一种高速列车辅助驾驶控制方法及系统技术方案

本发明专利技术公开一种高速列车辅助驾驶控制方法及系统，该方法包括构建高速列车操纵过程端

【技术实现步骤摘要】
一种高速列车辅助驾驶控制方法及系统


[0001]本专利技术涉及辅助驾驶控制
，特别是涉及一种高速列车辅助驾驶控制方法及系统。

技术介绍

[0002]高速列车辅助驾驶系统是保证列车高速平稳运行的关键，也是未来智能高速铁路发展的核心技术之一。在高速列车的驾驶任务中，无论是辅助驾驶系统还是更高级别的智能驾驶系统，对控制策略实时且精准的预测成为重中之重。然而，随着高速列车的快速发展，在高速列车操纵过程中，驾驶员从人机界面上可获取的信息有限，无法有效应对内外部未知扰动影响，同时，由于高速列车运行环境复杂多变，操纵过程多取决于驾驶员的个人经验、专业知识、工作能力，一旦驾驶员操纵技术水平参差不齐，面对同一操作任务时，其表现必然会有很大差异，这在一定程度上将影响列车运行的安全性、准点性、舒适性和停车准确性。如果不考虑高速列车自身状态和驾驶员状态，没有对控制策略的正确预测，则控制列车将无从谈起。如何让高速列车辅助驾驶系统精确地理解驾驶员状态、智能预测控制策略成为未来列控系统发展的一大挑战。
[0003]对于高速列车操纵过程的建模，相关研究人员提出了机理分析和数据驱动的预测方法。由于司机操纵的牵引及制动手柄级位变化具有高度非线性的特点，目前的控制输入模型也往往都是在忽略列车操作过程中的某些因素而建立的，因此很难准确可靠地描述高速列车复杂的操纵特性。针对当前高速列车操纵过程中存在的问题, 一些研究者提出采用面向边缘计算的数据驱动建模方法来建立更加精确的模型。上述研究虽然都采用了边
‑
云协同的思路，但其面向边缘计算的算法模型却相对简单，这在一定程度上限制了实际应用效果。随着人工智能的发展，深度学习得到重视，其中长短期记忆网络(long short
‑
term memory，LSTM)特别适用于复杂时间序列数据的处理。相关学者采用LSTM对大数据特征进行分析，利用边缘计算实现并行计算，提高工业电气设备识别效率；利用LSTM网络实现短期地铁客流量和交通流量的预测。但由于高速列车运行过程数据多样且特性复杂，上述传统LSTM网络模型很难直接用于高速列车运行过程中辅助驾驶控制策略的预测。

技术实现思路

[0004]本专利技术的目的是提供一种高速列车辅助驾驶控制方法及系统，可提高高速列车运行过程中辅助驾驶控制策略预测的准确性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种高速列车辅助驾驶控制方法，包括：
[0007]构建高速列车操纵过程端
‑
边
‑
云协同系统；所述高速列车操纵过程端
‑
边
‑
云协同系统包括用于里程和坡度的采集、存储和传输的端层；用于列车牵引制动力、列车牵引制动级位和列车运行速度的采集、存储和传输并基于获取的数据和下载的高速列车操纵过程预测模型来在线确定高速列车辅助驾驶控制策略的边缘层以及用于基于大量历史数据离线
构建高速列车操纵过程模型供边缘层下载，并接收备份来自端层及边缘层的工况信息及处理结果供后期调用的云层；所述工况信息包括：列车运行状态信息和线路状态信息；所述处理结果包括列车运行速度预测结果、列车牵引制动级位预测结果；
[0008]基于高速列车操纵过程速度变化机理特性及级位变化机理特性的动态分析，构建速度及级位机理特性模型；
[0009]根据从高速列车操纵过程端
‑
边
‑
云协同系统中获取的列车及线路数据、速度及级位机理特性模型和LSTM神经网络结构确定基于LSTM的高速列车辅助驾驶控制策略预测模型；
[0010]边缘层结合实时采集到的数据及端层所获取的数据，利用从云层下载的基于大量历史数据离线建立好的基于LSTM的高速列车辅助驾驶控制策略预测模型确定高速列车辅助驾驶控制策略，并通过5G网络发送至车载边缘计算节点进行辅助驾驶控制。
[0011]可选地，所述基于高速列车操纵过程速度变化机理特性及级位变化机理特性的动态分析，构建速度及级位机理特性模型，具体包括以下公式：
[0012]；
[0013]式中，s，e，t，m分别为列车运行速度、列车牵引制动级位、时间及线路里程，为列车总质量，和 为列车牵引手柄级位和制动手柄级位，和分别为列车牵引和制动的标志位系数，和列车牵引力和制动力，与，s和有关，表示弯道阻力；表示空气阻力；为列车手柄级位特性，与，，和有关。
[0014]可选地，所述根据从高速列车操纵过程端
‑
边
‑
云协同系统中获取的列车及线路数据、速度及级位机理特性模型和LSTM神经网络结构确定基于LSTM的高速列车辅助驾驶控制策略预测模型，具体包括：
[0015]利用公式确定遗忘门信息更新过程；
[0016]利用公式确定输入门信息更新过程；
[0017]利用公式确定当前细胞更新过程；
[0018]利用公式确定输出门信息更新过程；
[0019]式中，为遗忘门输出；为激活函数；为前一隐藏状态，为当前输入；和分别为输入项到遗忘门的权重和偏置，为输入门sigmoid函数输出；为输入门tanh函数输出；和为输入项到输入门的权重，和为输入项到输入门的偏置，为当前细胞状态；为前一细胞状态，为输出门sigmoid函数输出；为当前隐藏状态；和分别为输入项到输出门的权重和偏置。
[0020]可选地，所述基于LSTM的高速列车辅助驾驶控制策略预测模型为：
[0021]；
[0022]式中，为输出，输出为列车运行速度以及列车牵引制动级位，为输入同输出之间的非线性关系，输入为列车运行速度、列车牵引制动级位、线路坡度、线路里程、列车牵引力及制动力。
[0023]可选地，所述根据从高速列车操纵过程端
‑
边
‑
云协同系统中获取的列车及线路数据、速度及级位机理特性模型和LSTM神经网络结构确定基于LSTM的高速列车辅助驾驶控制策略预测模型，之后还包括：
[0024]利用公式确定不同输入下基于LSTM的高速列车辅助驾驶控制策略预测模型的均方根误差值RMSE；
[0025]式中，为测试数据的总数量；和分别为时刻的预测值及其对应的实际值。
[0026]一种高速列车辅助驾驶控制系统，包括：
[0027]协同系统构建模块，用于构建高速列车操纵过程端
‑
边
‑
云协同系统；所述高速列车操纵过程端
‑
边
‑
云协同系统包括用于里程和坡度的采集、存储和传输的端层、用于列车牵引制动力、列车牵引制动级位和列车运行速度的采集、存储和传输并基于获取的数据和下载的高速列车操纵过程预测模型来在线确定高速列车辅助驾驶控制策略的边缘层以及用于基于大量历史数据离线构建高速列车操纵过程模型供边缘层下载，并接收备份来自端层及边缘层的工况信息及处理结果供后期调用的云层；所述工况信息包括：列车运行状态信息和线路状态信息；所述处理结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速列车辅助驾驶控制方法，其特征在于，包括：构建高速列车操纵过程端
‑
边
‑
云协同系统；所述高速列车操纵过程端
‑
边
‑
云协同系统包括用于里程和坡度的采集、存储和传输的端层、用于列车牵引制动力、列车牵引制动级位和列车运行速度的采集、存储和传输并基于获取的数据和下载的高速列车操纵过程预测模型来在线确定高速列车辅助驾驶控制策略的边缘层以及用于基于大量历史数据离线构建高速列车操纵过程模型供边缘层下载，并接收备份来自端层及边缘层的工况信息及处理结果供后期调用的云层；所述工况信息包括：列车运行状态信息和线路状态信息；所述处理结果包括列车运行速度预测结果、列车牵引制动级位预测结果；基于高速列车操纵过程速度变化机理特性及级位变化机理特性的动态分析，构建速度及级位机理特性模型；根据从高速列车操纵过程端
‑
边
‑
云协同系统中获取的列车及线路数据、速度及级位机理特性模型和LSTM神经网络结构确定基于LSTM的高速列车辅助驾驶控制策略预测模型；边缘层结合实时采集到的数据及端层所获取的数据，利用从云层下载的基于大量历史数据离线建立好的基于LSTM的高速列车辅助驾驶控制策略预测模型确定高速列车辅助驾驶控制策略，并通过5G网络发送至车载边缘计算节点进行辅助驾驶控制。2.根据权利要求1所述的一种高速列车辅助驾驶控制方法，其特征在于，所述基于高速列车操纵过程速度变化机理特性及级位变化机理特性的动态分析，构建速度及级位机理特性模型，具体包括以下公式：；式中，s，e，t，m分别为列车运行速度、列车牵引制动级位、时间及线路里程，为列车总质量，和 为列车牵引手柄级位和制动手柄级位，和分别为列车牵引和制动的标志位系数，和列车牵引力和制动力，与，s和有关，表示弯道阻力；表示空气阻力；为列车手柄级位特性，与，，和有关。3.根据权利要求1所述的一种高速列车辅助驾驶控制方法，其特征在于，所述根据从高速列车操纵过程端
‑
边
‑
云协同系统中获取的列车及线路数据、速度及级位机理特性模型和LSTM神经网络结构确定基于LSTM的高速列车辅助驾驶控制策略预测模型，具体包括：利用公式确定遗忘门信息更新过程；利用公式确定输入门信息更新过程；利用公式确定当前细胞更新过程；利用公式确定输出门信息更新过程；式中，为遗忘门输出；为激活函数；为前一隐藏状态，为当前输入；和分
别为输入项到遗忘门的权重和偏置，为输入门sigmoid函数输出；为输入门tanh函数输出；和为输入项到输入门的权重，和为输入项到输入门的偏置，为当前细胞状态；为前一细胞状态，为输出门sigmoid函数输出；为当前隐藏...

【专利技术属性】
技术研发人员：杨辉，王长远，江明，谢春华，李智宇，张坤鹏，周艳丽，付雅婷，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：