城市轨道交通信号系统对曲线段速度要求的计算

研究了城市轨道交通信号系统关于曲线路段最高运行速度的计算方法和流程.利用轨道专业和车辆专业等提供的标高、运营速度、车重等信息,以信号的安全制动模型为基础,在运营情况下,计算触发紧急制动后能达到的最高紧急制动触发速度,以及最高速度下的横向加速度和横向冲击率(Jerk).如果计算出的这两项结果满足国家标准,则符合要求;如果计算结果不满足国家标准,通常采用的解决方法是让轨道专业或信号专业对相应数据进行调整.给出了详细的计算公式,并对一条实际的城市轨道交通运营线路的曲线段进行了计算.     

城市轨道交通信号控制系统中4种接近区段的定义和计算

在城市轨道交通的ATS(列车自动监控)和联锁系统中需要对设置进路和设置保护区段的接近区段,以及取消进路和取消保护区段的接近区段进行准确定义和计算,而在城市轨道交通的相关标准中却没有对这些接近区段进行严格定义。对进路设置、进路取消、安全区段设置和安全区段取消情况下的4种接近区段进行了研究,给出了明确定义和具体计算方法。     

城轨信号系统中AP布站设计方案

以地铁用户给定的线路环境数据为输入,根据无线信道传播损耗模型进行无线信号覆盖质量仿真运算,输出全线无线接入点(AP)的初步布置方案,其中输入数据包括数据通信系统设备工作电磁环境参数、现场物理环境数据、无线传输收发设备的技术参数和需要达到的数据传输性能等。根据初步布置方案进行仿真分析,对全线各点的无线覆盖性能给出图形化的标示,为网络优化提供分析数据。在此基础上,对工程现场的典型环境进行现场勘测,利用勘测的数据对无线覆盖仿真结果进行校准,输出最终的工程实施布置方案,从而减少AP设备安装和测试的工作量。     

基于PID型迭代学习控制的列车自动驾驶曲线跟踪算法研究

针对基于比例微分积分（PID,Proportional Integral Derivative）控制的列车速度跟踪算法在跟踪进度、收敛性和稳定性等方面存在的不足，提出一种基于PID型迭代学习控制（ILC,Iterative Learning Control）的列车自动驾驶（ATO,Automatic Train Operation）曲线跟踪算法。通过迭代学习控制，优化跟踪过程，减小跟踪误差，缩短收敛时间；设置典型场景对所设计的算法进行仿真试验，并将仿真结果与基于PID控制算法的跟踪效果进行对比分析。结果表明，PID型ILC算法对列车目标速度和目标位移具有较高的跟踪精度，能够在有限的迭代次数内实现精确跟踪，验证了所提算法的有效性。