车辆动态管理范文（精选9篇）
车辆动态管理 第1篇
交通事故的发生的原因有很多, 主要有四方面:人员的思想状况、天气情况、路况因素、设备性能。
要想控制交通事故发生, 车辆单位就必须加强日常管理, 对这四种因素进行动态控制。日常管理中, 影响驾驶员行车的自身因素一般有情绪、体力和意志三项心理特征是最常见的, 它直接影响着机动驾驶员在从事驾驶活动中所产生不同的心理反应。此外, 恶劣的天气是考验驾驶员的技术素质、心理条件、反应能力等综合素质的量尺。我们的车辆属于生产服务车辆, 我们的管理就是通过对人员、天气、路况、设备四大要素的精细管理进行安全行车动态控制, 将事故消除在萌芽状态。
一、如何实现对驾驶员全方位的动态控制
1. 严格把握驾驶员的人员控制关。
驾驶员心情愉快、满意时能感到心情舒畅、心理舒适, 对事物的观察和判断具有积极的促进作用, 常常表现出感受力强, 勤于观察, 反应迅速, 判断准确, 动作敏捷, 这就有利于车辆行驶安全。反之, 驾驶员如产生忧愁、恐惧、苦恼等情绪波动时, 则感受力下降、精力分散、懒于观察思考, 开起车来胆大气粗, 易开“英雄车”、“霸道车”, 一旦遇到紧急情况和突发事件时, 则反应迟钝, 判断失误等不良行为。驾驶员的情绪和情感好坏直接影响着行车安全, 是安全行车管理的主观因素, 其中驾驶员的行车习惯和操作技巧是制约安全行车的决定性因素, 所以对驾驶车辆人员的控制是最重要的控制。除上述因素外, 人员动态控制的情绪和体力两部分, 可采用望、闻、问、测相结合的办法了解人员情况。所谓的“望”指观察, 包括出车前查看人员的各项生理指标因素, 如面色是否正常、眼白有无血丝、眼圈是否发暗, 人员睡眠情况是否充足等;“闻”即掌握驾驶员一天的工作量、设备运转、服务等情况, 以明确驾驶员的任务及设备的具体情况;“问”即谈心, 通过交流家庭、爱好、意见、建议等, 判断人员的情绪和思想状况, 杜绝情绪不稳定出车等;“测”是探测、检测, 即用考试或专用工具等检查人员的反应力、判断力和操作技能、规章制度的熟悉程度, 在个别节假日里甚至用仪器测试口中酒精含量以确定司机是否具备安全出车条件。望、闻、问、测的内容, 值班干部可根据实际情况因人、因时而定, 灵活掌握, 切忌死记硬套, 形成僵化的模式以至失去作用。
2. 严格关注行车的外部气候因素。
影响安全行车的恶劣气候主要有以下几方面:一是雨雪天气。阴雨雪天气阴暗, 能见度差, 道路湿滑。驾驶员视野不开阔, 视线不清, 对前方人、车、物和道路状况无法做出正确判断。另一方面, 道路湿滑, 车轮与路面间的摩擦系数减小, 机动车在行驶中遇转弯或紧急情况采取制动措施时容易发生侧滑、跑偏或甩尾现象。在这种气候条件下, 还可能产生路上行人为躲避雨雪急奔、违章穿越马路、闯红灯等违章问题。此外, 大雨天气还容易发生道路塌陷、损坏以及路面积水等问题, 使路面原有的凹坑、危险点段或障碍物不易被发现, 威胁行车安全。二是雾天。由于大雾笼罩, 天空一片灰蒙蒙, 使行车能见度差, 驾驶员视野不清, 视线受阻, 不利于对前方道路状况和交通环境的正确观察、掌握和判断, 车辆在行驶中容易发生追尾碰撞或正面碰撞事故。三是大风天气。大风天气使车辆行驶阻力增大, 增加车辆负载, 影响行车稳定性。大风天气对行车安全的影响还表现在超车过程中, 当高速行驶的车辆在超越前方大型车辆时, 两车之间容易形成气体对流干扰现象, 影响车辆行驶的稳定性, 造成交通事故。这就要求车辆管理上要根据气候特点开展安全宣传教育活动, 认真组织驾驶员学习不同季节安全行驶操作规程, 使驾驶员正确、熟练掌握驾驶技能;组织事故案例分析活动, 强化驾驶员心理素质教育, 保持心态平稳, 切忌急躁;教育驾驶员遵守交通法规, 开安全车, 开文明车, 使广大驾驶员自觉遵守交通管理法规和制度。特别恶劣天气下, 甚至要做到延缓出车避开这些出车时的不良现象。
3. 认真掌握车辆行驶的路况环境因素。
油区的车辆行驶的路面大多是油漆路、井排路、井场土路等, 其中部分道路等级较低, 道路状况比较复杂。道路的等级较低的, 行车环境复杂的越容易发生交通事故。其中, 有的油区道路有的弯度过大, 岔道多, 这些道路包括曲线半径、曲线频率、转角、坡度与坡长、线性组合与安全的关系要认真掌握。对于曲率较小的弯道, 曲线频率的影响相对较小。随着曲线半径的减小, 事故率上升;处于降坡阶段, 随着坡度的增加, 交通安全性降低, 当上坡坡度较大时, 有可能产生车辆爬坡不利, 甚至倒退产生侧翻等事故。除去道路上不利条件, 我们还有一个比较有利的因素, 就是我们长期生产、生活在同一个地方, 大部分路况比较熟悉。这就要求值班干部和驾驶员要尽量了解车辆行驶的道路, 同时还要根据天气影响道路的情况, 有针对性地选择比较安全的道路行驶。在不明路况的情况下要注意观察、谨慎驾驶。
4. 加大设备整修安检力度。
虽然在事故统计中, 因为车辆而直接导致的事故比例并不大, 但如果能进一步改善车辆的结构和性能, 按规定进行安全检查, 使汽车具有良好的技术状况, 从某种角度讲是可以防止驾驶员失误的, 至少也可能减轻事故的损失。影响安全驾驶的车辆本身的因素有:灯光、刹车、喇叭、方向等。灯光方面, 汽车应配备有前照灯、制动灯、挡风玻璃, 安全带及后视镜等。制动方面, 动力性越好, 制动性越可靠。随着汽车使用时间的延长, 各部件磨损程度加大, 导致使用性能下降, 技术状况变坏, 如果不及时检查和调整, 很容易出现制动跑偏、轮胎爆裂、喇叭不响、汽车摆头等异常现象, 从而引发各种各样的交通事故。车辆动态控制中的设备安全检查就应该重点检查转向、制动、灯光、其他 (传动、轮胎、喇叭、雨刮器、安全带) 等内容。驾驶员要做到“一日三检”即 (出车前、行车中、收车后) 的检查。出车前, 值班干部和汽车驾驶员检查车辆安全部位是否灵敏、可靠、有效、确认机械性能良好, 做到病车不上路。汽车驾驶员在行车中须严格遵守交通安全法, 保持中速行驶, 按标志、标线、信号行驶, 做到礼貌行车。其中车辆性能要点的检查可参照安全十八法中的部分方法。也可根据实际情况安排人员休息、调整情绪、车辆停驶。
安全行车动态控制工作要与HSE工作紧密结合。安全行车动态控制卡必须妥善保存。车队要定期召开安委会, 总结当月安全工作, 安排部署下月安全工作重点, 并做好记录。
二、安全行车动态控制的作用与意义
1. 安全责任制得到落实。
车队干部对本单位的重大隐患心中有数, 落实隐患治理措施;突出抓好了安全工作的三个节点, 即关键在领导、重点在现场、要害在岗位。促进了安全责任在领导层、管理层和操作层的全面落实, 提高各项规章制度的执行力。
2. 推进了HSE管理体系建设。
按照“一切事故都是可以预防的”的理念, 在行车动态控制中, 逐步查找出生产活动中的各类风险, 并采取相应的削减措施, 使风险得到有效控制。
3. 确保了设备、设施的本质安全。
从搞好安全管理工作入手, 变事后管理为积极预防, 把安全管理的关口前移。建立起“制订计划——开展检查——督促整改——情况反馈——持续改进”的监督检查工作运行机制, 确保计划有落实, 问题有整改, 信息有反馈, 工作见实效。
4. 管理措施和效果得到较好落实。
以前抓落实往往靠督促, 是被动型的落实, 现在抓落实往往是主动型的自主落实。如对驾驶员出车前检查这一要求, 在以前往往得不到落实, 车辆早检制度实施后, 如被查出本属自查而未查的问题, 按照考核标准进行处罚和教育, 最终使设备自检制度得到落实。
5. 掌握了车辆动态, 保证了车况质量。
客运班线车辆动态监控管理制度汇总 第2篇
按照中华人民共和国交通运输部、中华人民共和国公安部、国家安全生产监督管理总局令2014年第5号文件要求，企业应当建立健全动态监控管理相关制度，规范动态监控工作。因此，公司特制订客运车辆卫星动态监控管理制度：
一、监控平台的建设、使用，车载终端的安装、使用及维护制度：
1、按上级主管部门要求公司确定由宏地监控平台为平台运营商，由该营运商负责公司平台的建设、车载终端的安装和维护管理。
2、公司客运班线车辆必须安装卫星定位监控终端，车载终端必须满足下列要求：
（1）能实时上传车辆位置、状态、违章报警灯等休息。（2）车辆超速或连续行驶时间超过规定时间，车载终端能以语音报读方式自动提醒驾驶员。
（3）公司监控平台依据车载终端上传的信息或者监管需要向终端下指令时，终端能以语音报读方式提醒驾驶员。
（4）三类以上客运班线车辆必须安装使用企业能实时视频监控的车载终端。
（5）安装车载终端时，接线必须严格按照《道路运输车辆卫星定位系统车载终端技术要求》（JT/T794)）和《汽车行驶记录仪》（GB/T19056）标准操作，确保车载终端的行驶记录功能和卫星定位功能正常运行。
3、公司在车队建设监控中心，监控中心安排3人负责监控工作。
4、车辆驾驶员负责监控终端的日常保护，不得随意移动，不得遮挡摄像头等，车载终端出现故障，由公司及时通知由监控平台，由宏地监控平台处理。
二、监控平台的运行维护管理和考核办法：
1、、监控及监控终端运行维护管理:
（1）管理人员对本公司车载设备实行台账登记，对其使用操作进行检查、监督、管理，并对故意损坏和违规操作者按规定落实处罚;
（2）驾乘人员负责车载终端的管护和正确操作，不得私自拆卸车载终端，不得改变车载终端的初装位置。凡故意拆卸车载终端或故意遮挡、堵粘、断电造成设备无法正常运行，除承担设备新购、维护、一安装费用外，按规定接受处罚;
（3）车辆在行驶中，驾驶员或乘务员要实时接收公司发布的指令信息，并准确执行和操作;
（4）驾驶员或乘务员应注意观察行驶路段的路面、气候等异常情况，及时通知实时监管理人员，以便采取预防措施。
2、监控及维护工作流程
（1）监控中心应每日查看车辆在线情况，做好在线车辆监控数据的登记分析工作;通过车辆运行轨迹分析判断在线数据异常的原因;汇总不在线车辆的信息;
（2）监控中心应每日将查实的车辆超速等违规情况报安全科汇总;
（3）监控中心对抽查中发现的超速车辆，应在监控平台上实时监控其运行情况，对其进行安全警示;
（4）监控中心要每天对所属运行车辆进行两次监控动态监管信息抽查，填写《客运车辆动态监控台账》，每日对重点关注车辆查询数量不少于总车数的30%;
（5）安全科在每次路检路查工作中，对本公司车辆的车载终端和视频装置进行检查，发现间题要立即与宏地平台有关人员取得联系，分析问题原因并采取相应措施;
（6）监控中心要每月对车辆监控监管情况进行小结，内容包括车辆在线情况、故障情况、设备检查情况、轨迹查询与违规车辆处理情况等。
3、违规处罚
（1）故意损坏车载设备或断电造成设备无法正常监控，属驾驶员责任的，处罚驾驶员1000元;
（2）故意遮挡、扭转摄像头或天线，无法实现车内监控，属驾驶员责任的，处罚驾驶员500元;
（3）车载设备出现故障不能正常工作，未按规定时间报告的，对驾驶员处罚500元。
（4）车载终端发出超速警报或监控平台发出警告信息拒不执行者，属驾驶员责任的，处罚驾驶员500元;
（5）车辆每趟次运行中监控平台累计超速提示3次以上者，处罚违规者500元;
（6）严禁超员，超员超过核定人数10%以下的，处罚车辆经营者500元，超员超过核定人数10%以上者处罚经营者2000元;
（7）私自承揽包租车业务或无正当理由串线经营者，车辆停班整顿，处罚经营者1000元;
（8）私自聘用未经公司审核的驾驶员驾驶车辆，车辆停班整顿，并处罚经营者1000元;
（9）监控中心管理人员每日都必须采集每辆车的监控、视频动态监管信息两次，并填写报表，否则处罚责任人100元;
（10）公司主管领导要对违规违章驾驶员进行安全教育，并认真记录教育(谈话)内容，建立健全整改处罚台帐，完善各种档案资料。若资料不完整，处罚公司安全生产科100元;
（11）监控、视频监控系统管理人员应定期上报有关采集数据、报表，若未按时上报监控数据和违章统计报表，有意包庇或不按规定进行处罚的，分别处罚相关管理人员各100元;
三、监控人员岗位职责及管理制度：
1、安全生产科工作职责：
（1）制定车辆监控、视频监控系统考核管理办法，负责车辆监控,视频监控系统的道路运输安全管理工作；
（2）监督、检查、指导监控中心的日常监控工作，对监控工作的违规行及时给予纠正，并提出处理意见；
（3）监督、检查、指导实时监控中心对监控到的驾驶员违规行为进行处理和处罚情况；
（4）重点监控本公司营运线路上事故多发路段、危险路段车辆的运行情况；
（5）未经公司允许严禁对外发布系统监控信息;
（6）协助做好车辆报废、转让、更新时车载监控、视频监控终端的回收、安装和维护工作;
（7）负责每月通报本公司违规车辆处罚情况，及时向公司相关领导提供各类监控、视频监控安全监控信息、数据与报表等相关资料;
（8）负责每月按时向行业主管部门报送各类监控、视频安全监控信息与数据报表;
2、监控中心工作职责:
（1）检查日常车辆管理工作，通过监控系统了解掌握车辆实际运行情况，发现问题及时提出处理意见;
（2）做好新增、更新车辆的系统数据更新及车辆报废、转让数据信息登记工作。变更信息及时报送系统运行维护部门，确保车辆信息的准确性、实时性;
（3）及时了解客运车辆的信息，根据实际运行情况，监督包车、加班车运行线路、运行时间及监控、视频监控系统的监控记录，并做好这些处理的信息收集和汇总工作;
3、实时监管员工作职责:
（1）按规定操作程序使用、管理监控、视频监控系统平台，确保系统设备完好，运转正常;负责车辆动态实时监控，及时处理系统中各种信息指令，监控登记异常信息及终端故障报修，保证车辆的实施监控和信息反馈时效性;
（2）检查或监控中发现监控、视频监控车载终端工作不正常的车辆严禁排班运行;
（3）按照上级或公司的要求及时调整监控系统中不同公路等级路段分段限速和终端提示工作，确保车辆运行车速符合国家规定标准;
（4）负责驾乘人员的违法违规记录，每月底对驾乘人员违法违规情况进行统计、核查，并上报安全生产科，及时进行处理和处罚;
（5）负责标记各运营线路上的事故多发路段及危险路段，并书面报告安全科备案;
（6）做好车辆在运营线路事故多发路段、事故黑点及危险路段上的监控登记工作，及时准确掌握安全事故黑点特性和重点驾驶员的监控情况;
（7）加强对驾乘人员的培训教育，确保按要求正确使用和维护车载终端;
（8）按实每天填写《客运车辆动态监控台账》，抽查车辆每天不少于30台。
（9）做好车辆监控数据和图片的备份工作，图片保存期为三个月，监控数据保存期为一年，不得随意删除;
4、监控人员值班安排：
1、监控平台大屏应答点击，工作日由彭溢春负责，休息日由各班值班人员负责。
2、每天抽查车辆和《动态监控台账》的记录，工作日每月1-10日由唐健芯负责、11-20日由彭溢春负责、21-31日由谢业春负责，休息日由安全生产科各班值班人员负责。《动态监控台账》由上班监控人员主动交给下班监控人员。
四、交通违法动态信息处理和统计分析制度：
4.1交通违法动态信息处理规范和流程
4.1.1动态监控人员应当实时分析、处理车辆行驶动态信息，及时提醒驾驶员纠正超速、超员、超时驾驶、违反凌晨2至5时停运规定、不按规定中途休息、不按规定线路运行等违法违规行为和卫星定位终端掉线，并做好记录。对经提醒仍然继续违法违规驾驶的驾驶员，应当及时向所在单位安全科负责人报告，安全科负责人应当立即采取措施制止；对拒不执行制止措施仍然继续违法驾驶的，安全科负责人应当及时报告单位领导和集团公司安全科技部，必要时向公安机关交通管理部门报告，并在事后解聘驾驶员。
4.1.2当班动态监控员应及时汇总上报发现的各类违法违规行为、卫星定位终端掉线等情况，并进行相应的截图或录像。
4.1.3 当班监控员发现卫星定位终端不上线的，应报告或通知车属单位安全科负责人或分管违章处理的安全员对卫星定位终端不上线信息进行排查，必要时对车辆驾驶人进行调查或对卫星定位终端进行检查，确认是属违法违规或是卫星定位终端故障。
4.1.4 车属单位安全技术科经排查，确认违法违规行为或卫星定位终端故障属实的，向车辆驾驶员下发违规处理决定书或设备维修通知书。
4.1.5 驾驶员按照处理决定书或维修通知书要求接受处理或者回站后协助技术人员对卫星定位终端进行检查、维护。4.1.6负责违章处理的安全员或安全科负责人跟踪、督促违章驾驶员按规定时限接受处理，检查车辆卫星定位终端故障经检修后是否恢复正常。
4.1.7驾驶员、产值责任人不按照规定时限接受处理的，车属单位安全技术科负责人或安全员，在营运车辆安全管理系统中对违规驾驶员或车辆，设置未处理违规、不签发派车单、限制报班营运，直至处理完毕；卫星定位终端经维护仍不能恢复正常的要及时更换备用终端，卫星定位终端不上线的车辆，不准报班运行，恢复正常上线后再准予车辆参加营运。
4.1.8车属单位安全技术科负责人或安全员每天对监控员上报的监控信息及相应的截图或录像进行排查，将审核后的监控信息记录予以确认,并负责按照规定对违规违章人员进行教育和处理。监控信息记录保存要求：监控数据应当至少保存6个月，一般事故车辆的监控信息至少保存1年，重大以上事故车辆的监控信息、违法驾驶信息及处理情况应当至少保存3年。
4.1.9安全员每天对驾驶人实施出车前安全告诫时应公布和通报上日的各类违规违章信息。
4.2交通违法动态信息统计分析
4.2.1基层单位分管安全领导每周至少召开一次本单位营运车辆的交通违法动态信息分析会议，及时发现和处理违规车辆、驾驶员，消除监控管理存在的问题和漏洞，分析和处理情况应记录在案，并按要求报送当地道路运输管理机构。
4.2.2交通违法动态信息统计分析的主要内容：超速、超员、超时驾驶、不按规定中途停车休息、违反凌晨2至5时停运规定、不按规定线路行驶、卫星定位终端不上线等违法违规行为。
4.2.3统计分析的方法：
4.2.3.1统计分析应尽可能全面，要推广应用科学的数据统计分析方法，可采用对比、排列图等数据分析工具进行分析。排列图是为了对发生频次从最高到最低的项目进行排列而采用的简单图示技术，利用排列图统计分析不仅可以找到一个问题的主要原因，而且可以找出复杂问题的最终原因。通过区分最重要的与较次要的项目，用最少的努力获取最佳的改进效果。
4.2.3.2 统计分析排列图可在《每周交通违法动态信息统计分析会议记录》表中“情况分析”栏中填制。统计分析各类交通违法违规信息时，应与本年上周、上月或上一季度情况进行对此。
4.2.3.3分析可以采用多种形式和方法。如综合分析和各个类别违法违规行为的具体分析，既可综合整个单位情况进行分析、也可对某一班线、某一车辆、某一违法违规行为进行分析。
4.2.4进行分析时，应针对交通违法动态信息和存在问题，善于找出其普遍性和规律，根据单位的生产经营情况，提出下一步安全工作的重点、预防事故发生的措施、对策和合理化建议。
4.2.5交通违法动态信息统计分析报告作为安全管理必须进行的一项工作，列入安全考核、评比的重要的内容。各单位必须按时交分析报告。如有缺报，按集团公司绩效考核的管理规定执行扣罚。
4.3各单位交通违法信息处理情况和统计分析报告，每周二11时前由各单位安全技术科通过OA 办公系统报送集团公司安全科技部。
5相关记录
车辆动态响应检测系统 第3篇
车辆动态响应检测系统 (简称检测系统) 在CRH380B-002高速综合检测列车的不同位置安装车体、构架、轴箱加速度传感器, 采用多断面分布式采集技术, 在不同地点 (动车组1、3、8号车) 进行数据采样和处理, 根据车辆动态响应, 评价、分析模型辅助评价轨道状态。
1.1 检测系统构成
检测系统在1、3、8号车各安装了一个断面加速度传感器, 包括车体、构架、轴箱横向和垂向加速度, 每断面单轴传感器共计8个。每断面的车上设备由一台计算机、一台加速度测量仪、一台同步信号传输转换器组成, 1、3、8号车的设备分别安装在1号机柜、18号机柜、29号机柜中, 一台远程控制计算机安装在13号机柜中。
检测系统对3个断面的车体、构架、轴箱加速度信号进行采集处理 (见图1) , 接收整车时空同步信息, 为采集到的数据打上时间、里程标签, 同时将检测数据通过网络传输到中央处理计算机。
纵向加速度正方向为列车8号至1号车沿轨道运行方向, 垂向加速度正方向为车辆垂直运动向上的方向, 横向加速度正方向为车辆纵向水平向左横向运动的方向。1、3、8号车3个断面传感器安装方向见图2。在软件中可进行调整, 以保证传感器输出极性与定义一致。
1.2 主要技术指标
检测系统技术指标见表1。检测系统安装在最高试验速度400 km/h的检测列车上, 传感器量程选择应考虑需要分析的频带内的振动加速度幅值范围, 又要考虑传感器本身所能感受的频带内的振动加速度幅值范围, 并兼顾振动环境的冲击, 根据实际采集的数据分析, 可能对传感器量程进行调整, 以提高信噪比。检测系统频响可根据具体情况灵活调整。
1.3 技术特点
列车高速运行时, 轨道不平顺激起轴箱、构架和车体各单元振动, 各种轨道不平顺引起的车辆振动特性不同。为研究列车对轨道不平顺的动态响应, 找出轨道不平顺激励规律, 以分析评价轨道不平顺状态, 更好地辅助评价线路质量。
检测系统采用分布式和网络化的测试方法, 采用计算机远程控制分布在不同地点的测试设备同步工作, 并通过网络传输数据和同步信息。由于测量数据量大、测点分散, 以及测试实时性、可靠性和远距离协同操作的要求, 分布式网络化测试系统从体系结构、数据传输、数据处理、人机接口至系统的综合性能与传统的测试系统不同。在综合检测列车的1号车1位、3号车2位和8号车2位端部分别设置了轴箱、构架、车体加速度传感器, 在3号车设置了远程控制计算机, 控制分布在3个断面的轴箱、构架、车体加速度信号同步采集, 并通过网络传输数据。按照空间里程位置同步输出波形, 按照评价分析模型进行数据处理及统计, 检测断面可扩展。
2 检测原理与方法
构建多断面车辆动态响应数据采集处理单元和数据分析单元。实现车体、构架和轴箱3断面, 头车、尾车、中间车的多车辆加速度动态响应数据采集和分析功能, 利用车辆动态响应结果对线路状态进行评价。检测系统由数据采集单元、数据处理单元和时空同步校准单元构成。
2.1 数据采集单元
数据采集单元主要完成各断面加速度响应通道数据采集工作, 实现多通道数据同步, 生成CIT格式文件;可根据试验用的传感器种类、数量和参数, 确定试验线路、使用的数据采集系统类型等, 以及定义试验模型和设置原始参数;绘制波形图及台账信息, 并显示振动加速度、速度脉冲、地面标志、陀螺仪等多种类型的信号波形, 数据可连续同步保存到硬盘等存储介质上。在采集或回放过程中, 用户可打开速度里程表同步查看速度里程信息。主要硬件模块为加速度测量仪和信号同步装置。
加速度测量仪对加速度传感器供电, 并将信号引入采集装置, 通过分布式采集单元设置主控端和终端, 接收综合系统送来的距离脉冲, 远程控制计算机控制各断面采集装置, 并对信号进行采集。加速度传感器输入分为左轴箱、右轴箱、构架和车体加速度, 每个接口可输入3个通道, 还有距离脉冲输入及备用接口。
在检测系统中的3个不同位置安装加速度测量仪, 其中包括数据采集装置。采集装置在时间上是同步的, 同步信号可以是GPS模块接收来的绝对时间, 也可以是以一台采集装置的时间为标准, 将标准时间以DCF77的数据格式传送到其他采集装置。如果采集装置之间距离很远, 采用线缆传输信号可能衰减、延时, 并容易受到干扰。因此采用光缆远距离传送同步信号, 信号同步装置将DCF77数据格式的同步信号转换成光信号, 通过光缆传输至远端, 再将光信号转换回电信号, 输入至采集装置, 使采集装置之间达到同步 (见图3) 。
2.2 数据处理单元
数据处理单元是实时或后处理CIT格式文件, 对CIT格式原始数据进行数据滤波处理、区段统计、生成散点图、打印报表及计算能量集中率等指标。根据算法要求, 处理多通道加速度响应数据和计算车辆动态响应指标。采用灵活的Matlab和C++联合编程实现算法集成功能, 为算法指标试算和应用提供一个平台, 可以打印及预览波形图和报表, 查看波形图、散点图、超限报表、总样本报表和区段汇总报表等。
(1) 散点图。CIT格式文件处理后可根据文件保存断面生成响应的TXT文件, TXT文件统计的是轴箱、构架、车体每200 m的不同滤波最大值, 散点图 (见图4) 是在坐标系显示统计的最大值 (显示一个断面) 。图中蓝色曲线表示速度, 红色方点表示200 m最大值的位置 (获得焦点后会显示详细信息) 。在坐标轴内可用左键拖放显示数据, 单击右键切换显示类型及还原原始坐标大小。
(2) 区段统计。区段统计分200 m最大值统计、200 m超限值统计、轴箱标准差统计和构架平均能量集中率统计。200 m最大值统计即每200 m为一区段, 数据滤波取绝对值得到最大值, 轴箱的滤波范围为200~450 Hz带通滤波, 构架横向加速度滤波范围为低通10 Hz, 车体垂向加速度滤波范围为低通20 Hz, 车体横向加速度滤波范围为低通10 Hz。目前, 超限值统计标准是轴箱垂向≥150 m/s2, 构架横向≥8.0 m/s2, 车体垂向≥2.5 m/s2, 车体横向≥2.0 m/s2。轴箱标准差的滤波范围为低通200 Hz, 滤波后200 m统计均方差。
(3) 报表打印与setup.ini配置文件。目前, 数据处理软件可提供区段超限值和散点图打印功能, 在报表打印设置窗体内可选择打印类型、断面、车次、路线, 散点图需要选择结构方向, 支持打印预览。
2.3 时空同步校准单元
通过反射内存卡接收综合发送的里程速度信息, 并经CAN口转发给数据采集设备, 以模拟通道方式进行保存, 为数据铺设线路里程标, 实现数据在时间和空间上的同步。
(1) 数据预处理。数据采集单元具有8个模拟输入通道, 通道间相互隔离, 隔离电压不小于300 V (10s) , 每个通道可独立调理, 给传感器提供5 V/10 V/12 V/15 V/24 V电源;可进行8阶低通、4阶高通及带通滤波, 截止频率2~5 k Hz采用软件控制调节;A/D采样精度16位, 最大总采样频率50 k Hz, 各通道同步采样, 采样频率可调, 电压最大测量范围≥±60 V, 测量电压精度≤0.1%;频响≥8 k Hz (-0.2 d B) 。
(2) 增量式编码器通道。数据采集单元内置4个增量式编码器通道, 每个通道可接入数字信号或模拟信号, 测量速度、距离、转速、转角, 采样率不低于50 k Hz, 输入电压范围≥±30 V, 计数频率≥32 MHz, 模拟带宽500 k Hz, 可用软件调整阈值和滞后范围。
(3) CAN总线配置。数据采集单元配置2个CAN总线节点, 支持ISO 11898 (High Speed 1MBaud) 和ISO11519 (Low Speed) 传输协议。
3 数据分析
3.1 实测数据时域
检测系统在车辆运行时测量断面各部分的加速度响应。加速度的改变取决于运行状态。在各种运行条件下, 检测系统的轴箱加速度响应与线路间隔100 m焊接接头的特征相符;曲线欠超高工况下车辆通过, 横向加速度应与曲线通过附加离心加速度趋势相符;多次测量结果重复性良好。
车辆以400 km/h速度3次通过实验线的轴箱加速度波形见图5。图中蓝、红、绿分别为3次通过实验线时的轴箱接头响应特征, 可以看出轴箱加速度对线路100 m间隔接头短波不平顺响应特征与理论分析一致。图中数据为1 000 Hz截止频率, 分别统计1、2、3、4、5轴箱左侧和右侧垂向加速度及轴箱横向加速度, 计算3次通过5个冲击点的幅值标准差。轴箱左侧最大垂向加速度23.20 m/s2, 均值14.44 m/s2;轴箱右侧最大垂向加速度15.37 m/s2, 均值11.51 m/s2;轴箱最大横向加速度3.43 m/s2, 均值2.42 m/s2, 重复性良好。
车辆以400 km/h速度3次通过试验线欠超高曲线时的车体加速度波形见图6、车体横向加速度波形见图7。曲线超高设置的均衡速度为330 km/h, 通过半径9 000 m的曲线, 理论计算车体横向未平衡加速度为-0.48 m/s2, 实测车体横向加速度为-0.55 m/s2;通过半径14 000 m的曲线, 理论计算车体横向未平衡加速度为0.28 m/s2, 实测车体横向加速度为0.3 m/s2。实测车体横向加速度为未平衡加速度, 与曲线方向超高设置理论响应一致, 重复性良好, 动态响应准确。
在试验线K757+200和K752+800 2处设置三角坑, 综合检测列车通过时, 构架加速度在K757+200处的响应特征见图8, 车体加速度在K752+800处的响应特征见图9。构架和车体加速度响应与线路设置三角坑的特征相符、里程位置对应。
3.2 实测数据频域特性分析
以320、350、380和400 km/h速度测试车体横向加速度频域响应特性, 车体横向加速度频谱分析见图10, 车体横向加速度在大于10 Hz时衰减, 响应特征符合检测系统车体横向加速度设置。
以320、350、380和400 km/h速度测试车体垂向加速度频域响应特性, 车体垂向加速度频谱分析见图11, 车体垂向加速度在大于20 Hz时衰减, 响应特征符合检测系统车体垂向加速度设置。
以320、350、380和400 km/h速度测试构架加速度频域响应特性, 构架加速度频谱分析见图12, 构架加速度在大于50 Hz时衰减, 响应特征符合检测系统构架加速度设置。
以320、350、380和400 km/h速度测试轴箱在0~1 000 Hz振动频段的响应特性, 轴箱加速度频谱分析见图13。从图中可以看出, 轴箱加速度信号基本覆盖了轨道不平顺响应特征频段。
4 结论
(1) 通过试验证明, 车辆动态响应系统检测数据稳定, 轴箱加速度响应与线路间隔100 m焊接接头的特征相符;通过欠超高曲线时, 横向加速度与曲线附加离心加速度趋势相符, 重复性良好。
(2) 频域分析表明, 车辆动态响应数据能够正确反映轨道存在的各种不平顺激励, 尤其是短波不平顺, 可以利用车辆动态响应辅助评价轨道不平顺。
参考文献
[1]袁希光.传感器技术手册[M].北京:国防工业出版社, 1986
[2]吴兴惠, 王彩君.传感器与信号处理[M].北京:电子工业出版社, 1998
[3]吴石林.误差分析与数据处理[M].北京:清华大学出版社, 2002
[4]黄庆生, 汤毅, 戴宁.精通Visual.C++6.0[M].北京:人民邮电出版社, 1999
[5]雷晓燕.轨道力学与工程新方法[M].北京:中国铁道出版社, 2002
[6]翟婉明.车辆-轨道耦合动态[M].北京:中国铁道出版社, 2002
[7]罗林, 张格明, 吴旺青, 等.轮轨系统轨道平顺状态的控制[M].北京:中国铁道出版社, 2006
[8]许玉德.轨道交通公务管理[M].上海:同济大学出版社, 2007
车辆动态管理 第4篇
征求意见稿
随着安全生产管理越来越精细化，要求越来越严格，高科技应用越来越普及，集团公司车辆动态监控相关管理条款需要进行调整、增加，结合实际，现将监控中心增加的相关内容印发给你们，望各位领导审核，给出修改意见。谢谢！
以下是增加内容：
一、车辆违章处罚规定、如何判断是否违章及发现违章后如何处理
3、处罚标准：客运车辆超速违章一次100元，由监控中心划账处罚；货运车辆超速违章由货运处处理。
三、驾驶员连续驾驶时间的规定及处理方法。
4、处罚标准：客运车辆疲劳驾驶违章一次100元，由监控中心划账处罚；货运车辆疲劳驾驶由货运处处理。
五、无法定位
4、处罚标准：客运车辆无法定位违章一次500元，由客运处划账罚款；货运车辆无法定位违章由货运处处理。
十一、主动安全监控
通过主动安全平台的相关功能实现对营运车辆驾驶员驾驶行为的日常监管。
1、监控人员在工作中，应及时发现主动安全设备离线车辆，第一时间核实该车辆是否在营运，通知车辆恢复设备在线并详细记录，若不肯恢复及时联系主管领导，若设备损坏故障及时联系监控中心对其报修。主动安全设备离线，需复查车辆轨迹，看该车是否在停运状态。
2、平台报警中心：司机报警项为设备对驾驶员违规驾驶行为的拍照记录，监控人员可通过查看抓拍图像做出判断，如存在驾驶员违规操作通知不改性质恶劣的，及时报主管领导；车辆报警项为设备对车辆行驶异常的拍照记录，如某车频繁报警，应发送语音提醒驾驶员注意安全行驶。
3、平台视频监控：利用智能巡检进行对本公司车辆驾驶员违规驾驶行为进行实时巡检，发现违规行为及时发送语音提醒；利用智能轮播进行日常重点车辆驾驶员违规驾驶行为的抽检，一定多重视违规多次车辆的复检工作。
以上三项均要求记录台账留档。
车辆会车动态模拟 第5篇
1 数值模拟
1.1 SolidWorks下几何建模
取计算域为60 m×16 m,相对行使的两车(car1、car2)计算初始状态相距40 m,交汇时侧向间距1.2 m,车长3.76 m,车宽1.66 m。在SolidWorks下,将计算域、两小车的平面布置图转换为平面体(“[插入]— [曲面]—[平面区域]”),另存为ACIS(*.sat)格式,使原点在计算域的中央位置,见图1。
1.2GAMBIT下生成Mesh文件
1.2.1 网格划分
将1.1 中平面体导入GAMBIT2.3.16进行三角形非结构化网格划分,小矩形(car1、car2)所有边网格及大矩形(计算域)面网格的spacing分别取0.5和2,面网格划分时Elements项选“Tri”,其余选项为系统默认。则网格图中小矩形附近区域网格较密集(见图1)。
1.2.2 初建边界条件
先指定求解器名称为FLUENT5/6,再分别指定大矩形(计算域)左、右边为压力入口边界(PRESSURE_INLET)、压力出口边界(PRESSURE_OUTLET),命名为“in”和“out”。 分别指定运动体小矩形(car1、car2)的四条边为壁面边界(WALL),命名为“car1”和“car2”。 若在隧道内会车,需指定隧道两侧为壁面边界。
1.2.3 导出Mesh文件
通过“[File]—[Export]—[Mesh]”并选中“Export 2-D(X-Y)Mesh”项,则在启动文件夹中生成Mesh文件。
1.3FLUENT下迭代计算
1.3.1 调整计算区域并检查网格
FLUENT6.2.16下通过“[File]—[Read]—[Case]” 读入Mesh文件。通过“[Grid]—[Scale…]”调整计算区域几何尺寸为实际尺寸;通过“[Grid]—[Check]”、“[Display]—[Grid]”检查网格。
1.3.2 设置动网格计算模型
1)通过“[Define]—[Models]—[Solver]”设置采用非定常求解器(Unsteady),其余选项为系统默认;通过“[Define]—[Models]—[Viscous]”设置湍流模型为“k-epsilon”。对流体物性、操作条件和边界条件均保持默认。
2)动网格参数设置。新建“car1.txt”、“car2.txt”两记事本文件格式的动边界文件(Profile),“car1.txt”的三行语句分别为“((car1 2 point)”、“(time 0 5.0)”、“ (v_x 10 10))”,其中“car1”为速度名,“2 point”为所取速度变化点数为两点,“time”后为所取点的时刻值,“v_x”后为所取时刻点对应的速度,表明从t=0s～5s的时段里车速一直为10m/s。“car2.txt”中为“((car2 2 point)”、“(time 0 5.0)”、“(v_x -10 -10))”,“((car1 2 point)”。 通过[File]—[Read]—[Profile]读取“car1.txt”和“car2.txt”;通过“[Define]—[Dynamic Mesh]—[Parameters]—(对话框)”中勾选“Dynamic Mesh”复选框,在“Mesh Methods”选项组中勾选“Remeshing”复选框(“Smoothing”已默认选中),设“Smoothing”选项卡中“Spring Constant Factor”为“0.05”,“Remeshing”选项卡中勾选“Size Function”,其余项为默认。
3)动网格区域设置。通过“[Define]—[Dynamic Mesh]—[Zones] —(对话框)”中点选Type项为“Rigid Body”,“Zone Name”选“car1”(设置car1为移动的刚体),“Motion Attributes”的“Motion UDF/Profile”选“car1”,设“Meshing Options”的“Cell Height”为“0.1”,创建新的动区域。同理可设置“car2”的区域。
4)预览网格变化。通过“Solve—[Mesh Motion]—(对话框)”,设“Time Steps Size”为“0.05”,观察每过0.05秒的网格变化,设“Number of Time Steps”为“10”,勾选“Display Grid”复选框,观察网格变化,见图2。
5)设置求解策略。求解参数为默认,通过“[Solve]—[Moniors]—[Residual]—(对话框)”勾选“Options”选项组的“Plot”复选框完成残差监视器的的定义。
1.3.3 模型初始化
通过“[Solve]—[Initialize]—[Initialize…]—(对话框)”在“Compute From”下选“all-zones”,单击“Init”按钮进行初始化;通过“[File]—[Write]—[Autosave]—(对话框)”,每计算10个时间步自动保存一次Case和Data文件。
1.3.4 迭代计算
通过“[Solve]—[Iterate]—(对话框)”,设每时间步长“Time Step Size”为“0.1s”,时间步长个数“Number of Time Steps”为“30”,每个时间步长最多迭代步数“Max Iterations per Time Step”为100,按“Iterate”按钮开始迭代(残差图略)。
2 结果分析
将1.3中自动保存的Case和Data文件读取(或将其导入专用后处理软件Tecplot 10.0中),显示压力分布特性(见图3,系FLUENT自带后处理)。t=2.0 s时小汽车(Vx=10 m/s)周围的压力分布图如图3(a)所示(红、黄、绿、蓝,压力递减);图3(b)为矩形四角倒圆角(r=0.5 m)后的压力分布图;图3(c)为矩形四角倒圆角(r=0.5 m)后Vx=20 m/s的压力分布图,该工况需修改“car1.txt”、“car2.txt”中车速为20 m/s。同理,可对两车侧向间距变化的情形进行模拟,得出间距大则会车压力波小的结论。
3 结 论
由图3(a)、图3(b)可见,小矩形(car1、car2)四角倒圆角有利于削弱压力波的影响;由图3(c)、图3(b)可见,小矩形(car1、car2)速度减小也有利于削弱压力波的影响。因此,小汽车外部结构光顺化及会车时减速均有利于会车安全。
摘要：用Fluent软件对小汽车会车压力波进行二维动态数值模拟。结果表明:车表棱角结构光顺及会车减速可削弱压力波影响,有利于行车安全。
关键词：动网格,交汇,数值模拟,空气动力学
参考文献
[1]江帆,黄鹏.Fluent高级应用与实例分析[M].北京:清华大学出版社,2008.
[2]杨敏.青藏线列车的空气阻力及减阻措施[J].铁道技术监督,2008,36(7):42-43.
[3]李进良,李承曦,胡仁喜.精通Fluent6.3流场分析[M].北京:化学工业出版社,2009.
[4]李玉虎.会车过程的空气动力特性研究[D].长春:吉林大学,2006.
[5]陆振华.高速铁路隧道空气动力学数值模拟方法分析[D].成都:西南交通大学,2008.
[6]傅立敏.汽车空气动力学[M].北京:机械工业出版社,2006.
多车型动态车辆调度及其遗传算法 第6篇
当有多种车型可用时,对同一项运输业务来说,使用不同车型的车时、可载量常不一样,所需的空车数也不相同。本文所研究的VRP是以容量不同来划分不同车型的。目前,国内外关于多车型车辆调配问题的研究都很少。文献[1]、[2]采用模拟退火算法和改进的节约算法(modified saving algorithm)对多车型配送车辆调度问题进行了研究;文献[3]考虑到任务的特性和车辆的专用性,任务类型与车型的匹配问题;文献[4,5,6,7]分别从不同的侧面不同车型对线路的影响:车型的标定的载重量、车型的运输价格、车型固定成本。综合来看目前的多车型车辆调度研究中的不足:①在进行车型选择时,在处理车型对线路的影响以及线路对车型的需求时,人为的限定了解的范围,可能丢失最优解;②一般以运输距离作为优化目标,没有反映出运输成本中另外重要影响因素:运输量、车辆利用率。
总之,多车型车辆调度的关键在于解决好车型对线路的影响以及线路对车型的需求,使总成本最低。本文研究的多车型车辆调度问题,首先,以路径最短为目标,允许多种车型同时调用,先给定可能的路径,然后匹配车辆,再检验成本大小,进行动态车辆调度优化,并给出相应遗传算法;然后,以油耗成本为目标,考虑到车型的载重量的不同,并且考虑线路中载重量的动态变化,进行动态车辆调度优化。后者不仅考虑了不同车型的容量不同,而且考虑了动态载重量的油耗的成本,所以更加符合实际情况,因此其优化结果更加合理。
2 问题的分析
多车型动态车辆调度问题是指在管理由一定数量不同型号的运输车辆所组成的车队,面对多个顾客点确定的运输任务需求,允许不同车型同时调用,在一定的约束条件下制定出合理的车辆选择和路径安排方案,以满足完成各顾客点的运输任务需求,从而达到调度的总成本最小的目标。
问题的实质就是在任务需求分布已知的情况下制定出服务各顾客点的车辆调配方案。由于车队中有多种不同型号的车辆,车型对路径的影响以及路径对车型的要求,进行动态的车型选择和路径安排。
问题一般描述为:有一车场,拥有w种不同的车型,容量为qv的车辆,现有l项货物运输任务,以1,…,l表示,已知任务i的货运量为gi(i=1,…,l),且0≤gi≤qv, m为所需总的车辆数,求满足货运要求的费用最小的车辆行驶路线。车场可以是泛指车辆发出地,也可以是车库、货场、仓库或配送中心等。
3 以距离成本为目标的动态优化
3.1 确定所需车辆数量
车型对路径安排有影响,车型容量大则需要的车辆少(假设一辆车对应一条支线)。所以事先并不能确定需要多少辆车,只能得到一个范围:
其中,qmaxv是最大车型容量,qminv是最小车型容量。但在算法设计中取m的最大可能值。
3.2 遗传算法设计
(1)编码及初始群体
这里采用序数编码,用1到l表示l个城市,l+1到l+o表示车场。 需要注意我们在个体的编码里车场数o=m-1,在解码的时候整个线路两端分别加入一个车场,构成m条支线。这样的编码允许车场与车场相邻,当车场与车场相邻时,距离为零,算法会自动选择合适的车辆数量。
那么对于任意一个给定的个体,找到车场编码位置,并按顺序放置在一维数组b[o]中,则线路的第一个任务点到车场b[1]构成一条支线,中间b[1]到b[2]之间构成第二个支线,依次类推,到最后b[o]到最后一个任务点构成第m条支线。并且通过设定车场到车场之间的距离为极大值,避免车场编码相邻的情况。
(2)确定目标函数值
①判断是否符合车辆容量约束。先求出线路中各支线的送货量gk,若gk>qmaxv,则线路不可行; 可以在程序中使用惩罚因子来实现这个约束条件,如式(2)所示。
式中,
②为个体的各个支线匹配车型。求出所有车场之间的送货量gk;根据车场之间的送货量确定该车场之间的运输车型,将车型按容量从小到大排序。若支线的容量等于零,则是车场与车场相邻,取车型0;若支线容量gk≤qminv,则该支线配备最小容量车型;若支线容量在两种车型之间,则该支线取较大车型。
③求各支线距离,加总得个体总距离。
(3)遗传操作
①选择。
使用的适配值函数为:
其中,fi为个体的目标函数值,fmax、fmin为群中最大和最小个体的目标函数值,利用fi′>rand选择个体,将较小目标值的路径(适应度较大)个体选择下来。
②交叉。
采用部分匹配交叉策略,其基本实现的步骤是:随机选取两个交叉点;将两交叉点中间的基因段互换;将互换的基因段以外的部分中与互换后基因段中元素冲突的用另一父代的相应位置代替,直到没有冲突。
③变异。
使用互换操作算子(SWAP),即随机交换染色体中两个不同基因编码的位置,SWAP相对于INV(逆序操作)和INS(插入操作)更有利于算法的大范围搜索。
④群体的跟新和终止条件。
为保证计算随迭代次数的增加,最优解越来越好,每次变异后将每次的上次迭代最优解加入群体,防止因交叉或变异而是最优解失去,出现退化现象。为保持群体数目不变,变异后产生随机解加入群体(本算法群体数目选择中可能发生减少)。终止条件最常用的有事先给定一个最大进化步数。
4 以油耗成本为目标的动态优化
不同车型容量不一样,其耗油水平也不一样,为了更好的反映不同车型对路径成本的影响,本小节提出以油耗成本作为目标函数,进行多车型的动态优化。
4.1 目标函数分析
在车辆运输业中,车辆有效利用程度的一个重要指标就是实载率。实载率可以综合表明车辆行程和载重量两方面的利用程度,是里程利用率与载重量利用率之乘积。它较全面地评价车辆结构和企业运输组织不同时,车辆有效利用程度。对于非满载车辆调度问题,线路中车辆的载重是不断变化的,所以其实载率也是不断变化的。在运输线路的第i段运输中,我们用ri表示车辆的实载率,gi表示车辆实际载重,q表示车辆标定载重。则车辆的的实载率可以用式(4)表示:
一般在给定车型的情况下,车辆的油耗与车辆的载重有一定的联系,本文假定其成正比关系。若给出h1为车辆的空载单位距离油耗,h2为车辆的满载单位距离油耗,ri为车辆实载率,可以用式(5)表示线路中第i段运输中车辆的单位油耗hi′.
当已知车辆载重gi时的运距li,可以根据式(4)、式(5)得到车辆运输过程中的总油耗表达式:
依据式(6)可以得到考虑油耗成本的多车型动态车辆调度的目标函数为:
其中,
hv1为车辆k是车型v时空载时单位油耗;hv2为车辆实载时单位油耗。rij表示线路中支线的车辆k从i到j的运输实载率,且该支线的城市数为t(包括两端的车场)。
4.2 求解方法调整
在第3节以距离最小为目标的遗传求解过程中,加入一条求线路中支线的油耗成本:在支线中从车场到第一个任务点是满载,从第一个任务点到第二个任务点的载重量是总载重减去第一个任务点的货运量,后面依此类推,到最后回到车场的运输是空载。
依据式(6)得支线的油耗成本,其中t为各支线的任务点个数(包括车场):
通过式(9)求得线路中k条支线的油耗,然后加总就可以得到整个线路的总油耗成本。
5 实例
为方便比较,取一个实例:有9个城市,1个车场,其坐标及任务量如表1,给定3种车型,车辆容量分别为5、10、15。车辆空载时单位油耗分别为15、20、25,车辆满载时单位油耗为20、25、30。
5.1 以距离为目标的动态求解
本文利用MATLAB进行来实现上述的遗传算法:
①确定车辆数量,也可以看作是线路的支线数量,依据式(5)求得2≤m≤6,取m=6,则编码会对应6条支线;
②进行编码:1,2,…,9表示任务点; 10,11,…,14表示车场;
③利用遗传算子求解,在给定选择概率pc=0.9和变异概率pm=0.2,迭代200次,最后收敛于最优解。
最优线路为(11,12,9,3,7,4,6,8,2,10,13,5,1,14),车型(0,0,2,0,2,0),成本为393.22;解码去掉车场与车场之间的0线路,可得两条支线(见图1):0-9-3-7-4-6-8-2-0,对应车型为2;0-5-1-0,对应车型为2。
5.2 以油耗为目标的动态求解
以油耗成本为目标函数,利用MATLAB进行路径优化的遗传算法求解(计算过程同上):
最优线路为(13,2,8,6,4,7,10,11,1,5,3,12,14),车型(0,2,0,2,0,0),成本为9070.9;解码去掉车场与车场之间的0线路,可得两条支线(见图2):0-2-8-6-4-7-0,对应车型为2;0-1-5-3-0,对应车型为2。
另外,可以计算出以油耗为目标求得最优解的运输总路程为443.3; 而5.1小节中,以距离为目标的最优解的线路油耗为9977.7。
可见,虽然从路程上来看,以距离为目标优化的路径要短,但实际上其所消耗的燃油成本更高,而优化之后求得的结果能够节约油耗成本706.8。这说明通过对运输成本的进一步的分析,综合考虑运输距离和运输量对油耗量的影响,更加科学合理。
6 结论
本文研究了允许多种车型同时调用的动态车辆调度问题。首先,以路径最短为目标,考虑车型与路径需求的相互影响,进行动态车辆调度优化,并给出相应遗传算法;然后,以油耗成本为目标,考虑到车型的载重量的不同,并且在线路中车辆载重量的动态变化,进行动态车辆调度优化,并给出了遗传算法。后者不仅考虑了不同车型的容量不同,而且考虑了动态载重量的油耗的成本,所以更加符合实际情况,因此其优化结果更加合理。
摘要：研究了允许多种车型同时调用的动态车辆调度问题:分别以路径最短为目标和以油耗成本最少为目标进行动态车辆调度优化,并设计了相应的遗传算法。本文最后的实例进行了验证,发现以油耗最少为目标,不仅考虑了不同车型的容量限制,而且考虑了动态载重量的油耗影响,更加符合实际情况,因此其优化结果更加合理。
关键词：多车型,动态车辆调度,遗传算法
参考文献
[1]Ferland J A,Michelon P.The vehicle schedulingproblem with multiple vehicle types[J].Journal ofthe Operation Research Society,1988,39:577~583.
[2]Blanton J L,et al.Multiple vehicle routing withtime and capacity constraints using geneticalgorithms[A].Proceedings of the FifthInternational Conference on Genetic Algorithms[C].LosAltas,CA,1993:452~459.
[3]李冰.多车型确定性动态车辆调配问题[J].管理工程学报,2006,3:52~56.
[4]石洪波,郎茂祥.JD多车型配送车辆调度问题的模型及其禁忌搜索算法研究[J].长沙交通学院学报,2005,3:73~77.
[5]经怀明,张立军.多车型车辆调度问题的建模与仿真[J].计算机仿真,2006,4:261~264.
[6]钟石泉,贺国光.多车场有时间窗的多车型车辆调度及其禁忌算法研究[J].运筹学报,2005,12:67~72.
带时间窗的动态车辆调度算法 第7篇
随着社会的发展及生活水平的提高, 汽车的数量正在逐年增加, 这给城市交通带来了巨大压力, 带来了堵车和空气污染等严重后果。人们购车还需要支付一笔客观的养车费用, 租车成为人们更加属意的明智选择。选择租车, 租车方既不需要按揭购买车辆, 也不需要支付养车费用, 且可以实现按需使用。而供车方则可以将自己的车辆在空闲时期出租, 来赚取一定的收益, 并使车辆得到充分利用。于是, 客户和提供者之间快速建立供需关系成为亟待解决的问题[1]。如果车辆出租行业采用BIRIS (双边资源整合) 服务模式, 可构建一个车辆服务平台, 首先收集社会上各式各样的闲置车辆, 然后对车辆资源进行整合, 就能满足客户的个性化需求[2]。车辆服务平台收集到的车辆资源分散在各个地区, 车辆资源和客户需求越来越多时, 如何以最快捷、最节省的方式实现车辆的最佳分配, 此即为本文即将研讨的车辆调度问题。
车辆调度问题因其广泛的应用及显见的社会价值, 已经引起国内外学者的关注。以往的车辆调度大多是针对静态的需求, 但是在现实中的交通系统中存在很多不确定的因素, 比如交通事故、用户需求及行驶时间等, 这就使得静态调度的应用范围受到限制[3]。动态的车辆调度需要考虑众多实时信息, 比如车辆所在的位置、交通堵塞、突发事件等因素。对于动态车辆调度可有两种方式, 一种是重新调度, 当新的用车需求到来的时候, 重新调用静态调度方法, 但这需要频繁调用, 而且需要大量的计算时间[4];另一种是局部优化, 根据实时信息对调度结果进行部分调整, 这种方法可能不能取得最优解, 但是效率较高, 实用性也较强[5]。还有, 在车辆动态调度的很多问题中, 没有考虑到时间窗的因素, 只针对客户需求的某一时间点来进行调度, 如果不能即时提供服务就拒绝这个需求, 这样定会降低客户对服务的满意度。如果客户在提交需求的时候, 以时间窗的形式来说明用车开始时间, 而若车辆服务平台不能满足客户的需求, 则可以按照客户的需求和平台所有用车请求的分布情况, 提供若干可行的时间窗供客户选择, 将会减少拒绝客户需求的次数, 从而相对提高客户满意度。
GPS (全球定位系统) 和GIS (地理信息系统) 技术的应用越来越广, 已经可以清晰地将一辆车的位置显示在电子地图上面, 其服务平台也能够准确地掌握车辆的实时位置和交通的拥堵情况, 并可以获取两点之间最便捷的行驶路径, 这样就从根本上改变了对车辆的管理和调度方式[6]。因而, 可以根据车辆的实时位置、实时的交通信息和客户的需求信息, 选择更优质、更高效的调度方案[7]。
考虑到以上两个方面, 本文提出一种动态车辆调度算法, 该算法将客户的用车时间以时间窗的形式表示, 如果服务平台不能满足客户需求, 便推荐若干时间窗供客户选择。并且在调度的过程中, 根据车辆的实时位置和交通信息来计算成本。本文的框架如下:首先给出带时间窗的车辆调度问题的描述及定义, 然后给出详细的求解方法, 再给出实验结果及相应的实验分析, 最后给出结论。
1 带时间窗的车辆调度问题的描述及建模
1.1 带时间窗的车辆调度问题的描述
假设有m台车辆, 收到n个请求, 按照车辆所处位置和请求之间的距离安排任务, 并且考虑到前后两个任务之间的距离, 尽量让前一个任务的目的地和后一个任务的起始地点近一些, 减少车辆的空跑时间。分配任务后, 得到一个方案, 代价为w1。如果有k个新增请求, 则将新请求按照任务的执行时间和任务之间的距离进行插入, 求得可行解, 此时解的代价为w2, 对可行解进行优化, 求得代价更小的解, 此时代价为w3, 且满足w3≤w2。车辆调度典型场景如图1所示。
解的代价考虑到的因素有车辆的费用、客户满意度和司机的任务经验。
(1) 车辆的费用包括车辆的空驶费用、载人行驶费用和固定费用, 分项考虑车辆的费用, 可以尽量降低车辆的空跑时间;
(2) 客户满意度。此因素的加入可以使客户满意度高的司机和车辆有更多提供服务的机会, 体现了公平性和竞争性, 也是对客户负责任的表现;
(3) 司机的任务经验。此因素的存在可以使司机执行更擅长的任务, 有助于服务水平的提高。
算法的决策变量为车辆空驶费用、车辆载人行驶费用、固定费用、客户满意度、司机的任务经验。另外, 该调度问题是针对大量的用车请求及车辆为背景前提的, 并且是实时性的, 因而要求算法具有处理大量数据的能力, 并且要具备较快的运行速度。
所有的用车请求根据提交时间和用车时间的间隔分为两类, 如果间隔大于30分钟, 则是预定请求;如果小于30分钟, 则是实时请求。对于预定请求, 要提前且优先处理;而对于实时请求, 在请求接收后尽快处理。
概括起来, 车辆调度问题要求合理分配车辆和行车时间, 使目标函数得到优化, 并满足以下约束条件:
(1) 每辆车同一时刻只能为一个用车请求服务;
(2) 车辆应该在客户指定的时间窗内开始服务;
(3) 每个请求最多由一辆车提供服务, 如果不能满足客户需求, 则推荐若干时间窗。
1.2 带时间窗的车辆调度问题的建模
GIS可以获取从任意地点a到任意地点b需要的时间及路径, 矩阵P存储车辆在某一类任务的工作经验值, Pji是车辆j在第i类任务方面的工作经验。数组S存储车辆的客户满意度, 车辆j的客户满意度为Sj, 车辆j启用固定费用为Cj, α为客户满意度所占的权值, α<0, β为任务经验所占的权值, β<0。请求i的任务类别为ki, 起始地点为oi, 目的地为di, 最早开始时间为ei, 最晚开始时间为li, 车辆到达时间为ri, 服务开始时间为si, si=max (ri, ei) , 车辆等待时间为vi, vi=max (0, ei-ri) , 服务结束时间为qi。若请求i由车辆j执行, xij=1, 否则xij=0, 并且需要的空载行驶时间为eij, 需要的载人行驶时间为lij, 需要的等待时间为wij, 车辆单位时间的空载行驶费用为Ce, 车辆单位时间的满载行驶费用为Cl, 车辆单位时间的等待费用为Cw。
综上可知, 目标函数为:
xij=1, 表示i请求由车辆j提供服务;xij=0, i请求不是由车辆j提供服务;, 表示每个任务i最多由一辆车执行;ei≤li, 表示请求i的最早开始时间不大于最晚开始时间;ri≤li, 表示车辆到达时间不大于最晚开始时间;ei≤si≤li, 表示服务开始时间不小于最早开始时间且不大于最晚开始时间;vi≥0, 表示车辆等待时间不小于0。
本文描述带时间窗的车辆调度问题的数学模型, 具有以下特点:
(1) 设定的目标函数和约束条件较全面并接近实际的情况;
(2) 目标函数和约束条件表现形式直接且易于理解;
(3) 便于设计算法和实现。
2 基于禁忌搜索的动态车辆调度算法设计
车辆调度问题及其各类研究分支都已被证明是NP-Hard问题[8], 这类问题在大规模情形下很难求得最优解。针对此大规模问题, 应采用启发式算法求解, 启发式算法可以分为传统启发式算法和亚启发式算法。
传统启发式算法是采用局部搜索技术寻求满意解, 算法通用易实现, 但可能陷入局部最优;
亚启发式算法采用全局搜索寻求满意解, 能够避免局部最优。禁忌搜索是一种全局逐步寻优算法, 通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索, 并通过藐视准则来赦免一些被禁忌的优良状态, 保证多样化的有效探索, 最终得以实现全局优化[9]。本文采用启发式算法构造初始解, 然后采用禁忌搜索方法对初始解进行优化。
2.1 算法的总体流程
用车请求分成预定请求和实时请求两类, 首先对预定请求进行处理, 构造初始解;然后采用禁忌搜索对初始解进行优化, 得到每辆车的任务链表;当实时请求到来时, 在满足时间窗要求的前提下, 将实时请求插入到车辆的任务链表中, 最后再调用禁忌搜索算法获取优化解。
2.2 时间窗的可满足性
假设车辆j的任务链表为Tj 1, Tj 2, …, Tjz, 如果要在任务Tjl和Tjq (q=l+1) 之间插入一个新的任务Tjf, 那么Tjf首先必须满足条件 (4) , 即车辆应在最晚开始时间之前到达, 并且如果插入Tjf, 从Tjq到Tjz也必须满足条件 (4) , 如果该车辆的任务都满足时间窗的要求, 才可以插入新的任务Tjf。
例如车辆CAR0001的任务链表为T1, T2, T3, T1的时间窗为[1, 2.5], r1=2, s1=2, 从起始地点到目的地需要时间为0.5, q1=2.5, 从T1的目的地到T2的起始地点需要1.7, T2的时间窗为[4, 5.5], r2=4.2, s2=4.2, 从起始地点到目的地需要时间为1.5, q2=5.2, 如图2所示。
如果要插入T3, 其时间窗为[3, 3.5], 从T1的起始地点到目的地需要0.5, 从T1的目的地到T3的起始地点需要0.4, 那么如果插入T3, T3的车辆到达时间r3=2.9, 满足条件 (4) , 此时s3=3, 从T3的起始地点到目的地需要0.6, 从T3的目的地到T2的起始地点需要0.9, 那么, T2的车辆到达时间r2=4.5, 满足条件 (4) , 此时可以插入T3, 如图3所示。
如果从T3的目的地到T2的起始地点需要的时间为2, 那么r2=5.6, 不满足条件 (4) , 那么将不能把T3插入。
2.3 构造初始解
算法思想:未处理的请求集合N1, 首先初始化车辆的任务链表集合U, 获取车辆的实时位置, 然后对每一个请求, 在每一辆车的任务链表扫描, 对任务链表中任意取两个相邻的任务中的间隔j (包括最前面和最后面) ;判断如果将请求i插入在这里, 是否满足时间窗的要求, 如果满足, 则计算因插入该请求而增加的代价addij。扫描完成之后, 如果存在可以插入的地方, 则选择增加代价最小的插入点, 并将其插入;如果不存在插入的地方, 则根据请求的分布推荐时间窗, 伪代码如图4所示。
2.4 使用禁忌搜索优化初始解
禁忌搜索最重要的思想是标记对应已搜索到的局部最优解的一些对象, 并在进一步的迭代搜索中尽量避开这些对象, 从而保证对不同的有效搜索路径的进一步探索。禁忌搜索涉及到的参数有适配值函数、禁忌对象、禁忌长度、候选解、藐视准则和终止准则。
本文对禁忌搜索关键参数如下:
(1) 适配值函数:目标函数为:
(2) 禁忌对象:适配值, 可相对减少计算时间;
(3) 禁忌长度:t=姨n, n为用车请求的数目;
(4) 候选解集合:采用2-opt作为邻域构造法, 从邻域中择优选择Candisize个解构成候选解集合。例:车辆1的任务链表链接由实线表示, 车辆2的任务链表链接由虚线表示。车辆1的部分任务链表为T1→T2→T3, 车辆2的部分任务链表为T4→T5→T6, 现在交换T2和T5, 如果均满足时间窗的要求, 则车辆1的部分任务链表变为T1→T5→T3, 车辆2的部分任务链表为T4→T2→T6, 如图5所示;
(5) 藐视准则:基于适配值准则。若某个禁忌候选解的适配值优于Best So Far状态, 则解禁此候选解为当前状态和新的Best So Far状态;
(6) 终止准则:最优解未改变的次数unchange有个上界Max Unchange, 当unchange≥Max Unchange时, 终止算法。
禁忌搜索的伪代码算法如图6所示。
2.5 算法复杂度分析
设用车请求数为n, 车流量数为m。算法中需要存储多个解, 每个解所占存储单元的大小为n, 则算法的空间复杂度为O (n) 。算法构造初始解时, 对每个任务在每部车辆上都进行尝试, 则算法构造初始解的时间复杂度为O (mn) , 禁忌搜索的时间复杂度将以运行时间的形式进行比较。
3 实验结果和分析
3.1 应用举例
有10个用车请求, 请求编号为R 0001, R 0002, …, R 0015, 请求i的任务类别为ki, 起始地点为oi, 目的地为di, 最早开始时间为ei, 最晚开始时间为li, 如表1所示。
有5辆车, 车辆编号为C0001, C0002, …, C0005, 车辆j的当前所在位置为locj, 顾客满意度为Sj, 固定费用为Cj, 如表2所示。
矩阵P存储车辆在某一类任务上的工作经验值, pij表示车辆i在第j类任务上的工作经验值, 如表3所示。
从GIS中获取到一些从某点至另一些点所需要的时间, 用矩阵H存储表示点i到j所用的时间, 如表4所示。
3.2 参数设置
禁忌长度:5
候选解集合的大小:Candisize=100
终止准则:Max Unchange=20
3.3 实验结果
将以上例子中的数据进行测试, 初始解得到的结果如图7所示。
C0001的任务链表为:R0001→R0004
C0002的任务链表为:R0003→R0002→R0007
C0003的任务链表为:R0006→R0009
C0004的任务链表为:R0005→R0010
C0005的任务链表为:R0008
总代价为13.68
经过禁忌搜索优化后, 得到的结果如图8所示。
C0001的任务链表为:R0001→R0004
C0002的任务链表为:R0003→R0006→R0008
C0003的任务链表为:R0002→R0009
C0004的任务链表为:R0005→R0010
C0005的任务链表为:R0007
总代价为12.53
前后两次结果对比, 后者比前者优化了8.4%, 上述实验验证了算法的可行性及优化性能。在车辆行驶距离相同的情况下, 实现了选择客户满意度和业务经验丰富的司机和相应车辆来提供服务。
3.4 与遗传算法的对比与分析
本文将设计的禁忌搜索算法与遗传算法进行了比较, 使用同样的数据分别使用遗传算法和禁忌搜索算法进行了实验, 车辆数目为20, 请求数目分别为10, 20, 30, 40, …, 200, 每次都对运行时间进行记录, 得出的对比结果如图9所示。在请求个数为10、20、30的情况下, 遗传算法的运行时间比禁忌搜索的时间短;当请求个数大于40的时候, 遗传算法求解的时间比禁忌搜索的时间长;在请求个数为130的时候, 二者运行时间相同;当大于130的时候, 遗传算法的运行时间高于禁忌搜索, 并且差额持续增加。本文要求处理大量的请求数据, 分析得知, 采用本文设计的禁忌搜索算法效果更好。
4 结束语
论文设计了一种新的车辆出租服务模式, 充分利用车辆资源;建立了有时间窗的车辆调度问题的数学模型, 该模型考虑到距离、车辆基本费用、车辆的客户满意度及车辆的工作经验值, 接近实际问题, 并且简单直观、易于实现;论文求解有时间窗的车辆调度问题时, 先用局部搜索的方式构造初始解, 再用禁忌搜索进行优化, 取得优化解。实验结果表明该算法不仅可以获得好的分配方案, 并且计算效率高。
参考文献
[1]战德臣, 赵曦滨, 王顺强, 等.面向制造及管理的集团企业云制造服务平台[J].计算机集成制造系统, 2011, 19 (3) , 487-494.
[2]王忠杰, 徐晓飞.面向双边资源整合的服务创新模式[J].计算机集成制造系统, 2009, 15 (11) :2216-2225.
[3]FAN Jianhua.Dynamic vehicle scheduling problem with chang-geable time Window.FSKD, 2009:276-280.
[4]CESCHIA S, GASPERO L D, SCHAERF A.Tabu search tech-niques for the heterogeneous vehicle routing problem with timewindows and carrier-dependent costs[J].Scheduling (SCHEDU-LING) , 2011, 14 (6) :601-615.
[5]LEANH T, DEKOSTER M B M.On-line dispatching rules f-or vehicle-based internal transport systems[J].International Jo-urnal of Production Research, 2005, 43 (8) :1711-1723.
[6]LIAO Ziqi.Taxi dispatching via global positioning systems.IE-EE TRANSACTIONS ON ENGINEERING MANAGEMENT, 20-01, 48 (3) .
[7]LI Yitong, Li HUANG Bo, LEE D H.Multimodal, multicriteri-a dynamic route choice:a GIS-microscopic traffic simulationapproach[J].Annals of GIS, 2011, 17 (3) :173-187.
[8]KOWALAKI D R, NUTOV Z, SEGAL M.Scheduling of Vehic-les in Transportation Networks.Nets4Cars/Nets4Trains, 2012:124-136.
车辆外廓尺寸计算机视觉动态测量 第8篇
近年来,随着我国汽车保有量的不断增加,人们在享受机动车辆带来便利的同时,交通事故和道路设施的早期损坏等问题也频频发生[1]。汽车的综合性能检测成为了维持良好的车辆生产和道路交通秩序、确保道路设施的完好和公路交通安全的有效手段,汽车车身尺寸检测是汽车综合性能检测的重要内容[2]。传统的测量方法多为人工测量,测量误差大、效率低;如今普遍采用红外光幕组合激光雷达测量法[3]和采用激光雷达组合计算机视觉测量法[4]。红外光幕组合激光雷达测量法,采样的频率受现有产品的限制,测宽时需要在地面安装红外光幕接收器,不利于维护且难于达到较高的测量精度,综合测量误差小于2.5%。激光雷达组合计算机视觉测量法,这种测量方法的成本有所降低,但测量的采样率一样难于提高且占用场地较大,综合测量误差小于2%。
本文提出一种基于计算机视觉技术的测量方法[5,6,7,8],采用测宽相机组快速采集车辆通过检测区的横向近红外激光光幕光点图像,利用区域分割算法[9,10]分割光点区域,质心提取坐标匹配算法匹配模板坐标提取车辆的宽度和俯视投影数据;采用测长相机组快速采集车辆通过检测区的侧面图像,利用金字塔分解、基于边缘特征的快速拼接融合[11,12,13,14]等图像处理算法和几何模型计算车辆的长度,并结合宽度边缘数据修正长度的测量精度;利用FPGA获取红外光幕探测车辆高度的侧正投影数据测量车辆的高度。该测量方法的硬件成本低,占用场地小,测量误差小于1%,测量系统性能稳定可靠,测量过程实现自动化测量。
1 测量系统的组成
1.1 系统整体结构
测量方案整体示意图如图1 所示,分为光电触发模块、长度测量模块、宽度测量模块、高度测量模块和测控系统五个部分。
光电触发模块布局3 组成扇形发射方式的光电组获取触发信号,用于捕获车辆驶入、离开检测区的开关信号,长度测量模块、宽度测量模块、高度测量模块由测控系统同步控制采集车辆的长度、宽度、高度数据,结合处理算法计算出车辆的外廓尺寸;测控系统完成对各功能模块的调度,数据的接收处理,报表打印、查询、存储、异常报警等功能。
1.2 车辆长度测量原理
待测车辆长度测量原理如图2 所示,当车辆行驶入检测区域时,测控系统通过RS232 接收光电组R1、R2、R3检测车辆驶入的开始信号,以此启动电路控制器输出CCD同步信号,控制测长机组CCD3和CCD4同步采集车辆通过检测区的侧面图像,对采集的图像进行预处理、Sobel边缘提取、直方图均衡化、金字塔快速拼接融合等图像处理算法获取车辆侧面的全景图像,再通过全景图像作一阶灰度纵投影差分定位车辆的前端和后端位置,结合靠近相机一侧宽度边缘数据修正计算出车辆的长度。
1.3 车辆宽、高测量原理
待测车辆宽度、高度测量原理如图3 所示,龙门架两端横向安装有两组横向近红外激光光幕,每组激光光幕激光器间距均匀分布,垂直向下投射到反射面(反射面涂有反光漆以增强反射),中央测控系统控制测宽机组CCD1和CCD2同步快速获取车辆通过检测区的激光光幕投射在反射面上激光点的分布图像,由于采用结构光测量结构,车辆通过检测区时打在车身上的激光点被车辆的高度所调制,激光点图像落在相机的视场之外,对采集到的图像采用区域生长匹配算法提取车辆两侧边缘激光点质心坐标,同时计算激光点区域的面积和周长,根据先验条件去除杂散的干扰点后和已知的模板所存坐标进行匹配,获取车辆边缘点的图像坐标,采用中值滤波、冒泡去噪算法计算出车辆的最大宽度。
在龙门架纵向安装多组红外光幕,红外光幕连续不断周期性扫描,光幕间隔均匀分布发射器发射平行的红外光线,车辆通过检测区时,光幕被遮挡部分的数据被光幕数据采集器编码,FPGA采集器接收光幕编码的数据,用FIFO给数据添加数据包号并缓冲接收的数据,然后通过RS485 总线传输到测控系统,测控系统接收数据利用解码算法可获取车辆高度纵投影数据,采用冒泡去噪算法计算出车辆的最大高度。
1.4 中央测控系统软件架构
测控系统包括数据采集以及命令交互功能块、图像处理算法模块、长宽高数据处理模块、数据库管理和设备自检功能模块。数据采集模块主要完成触发信号、图像数据和红外光幕数据的采集和传输功能。测控系统接收各功能模块的数据后采取相应的处理算法计算车辆的外廓尺寸。
人机交互模块具有测量显示、报警功能,将测量数据和车辆信息输出显示在大屏幕上,当测量到车辆尺寸超标时,进行文字提示和声音报警信号;历史记录查询功能,操作人员能够随时查看已有的车辆测量过程数据及测量结果;报表打印功能,对测量数据和测量结果生成报表打印;用户管理功能,设置系统的用户以及相应的权限信息,从应用软件级别确保系统的安全。软件处理框架如图4 所示。
2 测量原理数学模型
2.1 基于金字塔快速拼接算法的长度三角测量方法
2.1.1 提取车辆全景像素大小
测控系统控制CCD相机连续采集一序列车辆侧面的图像,为了提高拼接算法的速度,首先对采集的序列图像进行三级金字塔抽样后进行初匹配,记录匹配后的坐标再还原到原始图像中做小范围的精确匹配,记录所有序列间的匹配位置,利用快速融合算法获取车辆侧面的全景图像。本文采用归一化互相关系数作为确定最佳匹配位置的参数,根据模板图像和配准图像的搜索计算,查找互相关系数最大的图像坐标位置作为最佳的匹配位置,配准计算式:
式中:T(m ,n)、Si,j(m ,n)分别是模板图像和待匹配图像对应像素的灰度值,R(i ,j)为两图像间归一化的互相关系数。按照上述方法,对多帧连续图像进行配准和融合,拼接结果如图5、6 所示。
图5 为经过预处理的待拼接图像,图6(a)为序列图像拼接后的全景图像,图6(b)为全景图像的一维纵投影图像,图6(c)为全景图像纵投影的一阶差分图,根据差分数据精确定位车身的前端和后端,有图可知本文提出的投影差分法定位车辆前端和后端具有很高端精度,且鲁棒性强。采用本文的图像配准和融合算法可以复现出车身侧面全景信息,稳定可靠的拼接质量保证了后续车辆长度测量的精度。
2.1.2 长度计算的几何模型
根据序列图像拼接获取得车身的全景图像素大小,结合宽度一侧的边缘数据计算车身的长度尺寸。长度测量的数学模型如图7 所示,图中o点为成像透视点,以o为原点建立摄像机坐标系oxyz,像平面坐标系为O1XY,Z0为相机标定的平面,同时对应到横向光幕一侧的边缘数据,可以得到车身距离相机透视点的相对坐标,每次车身偏离初始位置的变化ΔZ都可以在宽度的边缘数据中获得,如此可由在三角形o AB中计算出图中标示的车辆全景ROI的实际长度。
根据图7 数学模型,可得到位于Z1平面内的长度,但汽车的侧面并未全部处于同一个平面内,汽车前端和后端的弧面各不相同,但同一车型的弧面近似,因此引入修正参数α 、β ,由此得当车身侧面处于Z1平面处车辆长度的计算公式如下:
式中:X为车身全景像素,f为镜头的焦距,Z0为初始标定的Z向距离,ΔZ为车身偏离初始位置的距离,α 、β 是与车型相关的系数,由多组测量数据回归统计得出。
2.2 采用点结构光的宽度测量方法
宽度的测量方法采用点结构光的测量原理,对采集到的图像做区域分割标记处理,提取激光点的质心与模板坐标匹配,根据图像坐标计算其物理坐标,由于CCD3、CCD4处于龙门架的一脚,像平面上每个像素标示的物理尺寸不是均匀分布的,成“近大远小”的分布,故建立数学模型如图8 所示。
图中AB为激光器点云的分布区域,CCD相机安装在龙门架M位置,距离地面的高度为h,f为有效焦距,P点为图像中心对应在反射面上的物点,x1为任意一个激光点,α 为相机视场最大位置B对应的夹角,γ 为视场角,ν 为工作距离,以此建立计算x1的方程如下。
记相机CCD阵面尺寸为W×H,由此可得γ/2 的计算式:
由摄像机透视变换模型可得:
在三角形ΔACM中,得:
在测量系统中,BC变化范围为200 mm~400 mm,h=5 000 mm,由此计算知δ变化范围是2.29°~4.57°,变化角度很小,为简化计算可以忽略。把式(3)带入式(5),结合三角函数可得:
变换式(6)为
设定摄像机和镜头参数后,f和W是一固定值,h和ν 之间是比例关系,由此得:
由此,光点投射部分的距离可由图像中像素X坐标线性表出,记:
故x1物点距离可以用线性方程计算,即:
式中:系数ξ ,b可以用最小二乘法拟合计算,X1为激光点在图像中的像素坐标,由此采用图像处理算法提取出图像坐标后可以直接由线性方程计算出物理坐标。
3 测量系统测试实验及误差分析
3.1 测量系统参数设计
为了验证算法的可靠性和准确性,搭建测量系统。试验中选用BASLER Ace1300 相机,Microvision 25mm镜头,BOSCH GLM激光测距仪,铅垂,龙门架设计为5 m×5 m,测长机组距离中心线4.5 m,测长机组CCD3、CCD4同步帧频为10 f/s,测宽机组CCD1、CCD2同步帧频为70 f/s。龙门架两端安装两组横向光幕,每组2 m,中间间隔1 m,光幕间隔10 mm均匀分布5 m W,780 nm激光器;龙门架纵向安装4 m的红外光幕,光幕间隔11 mm均匀分布激光发射器,另一侧对应安装红外光幕接收器,数据采集输出连接到中央测控系统,根据以上参数构建测量系统如图9 所示。
3.2 测试实验准确性分析
为了验证算法的可靠性,对车辆进行重复测量实验。首先使用铅垂标记车辆最长、最高、最宽的位置,然后使用BOSCH GLM激光测距仪测得待测车辆的实际尺寸作为标准尺寸,最后使用测量系统对轻型厢式货车进行3 组重复测量,实验结果如表1 所示。
实验结果表明,3 次的重复测量,与激光测距仪测量值进行比较,系统测量误差绝对值均小于1%,平均耗时小于50 s,验证了测量系统的准确性和稳定性。
4 结论
目前,汽车的车身尺寸检测成为汽车综合性能检测以运行安全监测的重要内容之一。本文提出一种车辆外廓尺寸的视觉测量方法,该方法充分地利用了计算机视觉测量技术和光电检测技术,测量精度高、速度快,并且具有较强的鲁棒性。通过3 次重复性测量实验,实验结果显示,该测量方法对车辆外廓尺寸的测量相对误差小于1%,测量消耗的时间优于50 s,满足了测量准确性和快速性的要求,为车辆综合性能检测和智能交通系统提供了一种有效的解决方案,在实际应用中具有重要意义。
摘要：针对车辆外廓尺寸的精确快速测量,本文提出一种激光光幕和CCD相结合的动态测量方法。本方法采用安装在龙门架顶角的两台CCD相机快速采集被车辆高度调制垂直投射的激光点图像,并应用区域生长质心匹配算法提取边缘投影数据测量车辆的宽度;采用车身侧面序列图像拼接获取车辆侧面全景图像,并对全景图像做一阶投影差分处理精确定位车头和车尾,根据摄像机透视模型测量车辆的长度,并结合宽度边缘分布数据修正长度的测量精度;采用FPGA获取垂直安装的红外光幕侧投影数据测量车辆的高度。本方法与传统的激光雷达和红外光幕的测量方法比较,具有占用场地小,安装结构简单,抗干扰能力强和测量精度高的优点,经过车辆外廓尺寸的现场测试实验,结果表明该方法测量误差小于1%,平均耗时低于50 s,验证了本测量方法的准确性和实时性,且本方法具有较强的鲁棒性和重要的应用价值。
车辆动态管理 第9篇
关键词：动态车辆调度,禁忌搜索算法,C-W节约法
0 引 言
车辆调度问题(VSP)是物流配送优化决策中的重要内容。在以往的大多数VSP研究中,多数是对静态车辆调度研究,即在调度之前,认为所有的信息(包括客户信息、车辆信息等)都是确定的。而在实际的车辆调度计划制定和执行过程中,往往会有新的客户请求的提出或客户信息的变化,这时要求系统能够快速地响应这种信息更新,并重新制定车辆调度计划,这类问题称为动态车辆调度问题。带时间窗约束的动态车辆调度问题DVSPTW(Dynamic Vehicle Scheduling Problem with Time Windows)是车辆调度问题的重要拓展,是国内外学者研究的热点。
目前国内学者对DVSPTW问题的研究主要形成了两种优化方法:一是基于Apriori优化的方法,就是在制定车辆调度计划时,首先根据未来服务出现的概率信息预先确定一条或多条线路,在车辆执行任务中得到确切的信息后再对预先确定的线路做出适当的调整;二是实时再优化方法,就是根据动态信息实时地对行驶车辆线路进行动态调整,可以用动态插入算法[1]、并行的禁忌搜索法[2]或遗传算法等实现。文献[3]采用一种将新需求点收集、路径优化、路径执行时间分开的实时优化策略对问题进行研究;文献[4]将计划周期分片,将不断变化的DVRP转换为一系列的静态子问题进行求解;文献[5] 采用实时再优化方法,对DVSPTW进行研究,建立数学模型,用基于并行节约法和禁忌搜索的混合算法对该问题求解。本文也采用实时再优化方法进行研究,在对DVSPTW问题进行分析基础上建立数学模型,用基于C-W节约法和禁忌搜索的混合禁忌搜索算法进行求解,算法中提出用动态候选解的构造方法和动态禁忌长度的选取策略提高算法的求解速度,并通过实例结果说明此混合算法的可行性及有效性。
1 问题分析与模型建立
1.1 问题分析与解决
DVSPTW是指在初始调度计划执行过程中,由于新需求的不断到来,调度系统需要改变原来线路或重新开辟线路以对动态任务点做出处理[6]。根据动态车辆调度问题的这种动态性特点,本文引入虚拟任务点和时间轴两个概念。即将一个调度周期(如一个工作日)建立为时间轴,系统把一个调度周期划分成一定时间间隔的时间片;当有新客户事件产生时(设为时刻τ),运输车辆可能已经驶离了配送中心,为此,假设车辆仍然从配送中心出发,而将车辆的当前位置作为一个任务点来处理,称为虚拟任务点[5]。这样在τ时刻的任务信息就都是已知的,从而将动态车辆调度问题转化为一个个静态子问题处理。为保证结果与实际要求相符,增加如下的相应约束:
(1) 虚拟任务点须处于各线路的起点,也就是说,从配送中心出发的车辆必然要先经过虚拟任务点。
(2) 对于配送任务,由于货物已经装车,所以要求车辆必须经过原先已经分配的客户任务点。对于集货任务,没有这种限制。
(3) 对于虚拟任务点货物量的设置,虚拟任务点的货物量设为其已经完成的各任务点货物量的总和。
(4) 对于虚拟任务点的时间窗约束,由于车辆经过虚拟任务点的时间已经发生并且是确定的,因此将虚拟任务点的时间窗约束定义为对应的那个确定的时间即可。
1.2 基于时间轴的车辆调度模型
在有新需求产生的时刻τ,构建数学模型。为建立模型,下面定义变量和参数:设τ时刻虚拟任务点的集合为Nv(τ);τ时刻各车辆已完成任务集合为Nv0(τ);τ时刻未完成的任务点集合为Nv1(τ);τ时刻未完成的任务点和新任务点的集合为Nu(τ);τ时刻虚拟任务点、未完成的任务点和新任务点的集合为Nvu(τ);τ时刻所有未完成任务、新任务点和调度中心的集合为Nu0(τ);τ时刻所有的虚拟任务点、未完成任务点、新任务点和调度中心的集合为Nvu0(τ)。设由m辆车完成任务,车辆固定成本P,每辆车的最大载重量为Q,Qik(τ)表示τ时刻车辆k的已累积载重量(若车辆从调度中心出发,则Q0k(τ)=0);qi表示客户点i的需求量;cij表示从客户点i到客户点j的运输成本;tij表示从客户点i到客户点j所需的运输时间;Ti表示运输车辆到达客户点i的时间;时间窗为[Ei, Li],Ei为最早允许到达时间,Li为最迟允许到达时间。
则得到数学模型如下:
约束条件:
Ei≤Ti≤Lii∈Nvu0 (6)
Qi=Nv0(i)i∈Nv (7)
Ei=τ i∈Nv (8)
式(1)为目标函数,将行使成本和车辆固定成本统一作为优化目标;式(2)是车辆不能超载约束;式(3)表示车辆从配送中心出发并且必须先经过虚拟点,最后回到配送中心;式(4)是虚拟点访问单向性,即虚拟点有且只有一辆车从这里出发而没有车辆从其它任务点达到这里;式(5)保证是一个任务点有且只有一辆车辆到达并离开;式(6)为时间窗约束,即任务的送达必须在时间窗内;式(7)和式(8)分别表示虚拟点的货物量和时间窗。
2 混合禁忌搜索算法求解
C-W节约算法最早是在1964年提出的[7]。算法的思想是:第一步,把配送中心与各个任务点单独相连,计算费用。第二步,将满足条件的任务点间进行连接,计算节约值,连接节约值最大的两任务点。然后反复重复第二步,即可完成线路的构造。
禁忌搜索算法[8](TS)通过引入一个灵活的邻域结构和相应的禁忌准则避免迂回搜索,并通过藐视准则赦免一些被禁忌的优良状态,从而保证搜索的多样性,避免局部化,实现全局优化,是一种全局逐步寻优算法。但其全局寻优能力对初始解有较强的依赖性,一个好的初始解是TS算法求出理想解的一个重要条件。
2.1 算法设计
文中以车辆固定成本和行使里程成本统一作为优化目标,采用C-W节约算法构造一个好的初始可行解,然后采用禁忌搜索算法进行优化,即用混合禁忌搜索算法对动态车辆调度问题进行有效求解。
(1) 初始解与动态信息输入
先用C-W节约算法构造静态初始解。在此基础上,在时间轴的某个时间段中,将所有新任务的动态需求进行插入,系统搜索车辆及路线信息,设定各个虚拟点,然后依次判断新任务是否满足插入条件,计算各种插入成本,取成本最小者,分配新任务,从而得到动态的初始解。
(2) 邻域移动
邻域移动通过2-opt交换算子形成:根据连续未寻得最优解的迭代步数unchange_iter动态地调整构造候选解的个数C,具体策略如式(9):
其中,m是根据问题的规模大小而设定的调整因子。
(3) 解结构与时间窗
构造一个二维数组Route[n+1][n+1]来存储解结构。其中,Route[i]代表第i条路线,Route[i][j]代表第i条路线上的第j个客户,用Route[i][0]代表第i条路线上的客户数,则Route[i][1],Route[i][2],…,Route[i][Route[i][0]]表示一条完整路线i上的所有客户。
用一个结构体数组TW[n+1]来存储客户时间窗,成员E表示最早服务时间,L表示最晚服务时间。因此,TW[i].E表示第i个客户的最早务时间,TW[i].L表示第i个客户的最晚服务时间。其中,TW[0]表示配送中心的时间窗。
(4) 禁忌表和动态禁忌长度的选取
禁忌表用于记录迭代过程中最近几次5次～10次的局部最优解。文中采用(n+1)×(n+1)阶矩阵来记录禁忌情况。
禁忌长度是每个禁忌对象在禁忌表中的生存时间。禁忌长度的取值直接影响着解的搜索范围和收敛速度。禁忌长度越大,则搜索范围越广,就越容易获得较好解,但是收敛速度就会慢。对于禁忌长度的选取,文中采用动态选取策略,即开始迭代R0步后,每搜索R步就设置一个检测点,检查当前目标值Zk相对于前R步的目标值ZK-R的下降程度,判断是否满足式(10)或式(11):
ZK-R-ZK<α1ZK-R (10)
ZK-R-ZK>α2ZK-R (11)
其中,是α1、α2比例系数。若满足式(10),就认为目标值下降的程度很小,禁忌长度需要减小;若满足式(11),则表示目标值下降的程度很大,禁忌长度需要增加。并且,为了体现禁忌长度调整之后的效果,可以适当地将下个检测点的设置推后。
(5) 算法终止
算法终止条件为以下两项之一:① 总迭代次数达到指定次数max_iter;② 连续未寻得更优解次数达到指定次数max_unchange_iter。
(6) 结果输出
文中采用的是定时处理即时客户的处理策略,所以当一个时间片内的所有动态需求处理后输出调度结果,并置MTS(Meliorative Tabu Search)算法为等待状态。
2.2 算法步骤
(1) 变量定义
cur_iter为当前迭代步数;
max_iter为最大迭代步数;
unchange_iter表示当前连续未寻得更优解次数;
max-unchange_iter表示当前连续未寻得更优解最大次数;
cand-count是当前候选解数量;
max-cand-count是最大候选解数量。
(2) 算法
用C-W节约算法求静态初始解,然后插入时间片中所有动态需求,用C-W节约算法构造动态初始可行解,并设该动态初始解为当前解和当前最优解。
初始化禁忌表并置cur_iter、unchange_iter和cand-count为0。
while(cur_iter≤max-iter)and(unchange_iter≤max-unchange_iter)
{
while(cand-count≤max-cand-count)
{
根据unchange_iter动态地调整构造候选解的个数;
2-opt交换算子;
将新的可行解加入邻域中作为候选解;
}
在候选解集中选择非禁忌最佳的候选解或优于当前最好解的禁忌候选解(若存在将其解禁)来替代当前解;
若新的当前解优于当前最好解,则更新当前最好解,并置unchange_iter为0;否则unchange_iter的值加1;
更新禁忌表,cur_iter的值加1,置cand_count为0;
根据迭代步数cur_iter,设置检测点,检查目标值的下降程度,根据目标下降程度动态修订禁忌对象的禁忌长度;
}
输出调度结果,置MTS算法为等待状态。
3 测试实例
文中的混合禁忌搜索算法已用C++语言编程实现。这里构造一个测试实例:某时间段有7个预先任务点和2个动态任务点,各任务点的需求量qi、时间窗[Ei, Li],任务点i到j的距离为Cij,行使时间为tij,任务点间距离与行使时间成正比,测试中令Cij=tij;设有一个调度中心0,拥有负载为Q=10的车辆若干,取车辆固定成本P=200,车辆行驶成本为50;新需求产生,具体数据如表1所示。
静态解如图1所示。
利用混合禁忌搜索算法对上述动态车辆调度的测试实例进行求解。(1)运用C-W节约算法求得动态初始解,如图2所示,共需5辆车,车辆固定成本1000,线路行驶成本1486,总费用为2485。(2)用禁忌搜索算法对初始解进行优化,结果如图3所示,只需要原来的4辆车即可,车辆固定成本8000,线路行驶成本1340,总费用为2140。
测试案例运行10次,均得到总费用最小值为2140,而且运行时间均在约1.5秒钟内完成。实验结果证明了算法求解的有效性和速度。用与文中研究方法和策略类似的文献[4]和文献[5]分别对该测试实例进行求解结果如下:对测试算例求解5次,3次得到总费用最小值为2140,其余2次结果大于此费用;用文献[4]的算法计算也可以得到总费用为2140的最优解,但算法的平均运行时间在2秒左右。通过比较可以看出文中的混合禁忌搜索算法通过使用动态方法构造候选解和动态的禁忌长度选取策略使得算法能够更快地进行收敛,提高运算速度,并且保证结果的全局优化性。
4 结 语
本文引入虚拟任务点的概念,建立了基于时间轴的动态车辆调度模型,用基于C-W节约法和禁忌搜索的混合算法进行求解,提出用动态候选解的构造方法和动态禁忌长度的选取策略提高算法的速度。并通过应用实例说明了该混合禁忌搜索算法能够快速、有效地解决DVSPTW问题。因此,研究成果有很好的理论和实用价值。
本文研究的是单时间窗的动态车辆调度问题,没有考虑多时间窗分布的情况,以及路线网络性能、车辆状况和车辆负载对成本的影响等一些不确定因素对模型的影响,进一步的研究可以考虑从以上因素入手来分析该算法在更多约束下的性能和适应性。
参考文献
[1]Ghiani G,Guerriero F,Laporte G.Real-time vehicle routing:Solutionconcepts,algorithms and parallel computing strategies[J].EuropeanJournal of Operational Research,2003,151(1):1-11.
[2]Larsen A.The dynamic vehicle routing problem[D].Lyngby:Techni-cal University of Denmark,2001:121-134.
[3]陈晓眯,孟志青,等.基于混合禁忌搜索算法的动态车辆路径研究[J].浙江工业大学学报,2009,37(5):830-835.
[4]刘霞,齐欢.基于禁忌搜索的动态车辆路径问题研究[J].武汉理工大学学报:交通科学与工程版,2010,34(2):293-296.
[5]王训斌,陆慧娟,张火明.物流动态车辆调度问题的混合禁忌搜索算法[J].计算机工程与应用,2010,46(8):228-231.
[6]曹剑东,郑四发,李兵,等.动态车辆调度系统设计与开发[J].计算机工程,2008,34(7):180-182.
[7]Clarke G,Wright J.Scheduling of vehicles from a central depot tonumber of delivery points[J].Opns.Res,1964,12(4):12-18.