一种基于最优控制的高速列车紧急制动信号自动处理装置

摘要

本发明公开了一种基于最优控制的高速列车紧急制动信号自动处理装置，由车速传感器、险情距离/处理时间输入单元、高速列车中控MCU、制动器单元、紧急制动报警及状态显示设备构成；开启车速传感器用于实时测量当前车速后，列车司机将险情距离以及险情处理时间输入险情距离/处理时间输入单元；高速列车中控MCU执行内部的最优控制方法，计算出既能使列车安全通过险情发生地、同时又使列车耽误的时间最短的制动策略；高速列车中控MCU将计算获得的制动策略转换为制动指令，发给制动器单元，同时发出紧急制动报警信号。本发明既能保证高速列车安全通过险情发生地，同时又能使列车耽误的时间最短。

主权项

一种基于最优控制的高速列车紧急制动信号自动处理装置，在列车前方出现紧急状况时能够计算出使列车耽误时间最短的制动策略，并将其作为制动信号加以实施。其特征在于：由车速传感器、险情距离/处理时间输入单元、高速列车中控MCU、制动器单元、紧急制动报警及状态显示设备构成，各组成部分均由车内数据总线连接。所述装置的运行过程包括：步骤A1：开启车速传感器用于实时测量当前车速；步骤A2：列车司机将险情距离以及险情处理时间输入险情距离/处理时间输入单元；步骤A3：高速列车中控MCU执行内部的最优控制方法，计算出既能使列车安全通过险情发生地、同时又使列车耽误的时间最短的制动策略；步骤A4：高速列车中控MCU将计算获得的制动策略转换为制动指令，发给制动器单元，同时发出紧急制动报警信号。所述的高速列车中控MCU，包括信息采集模块、初始化模块、常微分方程组（Ordinary Differential Equation，简称ODE）求解模块、收敛性判断模块、动态参数更新模块、非线性规划问题（Non‑linear Programming，简称NLP）求解模块、控制指令输出模块。其中信息采集模块包括险情距离采集、险情处理时间采集、当前车速采集三个子模块，NLP求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。所述的高速列车中控MCU自动产生制动信号的最优控制方法为控制变量参数化（Control variable parameterization，简称CVP）方法，运行步骤如下：步骤B1：信息采集模块（31）获取从险情距离/处理时间输入单元输入到中控MCU的设定值，以及从车速传感器输入到中控MCU的当前车速值。执行从 步骤B2开始的最优控制方法——CVP方法；步骤B2：初始化模块（32）开始运行，设置制动过程时间的分段数、制动策略的初始猜测值F(k)(t)，设定计算精度tol，将迭代次数k置零；步骤B3：通过ODE求解模块（33）获取本次迭代的目标函数值J[F(k)(t)]和约束函数值。当k=0时跳过步骤B4直接执行步骤B5；步骤B4：如果J[F(k)(t)]与上一次迭代的目标函数值J[F(k‑1)(t)]的绝对值之差小于精度tol，则判断收敛性满足，并将本次迭代的制动策略作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤B5；步骤B5：更新相关动态参数：用F(k)(t)的值覆盖F(k‑1)(t)的值，并将迭代次数k增加1；步骤B6：NLP求解模块（36）利用在步骤B3中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比F(k‑1)(t)更优的新制动策略F(k)(t)。该步骤执行完成后再次跳转至步骤B3，直至收敛性判断模块（34）满足为止。所述的ODE求解模块，采用的方法为四步Adams方法，计算公式为： x 1 ( t i + 1 ) = x 1 ( t i ) + h 24 [ 55 x 2 ( t i ) - 59 x 2 ( t i - 1 ) + 37 x 2 ( t i - 2 ) - 9 x 2 ( t i - 3 ) ] x 2 ( t i + 1 ) = x 2 ( t i ) + h 24 [ 55 F ( t i ) - 59 F ( t i - 1 ) + 37 F ( t i - 2 ) - 9 F ( t i - 3 ) ] 其中t表示时间，ti表示Adams方法选择的制动过程中某一时间点，ti‑1表示在Adams方法中选择的ti的前一时间点，ti+1表示在Adams方法中选择的ti的后一时间点，以此类推。积分步长h为任意两相邻时间点之差。x1(ti)表示列车在ti时刻的行驶距离，x2(ti)表示列车在ti时刻的行驶速度，F(ti)表示在ti时刻的制动力。所述的NLP求解模块，采用如下步骤实现：步骤C1：将制动策略F(k‑1)(t)作为向量空间中的某个点，记作P1，P1对应的目标函数值就是J[F(k‑1)(t)]；步骤C2：从点P1出发，根据选用的NLP算法构造向量空间中的一个寻优方向d(k‑1)和步长α(k‑1)步骤C3:通过式F(k)(t)=F(k‑1)(t)+α(k‑1)d(k‑1)构造向量空间中对应u(k)的另外一个点P2，使得P2对应的目标函数值J[F(k)(t)]比J[F(k‑1)(t)]更优。