基于轻制动指令的ATO二次对标跳跃方法优化

[目的]当全自动运行列车第一次停站对标超出开门允许的范围时,需要ATO(列车自动运行)系统自动进行重新准确对标。仅使用牵引和制动指令的传统ATO二次对标方法耗时久,单次移动的距离不能满足性能需求,会影响运营服务。对此,有必要基于轻制动指令对ATO二次对标方法进行优化。[方法]引入车辆在实际运行过程中的牵引系统及空气制动系统延时,分析了仅使用牵引指令和制动指令的传统ATO二次对标方法时单次移动距离超过了1 m的原因,基于轻制动指令对ATO二次对标方法进行优化。优化后的ATO二次对标方法通过提前施加固定级位制动,在停车过程中消除了空气制动延时的影响,使得单次移动的过程仅存在牵引系统的延时,从而缩短了单次移动的距离,满足了ATO二次对标功能的性能需求。对基于轻制动指令优化后的ATO二次对标方法的单次移动距离进行理论计算,验证该方法的可行性。[结果及结论]目前,开门授权精度范围为±0.5 m,二次对标功能必须实现小于1.0 m的列车单次移动距离,才能满足停站精度纠偏的需求。传统ATO二次对标方法中,空气制动系统响应时间和执行时间过长,致使单次移动距离超过了1.0 m,无法满足停站精度纠偏需求。理论计算表明,基于轻制动指令优化后的ATO二次对标方法可以满足列车单次移动小于1.0 m的需求。

基于LSTM(长短期记忆)网络的城市轨道交通列车停站精度预测

城市轨道交通列车进站自动停车过程中常会出现冲标和欠标问题,结合行车日志大数据分析和LSTM(长短期记忆)网络算法,提出了有效的解决方案。首先针对行车日志中大量的列车停车精度历史信息进行大数据分析,按1 d为一个统计周期对数据进行分期,并对数据进行预处理和多类拟合,对比后获得最佳拟合参数的时间序列。然后通过LSTM网络算法构建深度学习模型,对列车进站自动停车精度的分布进行预测。最后基于成都某地铁线列车停车精度的历史数据,对该LSTM预测模型进行训练与验证。结果表明:该预测模型可满足统计学上对相似度大于0.9的要求,从而验证了该模型的有效性和准确性。