摘要：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。

摘要：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。

摘要：车载设备作为列控系统的关键设备之一,其测试需求在不断迭代。测试案例重构通过更新原有组合测试集覆盖变更的测试需求,实现对测试案例的高效重用,对生成演化后的测试集具有重要意义。根据车载设备输入模型的变化情况,提出一种基于模型演化的测试集重构方法。首先,通过比较演化前后组合模型的差异性,辨识出失效和新增的测试需求,并结合测试参数、参数取值、约束可能出现的演化情况分析两类测试需求的具体构成;其次,基于演化后的组合模型,依次采取修改、扩充、新增3个步骤重构原有测试集,修改不满足变更测试需求的原有案例,扩充新增参数取值,新增案例覆盖剩余测试需求;之后,根据约束间的相容性,将互不干扰的多条约束置于1条测试案例集中处理以精简测试集;最终,得到完备覆盖所有演化后测试需求的组合测试集。以车载设备模式转换等3种场景为例,对本方法进行了验证,研究结果表明:相较于现有方法,本方法能更充分地重用原有案例,测试集总体重合度提高了7.82%,后续人工修改测试案例文档的工作量相应减少,时间成本可降低18.26%。

摘要：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。

摘要：为在列车运动过程非线性变化、噪声为非高斯的条件下,实现测速传感器的量测误差校准及融合后的速度高精度估计,提出列车测速系统配置双雷达与轮轴传感器,并根据联邦粒子滤波进行融合的测速方法。以CRH3型列车在两车站间从启动到停止的运行全过程为例,将不同速度估计方法在列车产生空转、打滑、振动以及测速传感器存在动态噪声情况下的测速误差进行分析并验证。仿真结果表明:双雷达与轮轴组合进行校准后粒子滤波相对未校准时在空转和打滑阶段均方根误差可分别降低31.52%、47.35%;对比双雷达分离振动速度校准法和双雷达角度偏差估计校准法,双雷达分离振动速度校准法在列车振动速度占比0~1和雷达安装角误差-1°~1°范围内,相对误差最大可降低39.66%。采用联邦粒子滤波融合后的测速结果较融合前双雷达和轮轴传感器滤波测速的结果MAE分别降低34.71%,14.03%,RMSE分别降低26.51%、10.98%。采用联邦粒子滤波融合的方式较联邦扩展卡尔曼滤波融合测速均方根误差降低26.97%,最大绝对误差可降低16.10%。