一种基于数字大脑的火车无人化装车决策方法与流程

摘要: 本技术涉及铁路装车,具体涉及一种基于数字大脑的火车无人化装车决策方法。背景技术:1、随着铁路散状物料运输规模的不断扩大,煤炭、矿石、焦炭、粮食等大宗货物通常需要...
一种基于数字大脑的火车无人化装车决策方法与流程

本技术涉及铁路装车,具体涉及一种基于数字大脑的火车无人化装车决策方法。

背景技术:

1、随着铁路散状物料运输规模的不断扩大,煤炭、矿石、焦炭、粮食等大宗货物通常需要通过料仓、给料机、皮带输送机、装车溜槽、轨道衡及相关辅助设备装入敞车或专用货车中。现有火车装车系统多采用半自动或人工辅助控制方式,即由现场人员根据车厢位置、货物流量、称重反馈及经验判断控制给料设备启停、调节皮带输送速度和调整落料位置。该类方式虽然能够完成基本装车作业,但其装车过程主要围绕重量达到目标值后停止给料展开,缺乏对车厢内料面形态、物料堆积规律、设备运动状态和现场环境风险的综合感知与协同决策,难以满足高效率、高精度和无人化连续装车的要求。

2、现有部分自动装车方案虽然引入了车号识别、轨道衡称重、皮带秤计量、料位检测或视频监控等装置,但各类数据通常分散服务于局部控制环节,例如车号识别用于确认车厢,轨道衡用于判断装载重量,皮带秤用于估算输送量,视频或激光检测用于辅助观察料面状态。这些检测结果之间缺少统一的时空映射和可信融合机制,不能形成面向整列车装车过程的实时数字孪生状态;同时,装车策略通常根据固定落料点、固定给料速度或预设经验规则执行,难以根据货物堆积密度、含水率、安息角、输送迟滞、残留物料、设备可达范围、粉尘环境和人员安全状态进行动态优化。

3、因此,在实际装车过程中仍容易出现超载、欠载、前后偏载、左右偏载、局部堆积过高、撒料、堵料、停机后残留物料继续落入车厢以及异常工况处置不及时等问题。尤其是在无人化装车场景下,系统不仅需要判断装多少,还需要自动确定装在哪、如何装、何时减速、何时停机、如何修正后续落料点以及异常状态下如何安全处置。然而,现有技术尚缺乏一种能够将车辆状态、货物状态、设备状态和环境状态统一融合为装车数字孪生状态,并在此基础上结合三维堆形预测、非线性约束优化、输送迟滞修正、重量与料面闭环反馈以及装车残差自学习,实现火车无人化装车全过程自主决策与动态修正的方法。因此,如何提供一种能够在多源感知不确定、物料流动存在迟滞、车厢内料面形态动态变化以及设备安全约束并存的条件下,自动生成并实时修正火车无人化装车决策方案,以降低超载、欠载、偏载和撒料风险,并提高装车精度、装车效率及无人化作业安全性的装车决策方法,成为亟待解决的技术问题。

技术实现思路

1、本技术为了解决上述技术问题,提出了如下技术方案:

2、第一方面,本技术实施例提供了一种基于数字大脑的火车无人化装车决策方法,包括:

3、采集火车装车现场的多源作业数据,并对所述多源作业数据进行预处理形成用于无人化装车决策的数字大脑基础数据空间;

4、数字大脑结合所述数字大脑基础数据空间、装车任务目标、车厢装载约束、货物适配关系、设备可达关系和异常风险条件,生成火车无人化装车任务决策方案;

5、装车控制系统接收所述无人化装车决策方案,并根据所述无人化装车决策方案对装车设备进行联动控制,实现火车无人化装车作业;

6、在装车执行过程中及装车完成后,数字大脑根据实时反馈数据和历史作业结果,对无人化装车决策方案进行动态修正。

7、在一种可能的实现方式中,所述采集火车装车现场的多源作业数据,并对所述多源作业数据进行预处理形成用于无人化装车决策的数字大脑基础数据空间,包括:

8、通过轨道衡、车号识别装置、激光扫描装置、三维视觉装置、车厢定位装置和车厢轮廓检测装置,采集进入装车工位的火车车辆状态数据;

9、通过料仓称重系统、皮带秤、料位检测装置、图像识别装置、水分检测装置、粒径检测装置和货种识别装置,采集待装货物状态数据;

10、采集装车系统中各执行设备的状态数据;

11、通过多种传感器、照明检测装置、视频监控装置和人员闯入检测装置,采集装车现场环境数据;

12、数字大脑将车厢位置、装车设备位置、货物流动路径、传感器检测位置和轨道坐标统一映射到同一装车作业坐标系中;

13、数字大脑基于车辆状态数据、货物状态数据、设备状态数据、环境状态数据和统一时空坐标映射关系,生成装车作业数字孪生状态。

14、在一种可能的实现方式中,所述数字大脑基于车辆状态数据、货物状态数据、设备状态数据、环境状态数据和统一时空坐标映射关系,生成装车作业数字孪生状态,包括:

15、设第时刻的装车作业数字孪生状态为:

16、

17、其中:表示车厢状态,表示货物状态,表示装车设备状态,表示环境状态;

18、数字大脑根据不同传感器采集的数据对进行联合估计,得到:

19、

20、其中:表示第类传感器在第时刻采集的数据,表示数字孪生状态在第类传感器坐标系下的预测观测值,表示第类传感器的噪声协方差矩阵,表示根据上一时刻状态和上一时刻控制指令预测得到的当前状态,表示状态演化误差协方差矩阵,表示空间一致性约束,表示装车作业逻辑一致性约束,表示约束调节系数,表示鲁棒损失函数;

21、最后生成包括车辆队列状态、车厢剩余可装载重量、车厢剩余可装载空间、货物供应状态、设备可用状态、落料路径状态、作业风险等级和异常事件状态在内的实时数字孪生状态。

22、在一种可能的实现方式中,所述数字大脑结合所述数字大脑基础数据空间、装车任务目标、车厢装载约束、货物适配关系、设备可达关系和异常风险条件,生成火车无人化装车任务决策方案,包括:

23、确定本次无人化装车任务目标和车厢与货物之间的适配关系,并为每节车厢建立装载约束条件;

24、以所述装车任务目标、车厢与货物适配关系和装载约束条件作为输入,结合车厢三维堆形预测生成候选装车策略集合;

25、对候选装车策略进行仿真推演,预测其在执行过程中的风险项;

26、最后基于非线性约束优化确定最优无人化装车决策方案。

27、在一种可能的实现方式中,以所述装车任务目标、车厢与货物适配关系和装载约束条件作为输入,结合车厢三维堆形预测生成候选装车策略集合,包括:

28、设第次落料后,车厢内位置处的货物高度为:;

29、当数字大脑控制落料点为、落料量为、落料时间为时,货物高度场更新为:

30、

31、其中:表示车厢允许装载区域,表示第次落料的质量流量,表示第次落料持续时间,表示货物堆积密度,表示货物扩散半径,表示货物堆积尖锐程度,表示纵横向扩散差异系数,表示堆形稳定投影算子,表示货物安息角;

32、根据预测得到的货物高度场计算车厢重心位置:

33、

34、并计算偏载风险:

35、

36、其中:表示车厢几何中心,表示车厢长度,表示车厢宽度,表示偏载风险;

37、基于上述车厢三维堆形预测结果,生成多个候选装车策略。

38、在一种可能的实现方式中,所述基于非线性约束优化确定最优无人化装车决策方案,包括:

39、设数字大脑需要为第节车厢确定装车策略:

40、

41、其中:表示第个落料点,表示第个落料段的给料流量,表示第个落料段的持续时间,表示设备移动速度,表示执行该落料段的装车设备编号,表示第节车厢的分段落料次数;

42、最优装车策略为:

43、

44、其中:为装载精度项,为堆形稳定项,为设备运动安全项,为输送迟滞修正项,为异常风险项;

45、上述优化过程满足如下约束:

46、

47、其中:表示对应设备允许的最大给料流量;表示第节车厢允许落料区域,表示第节车厢最大允许装载重量,表示第节车厢真实装载重量,表示允许的超载风险概率,表示允许的偏载风险概率,表示允许的最大偏载风险值。

48、在一种可能的实现方式中,所述装车控制系统接收所述无人化装车决策方案,并根据所述无人化装车决策方案对装车设备进行联动控制,实现火车无人化装车作业,包括:

49、在开始装车前,数字大脑对车辆、货物、设备和环境状态进行装车前校验;

50、根据目标车厢位置和落料位置,控制伸缩溜槽、移动装车机或落料机构移动至目标作业位置;

51、按照无人化装车决策方案中设定的分段装载策略,对目标车厢进行分段落料;

52、据车厢内料面扫描结果,判断货物堆形是否满足稳定装载要求;

53、实时接收轨道衡、皮带秤或料仓称重装置反馈的重量数据,并将实时装载重量与目标装载重量进行比较;

54、在无人化装车过程中,数字大脑根据设备之间的上下游关系执行联锁控制;

55、当目标车厢达到装载完成条件后,数字大脑生成单节车厢装车完成记录。

56、在一种可能的实现方式中,所述在装车执行过程中及装车完成后,数字大脑根据实时反馈数据和历史作业结果,对无人化装车决策方案进行动态修正,包括:

57、在装车执行过程中持续监测装车过程中的异常状态并根据异常等级执行分级处置;

58、基于装车残差动态修正当前车厢的剩余装车策略并基于实际装载误差持续修正输送迟滞模型;

59、当实际料面与目标料面之间存在偏差时,数字大脑对后续落料点进行自适应修正;

60、整列车装车完成后,形成装车作业知识样本并优化数字大脑决策规则,并输出无人化装车作业评价结果。

61、在一种可能的实现方式中,所述基于装车残差动态修正当前车厢的剩余装车策略并基于实际装载误差持续修正输送迟滞模型,包括:

62、在第个装载段中,数字大脑预测的装载增量为:

63、

64、实际检测到的装载增量为:

65、

66、则装车残差为:

67、

68、其中:表示预测料流量,表示预测输送迟滞时间,表示预测残留落料量,表示预测装车量与实际装车量之间的偏差;

69、设当前车厢剩余目标装载量为,数字大脑根据残差对剩余装车量进行修正:

70、

71、其中:表示实际扫描得到的料面高度;表示数字大脑预测的料面高度;表示料面偏差对剩余装载量修正的空间敏感函数;表示残差可信度调节系数;

72、数字大脑根据历史残差在线更新输送迟滞时间:

73、

74、其中:,表示学习步长,表示防止分母为零的常数。

75、在一种可能的实现方式中,所述当实际料面与目标料面之间存在偏差时,数字大脑对后续落料点进行自适应修正,包括:

76、

77、其中:表示原计划下一落料点,表示修正后的下一落料点,表示目标料面高度,表示落料点对位置的物料扩散核函数,表示扩散核函数对落料点位置的梯度,表示落料点修正步长。

78、在本技术实施例中,通过采集火车装车现场的多源作业数据,并对车辆状态、货物状态、装车设备状态和环境状态进行预处理及统一建模,形成用于无人化装车决策的数字大脑基础数据空间,使装车系统能够从单一称重或人工经验控制转变为面向装车全过程的综合感知与协同决策。数字大脑结合装车任务目标、车厢装载约束、货物适配关系、设备可达关系和异常风险条件生成无人化装车任务决策方案,能够在装车前预先考虑车厢容量、目标装载量、货物堆积特性、设备运行能力及安全风险,减少固定落料点和固定给料速度造成的超载、欠载、偏载、撒料和堵料问题。装车控制系统根据决策方案对装车设备进行联动控制,可实现给料、输送、落料、除尘和安全联锁的协同运行,提高装车连续性和自动化程度。同时,数字大脑在装车执行过程中及装车完成后,根据实时反馈数据和历史作业结果对装车决策方案进行动态修正,使后续落料、给料和停机控制更加贴合实际工况,从而提高装车精度、装车效率和无人化作业安全性。