本發(fā)明涉及數字孿生，尤其是涉及一種基于數字孿生和ssa-dbo算法的低成本列車運行控制模擬系統(tǒng)。

背景技術：

1、盡管現(xiàn)有的全自動列車控制系統(tǒng)功能強大且安全可靠，但其高昂的成本使其不適合當前的教學模擬實驗或小型化應用的同時，兼顧可視化的需求。因此，設計一種低成本、高性能且適用于上述場景的列車運行控制模擬系統(tǒng)的必要性日益凸顯。

2、中國專利申請cn107818703a提供一種虛擬現(xiàn)實鐵路教學裝置，該專利申請將鐵路模型的實物和鐵路模型的三維全息圖像相結合，形象生動的展示出鐵路的相關信息，增加學習過程中的趣味性，提高了教學質量。但是，因為該專利申請沒有提到硬件模擬，所以學生無法直觀的感受到列車運行控制。中國專利申請cn219872616u提出了一種智能實訓診斷裝置，其包括模擬軌道和相機模塊，還包括模擬列車運行裝置；該專利申請通過一比一還原營業(yè)線軌邊設備的安裝尺寸，模擬列車勻速運行，采用在列車模擬運行裝置上設置列車模擬圖片的方式來模擬列車運行情況，實現(xiàn)室內線陣相機圖像采集、室內故障模擬、室內相機標定、室內標準化作業(yè)演練等，從而有效提高職工技術業(yè)務水平，達到提升工效的目的。但是，該專利申請無法將數據進行數字孿生后分析優(yōu)化并預測故障。中國專利cn115526021a提出一種仿真列車模擬運行方法、介質和電子設備，其方法包括：在仿真列車完成定位之后，在當前應答器被觸發(fā)時，根據速傳脈沖、仿真列車加速度a、仿真列車速度v、仿真列車狀態(tài)更新周期t和應答器窗口d，計算所述仿真列車的當前位移誤差δs；利用所述當前位移誤差δs對所述仿真列車的當前位移進行校正；該專利申請能夠確保仿真列車連續(xù)一定時間穩(wěn)定地運行，進而滿足穩(wěn)定性測試要求。但是該專利申請無法通過實際的物理列車進行測試并驗證準確性。

技術實現(xiàn)思路

1、針對上述現(xiàn)有技術的不足，本發(fā)明旨在提供一種基于數字孿生和ssa-dbo算法的低成本列車運行控制模擬系統(tǒng)。具體在于利用單片機進行實現(xiàn)列車運行控制模擬系統(tǒng)，保證數據采集準確性和處理即時性；設計一套完整的模擬系統(tǒng)，包括實現(xiàn)硬件選型、軟件設計、數據通信等；本發(fā)明能夠通過結合數字孿生去實現(xiàn)對列車的監(jiān)控，數據分析優(yōu)化以及預測，從而在屏幕等顯示設備中展示出來。本發(fā)明系統(tǒng)不僅實現(xiàn)了低成本，還統(tǒng)籌管理了整個系統(tǒng)中的模塊元件，確保高性能，適合教學模擬實驗或小型化應用的同時，兼顧可視化的需求場景，提供了直觀的操作界面與實時數據的展示功能。

2、本發(fā)明的技術方案具體介紹如下。

3、本發(fā)明提供一種基于數字孿生和ssa-dbo算法的低成本列車運行控制模擬系統(tǒng)，其包括物理實體和數字孿生體；物理實體和數字孿生體之間通過通信模塊連接以進行實時的數據交換，使得數字孿生體能夠進行動態(tài)模擬和監(jiān)測、分析、優(yōu)化并將數字孿生體分析優(yōu)化預測后的最佳車速和最佳車間距的結果反饋給物理實體，使物理實體中的列車根據反饋來的數據進行調整車速或車間距，形成完整的控制系統(tǒng)；其中：

4、物理實體包括軌道電路、控制器、數碼管顯示模塊、信號燈模塊和電機驅動模塊；軌道電路，用于檢測列車的運行狀態(tài)和位置，并將列車占用情況信息通過電信號的形式傳輸給控制器；控制器，根據接收到的信息進行相應的邏輯判斷和處理：在軌道有車時控制信號燈模塊亮紅燈，無車時，控制信號燈模塊亮綠燈；利用數碼管顯示模塊顯示出列車所在區(qū)段；計算出兩輛列車所在區(qū)段的距離，利用電機驅動模塊控制列車的啟停；

5、所述數字孿生體是基于物理實體設計的虛擬模型，其由接收軌道電路傳輸到控制器內的數據和列車實時數據無線傳輸到數字孿生體數據庫服務器，進一步通過ssa-dbo算法和預測模型相結合實現(xiàn)列車位置和列車速度的預測，以及優(yōu)化控制器參數，以用來對于物理實體的監(jiān)控、分析、優(yōu)化、預測和可視化。

6、本發(fā)明中，通信模塊采用藍牙無線通信模塊。

7、本發(fā)明中，數字孿生體能夠從歷史行車數據中提取速度、加速度和列車間間距等數據，隨后使用ssa-dbo算法對上述速度、加速度和列車間間距等數據進行優(yōu)化，將優(yōu)化后的數據傳給長短期記憶網絡lstm，lstm結合歷史數據構建預測模型，保證能夠準確的捕捉列車運動狀態(tài)。

8、本發(fā)明中，數字孿生體能夠對影響列車速度變化的各種因素進行全面分析，這些因素包括但不限于軌道總里程、列車在軌數量、編組方式、時間、地點、天氣狀況以及自然災害等。通過對這些因素進行特征工程處理后，采用ssa-dbo算法來優(yōu)化預測模型的數據集。再利用長短期記憶網絡(lstm)，結合歷史數據，對列車的速度、加速度及列車間距等數據進行預測。這種方法不僅能夠有效捕捉到列車運行過程中的動態(tài)變化，還能在復雜的環(huán)境條件下提供可靠的預測結果，從而確保了列車運行的安全性和效率。

9、本發(fā)明中，在ssa-dbo算法的跟隨系數參數中取0.8，滾動步長為動態(tài)調整步長，即隨著迭代的次數的增加，而減少步長以進行準確的數據選擇以用來預測位置和速度。

10、在ssa算法中，跟隨系數是指控制麻雀算法中的跟隨者在更新自身位置時對發(fā)現(xiàn)者位置的依賴程度。較高的跟隨系數將會使跟隨者更傾向于跟隨發(fā)現(xiàn)者，這樣子能夠增強局部搜索能力；而較低的跟隨系數則導致跟隨者更加獨立，從而能夠增強全局搜索能力。

11、本發(fā)明中，跟隨系數取0.8，為其他列車的速度圍繞第一列車進行速度變換，即所求其他列車的速度的最優(yōu)解圍繞著第一列車的速度，以保證各列車的速度維持在同等級的速度范圍內，防止后面列車車速過快而導致與前車追尾或后面列車車速過慢導致整個系統(tǒng)效率低下。

12、在dbo算法中，滾動步長是指控制蜣螂在每次位置更新時的移動距離。滾動步長的參數為動態(tài)調整，隨著迭代次數的增加滾動步長逐漸減小，這樣可以平衡全局搜索和局部開發(fā)的能力。前期較大的步長允許蜣螂快速覆蓋更廣闊的搜索空間，有助于發(fā)現(xiàn)潛在的優(yōu)質解；后期較小的滾動步長則使得蜣螂能夠進行更加細致的搜索，以精確地定位最優(yōu)解的位置。

13、本發(fā)明中，在每次迭代開始時，先執(zhí)行一輪ssa算法的位置更新，然后基于更新后的結果進行dbo算法的位置調整，結合兩種算法中的不同角色行為選擇ssa算法中的領導者和追隨者以及dbo算法中的蜣螂滾球、蜣螂跳舞、蜣螂繁殖、小蜣螂覓食和蜣螂偷竊等行為模型進行數據優(yōu)化。

14、本發(fā)明中，在ssa算法中初始化策略生成初始種群，因為ssa算法在探索空間時具有良好的隨機性和多樣性，使用ssa算法進行全局搜索，快速定位潛在最優(yōu)解區(qū)域，將ssa的最優(yōu)解作為dbo的初始種群，利用dbo的局部開發(fā)能力精細搜索。

15、在全局搜索階段，采用ssa算法，有助于快速覆蓋更大的搜索空間。在局部搜索階段，采用dbo算法，有助于細化解的質量并避免陷入局部最優(yōu)。

16、本發(fā)明中，數據優(yōu)化后，采用長短期記憶網絡lstm進行列車的速度、加速度及列車間距等數據的預測。lstm作為一種強大的遞歸神經網絡，擅長處理時間序列數據，能夠有效捕捉列車在運行過程中的動態(tài)變化。通過對大量歷史列車運行數據的訓練，基于lstm的預測模型能夠學習到列車運行過程中的時序模式和規(guī)律，能夠處理列車運行過程中的各種波動與非線性關系，進而預測未來一段時間內的速度、加速度及列車間距等數據。lstm還具備記憶和遺忘機制，能夠長時間地保持對歷史數據的記憶，并根據新的輸入數據及時調整模型，保持預測的準確性和魯棒性。

17、本發(fā)明中，預測模型給出列車的預測位置和速度、列車間距等，數字孿生體能夠根據優(yōu)化后的預測參數，通過無線通信調整列車的控制系統(tǒng)，例如，調整車速，控制列車間的距離等。

18、以上，本發(fā)明集成了硬件部分包括單片機控制、無線通信、軌道電路檢測及顯示等多種硬件模塊，物理系統(tǒng)通過無線通信與數字孿生體進行實時的數據交換，數字孿生體能夠根據物理系統(tǒng)的傳感器傳送過來的速度、加速度及列車間距等數據進行動態(tài)模擬和監(jiān)測、分析、優(yōu)化并將結果反饋給物理系統(tǒng)，從而形成完整的控制系統(tǒng)。與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

19、1.本發(fā)明通過集成多個功能模塊簡化了系統(tǒng)的結構，并提升了整體的可靠性和穩(wěn)定性。

20、2.本發(fā)明通過輕量化設計和模塊化結構，增強了環(huán)境適應性和便攜性，使其能夠在鐵路工程教育、科研及小型化應用等場景中，直接在教室講臺、課桌桌面等環(huán)境中使用。

21、3.本發(fā)明擴展性和靈活性高，系統(tǒng)具有較好的可擴展性，可根據實際需求在物理實體中添加軌道，列車，信號燈等額外的模塊。

22、4.本發(fā)明運用數字孿生技術，通過傳感器數據實時更新虛擬模型，能夠在計算機上監(jiān)控物理實體的運行并進行可視化。同時，研究人員可以通過虛擬仿真分析優(yōu)化列車運行，進行故障預測與健康管理。

23、5.本發(fā)明運用ssa-dbo算法，將麻雀搜索算法(ssa)用于全局搜索，結合蜣螂優(yōu)化算法(dbo)的局部優(yōu)化，提升了列車數字孿生體模型的數據優(yōu)化效果。

24、6.本發(fā)明運用lstm(長短期記憶網絡)，能夠出色的處理時間序列數據，根據歷史數據預測趨勢，并且能夠適應各種不同類型的時序數據，對非線性關系和復雜動態(tài)變化的序列數據有較強的擬合能力。