[发明专利]一种基于FURIA的机车智能操纵优化规则归纳方法

摘要

本发明涉及一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；骤2、进行速度层数据预处理；步骤3、进行档位层数据预处理；步骤4、进行速度层模糊规则归纳；步骤5、进行档位层模糊规则归纳；步骤6、当次优化参数输入及优化结果计算执行；将该模型运用于机车操纵优化过程，得到达到尽可能低油耗效果的操纵序列；使用的司机驾驶日志数据是具有优秀驾驶习惯，并且最终驾驶机车能耗较低的驾驶数据，这样从这些数据中学习出来的模型才能具备节能优化的作用。

主权项

一种基于FURIA的机车智能操纵优化规则归纳方法，其特征在于：步骤1、对机车行驶线路数据进行分段预处理，具体包括加算坡度和线路分段，得到按照加算坡度划分的各个坡段的特征信息；步骤2、进行速度层数据预处理，以坡段的特征信息及机车特征信息作为输入，通过模糊规则归纳的机器学习算法获取该坡段下机车的速度变化模式，速度变化模式由加速、减速、匀速三种变化类型及其在坡段长度中所占比重组合而成；在准备速度层训练数据时，按照速度的加速、减速和匀速将机车日志数据进行分段并计算这些速度变化段在坡段中占的比重，进行速度层数据预处理，得到速度变化模式；步骤3、进行档位层数据预处理，得到速度变化模式后，将其拆分为各个速度变化段，以这些速度变化段作为输入，通过模糊规则归纳的机器学习算法获取该速度变化段下机车的档位操纵序列模式；在准备档位层训练数据时，对司机驾驶日志数据进行处理得到每个速度变化段下司机的档位操纵序列模式；步骤4、进行速度层模糊规则归纳，输入速度层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，FURIA学习出来的模型即为模糊规则集；模糊规则集以当前坡段特征、前后坡段特征、机车特征作为规则条件，以当前坡段下机车的速度变化模式为规则结论。步骤5、进行档位层模糊规则归纳输入档位层的训练数据，使用模糊规则归纳的机器学习算法FURIA训练模型，即档位层的模糊规则集；模糊规则集以当前坡段特征、机车特征及速度变化段特征为规则条件，以速度变化段中机车的档位操纵序列模式为规则结论；步骤6、当次优化参数输入及优化结果计算执行对速度层的模糊规则模型输入当次优化参数，即当前坡段特征、前后坡段特征、机车特征数据，速度层模糊规则模型，进行规则匹配输出匹配到的规则结论，即该坡段下的速度变化模式；将速度变化模式分解为速度变化段，并以速度变化段特征、坡段特征和机车特征作为输入，输入到档位层模糊规则模型，档位层模糊规则模型进行规则匹配输出匹配到的规则结论，即档位操纵序列模式；将所有速度变化段、坡段档位操纵模式拼接构成机车智能操纵优化结果。