[发明专利]一种机车自动驾驶控制预测模型机器学习方法

说明书

技术领域

本发明涉及铁路运输调度领域，尤其是一种涉及机车自动驾驶控制预测模型机器学习方法。

背景技术

机车自动驾驶优化控制是机车自动控制系统的核心功能之一，其主要作用是根据最优速度曲线轨迹，基于实际运动状态并结合跟随控制算法计算得到相应的控制输入量，并将该控制输入量作用于机车完成速度控制的实际操作过程。

机车自动驾驶系统需要实现准点、舒适和节能运行等指标。最优速度曲线的优化生成是机车自动驾驶系统满足准点、舒适和节能等指标的保证，也是进行机车驾驶控制的依据。但在实际运行过程中，因为各种外部因素的影响，机车的实际运行轨迹较难与理想曲线重合，因此机车自动驾驶系统中最优速度曲线跟随控制算法的主要目标是尽可能减少机车实际运行速度曲线与最优速度曲线的误差，以保证机车能够按照最优速度曲线完成运行任务，因此机车自动驾驶系统控制算法是保证机车实现准点、平稳和节能运行的关键技术之一。

预测控制算法是常用的基于模型的控制算法之一，现有预测控制算法需要依赖于描述过程动态行为的预测模型。目前经典的预测模型主要在处理线性系统的预测控制方面有着不错的表现。然而对于一般意义的非线性系统，采用近似的线性模型进行预测控制时，由于偏差大而难以达到优化控制的目标，于是出现了一些针对非线性预测控制研究。

目前针对非线性预测控制研究包括基于机理模型的预测控制，但是机理模型存在部分参数需要实验确定。然而在机车实际运行过程中存在一些因素对于模型预测效果的干扰，容易导致预测的机车实际运行速度曲线的误差增大，因此现有仅仅依靠机理模型的预测控制算法无法准确预测机车实际运行状态。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种机车自动驾驶控制预测模型机器学习方法，其能够准确预测机车实际状态。

本发明的目的通过如下技术方案实现：

本发明提供一种机车自动驾驶控制预测模型机器学习方法，其包括：

步骤S10，针对机车进行机理模型回归学习，得到基础机理模型；

步骤S20，根据机车实际运行过程中影响因素，通过符号回归的方式进行迭代模型的学习，得到收敛后的迭代模型；

步骤S30，由基础机理模型和迭代模型共同组成状态预测模型；

步骤S40，通过方程选择函数鉴别状态预测模型的误差是否满足最小化，若满足，则执行步骤S50，即将该当前得到的状态预测模型作为理想的目标状态预测模型；若不满足条件，则继续返回步骤S20。

更优选地，所述步骤S10包括：

步骤一，将机车作为研究对象，通过机车的动力学模型，确定机车机理模型；所述机车机理模型，表示如下：

在上述公式中，C表示机车在轨道前进方向的合力；m表示机车的重量；v为机车当前的运行速度；t为机车当前的运行时间；即为当前机车的加速度；s为机车的位置即公里标；f(s)表示当前机车所在位置的牵引力；W为机车运行阻力；B为机车制动装置引起的对机车起到向后作用的制动阻力；

步骤二，根据所确定的机车机理模型，进行机理模型的回归学习，得到基础机理模型。

更优选地，所述步骤二包括：

采用多项式回归方法，对机车机理模型进行机理模型回归学习，得到误差平方和最小时的优化目标函数，并将该优化目标函数作为基础机理模型。

更优选地，所述步骤S20包括：

步骤S201，根据机车状态信息确定函数变量，并结合函数集确定迭代模型的初始种群；

步骤S202，计算种群的适应度值；

根据列车信息、司机信息和线路信息的输入进行状态抽象，利用如下公式计算种群的适应度(种群逼近真实解的近似程度)：

公式中，i表示第i个种群，f(x_j)表示第i个种群中第j个个体的计算值,g(x)表示第i个种群中第j个个体的目标值；F_i表示第i个种群中第j个个体的适应度值；

步骤S203，判断群体的适应度值是否符合状态转移条件，若满足，则执行步骤S204；若不满足，则执行步骤S206，即在当前种群基础上以设定的概率执行变异、插入、迁移、重组遗传算子，产生新种群，跳转至步骤S202；

步骤S204，结束运算，输出相应的表达式，得到当前状态下最优的调度动作，然后转入步骤S205；

步骤S205，根据当前状态下最优的调度动作执行选择操纵动作，并将改变后的机车状态信息与选择操纵动作等函数变量反馈给迭代模型。