具有未知时变参数城轨列车的精准停车鲁棒控制

列车运行情况复杂多变,使得列车质量、基本运行阻力及线路状况等参数难以精确获得且随着列车运行存在明显的时变特性。列车模型参数的不确定性和时变特性会对列车的精准停车性能产生重要的影响。在动车组多质点动力学模型的基础上,根据Lyapunov再设计方法设计了一种非线性列车鲁棒控制器。该控制器将系统中的不确定性因素视为等价干扰,并设计相应的鲁棒补偿项。根据参数的先验区间,设计的鲁棒补偿项能够抑制模型估计误差,使得列车的位置和速度跟踪误差快速收敛,最终实现精准停车的控制目标;同时,也证明了系统的最终一致有界稳定性。最后,选取城市轨道交通场景进行仿真验证,仿真结果表明:本文提出的控制方法在列车模型参数未知且时变情景下也能实现对期望停车曲线的快速、精确追踪,表现出较强的鲁棒特性。

基于DCNN的ZPW-2000A无绝缘轨道电路故障诊断研究

针对ZPW-2000A无绝缘轨道电路故障发生的多样性和不确定性导致的故障诊断效率低的问题,从故障特征提取和故障分类的角度出发,提出一种基于深度卷积神经网络(DCNN)的轨道电路故障诊断方法。通过故障分析总结出12种轨道电路故障状态,并将不同故障状态下的轨道电路监测数据进行标准化处理,作为DCNN模型的输入。模型采用卷积-池化结构提取轨道电路的关键特征并滤除冗余特征。BP神经网络作为模型的全连接层,并结合Softmax函数进行故障分类。通过k折交叉验证法优化模型结构,确定最佳模型。实验结果表明,采用4层卷积-池化层结构的轨道电路故障诊断模型在诊断准确率方面达到了98.48%,较同为最优模型的长短期记忆网络(LSTM)模型、深度前馈网络(DFN)模型、双向长短时记忆网络模型(BiLSTM)与CNN-LSTM组合模型分别提升了6.06%,6.06%,3.33%与2.27%,训练收敛速度分别快了大约1250、4250、1250与1450次,且训练时的损失波动更小。本研究提升了轨道电路故障诊断效率,为轨道电路的故障诊断任务提供了一种新的有效方法。

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。

Functional safety verification and performance measurement of train-train communication link

The short-range wireless communication technology has advanced considerably and provides the feasibility of train-train(T2T)communication link in the communication-based train control system.The introduction of the T2T link would reduce the headway and improve operational efficiency.Formal methods are system design techniques that use rigorously specified mathematical models to ensure all behaviors work as expected.And it is exactly the functional safety verification needed.Therefore,to deal with the functional safety verification of the T2T link,an untimed colored petri net model is first constructed.Secondly,the verification process is performed.Conclusions can be drawn from the state space report and the computation tree logic queries.Lastly,the model is parameterized,and then data log files are obtained for further performance measurement.Results show that the proposed criteria are satisfied and there are no defects in the basic design requirements.The transmission delay has considered the reconnection,transmission errors and the interruption.The probability of the delay lower than 150 ms accounts for 98.106%,which meets the specification and the previous field test.

基于DBN-MPA-LSSVM的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。首先,将集中监测数据和状态标签输入到DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用MPA智能算法对LSSVM的惩罚因子和核函数参数进行寻优并建立最优MPA-LSSVM诊断模型;最后,将DBN提取的特征样本导入诊断模型进行轨道电路的故障分类识别。DBN-MPA-LSSVM诊断模型充分利用了DBN在特征提取过程中的逐层提取优势以及LSSVM在解决小样本情况下高维模式识别的优势。实验验证与对比分析表明,DBN-MPA-LSSVM模型测试集准确率为98.33%,MPA优化算法较PSO、GWO、GA算法模型诊断准确率分别提高了6.11%、3.89%、3.33%,平均准确率为97.98%,为基于数据驱动的轨道电路故障诊断技术提供了一种新的方法。

基于定性微分对策的列车碰撞防护方法

为满足轨道交通运营中列车与列车安全间隔控制及碰撞防护的需求,利用定性微分对策理论分析了两列车的侧面冲突和追尾碰撞问题,建立了对应的数学模型。将前行列车和后续列车分别定义为逃方和追方,利用微分对策理论推导出追逃列车双方为了达到各自目的所应采取的最优控制策略和界栅图,确定了对策状态空间的捕获区和躲避区。通过计算捕获面积对各影响因素的梯度值,进一步分析了追逃列车双方速度及距离等因素对捕获区面积的影响。结合实例,基于微分对策理论分析,定性地给出了保证列车安全运行、避免故障发生所应采取的措施和方法。本研究方法可为分析不同情况和不同环境下的列车碰撞防护问题提供借鉴。

新工科背景下轨道交通信号与控制专业实践教学模式的改革与探索

针对新工科背景下的轨道交通信号与控制专业人才培养需求,以实践平台建设和制度建设为保障,提出'规范引导促进内涵发展,实践强化拓展外延需求'的人才培养理念,构建'场景-探究-反思-创新'的轨道交通特色场景式实践教学体系。以多形式教学、多样化训练、多渠道实践为手段,基于线上线下相结合的方式,建成开放式'互联网+'工程实践的教学模式。该模式的实施,强化了学科交叉融合,调动了学生自我学习的主动性,提高了学生工程实践创新能力。

新媒体国际论坛暨四川美术学院新媒体艺术系挂牌仪式

“新媒体国际论坛暨四川美术学院新媒体艺术系挂牌仪式”与“媒体与电影的跨学科交往展览”的成功举办为四川美术学院新媒体艺术系未来的发展明确了发展方向,论坛各位专家的发言也丰富了新媒体艺术理论的基础。