关制动力约束,即列车运行过程中所能发挥的最大制动力(如电制力或牵引力)与列车速度等因素相关的约束,如fi为节点i处的制动力,fT,max(vi)为轨道列车所能施加的最大牵引力,fE,max(vi)为轨道列车所能施加的最大电制力;预设约束条件也可以包括加速度约束,即为保证运行过程的安全,列车加速过程和最大加速度和最大减速度的限制约束,如amin≤ai≤amax,ai为节点i处的加速度,amin为列车最小加速度,amax为列车最大加速度;预设约束条件还可以包括线路相关制动力约束,即为保证列车在线路操纵困难或高风险区段(如起伏坡道、长大上/下坡、空气制动施加/缓解区域和岔道等区域)的安全运行,对列车在这些区段的制动力设置限制,如/>xi为节点i处的位置,fL,max(xi,vi)为轨道列车在xi位置处所允许的最大牵引力,fL,min(xi,vi)为轨道列车在xi位置处所允许的最小电制力;预设约束条件还可以包括最优缓解状态约束,即在空气制动过程中,最优缓解状态包括位置、速度和制动力,这三个要素可以根据离线或者在在线的计算得到,为了保证安全性和平稳性,列车的缓解目标应该遵循最优缓解位置构成的约束,如/>vN、sN和fN分别为当前节点的速度、位置和制动力,vg、sg和fg分别为最优缓解状态的速度、位置和制动力,Δ′v、Δ′s和Δ′f为列车允许的速度、位置和制动力的误差范围,即Δ′v、Δ′s和Δ′f可以为列车允许的与最优缓解位置sg处偏差的最大速度、最远位置和最大制动力。预设约束条件可以采用上述任意一个或多个约束组合,也可以采用其他约束,本实施例对此不做任何限制。
需要说明的是,考虑列车运行过程中的整车加速度变化率,加速度变化越快,表征列车运动状态变化越快,车钩状态越不稳定,因此,保证平稳性即获取较小的加速度。也就是说,本实施例中预设平稳性目标函数可以与轨道列车的加速度变化率相关。对于本实施例中预设平稳性目标函数的具体内容,可以由设计人员自行设置,如预设平稳性目标函数J采用如下设置:
上式中,为加速度的变化率,g(x,u)为在位置si的加速度变化率的函数,vi为节点i处的速度,Δs为预设节点间隔距离,Δs=si+1-si,si为列车行程中预设节点,i=0,1,2,…,n-1;n为预设节点总数;非线性有限集序列包括运行位置与已知终止位置之间各节点处的制动力。
根据上式,列车平稳性指标及最优控制理论构造哈密尔顿函数H:
其中,为代价函数对状态变量的偏导,f(s,v)为列车状态转移函数,梯度计算可以如下式所示:
其中,为g(s,v)对位置s的偏导,/>为g(s,v)对速度v的偏导;在控制量u受到控制约束的条件下,可能不再满足/>从而不一定能够求解出最优控制量u*(即最优制动力)。控制量u(即制动力)在受到预设约束条件下,可以满足下式:
也就是说,本实施例中可将满足使哈密尔顿函数H取最小值的u*为确定最优控制量。
由状态方程及上述预设平稳性目标函数J,可以得到如下所示的梯度下降计算公式:
上述梯度计算仅仅对第i个采样点的非线性有限集的生成,空气制动过程包含初始状态x0与目标状态xopt之间的序列。为了实现迭代计算,需要获取初始状态x0到目标状态xopt的有限集序列,因此,需要设置一条初始的制动力操纵序列。此时的仅由初始状态x0与最优缓解点状态xopt连线所得的状态序列计算得到,未考虑约束,有必要对制动力序列进行处理,使其中每个制动力/>都满足控制预设约束条件,处理后的制动力序列为U(u0,u1,…,un-1),制动力ui:/> 为节点i处的制动力,flim(·)为预设约束条件对应的约束函数;得到操纵序列U(u0,u1,…,un-1)后,初始状态x0,间隔为Δs,终止位置为sopt,按照下述方程重新迭代生成一遍初始状态序列(x0,x1,…,xn):
si+1=si+Δs
根据初始状态序列(x0,x1,…,xn)在位置si处的梯度生成制动力集合uΩ,i:
从当前位置si开始,每过一个Δs,从uΩ,i中选取一个ui,组合成一个制动力序列(u0,u1,…,un-1),能获得的所有制动力序列组合即为有限集序列Ω,即非线性有限集序列:
Ω={U(ui,ui+1,…,un-1),ui∈Ωi}
也就是说,本步骤中处理器可以根据预设约束条件,配置操纵序列;其中,操纵序列为U(u0,u1,…,un-1), 为节点i处的制动力,flim(·)为预设约束条件对应的约束函数;根据操纵序列,将运行状态作为初始状态,配置初始状态序列;其中,初始状态序列为(x0,x1,…,xn),初始状态为x0,初始状态包括运行位置s0和运行速度v0,si+1=si+Δs,sn为已知终止位置,/>m为轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力;根据初始状态序列和预设平稳性目标函数对应的梯度下降计算公式,得到非线性有限集序列;其中,预设平稳性目标函数为梯度下降计算公式为非线性有限集序列为Ω={U(ui,ui+1,…,un-1),ui∈Ωi},/>Ωi为节点i对应的制动力的集合,k为节点i处的分支个数。
步骤103:利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列。
可以理解的是,本步骤中处理器可以基于A*算法(一种静态路网中求解最短路最有效的直接搜索方法)的迭代寻优,对于特定的列车运行状态xi,求解预设平稳性目标函数J在位置si处的梯度,生成有限集Ω(即非线性有限集序列),计算有限集Ω中每个制动力序列下的速度,计算每个操纵序列A*算法的代价函数,选择使代价函数最小的序列,判断其是否满足缓解要求,若满足则输出序列,不满足选取该最优序列在位置si处的制动力ui,使状态xi前进至状态xi+1,再从状态xi+1开始,重复生成有限集和A*算法择优的过程;也就是说,本实施例中基于A*算法的迭代寻优过程,可以将缓解状态约束认为是优化目标的终端约束,利用A*算法在基于位置域的有限集序列内完成端端间的预测,实现空气制动协同控制序列迭代寻优。
具体的,本步骤中处理器可以根据操纵序列,利用A*算法的启发函数,对非线性有限集序列进行迭代寻优,获取最优制动力序列;其中,启发函数为f*(U)=g*(U)+h*(U),g*(U)为从初始状态x0转移到当前状态xi的代价,h*(U)为从当前状态xi转移到目标状态xn的代价,m为轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力,vopt为最优缓解状态的速度。具体的本步骤可以包括如下过程:
S1、代价计算
通过A*算法实现在有限集序列Ω中的寻优过程,A*算法的启发函数为f*(U):f*(U)=g*(U)+h*(U);启发函数f*(U)的设计是A*算法的关键,其包含两部分g*(U)和h*(U)。g*(U)表示从初始状态x0(s0,v0)转移到当前状态xi(si,vi)的代价,初始值为0。h*(U)表示从当前状态xi(si,vi)转移到目标状态xn(sn,vn)的估计代价,是影响A*算法在有限集Ωi中选择制动力ui的重要因素。当前的制动力序列为其中,前(i-1)个制动力分别为为前(i-1)轮A*算法迭代的结果,后(n-i)个制动力需要在有限集中筛选,A*算法每迭代一轮,确认当前(i-1)个采样点的制动力序列/>
估计代价h*(U)的物理含义表征为经过制动力序列U(u0,u1,…,un-1)做功后,从当前状态Xi(si,vi)转移到最佳缓解点位置sn处的速度vn与最佳缓解点速度vopt的差异。估计代价h*(U)可以设置为:
在A*算法的迭代过程,计算有限集中每个制动力序列的启发函数f*(U),选择使启发函数f*(U)最小的制动力序列
S2、状态转移与更新
具体的,可以判断当前状态xi(si,vi)中的i是否为n-1。
若小于n-1,选择使启发函数f*(U)最小的制动力序列中的/>为当前状态采用的制动力,替代初始制动力序列中的ui,从xi(si,vi)前进到xi+1(si+1,vi+1),初始制动力序列由/>迭代为/>重复S1-S3。
若等于n-1,判断在制动力序列作用下,从xn-1(sn-1,vn-1)转移到xn(sn,vn),末速度vn是否满足缓解的速度约束(vmin≤vn≤vmax),即最优状态缓解约束(vg-Δ′v≤vn≤vg+Δ′v),若满足,则进入步骤3,以将制动力序列/>输出;若不满足,则需要进行下一轮迭代过程。当前状态调整为x0(s0,v0),计算在制动力序列/>下的启发函数f*(U),对g*(U)进行迭代:
g*(U)=g*(U)+f*(U)
初始的制动力序列设置为重复S1-S3。
S3、迭代终止条件判断
已知初始状态x0(s0,v0),经过A*算法迭代得到的最优制动力序列即图3中的Li。当前状态设置为x0(s0,v0),参考步骤102再生成基于最优制动力序列/>的有限集Ω,求解有限集中所有制动力序列所对应的状态序列((s0,v0),(s1,v1),…,(sN,vN))及平稳性目标函数值J,若基于/>的平稳性目标函数值仍最小,则/>为最优序列(即目标制动力序列)。若不是最小,当前状态设置为x0(s0,v0),初始制动力序列设置为有限集Ω中使平稳性目标函数值最小的制动力序列,重复S1-S3;也就是说,由于在运行过程中,列车会受到外部干扰,其可能会与最初的最优操纵序列下的运行状态有偏差,此时可以重新迭代,再寻最优操纵序列。相应的,处理器可以根据预设平稳性目标函数,计算非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;若是,则确定最优制动力序列为目标制动力序列;若否,则利用最小平稳性目标函数值对应的制动力序列更新操纵序列,并返回执行根据操纵序列,利用A*算法的启发函数,对非线性有限集序列进行迭代寻优,获取最优制动力序列的步骤。
也就是说,本步骤中处理器可以令i等于0;利用启发函数,计算当前状态xi对应的全部制动力序列的启发函数值;利用启发函数值最小的制动力序列中的更新操纵序列的ui;判断i是否小于n-1;若小于n-1,则令i=i+1,并执行利用启发函数,计算当前状态xi对应的全部制动力序列的启发函数值的步骤;若等于n-1,则判断在操纵序列的作用下,目标状态xn的最终速度vn是否在列车缓解速度约束范围内;若在列车缓解速度约束范围内,则将操纵序列作为最优制动力序列,并执行根据预设平稳性目标函数,计算非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值的步骤;若不在列车缓解速度约束范围内,通过g*(U)=g*(U)+f*(U)更新g*(U),并执行令i等于0的步骤;若最优制动力序列对应的平稳性目标函数值为最小平稳性目标函数值,则确定最优制动力序列为目标制动力序列。
步骤104:根据目标制动力序列,控制轨道列车的空气制动设备。
可以理解的是,本步骤中处理器可以利用目标制动力序列,控制轨道列车的空气制动设备,实现轨道列车的自动驾驶。对应的,本步骤之前处理器还可以判断轨道列车的驾驶模式是否为自动驾驶模式;若为自动驾驶模式,则进入本步104,根据目标制动力序列,控制轨道列车的空气制动设备,如图2所示,处理器可以在确定驾驶模式为自动驾驶模式时,根据目标制动力序列,生成相应的控制指令,以控制轨道列车的空气制动设备;若不为自动驾驶模式,可以直接结束本流程,或将目标制动力序列显示到轨道列车的人机交互设备上,以提供给驾驶人员参考。
进一步的,本实施例中处理器在根据目标制动力序列,控制轨道列车的空气制动设备的之前、过程中或之后,还可以将目标制动力序列发送到轨道列车的人机交互设备上进行显示,以方便驾驶人员查看轨道列车的运行情况。如图2所示,处理器可以在根据目标制动力序列,控制轨道列车的空气制动设备之后,可以将目标制动力序列发送到交互设备(即人机交互设备)上进行显示。
进一步的,如图2所示,本实施例中处理器在根据目标制动力序列,控制轨道列车的空气制动设备之后,可以根据轨道列车最新的运行状态,基于最小二乘法对轨道列车进行反馈校准,以实现轨道列车的闭环控制,
本实施例中,本发明实施例通过根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列,能够以有限集的处理方式缩小求解空间,明确决策空间和决策可行域的集合,满足列车自动驾驶对于安全和确定性的要求;并且通过利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列,以A*算法为基本框架,加入了梯度寻优功能,提升了A*算法的诱导能力,避免维度灾难的情况发生,从而能够在非线性的空气制动过程中,及时准确地获取制动力,保证循环空气制动的控制效果。
基于上述实施例,上述实施例中步骤103的具体过程可以如图4所示,包括:
步骤201:令i等于0。
步骤202:利用A*算法的启发函数,计算当前状态xi对应的全部制动力序列的启发函数值。
其中,本实施例中A*算法的启发函数可以为f*(U)=g*(U)+h*(U),g*(U)为从初始状态x0转移到当前状态xi的代价,h*(U)为从当前状态xi转移到目标状态xn的代价,m为轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力,vopt为最优缓解状态的速度。
步骤203:利用启发函数值最小的制动力序列中的更新操纵序列的ui。
可以理解的是,本步骤中处理器可以选择使启发函数值f*(U)最小的制动力序列中的/>替换更新操纵序列的ui。
步骤204:判断i是否小于n-1;若是,则进入步骤205;若否,则进入步骤206。
其中,本步骤中处理器可以判断当前状态xi(si,vi)中的i小于n-1;若小于n-1,则进入步骤205,使更新i,并进入步骤202,以利用使启发函数值f*(U)最小的制动力序列中的/>替代初始制动力序列中的ui,从xi(si,vi)前进到xi+1(si+1,vi+1),初始制动力序列由/>迭代为/>若等于n-1,则进入步骤206。
步骤205:令i=i+1,并进入步骤202。
步骤206:判断在操纵序列的作用下,目标状态xn的最终速度vn是否在列车缓解速度约束范围内;若否,则进入步骤207;若是,则进入步骤208。
其中,本步骤中处理器可以操纵序列作用下,从xn-1(sn-1,vn-1)转移到目标状态xn(sn,vn),最终速度vn是否在列车缓解速度约束范围内,即vn是否满足速度约束(vmin≤vn≤vmax);若否,则进入步骤207,计算在制动力序列/>下的启发函数f*(U),对g*(U)进行迭代;若是,则进入步骤208。
步骤207:通过g*(U)=g*(U)+f*(U)更新g*(U),并进入步骤201。
步骤208:将操纵序列作为最优制动力序列,根据预设平稳性目标函数,计算非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值。
可以理解的是,本步骤中处理器可以利用上述实施例所提供的预设平稳性目标函数,计算制动力的非线性有限集序列Ω对应的全部制动力序列各自对应的平稳性目标函数值J
步骤209:判断最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;若否,则进入步骤210;若是,则进入步骤211。
其中,本步骤中处理器可以判断最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;若否,则进入步骤210,将初始电制力序列更新为平稳性目标函数值最小的制动力序列,重新迭代;若是,则可以输出确定最优制动力序列为目标制动力序列。
步骤210:利用最小平稳性目标函数值对应的制动力序列更新操纵序列,并进入步骤201。
步骤211:确定最优制动力序列为目标制动力序列。
其中,本步骤中处理器可以将最优制动力序列确定为基于A*算法进行迭代寻优所得到的制动力序列(即目标制动力序列),从而能够进入步骤104,根据目标制动力序列,控制轨道列车的空气制动设备。
相应于上面的方法实施例,本发明实施例还提供了一种轨道列车的循环空气制动装置,下文描述的一种轨道列车的循环空气制动装置与上文描述的一种轨道列车的循环空气制动方法可相互对应参照。
请参考图5,图5为本发明实施例所提供的一种轨道列车的循环空气制动装置的结构框图。该装置可以包括:
获取模块10,用于获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;
生成模块20,用于根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,制动力为电制力或牵引力,非线性有限集序列为各制动力序列的集合;
寻优模块30,用于利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列;
控制模块40,用于根据目标制动力序列,控制轨道列车的空气制动设备。
可选的,预设平稳性目标函数为其中,J为预设平稳性目标函数,vi为节点i处的速度,Δs为预设节点间隔距离,Δs=si+1-si,si为列车行程中预设节点,i=0,1,2,…,n-1;n为预设节点总数;非线性有限集序列包括运行位置与已知终止位置之间各节点处的制动力。
可选的,生成模块20可以包括:
操纵配置子模块,用于根据预设约束条件,配置操纵序列;其中,操纵序列为U(u0,u1,…,un-1), 为节点i处的制动力,flim(·)为预设约束条件对应的约束函数;/>
状态配置子模块,用于根据操纵序列,将运行状态作为初始状态,配置初始状态序列;其中,初始状态序列为(x0,x1,…,xn),初始状态为x0,初始状态包括运行位置s0和运行速度v0,si+1=si+Δs,sn为已知终止位置,m为轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力;
梯度计算子模块,用于根据初始状态序列和预设平稳性目标函数对应的梯度下降计算公式,得到非线性有限集序列;其中,预设平稳性目标函数为梯度下降计算公式为非线性有限集序列为Ω={U(ui,ui+1,…,un-1),ui∈Ωi},/>Ωi为节点i对应的制动力的集合,k为节点i处的分支个数。
可选的,寻优模块30可以包括:
迭代寻优子模块,用于根据操纵序列,利用A*算法的启发函数,对非线性有限集序列进行迭代寻优,获取最优制动力序列;其中,启发函数为f*(U)=g*(U)+h*(U),g*(U)为从初始状态x0转移到当前状态xi的代价,h*(U)为从当前状态xi转移到目标状态xn的代价,m为轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力,vopt为最优缓解状态的速度;
计算判断子模块,用于根据预设平稳性目标函数,计算非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;
确定子模块,用于若为最小平稳性目标函数值,则确定最优制动力序列为目标制动力序列;
更新子模块,用于若不为最小平稳性目标函数值,则利用最小平稳性目标函数值对应的制动力序列更新操纵序列,并向迭代寻优子模块发送启动信号。
可选的,迭代寻优子模块可以包括:
配置单元,用于令i等于0;
计算单元,用于利用启发函数,计算当前状态xi对应的全部制动力序列的启发函数值;
更新单元,用于利用启发函数值最小的制动力序列中的更新操纵序列的ui;
判断单元,用于判断i是否小于n-1;
配置更新单元,用于若小于n-1,则令i=i+1,并向计算单元发送启动信号;
约束判断单元,用于若等于n-1,则判断在操纵序列的作用下,目标状态xn的最终速度vn是否在列车缓解速度约束范围内;
确定单元,用于若在列车缓解速度约束范围内,则将操纵序列作为最优制动力序列,并向计算判断子模块发送启动信号;
代价更新单元,用于若不在列车缓解速度约束范围内,通过g*(U)=g*(U)+f*(U)更新g*(U),并向配置单元发送启动信号。
可选的,预设约束条件包括列车速度相关制动力约束、线路相关制动力约束、加速度约束、牵引手柄操纵约束和最优缓解状态约束中的至少一项。
可选的,预设约束条件包括列车速度相关制动力约束、线路相关制动力约束、加速度约束、牵引手柄操纵约束和最优缓解状态约束;
列车速度相关制动力约束为fi为节点i处的制动力,fT,max(vi)为轨道列车所能施加的最大牵引力,fE,max(vi)为轨道列车所能施加的最大电制力;
线路相关制动力约束为xi为节点i处的位置,fL,max(xi,vi)为轨道列车在xi位置处所允许的最大牵引力,fL,min(xi,vi)为轨道列车在xi位置处所允许的最小电制力;
加速度约束为amin≤ai≤amax;ai为节点i处的加速度,amin为列车最小加速度,amax为列车最大加速度;
最优缓解状态约束为vN、sN和fN分别为当前节点的速度、位置和制动力,vg、sg和fg分别为最优缓解状态的速度、位置和制动力,Δ′v、Δ′s和Δ′f为列车允许的速度、位置和制动力的误差范围。
可选的,该装置还可以包括:
驾驶模式判断模块,用于判断轨道列车的驾驶模式是否为自动驾驶模式;若为自动驾驶模式,则向控制模块40发送启动信号。
可选的,该装置还可以包括:
场景判断模块,用于判断轨道列车是否处于循环空气制动场景;若处于循环空气制动场景,则向生成模块20发送启动信号。
可选的,该装置还可以包括:
反馈校准模块,用于根据轨道列车最新的运行状态,基于最小二乘法对轨道列车进行反馈校准。
可选的,该装置还可以包括:
显示模块,用于将目标制动力序列发送到轨道列车的人机交互设备上进行显示。
本实施例中,本发明实施例通过生成模块20根据运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列,能够以有限集的处理方式缩小求解空间,明确决策空间和决策可行域的集合,满足列车自动驾驶对于安全和确定性的要求;并且通过寻优模块30利用预设平稳性目标函数,基于A*算法对非线性有限集序列进行迭代寻优,获取目标制动力序列,以A*算法为基本框架,加入了梯度寻优功能,提升了A*算法的诱导能力,避免维度灾难的情况发生,从而能够在非线性的空气制动过程中,及时准确地获取制动力,保证循环空气制动的控制效果。
相应于上面的方法实施例,本发明实施例还提供了一种电子设备,下文描述的一种电子设备与上文描述的一种轨道列车的循环空气制动方法可相互对应参照。
请参考图6,图6为本发明实施例所提供的一种电子设备的结构示意图。该电子设备可以包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例所提供的轨道列车的循环空气制动方法的步骤。
具体的,本实施例所提供的电子设备可以具体为轨道列车上设置的电子设备,也可以具体为与轨道列车无线连接的服务器。
相应于上面的电子设备实施例,本发明实施例还提供了一种轨道列车,下文描述的一种轨道列车与上文描述的一种电子设备可相互对应参照。
一种轨道列车,包括:如上述实施例所提供的电子设备。
其中,本实施例所提供的轨道列车可以为重载货运列车。
相应于上面的方法实施例,本发明实施例还提供了一种计算机可读存储介质,下文描述的一种计算机可读存储介质与上文描述的一种轨道列车的循环空气制动方法可相互对应参照。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例所提供的轨道列车的循环空气制动方法的步骤。
该计算机可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
说明书中各个实施例采用递进的方式描述,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。对于实施例公开的装置、电子设备、轨道列车及计算机可读存储介质而言,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。
以上对本发明所提供的一种轨道列车的循环空气制动方法、装置、电子设备、轨道列车及计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (15)
1.一种轨道列车的循环空气制动方法,其特征在于,包括:
获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;
根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,所述制动力为电制力或牵引力,所述非线性有限集序列为各制动力序列的集合;
利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列;
根据所述目标制动力序列,控制所述轨道列车的空气制动设备。
2.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述预设平稳性目标函数为其中,J为所述预设平稳性目标函数,vi为节点i处的速度,Δs为预设节点间隔距离,Δs=si+1-si,si为列车行程中预设节点,i=0,1,2,…,n-1;n为预设节点总数;所述非线性有限集序列包括所述运行位置与已知终止位置之间各节点处的制动力。
3.根据权利要求2所述的轨道列车的循环空气制动方法,其特征在于,所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列,包括:
根据所述预设约束条件,配置操纵序列;其中,所述操纵序列为U(u0,u1,…,un-1), 为节点i处的制动力,flim(·)为所述预设约束条件对应的约束函数;
根据所述操纵序列,将所述运行状态作为初始状态,配置初始状态序列;其中,所述初始状态序列为(x0,x1,…,xn),所述初始状态为x0,所述初始状态包括运行位置s0和运行速度v0,si+1=si+Δs,sn为已知终止位置,m为所述轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力;
根据所述初始状态序列和所述预设平稳性目标函数对应的梯度下降计算公式,得到所述非线性有限集序列;其中,所述预设平稳性目标函数为所述梯度下降计算公式为/>所述非线性有限集序列为Ω={U(ui,ui+1,…,un-1),ui∈Ωi},Ωi为节点i对应的制动力的集合,k为节点i处的分支个数。
4.根据权利要求1所述的循环空气制动方法,其特征在于,所述利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列,包括:
根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列;其中,所述启发函数为f*(U)=g*(U)+h*(U),g*(U)为从初始状态x0转移到当前状态xi的代价,h*(U)为从当前状态xi转移到目标状态xn的代价,m为所述轨道列车的质量,fRamp(si)为坡道阻力,fCurve(si)为弯道阻力,fBasic(vi)为基本阻力,fAir(si,vi)为空气制动系统产生的制动力,vopt为最优缓解状态的速度;
根据所述预设平稳性目标函数,计算所述非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断所述最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值;
若是,则确定最优制动力序列为所述目标制动力序列;
若否,则利用所述最小平稳性目标函数值对应的制动力序列更新所述操纵序列,并执行所述根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列的步骤。
5.根据权利要求4所述的循环空气制动方法,其特征在于,所述根据所述操纵序列,利用所述A*算法的启发函数,对所述非线性有限集序列进行迭代寻优,获取最优制动力序列,包括:
令i等于0;
利用所述启发函数,计算当前状态xi对应的全部制动力序列的启发函数值;
利用所述启发函数值最小的制动力序列中的更新操纵序列的ui;
判断i是否小于n-1;
若小于n-1,则令i=i+1,并执行所述利用所述启发函数,计算当前状态xi对应的全部制动力序列的启发函数值的步骤;
若等于n-1,则判断在操纵序列的作用下,目标状态xn的最终速度vn是否在列车缓解速度约束范围内;
若在所述列车缓解速度约束范围内,则将所述操纵序列作为所述最优制动力序列,并执行所述根据所述预设平稳性目标函数,计算所述非线性有限集序列中全部制动力序列各自对应的平稳性目标函数值,并判断所述最优制动力序列对应的平稳性目标函数值是否为最小平稳性目标函数值的步骤;
若不在所述列车缓解速度约束范围内,通过g*(U)=g*(U)+f*(U)更新g*(U),并执行所述令i等于0的步骤。
6.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述预设约束条件包括列车速度相关制动力约束、线路相关制动力约束、加速度约束、牵引手柄操纵约束和最优缓解状态约束中的至少一项。
7.根据权利要求6所述的轨道列车的循环空气制动方法,其特征在于,所述预设约束条件包括所述列车速度相关制动力约束、所述线路相关制动力约束、所述加速度约束、所述牵引手柄操纵约束和所述最优缓解状态约束;
所述列车速度相关制动力约束为fi为节点i处的制动力,fT,max(vi)为所述轨道列车所能施加的最大牵引力,fE,max(vi)为所述轨道列车所能施加的最大电制力;
所述线路相关制动力约束为xi为节点i处的位置,fL,max(xi,vi)为所述轨道列车在xi位置处所允许的最大牵引力,fL,min(xi,vi)为所述轨道列车在xi位置处所允许的最小电制力;
所述加速度约束为amin≤ai≤amax;ai为节点i处的加速度,amin为列车最小加速度,amax为列车最大加速度;
所述最优缓解状态约束为vN、sN和fN分别为当前节点的速度、位置和制动力,vg、sg和fg分别为最优缓解状态的速度、位置和制动力,Δ′v、Δ′s和Δ′f为列车允许的速度、位置和制动力的误差范围。
8.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备之前,还包括:
判断所述轨道列车的驾驶模式是否为自动驾驶模式;
若为所述自动驾驶模式,则执行所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备的步骤。
9.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列之前,还包括:
判断所述轨道列车是否处于循环空气制动场景;
若处于所述循环空气制动场景,则执行所述根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列的步骤。
10.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述根据所述目标制动力序列,控制所述轨道列车的空气制动设备之后,还包括:
根据所述轨道列车最新的运行状态,基于最小二乘法对所述轨道列车进行反馈校准。
11.根据权利要求1所述的轨道列车的循环空气制动方法,其特征在于,所述利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列之后,还包括:
将所述目标制动力序列发送到所述轨道列车的人机交互设备上进行显示。
12.一种轨道列车的循环空气制动装置,其特征在于,包括:
获取模块,用于获取轨道列车的运行状态;其中,运行状态包括运行位置和运行速度;
生成模块,用于根据所述运行状态和预设约束条件,利用预设平稳性目标函数基于梯度下降法,获取制动力的非线性有限集序列;其中,所述制动力为电制力或牵引力,所述非线性有限集序列为各制动力序列的集合;
寻优模块,用于利用所述预设平稳性目标函数,基于A*算法对所述非线性有限集序列进行迭代寻优,获取目标制动力序列;
控制模块,用于根据所述目标制动力序列,控制所述轨道列车的空气制动设备。
13.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至11任一项所述的轨道列车的循环空气制动方法的步骤。
14.一种轨道列车,其特征在于,包括:如权利要求13所述的电子设备。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的轨道列车的循环空气制动方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502886.9A CN117734646A (zh) | 2023-05-06 | 2023-05-06 | 轨道列车及其循环空气制动方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502886.9A CN117734646A (zh) | 2023-05-06 | 2023-05-06 | 轨道列车及其循环空气制动方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117734646A true CN117734646A (zh) | 2024-03-22 |
Family
ID=90281934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310502886.9A Pending CN117734646A (zh) | 2023-05-06 | 2023-05-06 | 轨道列车及其循环空气制动方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117734646A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507464A (zh) * | 2020-12-21 | 2021-03-16 | 湘潭大学 | 基于改进多目标灰狼算法的货运列车运行曲线优化方法 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
CN113673028A (zh) * | 2021-08-03 | 2021-11-19 | 中汽创智科技有限公司 | 一种速度规划方法、装置、电子设备及存储介质 |
CN114156869A (zh) * | 2021-11-18 | 2022-03-08 | 浙江大学 | 一种电气化铁路参与电力系统频率调节的控制方法 |
CN115524975A (zh) * | 2022-10-24 | 2022-12-27 | 北京理工大学 | 一种针对列车运行的虚拟耦合策略和模型预测控制方法 |
-
2023
- 2023-05-06 CN CN202310502886.9A patent/CN117734646A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507464A (zh) * | 2020-12-21 | 2021-03-16 | 湘潭大学 | 基于改进多目标灰狼算法的货运列车运行曲线优化方法 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
CN113673028A (zh) * | 2021-08-03 | 2021-11-19 | 中汽创智科技有限公司 | 一种速度规划方法、装置、电子设备及存储介质 |
CN114156869A (zh) * | 2021-11-18 | 2022-03-08 | 浙江大学 | 一种电气化铁路参与电力系统频率调节的控制方法 |
CN115524975A (zh) * | 2022-10-24 | 2022-12-27 | 北京理工大学 | 一种针对列车运行的虚拟耦合策略和模型预测控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Limebeer et al. | Optimal control of a formula one car on a three-dimensional track—Part 2: Optimal control | |
CN108734361B (zh) | 拼车订单处理方法和装置 | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
US20230078812A1 (en) | Iterative learning control method for multi-particle vehicle platoon driving system | |
CN110116730B (zh) | 一种车辆制动控制方法、系统、设备和介质 | |
CN109204390B (zh) | 一种基于深度学习的列车控制方法 | |
CN109983479A (zh) | 用于计算神经网络的输出的方法 | |
CN109375510A (zh) | 一种用于高速列车的自适应滑模容错控制方法 | |
CN111143940A (zh) | 车辆滑行能量回收的触发方法、装置、电子设备及存储介质 | |
CN115392111B (zh) | 一种列车追踪控制方法、设备、存储介质 | |
CN111159878A (zh) | 重载列车的加速度模型生成方法及动力学参数模拟方法 | |
CN115520188A (zh) | 节能型车辆速度规划方法、系统、电子设备、存储介质 | |
CN115496201A (zh) | 一种基于深度强化学习的列车精确停车控制方法 | |
CN115271040A (zh) | 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法 | |
CN117734646A (zh) | 轨道列车及其循环空气制动方法、装置、设备和存储介质 | |
CN116339190A (zh) | 基于无参考轨迹模型预测控制的列车运行控制方法 | |
CN115659662A (zh) | 车重的估算方法、装置、存储介质及工程车辆 | |
CN115690202A (zh) | 信息处理方法以及记录介质 | |
CN111260912B (zh) | 车辆编队的处理方法及装置 | |
CN114721272A (zh) | 轨迹跟踪控制方法、装置、设备与计算机可读存储介质 | |
JP7152367B2 (ja) | 車体性能予測方法 | |
CN111832797B (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN115503497A (zh) | 可变权重的预测控制方法、装置、电子设备及存储介质 | |
CN113968263B (zh) | 一种列车运行曲线优化方法、装置及电子设备 | |
CN118072541A (zh) | 混合车辆队列鲁棒数据驱动预测控制方法及装置 |
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 |