北斗导航RAIM技术在列车定位的应用研究

全球卫星导航系统的定位完好性监测直接关系到列车的运行安全,由于可见卫星数目不足会导致列车无法准确定位,采用接收机自主完好性监测技术RAIM(Receiver Autonomous Integrity Monitoring)能够对短时期内卫星空间几何分布进行预测,并检测出卫星故障,有效提高列车运行安全。本文针对列车运行过程中的特殊性,定义沿股道方向的水平保护级别ATPL(Along Track Protect Level),并与传统的水平保护级别HPL(Horizontal Protect Level)进行比较,分别用试验数据与青藏铁路实测数据进行验证,ATPL预测值在5.8~15m之间,而HPL预测值在9~35m之间,ATPL算法误差相对较小,能够满足中低密度铁路的完好性检测要求。在卫星故障检测中,本文利用卡方检验的方法确定检验阈值,经过青藏线数据验证,检验统计量均在检验阈值以下,位置精度因子值小于4.05,定位结果较好,表明本文所研究的RAIM技术可以有效提高列车定位结果的可靠性。

基于CS-BP的列车卫星定位欺骗干扰检测方法

随着列车运行控制模式车载自主化、系统智能化发展需求的不断深化,新型列车运行控制系统的设计与运用对列车测速定位自主性、可信性的需求愈发显著。全球导航卫星系统因其具备覆盖范围广、定位精度高、全天候等优势,成为新型列车控制系统实施列车自主定位的重要发展应用方向。卫星导航系统存在显著脆弱性,来自铁路沿线运行环境的干扰会对列车定位感知性能形成严重威胁,因此,准确、及时检测并识别干扰的发生是实施有效防护并确保列车运行安全的关键。欺骗式干扰通过信号转发或者定制生成虚假卫星信号信息,可诱骗接收机终端使其解算出错误的定位结果,具有复杂性、隐蔽性和危害性,对特定设备的影响极大。基于此,研究并提出一种列车卫星定位欺骗干扰检测方法。首先,分析列车卫星定位面临的欺骗干扰特征;其次,提取对欺骗干扰敏感的观测量构建典型特征量;然后,设计包括样本集构建、离线模型训练、在线检测识别等环节的欺骗干扰检测总体方案,提出基于布谷鸟搜索算法改进BP神经网络的卫星定位欺骗干扰检测模型构建方法;最后,搭建列车卫星定位欺骗干扰测试环境,采用多种观测信息及特征实施干扰样本的CS-BP模型训练并将其用于识别特定形式欺骗干扰的存在与特征,结合不同类型欺骗干扰注入测试对所提出检测方法的性能进行验证与对比。研究结果表明:布谷鸟搜索策略能够扩大搜索范围,跳出局部最优并实现快速迭代收敛,且收敛寻优性能受参数条件影响较小;基于布谷鸟搜索改进BP神经网络的建模方法相对常规地图匹配残差门限检测及代表性机器学习方法具有更优建模性能,对不同种类卫星定位欺骗干扰模式的检测准确率更为稳定,在时间敏感度、精确度、F1分数等方面更具优势。研究成果对列车卫星定位及其应用的欺骗干扰检测与干扰防护具有重要支撑意义,可为新型列控系统中卫星定位感知技术的可信应用提供有效途径,能够减少设置应答器、轨道电路等轨旁设备,有效降低建设及维护成本,有效提升车载设备应对复杂定位观测环境的自主性、灵活性及安全性。

基于样本增强的列车卫星定位伪距欺骗检测方法

基于卫星导航的列车自主定位是列车控制系统等铁路关键装备的重要技术方向。然而,列车卫星定位面临诸多挑战,除信号可视性问题和多径效应之外,来自系统外部的蓄意欺骗等干扰攻击,会对定位功能及性能产生直接威胁。为此,本文以基于全球导航卫星系统(GNSS)的列车定位面临的伪距欺骗这一典型干扰模式为对象,研究并提出一种基于样本增强的伪距欺骗主动检测方法。该方法运用Wasserstein生成式对抗网络(WGAN)解决受欺骗干扰样本数据不均衡问题,利用扩充的数据集训练检测模型,并引入自注意力(SA)机制优化来自不同接收机输入特征之间的相对位置关系,采用生成式对抗学习思想形成一套完整的列车卫星定位伪距欺骗干扰检测方案。由列车卫星定位欺骗干扰注入测试结果可知,提出的方法能够充分运用生成式对抗网络思想解决受欺骗样本的典型受限问题,融合自注意力机制所得检测性能显著优于载噪比检测和代表性机器学习算法等常规检测方案;对建模样本未覆盖特征具备良好的适应能力,具有更优的检测精度和鲁棒性,在多个伪距欺骗干扰模式数据集上测试所得F1分数均超过0.99。该方法在欺骗干扰检测性能方面的优势能够为众多卫星导航系统铁路应用提供有力支撑,为有效防范卫星定位在信息安全层面的攻击入侵提供了有利条件。

基于北斗3号PPP-B2b信号的实时精密单点定位方法研究

针对IGS精密产品存在相应时延且在列车长时间高速运行下不便联网下载的问题,研究基于BDS-3提供的PPP-B2b服务的实时PPP方法。基于广播星历和PPP-B2b校正模型获取PPP-B2b实时精密产品,基于PPP模型及模糊度在线解算方法得到实时动/静态PPP结果,并利用实测数据对PPP-B2b轨道及钟差修正量级、实时PPP性能进行分析。20 min实验结果表明:实时动态PPP的北向定位精度为0.4172 m,东向定位精度为0.3041 m;实时静态PPP的北向定位精度为0.1005 m,东向定位精度为0.1741 m。基于PPP-B2b服务的实时PPP具有时效性优势,静态性能优于传统基于IGS精密产品的PPP,动态性能与之相当。

面向新型列控系统的电子轨道地图数据约简方法研究

电子轨道地图是新型列控系统基于卫星导航的列车定位的重要参考源。为满足地图精度高、存储量低的要求,针对轨道线路数据约简方法开展研究。在面向直线表达的线路数据方面,对道格拉斯普克算法和基于线路数据航向角特征约束的约简2种算法的差异性进行比较;在此基础上面向线路数据的直线和曲线混合表达,提出一种基于Clothoid曲线的约简算法。利用曲线DP算法和垂直投影误差要求,得到Clothoid曲线片段,实现轨道圆曲线和直线的分段,提高线路数据的约简率,保障生成地图的精度。为验证提出方法的有效性,选取京沈高铁北票东—阜新北的线路数据进行分析,实验结果表明,基于Clothoid曲线拟合生成的轨道段满足0.5 m垂距精度和0.2 m测量精度,约简率达99.5%,证明提出的方法能够满足新型列控系统电子轨道地图数据约简的要求。

车载中心化的列车进路控制方法研究

车载中心化的列控系统是面向我国西部地区低密度线路的新型列控系统。为满足该列控系统由车载设备自主实现进路控制的需求,基于车载设备控制轨旁对象控制器实现进路资源占用和释放的思想,提出一种车载中心化的列车进路控制方法。首先按照列车进路控制流程,利用有色Petri网建立进路资源征用模型,通过模型仿真分析发现多车进路过程中存在潜在的“赛跑问题”。然后根据列车进路作业原则,提出进路冲突资源分配目标函数,并基于分布式死锁预防方法和可用性检查技术,针对集中式轨旁控制器提出一种进路资源分配算法。最后利用进路资源分配算法修正进路资源征用模型。通过对修正前后模型仿真结果的分析,验证了该算法可以有效避免多车进路控制过程中的“赛跑问题”,并能提升列车进路资源征用效率。

基于GPU的北斗B1宽带复合信号实时发生器设计

为了实现北斗B1C+B1I信号的联合生成,提出一种基于软件无线电和图形处理器(graphics processing unit,GPU)加速的北斗B1宽带复合信号的实时生成方法,该方法针对单边带复数二进制偏移载波(single-sideband complex binary offset carrier,SCBOC)调制方式的信号体制进行设计,系统根据用户配置的接收机运动轨迹和星历文件,生成中频信号并通过射频端发射。为了进一步提升GPU并行运算速度,从优化设备内存结构、设计并行线程架构和统一计算设备架构流(compute unified device architecture stream,CUDA)加速3个方面,设计了基于异步运算的加速采样点数据计算的CUDA优化实现方案。测试结果证明,优化后的算法可以基于SCBOC调制实时生成北斗B1I+B1C信号,基于GTX3060的GPU平台,信号90 M采样率下能实现8颗卫星复合信号的实时生成。

基于等效阻抗模型的应答器下行链路传输性能评估方法研究

为监测和分析应答器传输系统下行链路传输性能,提出一种适用于铁路现场的基于等效阻抗模型的性能评估新方法。对应答器传输系统下行链路传输过程进行建模分析,给出下行链路传输过程等效阻抗模型,提出评估下行链路传输性能的阻抗测量与误差校正方法,引入六项统计参数对阻抗测量结果进行分析。测试结果表明,静态测试时车载天线输入阻抗的模与下行链路信号磁感应强度为增函数关系,而动态测试由于误差校正方式的改变,使得两者变为减函数关系;仿真结果表明,六项统计参数能够用于分析不同列车运行条件和环境下应答器传输系统下行链路传输性能的变化,验证了本文所提方法的正确性与可行性。

列控车载子系统故障时空特性分析及可靠性研究

针对列控车载子系统数据庞杂混乱等特点,引入数据空间模型概念,分别建立列控车载子系统物理空间特征数据模型和时间特征数据模型;以此为依据,设计一种基于时空特性分析的可靠性分析算法,对典型系统及设备可靠性进行分析。结果表明,在物理空间特性方面,少数系统故障率较高,通信等四类故障约占全部故障的74%;在时间特性方面,系统群故障率波动较大,单系统月故障率约10%,故障次数与时间无明显依赖关系;选取的两类设备故障间隔时间均符合威布尔分布,通信设备和继电器设备可靠性下降到50%的时间分别约为200 h和100 h,通信设备可靠性优于继电器设备。本文提出的数据空间模型和时空特性分析能够较好地支持车载子系统的可靠性分析。

列车定位单元ODO故障分析及HMM的应用研究

列车运行过程中车轮会出现打滑抱死等现象,导致ODO(odometers)呈现功能故障状态,针对这一问题,进行了列车定位单元ODO故障分析及HMM(hidden Markov models)的应用研究.首先利用神经网络方法对ODO故障状态进行诊断;然后,引入基于HMM的故障诊断方法,从模式识别角度出发,建立ODO隐藏的故障状态模型,通过输入观测序列与分类器中的HMM匹配,得出ODO的故障诊断结果;最后,通过遗传算法对HMM中的参数训练部分进行改进.实例分析结果表明:利用神经网络进行故障诊断的故障识别率为33.3%,基于HMM的故障诊断方法对于正常和故障状态的诊断精度可达100%,总体诊断精度可达95%,利用遗传算法进行参数改进后经仿真对比表明:在训练速度上遗传算法可以较快到达稳态,训练精度提高了86%;在高噪声背景下用神经网络方法实现故障诊断具有明显缺陷,利用遗传算法可以改进B-W(Baum-Welch)算法易陷入局部最优的缺陷,基于HMM的故障诊断方法相较于神经网络方法有更高的准确性.

面向铁路定位装备测试的实时卫星信号生成方法

快速测试导航接收机的性能,确保接收机正常工作是在铁路装备中应用卫星导航技术的前提,相应的卫星信号模拟技术是促进卫星导航相关设备研发、测试设备性能的重要手段。而传统的卫星导航信号模拟设备价格高昂,并且不能兼具场景设置的灵活性和设备的便携性。为解决上述问题,采用一种结合软件无线电思想,基于GPU与CPU异构并行计算架构的软件信号生成方法,并以生成GPS L1C/A信号为例,详细分析信号生成过程中的并行计算结构、GPU内存结构以及场景参数设置方法,实现了高带宽导航信号的实时生成。为验证信号生成方法针对铁路装备测试的实用性,使用京沈客运专线和国家铁道试验中心环形试验场的轨道坐标测量数据,设计了静态单点,加减速状态及弯道状态三个测试场景,实时生成信号并使用硬件接收机对信号进行定位解算,结果表明,生成信号的水平位置误差在2 m以内,速度误差小于0.05 m/s,定位误差在接收机误差范围之内,满足针对接收机进行测试的需求,为铁路装备测试提供了新的方案。

基于单天线载波相位差分的列车姿态解算方法研究

轨道占用的正确识别是列车安全运行的保障,为了进一步提高列车轨道占用自主识别的准确性,将列车姿态测量引入到自主定位过程中辅助判断列车在道岔区段轨道占用状态。基于此提出一种基于全球卫星导航系统双差载波相位的单天线姿态解算方法,与双天线测姿算法相比其安装成本和难度更低,且无需考虑后期天线支架形变的问题。通过使用时间差分与星间差分相结合的双差模型,将卫星定位过程中的卫星钟差、接收机钟差、对流层误差、电离层误差以及整周模糊度消除。利用卡尔曼滤波算法求解历元间位移矢量坐标,并根据位移矢量坐标进一步求解列车的二维姿态。为了验证测姿算法的有效性,选择了两组青藏线列车真实数据进行仿真实验,结果证明单天线测姿算法偏航角误差均方根可以分别达到0.118 5°和0.160 1°。

基于群体合作演化的高速列车编队运行多目标优化

为提升高速铁路运输效率,降低列车运行能耗,减少延误及其传播影响,提出基于群体合作演化的列车运行优化方法。首先,在分析编队高速列车群体追踪运行过程的基础上,构建列车群体运行多目标优化模型;其次,构建编队列车追踪速度控制合作演化策略与延误场景下运行调整策略;然后,应用人群搜索算法与改进布谷鸟搜索算法,分别解决编队列车群体控制多目标优化与延误场景运行调整问题;最后,基于列车实际运行数据进行仿真验证。结果表明:编队列车群体合作运行相比传统运行模式,线路占用时间减少189 s,节能率达5.29%;编队列车运行延误经调整优化,延误列车减少2列,总延误时间减少377 s,消解列车运行较小延误,缓解后续列车延误传播。

基于CUDA加速的GPS L1C/A实时信号发生器设计

提出了一种基于软件无线电和CUDA(Compute Unified Device Architecture)加速的GPS L1C/A信号生成方法,系统根据用户自定义轨迹和卫星星历产生中频信号,并通过USRP(Universal Software Radio Peripheral)在相应的射频频点发射,由此实现了实时卫星导航信号的播发。为了提升GPU的并行计算速度,从设备内存优化、并行结构优化、CUDA流加速三个角度来对算法进行改进,提出了一种基于异步运算思想的针对采样点数据加速计算的CUDA优化实现方案。测试结果表明,优化后的算法能够产生高速、实时的卫星信号,在RTX1050TI设备上,可以做到信号195 MHz采样率,10颗可见卫星情况下卫星信号的实时生成。

基于粗糙集理论的列控车载设备故障分析方法

快速、准确的故障诊断技术是高速列车安全运行的重要保证,本文以此为目标,对列控系统故障诊断方法进行研究,将神经网络算法NN分别应用于列控系统车载设备应答器传输单元BTM、列车接口单元TIU的故障诊断中,通过对比故障识别准确率BTM为训练阶段19.89%、测试阶段36.51%,TIU为训练阶段96.93%、测试阶段94.84%,得出当数据中噪声较大时,神经网络的分类能力降低。为了解决以上问题,引入粗糙集理论进行属性约简、去除噪声,用神经网络进行故障识别,最终得出BTM的故障识别准确率为训练阶段93.32%、测试阶段97.41%,TIU为训练阶段99.21%、测试阶段96.72%,表明粗糙集理论和神经网络的结合RSTNN能够保证故障诊断的准确性,从而验证该方法在实现列控系统车载设备故障诊断方面的有效性。

基于弹复力效应的列控车载设备可靠性分析方法

列车运行控制系统结构复杂,列车在运行过程中,任何微小的干扰都有可能造成行车事故,甚至导致灾难性的后果。弹复力是指系统在正常运行状态过程中,由于系统内部潜在故障或外部突发干扰引起系统功能中断的情况下,系统内部被动或由于外部主动因素进行系统状态修复,再恢复到正常运行状态的响应能力。通过对历史故障数据的统计分析,选择故障现象较集中的车载设备作为研究对象。采用离散时间贝叶斯网络方法,对列控车载设备进行运行可靠性分析;通过构造"弹性三角"模型,计算出车载子系统在不同故障情况下的弹复能力。经计算当系统发生短期可恢复故障时,系统的弹复能力为96.32%。依据上述分析结果,提出基于弹复力效应的系统视情维修策略。

基于LSTM-BP级联网络的列控车载设备故障诊断

列控车载设备是保障高速列车行车安全、提高运输效率的核心组成部分,快速有效地诊断其故障类型具有重要意义.针对300T型列控车载设备故障文本数据的错综性和时序性,提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法.首先,采用贝叶斯正则化(Bayesian Regularization,BR)算法优化BP神经网络提高模型的泛化能力;其次,利用长短时记忆网络(Long Short Term Memory Network,LSTM)的记忆特性,充分学习具有时序性的故障特征信息,解决BP神经网络模型难以准确诊断关机误报和引发故障等问题;最后,利用实际数据对模型进行多次试验分析,BR优化的神经网络模型分类准确率为85.06%;而LSTM-BP级联网络模型分类准确率达到95.10%,能够很好地解决对关机误报和引发故障诊断不准确的问题,验证了本文所提出的智能故障诊断方法的有效性.

基于IMU标定补偿的列车组合定位优化方法

GNSS/INS组合方式是下一代列控系统定位技术的发展趋势,但由于惯导系统累计误差较大,使得列车处于卫星信号失锁环境下定位性能降低。为解决这个问题,针对微机械惯性测量单元IMU确定性误差的3个主要误差项:非正交误差、零偏误差、刻度因数,建立加速度计和陀螺仪的误差模型,在此基础上详细推导标定原理并提出标定方案。将误差补偿结果应用于京沈高速铁路试验现场并由试验结果分析可知:该方法能有效提高IMU的测量精度,相较于补偿前测量误差降低80%以上;补偿之后的惯导系统在40s时间内的导航速度误差小于1m/s,位置误差在10m之内,满足定位需求,具有实际意义的工程应用价值。

基于IMU误差补偿的磁力计增强型组合定位方法

针对卫星信号被遮挡造成GNSS定位结果不可靠的问题,引入惯导系统来保证定位的连续性,但其性能易受惯性测量单元MEMS-IMU的精度影响。首先,对MEMS-IMU器件误差进行建模并补偿,在此基础上,对有色噪声设计在线补偿方案。其次,针对卫星失锁时的位置丢失引入磁力计构造GNSS/INS/磁力计增强型组合定位系统,对观测量扩维并更新升级量测模型。最后,在不同的实验环境下进行测试验证,测试结果显示,在列车速度为25 m/s下设置10 s的卫星信号中断时间,北向、东向位置误差偏移量分别减少90%、70%;在50 s卫星信号中断时间内,列车位置能够有效保持并在卫星信号恢复时快速收敛。实验表明,基于误差补偿的磁力计增强型组合定位系统能够有效提高卫星可见性变化时的定位精度。

基于Copula函数的列车定位惯性单元剩余寿命预测方法

列车连续、高精度定位需要惯性测量单元(IMU)提供可靠的姿态校正补偿数据,IMU输出的数据质量会受外部环境干扰、内部结构磨损等影响而降低,因此有必要对IMU性能指标参数及剩余使用寿命(RUL)预测开展研究。根据IMU组成结构与性能评价准则,选取IMU中陀螺仪和加速度计的随机误差指标表征设备性能状态,在对IMU多关键部件特征进行分析的基础上,设计基于非线性漂移Wiener过程的IMU性能退化模型,构建基于Copula函数的二元性能参量RUL联合分布函数;分别采用后向平滑(RTS)和期望最大化(EM)联合算法、极大似然估计(MLE)算法估计性能退化模型参数和Copula函数中未知参数,实现RUL的实时自适应更新预测。基于RUL预测方法对IMU剩余使用寿命进行预测,与列车定位系统中IMU的实际性能退化监测数据对比。结果表明,采用本文提出的算法,IMU失效前最后6个监测时刻RUL预测期望值的均方相对误差(MRE)为9.87%,相比基于陀螺仪寿命预测方法降低了3.27%。