广州地铁3号线列车网络控制系统及其故障诊断分析

以广州地铁3号线为例,分析了列车网络控制系统及其对故障的诊断方式;通过对广州地铁3号线列车网络控制系统故障的解决及分析,对列车网络控制系统稳定性提出更高要求.     

深圳地铁3号线车-地无线通信系统

主要介绍应用于深圳地铁3号线正线信号系统中的车-地无线通信系统的结构、组成和原理,并简要描述系统的主要特色,以及系统应用中应注意的问题.     

浅析南京地铁1号线与2号线列车网络

南京地铁1号线的列车总线采用的是FIP协议,并以此构建了列车信息监控系统（TIMS）。而2号线列车以MVB技术为基础构建了全新的列车控制网络（TCMS）。在1号线FIP的基础上,介绍了使用在2号线列车MVB总线的物理层、帧及其时序。     

一种基于无线传感器网络的安全优先门限敏感分簇路由协议

为构建基于无线传感器网络的铁路防灾安全监控系统,在门限敏感的节能型网络协议(TEEN)基础上,提出1种安全优先门限敏感分簇路由协议(SPTC).确定SPTC的网络架构,基于能量计算公式设计簇头分布算法及簇头和副簇头选举算法,以及路由建立步骤和数据采集流程.在协议中定义副簇头,保证数据路由的可靠性及数据自身传输的安全,提高协议的安全性;在汇聚节点(SN)附近区域布置更小规模的簇,在兼顾剩余能量与节点距离的准则下选择最佳的簇头节点,以提高协议的节能性.采用OMNeT++网络仿真工具对SPTC进行了建模仿真.仿真结果表明:当网络工作了10 000 s时,低能量节点数量比低功耗自适应聚类层次协议(LEACH)减少了60％;当灾害数据采集概率为0.5％时,基于SPTC协议的网络检测周期是基于LEACH的1.7倍.     

预留CTCS-3级列控业务线路的GSM-R设计方案探讨

部分铁路建设初期采用普通单网的GSM-R网络结构,将来提速到300 km/h时需采用CTCS-3级列控系统,需改造GSM-R单网交织网络结构。针对这一情况,为减少对既有网络的影响,节省工程投资,使改造工作相对容易,在初期进行GSM-R普通单网设计的同时可以在覆盖电平、服务质量、容量需求、频率规划等方面预留交织单网条件,但在连续隧道群等复杂区段的弱场处理预留还存在一定难度。     

基于改进GAN的端到端自动驾驶图像生成方法

基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求。为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN。结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性。通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性。利用转置卷积层还原图像特征,提升生成图像特征清晰度。以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证。实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35%;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1%~2%;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1~2倍。      

基于时空网络的铁路空车调配动态优化模型

为合理配置空车资源,研究了路局（公司）管内空车调配的动态优化问题。构建区分时段长度的时空网络,以准确描述车站作业能力的变化。借鉴运输问题（TP）的基本思想,通过引入空车供需约束,将动态空车调配问题转化为基于时空网络的多商品网络流问题。结合空车调配的特点,设置2组整数决策变量,将分界站排空与局（公司）管内配空分开考虑。设置0-1辅助变量构建车种代用约束。在此基础上,以总费用最小为目标,构建了空车调配动态优化的混合整数规划模型。以中国铁路昆明局集团有限公司管内空车调配为例,验证了模型的可行性与有效性。算例结果表明,与静态空车调配方法相比,构建的动态空车调配模型不仅降低了空车调配总成本,而且调配方案更加贴合实际。与现有动态空车调配方法相比,通过改变时空网络中时段的划分方式,降低了模型求解的复杂度,构建的模型在获取空车调配方案的同时能够更加直观的看出空车在不同时间的作业状态。      

基于模糊集合理论的船舶碰撞危险度模型

为了解决多船避碰决策过程中避让行动优先级问题,提出一种基于模糊集合理论的船舶碰撞危险度确定模型。选取最近会遇距离、最近会遇时间、船间距离、相对方位、船速比5个因素建立碰撞危险度影响因素集,并确定各因素评价集、评价指标以及各参数的隶属度函数,经模糊综合评价得到船舶碰撞危险度计算模型。设置两船交叉会遇以及多船交叉会遇2种会遇局面进行仿真实验,实验结果验证了该模型的有效性。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

2011年北京奔驰E260L发动机无法启动

车型:配备M271EVO发动机。故障现象:客户投诉发动机无法启动。故障诊断:询问客户说,早上突然出现发动机无法启动,然后就拨打救援电话拖车进厂。检查车辆功能,结果车辆无法启动,COMAND显示屏提示“防盗保护已激活”的信息,大灯无法开启。接上奔驰专用的诊断仪(DAS)对车辆进行快速测试,发现有不少控制单元无法检测到,而其他控制单元大都报出CAN网络通信存在故障,故障石A如图1~图3所示,少数几个模块正常。