一种基于FURIA的机车智能操纵优化规则归纳方法技术

本发明专利技术涉及一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；骤2、进行速度层数据预处理；步骤3、进行档位层数据预处理；步骤4、进行速度层模糊规则归纳；步骤5、进行档位层模糊规则归纳；步骤6、当次优化参数输入及优化结果计算执行；将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用。

【技术实现步骤摘要】
一种基于FURIA的机车智能操纵优化规则归纳方法
本专利技术涉及一种机车控制方法，尤其涉及一种基于FURIA的机车智能操纵优化规则归纳方法。
技术介绍
近年来随着智能控制系统及产品的发展需求越来越大，关于复杂操纵序列优化问题的研究也越来越普遍。广义上操纵序列是指物体在某一时间段内的所有操作构成的集合，在工业工程领域，人们所关注的是在某些约束条件下，目标物体能够满足某方面的优化性能的最优序列，这个寻优过程称为操纵序列优化。目前国内外众多研究者投入于解决此类问题，解决方法大体分为三类。第一类方法运用数值搜索的方法设计在线或离线算法来求解优化问题。2000年，YakimenkoOA提出直接快速成型的数值算法寻找近似最优的飞行轨迹，并在实际飞机飞行中验证。2010年MiyatakeM,KoH发表了一篇关于最小能耗的火车速度优化问题的文章，在文中提出梯度法、动态规划和顺序二次规划算法来计算出具有最优化的火车操纵序列。除上述在线优化算法外，也有部分学者采用离线搜索的方式来解决此类优化问题，并在在线决策中运用了离线的优化结果。2002年Al-HasanS等人针对天然地形中的无人汽车驾驶线路规划问题，通过if-then的模糊规则以及矩阵结构构建图中的点到其他可达线路的离线知识库，用于在线AStar算法搜索优化线路。数值搜索的算法耗时长，且短时间内无法收敛到最优结果，不适合在线控制系统优化。第二类方法运用解析求解方法求解复杂操纵序列优化问题。2009年P.G.Howlett等人对货运机车在线优化策略的计算进行了研究，他们通过解析求解的方式计算机车在陡坡中运行时，其操纵控制能够达到局部最小能耗的关键转换点来得到全局的优化操纵序列，该方法目前已成功运用于澳大利亚的长途货运机车上。这类方法的主要缺陷是转换点的解析公式推导过程复杂，较难处理多约束条件。第三类方法直接采用在线启发式的人工根据约束条件分析与设计操纵序列优化策略的方法。2008年，BaiY,MaoB等针对货运机车节能优化问题提出了通过启发式的算法来构建一套在线的优化控制系统，实现机车的节能目标。但是这种方式过多地引入人工的分析与设计，极大地降低了策略设计的效率，同时由于人思考范围有限，无法覆盖所有可能的情况，这势必会导致部分有化解遗漏。
技术实现思路
本专利技术的目的是用基于模糊规则归纳的机器学习方法，构建模糊规则集，提供了一个可理解性的相对白盒的优化方法；通过将特征参数模糊化，结合模糊推理理论解决了参数匹配过程中无法遍历所有状态的参数且参数匹配过程中边界划分问题。本专利技术的技术方案是提供了一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。步骤5、进行档位层模糊规则归纳输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；步骤6、当次优化参数输入及优化结果计算执行对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。本发专利技术的有益效果是：本专利技术采用了FURIA分类算法，在技术方案运用基于模糊规则归纳的机器学习方法，构建模糊规则集，提供了一个可理解性的相对白盒的优化方法；通过将特征参数模糊化，结合模糊推理理论解决了参数匹配过程中无法遍历所有状态的参数且参数匹配过程中边界划分问题。同时，两层结构的模糊规则归纳方法相对于其他机器学习方法速度快，提高效率和可用性。整个方案以司机驾驶日志数据为基础，设计针对机车智能操纵的两层架构模型，并利用模糊规则归纳的机器学习方法训练预测模型，即机车操纵的模糊规则库，将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用附图说明图1是基于模糊规则归纳的机车智能操纵优化方法过程示意图；图2是线路分段示意图；图3是某坡段类型下速度变化分段示意图；图4是档位层分段示意图；图5是机车能耗影响因素；图6是速度层模糊规则的属性特征；图7是档位层模糊规则的属性特征；具体实施方式下面结合附图1-7对本专利技术的技术方案进行详述。图1显示的是基于模糊规则归纳的机车智能操纵优化方法过程示意图。该实施例提供了一种基于FURIA的机车智能操纵优化规则归纳方法，该方法具体包括以下步骤：步骤1、对机车行驶线路数据进行分段预处理。机车在不同类型坡度情况下，其驾驶的档位操纵规律不同，在相同或近似的坡度范围内，其驾驶档位操纵规律基本一致，因此可以对具有相同或相似的道路坡段情况进行统一策略学习。因此，需要对机车行驶的整条线路数据进行分段预处理。线路分段预处理针对线路数据的读取以及处理，主要包括两个核心操作：加算坡度计算和线路分段。加算坡度计算主要为线路信息中的坡段、曲线、隧道三种线路对机车叠加所产生的坡度[1]。线路分段主要结合线路的加算坡度和限速信息对整条线路进行分段处理。根据线路加算坡度的不同，对线路进行分类设计，如表1坡段分类所示。表1坡段分类表坡段类型标识坡度范围(单位：千分度)超陡下坡-3小于-5陡下坡-2大于等于-5，小于-3缓下坡-1大于等于-3，小于-1平坡0大于等于-1，小于1缓上坡1大于等于1，小于陡上坡2大于等于3根据加算坡度对线路的分段进行上表所示坡段类型分类之后，将相邻同坡段类型的坡段进行合并，避免坡段过短降低数据的代表性。机车在行驶过程中，需要满足多种约束条件，其中限速是第一项重要的约束条件。对于一条行驶线路会有明确的限速规定。上述线路分段本文档来自技高网...

【技术保护点】
一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。步骤5、进行档位层模糊规则归纳输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；步骤6、当次优化参数输入及优化结果计算执行对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。...

【技术特征摘要】
1.一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则...

【专利技术属性】
技术研发人员：黄晋，杨帆，赵曦滨，刘炎，顾明，孙家广，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11