基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明:改进后的算法相比其他自适应IMM算法提升定位精度1.6%~14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。

基于谱聚类的轨道电路故障文本主题聚类研究

轨道电路故障日志是现场日常运维工作中的重要数据记录。针对轨道电路故障日志在现场工作中未能充分挖掘利用且人工分析效率较低的问题,提出基于谱聚类算法的轨道电路故障文本主题聚类挖掘分析方法。首先,分析轨道电路故障文本数据特征并进行文本预处理,采用Word2vec模型训练获取字符级特征向量,实现在语义空间上的轨道电路故障文本数据特征表示;然后,依据Laplacian矩阵的图谱聚类特性,将高维故障文本特征数据聚类转换为谱图切分问题,分别对电务、工务及供电故障因素文本数据求解规范化后Laplacian矩阵的特征向量,并构建低维故障文本特征矩阵,再通过K-Means聚类算法实现3种故障因素文本数据集下故障文本主题聚类分析,获取电务、工务及供电故障因素文本数据中蕴含的轨道电路故障主题类型及频率信息,并基于t分布随机邻域嵌入算法实现聚类结果的可视化分析;最后,采用不同聚类模型在3种故障因素文本数据集上进行对比实验。实验结果表明:基于谱聚类算法的聚类模型在保证故障文本聚类准确率的情况下,其收敛性能更优;聚类可视化分析结果验证了获取的不同故障主题类别具有较高的语义区分度。通过该方法对轨道电路故障文本数据进行自动化聚类挖掘及统计分析,可为现场轨道电路综合维修及故障预防提供辅助支持。

基于改进对抗网络与自适应数据对齐的转辙机故障诊断研究

针对转辙机故障监测数据的非均衡小样本的诊断问题,提出一种基于改进生成对抗网络数据增强的转辙机故障诊断方法。该方法以故障诊断为目标改进ACGAN网络,利用生成器扩充样本分布空间及判别器的辅助分类器学习故障曲线的特征分布模式,以少量样本训练模型实现对常见故障的精确诊断。鉴于转辙机动作电流数据长度不一致,采用自适应压缩实现数据对齐,避免了以往硬填充或硬截断对齐方式对模式特征的破坏,进一步增强了故障诊断性能。最后采用成都地铁四号线的转辙机实际数据进行测试验证并与相关方法对比实验。结果表明,本文方法对转辙机非均衡小样本的数据集具有良好的适用性,其故障诊断AUC指数为0.999,诊断准确率高且实时性好,具有较好的现场应用前景。

铁路技术站阶段计划滚动优化方法

针对目前铁路技术站阶段计划主流研究多聚焦于对某一固定周期进行优化、较少考虑相邻计划间动态衔接的不足,提出一种阶段计划的滚动优化方法。从计划编制、车流调配和资源占用3个方面分析技术站阶段计划的滚动编制特性;以技术站正点出发的列车最多、车辆周转率最高和车站整体作业效率最高为字典序多目标,构建通用的技术站阶段计划滚动优化模型;设计带初始解的混合迭代算法求解模型;依托某技术站实际数据构造算例进行验证。结果表明:求得最优解的总耗时不超过90 s,共配流成功出发列车13列;考虑相邻计划衔接后,考虑前序阶段计划即“向前看”使满轴出发列车优先级总和增加了5.83%,考虑后序阶段计划即“向后看”使所有作业用时减少了6.91%;相比基本深度优先回溯算法和随机重启算法,混合迭代算法在求解效率上分别提高了73.8%和70.8%,在求解质量上分别提高了692.3%和77.6%。滚动优化方法得到的结果稳定性更好、更符合现实中阶段计划的连续滚动特性,且算法的求解效率更高。

基于EMD与Attention-LSTM的铁路货运站短期装车量预测研究

在铁路运输企业的日常货运工作中,提前掌握货运站未来短期装车量和变化趋势有助于调配空车和编制日常作业计划。铁路货运站装车量不仅受客户需求影响,还与车站计划、机车调度和装卸机具运用等影响因素密切相关,具有一定的复杂性和随机性。通过提出一种基于经验模态分解(EMD)和引入注意力机制(AttentionMechanism)的长短期记忆(LSTM)网络的铁路货运站短期装车量组合预测模型(EMD-Attention-LSTM),以某铁路运输企业某区域重点货运站的545d历史装车量为研究对象,选取平均绝对百分比误差、平均绝对误差和均方根误差作为评价指标,实验结果表明:EMD-Attention-LSTM模型与ARIMA、SVM和Attention-LSTM相比预测精度最高,为准确预测铁路货运站短期装车量提供了一种新途径。

基于STAMP与模型检验的全自动无人驾驶复杂运营场景安全验证方法

与传统列控系统相比,全自动无人驾驶运营场景更加复杂多变,潜在的危险及致因具有更强的隐蔽性和复杂性,给运营安全带来了新的挑战。针对以上问题,提出一种STAMP(Systems-Theoretic Accident Model and Process)与模型检验相结合的复杂运营场景安全验证方法。首先,基于STAMP理论构建运营场景分层控制结构模型,辨识潜在的不安全控制行为、分析危险致因和安全约束;其次,定义分层控制结构模型与安全状态机模型间的基本转换规则,基于分层控制结构模型、安全约束和转换规则,构建运营场景安全状态机模型;最后,针对提取的安全约束,利用数据流图建立安全属性验证模型,结合模型检验技术,对运营场景安全状态机模型进行形式化验证。以全自动无人驾驶运营场景中列车自动进站停车为例,对方法进行验证分析。结果表明,当STAMP理论提取的安全约束通过了场景安全状态机模型的验证时,表示在该场景中对应的不安全控制行为没有发生且不导致相应危险。该方法结合系统安全分析与形式化建模验证的优势,降低了运营场景建模的难度,构建的运营场景形式化模型满足系统安全约束,可以作为全自动无人驾驶系统安全设计和安全改进的重要基础。

基于深度集成神经网络的城市轨道交通短时进站客流预测

准确、可靠的城市轨道交通短时客流预测是智慧地铁的重要组成部分。现有的短时客流预测模型大多是在常态条件下提出的,在异常条件下难以获得满意的预测精度。为此,提出一种基于深度集成神经网络(deep ensemble neural network,DENN)的短时进站客流预测模型。该模型建模并整合了天气、时间和特殊事件等外部环境因素,最近时段进站客流的时间依赖性,以及出站客流的相关性,具有高度的灵活性和可扩展性。具体地,在DENN中,首先,嵌入一个门控循环单元(gated recurrent unit,GRU)网络,用于提取最近时段进站客流数据的时间依赖性;其次,引入Transformer网络,用于自适应地捕获出站客流数据中对进站客流影响最大的时段,以提取出站客流的相关性;最后,应用全连接网络编码外部环境因素和实现特征融合及预测。在上海地铁徐泾东站和上海体育场站的数值实验表明,提出方法在普遍条件下都能取得较高的预测精度。

基于抗差自适应滤波的高速列车融合测速算法

针对Kalman滤波在高速列车融合测速过程中因观测粗差和动力学模型误差而引起的融合精度下降问题,提出一种基于抗差自适应滤波的高速列车融合测速算法。首先,在Kalman滤波的基础上构建异常检测函数和误差判别统计量,用于检测和区分传感器异常观测导致的观测粗差和动力学模型误差;然后,针对观测粗差和动力学模型误差,分别采用三段式函数和指数函数构造抗差因子和自适应因子,通过2种因子合理调节观测信息和模型信息在状态估计中的权重,从而降低观测粗差和动力学模型误差对融合结果的影响;最后,通过2种运行场景以及算法对比,仿真验证抗差自适应滤波算法性能。仿真结果表明,与基于Kalman滤波的融合测速算法相比,所提出算法无论在观测粗差场景还是在动力学模型误差场景,均具有更高的精度和稳定性。

地铁网络服务韧性评估与最优恢复策略

针对已有基于拓扑效率的地铁网络韧性指标无法反映地铁运营实际的不足,构建考虑线路流量影响的路网服务效率指标和基于服务效率的路网服务韧性指标,以及基于路网服务效率的节点重要度指标;提出以路网服务韧性最大化为目标的优化模型,并基于遗传算法求解模型获得最优恢复策略。算例结果表明:分别以服务效率和拓扑效率作为路网性能指标,获得的失效节点恢复次序明显不同;蓄意攻击下,最优恢复策略获得的路网服务韧性分别比基于重要度的优先恢复策略、基于节点度的优先恢复策略和随机恢复策略高16.76%、72.11%和86.21%。上述结果表明,必须根据地铁运营实际合理选择路网性能指标和恢复策略,否则可能得到次优甚至明显偏离实际的方案,无法实现预期目标。

铁路快速货运复杂网络拓扑特征与鲁棒性分析

为了建模并分析铁路快速货物运输网络(REFTN)性能,提出L空间下铁路快速货运无向无权复杂网络(UUCN)建模方法、节点重要度综合评价指标和基于综合重要度节点失效的网络鲁棒性分析方法;依据中国铁路快速货运列车时刻表和车站间日均交互车流等数据,建立UUCN-REFTN模型,并分析其拓扑特性和静态鲁棒性。结果表明:现阶段我国REFTN具有典型的小世界、无标度和同类匹配特性;节点的随机失效对网络的鲁棒性影响较小,节点遭受最大综合重要度破坏比遭受最大度数破坏和遭受最大介数破坏使得网络变得更脆弱,当遭受最大综合重要度破坏的车站占比达到38%时,网络完全崩溃。

基于贝叶斯网络的CTCS-3级列控车载系统韧性

为弥补现有指标的不足,引入韧性作为非常态事件下CTCS-3级(China train control system-3)列控车载子系统运行稳定性的测度指标.提出了车载子系统韧性量化评估方法,构建了基于贝叶斯网络(Bayesian network,BN)的韧性评估模型,并定义了5种基于韧性的部件重要度指标;进一步利用贝叶斯网络双向推理功能,计算了车载子系统在不同扰动情景下的韧性及部件重要度指标.研究结果表明:韧性可全面描述车载子系统抵御扰动和从扰动中恢复的能力,非常态事件扰动下,韧性与可用性指标存在明显差异;不同扰动情景下系统韧性明显不同,扰动发生时,车载子系统面临磁暴影响时的韧性为0.8017,而遭遇雷电时的韧性为0.8819,面临冰雪扰动时的韧性为0.9880;部件重要度存在情景依赖,同一部件在不同扰动情景下重要度排序可能不同,且可能随时间动态变化.