基于互联网下城市轨道机电一体化分析

吴韵逸

摘要：随着互联网技术的快速发展，机电一体化技术是一门集计算机技术、传感技术、信息技术、自动控制技术、机械技术、电力电子技术等交叉的综合性技术。机电一体化已广泛的运用到生活的各个领域，加快了社会的建设与进步，基于互联网下将机电一体化技术运用到城市的轨道交通中，提高了交通运行和乘客出行的效率，解决了城市轨道交通的拥堵问题。本文主要分析机电一体化技术的概念和轨道交通工程的具体应用。

关键词：互联网轨道;机电一体化;城市轨道交通

中图分类号：U239.5;U285.2

文献标识码：A

文章编号：1001-5922（2020）12-0172-04

0 引言

在城市快速建设发展过程中，城市道路拥堵的现象日趋加重，为了缓解这一现状，各地区城市大规模修建轨道交通。作为现代人出行的重要交通工具，轨道交通列车具有运量大、速度快、准时、节能等优点，有效的解决了城市道路拥堵的问题。但城市轨道交通运行的过程中需要电力系统、控制系统、通讯系统、监控系统、信号系统、自动检票系统、环境监测系统、火灾报警系统等专业配合。传统的人工工作方式无法操作这一复杂的机电系统，因此在轨道交通中运用机电一体化技术，互联网下可对每个工程程序实施智能化控制，大幅度提高了列车的运行效率，增加了乘客的通行效率，讓乘客的出行变得更加舒适、安全和便捷。

1 我国城市轨道交通现状

截至2019年，我国已经有30余个城市开通了城市轨道交通，其中北京市拥有22条线路，通车里程608km，上海市拥有17条线路，通车里程673km，广州市拥有13条线路，通车里程392km，深圳市拥有8条线路，通车里程285km。轨道交通给城市居民生活带来极大便利的同时，也给城市交通带来新的挑战，因为地铁拥堵和换乘困难给城市生活带来诸多不和谐因素。所以，研究城市轨道交通的升级方案，是当前城市轨道交通升级工作的重要内容[1]。本文就城市轨道交通一般模型进行探索研究，如图1所示。

图1中，一般城市轨道交通的运行线路之间轨道调度相对独立，每条运行线路在始发站均有绕道连接到检修站区[2]。北京、上海等地的城市轨道交通一般拥有多个检修站区，但也有部分类似合肥、青岛等地会修建单独的检修站区对备用车辆和检修车辆进行管理。城市轨道交通每条线路中间会有多个中间站台，用于乘客中途上下车或者换乘，部分换乘站如北京大望路站、西直门站等，会在换乘站区有绕道联通不同线路，供紧急调车使用。但在实际正常运行循环中，各线路之间的车辆独立运行，不相互跨线。

在这种模式下，如果加大一条线路的发车密度，就需要从检修站区配置车辆进入始发站前等待，调整发车密度后，将车辆并人运行。如果减小一条线路的发车密度，会等待车辆进入始发站后，将其撤编后驶回检修站区。传统调度模式下，线路加大或者减小发车密度，根据提前制定的发车时间表执行，即在预计高峰时间加大发车密度，在预计非高峰时段减少发车密度。但此方案会在动态客流发生不可预期变化时发生拥堵或者空车运行情况。本文重点探讨依照大数据回归和曲线估计算法的城市轨道交通互联网机电一体化控制方案。

2 机电一体化控制策略现状及互联网切入点

当前状态下，通过基于MPLC或者单片机系统控制的道岔自动监控系统、信号自动控制系统、隔离门联动控制系统、车辆定位及状态监控系统等都已经形成了信号联动。其中使用轨道主机对道岔状态和信号状态进行综合管理，使用站区主机控制隔离门状态的监控信息，使用运行主机控制车辆状态监控信息，3种主机在站区的边缘IDC进行数据汇总处理，3种主机的本质是大数据仓库系统，并无更多的数据处理功能。在最近的互联网技术升级中，将3种主机信息通过IDC接入主机接入到城市轨道交通总调度IDC中，该IDC的IDC机组（交换机组、路由器机组、数据仓库机组、服务器机组等）不做更多讨论，而其值班主机工作站组和调度主机工作站组也通过汇聚层交换机后，经过IDC核心交换机与IDC机组实现互联网功能。如图2所示。

可以认为，当前对大部分轨道交通总调度来说，其IDC机房内已经拥有了充分的交换机组、路由器机组、数据仓库机组、服务器机组都已经拥有了足够的计算能力和安全保障能力。所以在下文中进行核心算法分析。

3 轨道交通核心算法需求分析

根据前文分析，通过一卡通刷卡量和站区的客流量数据进行回归计算，结合车辆状态和轨道资源利用率状态，计算出发车密度需求，进行动态发车密度调整，是当前核心算法的核心需求[3]。其模糊矩阵如表1所示。

表1算法只考虑到两个变量，一是车辆状态中载客量的变化，以80%、60%、40%为3个临界值，同时考虑到各站区的检票进站量。当前大部分城市轨道交通中，会利用上述两种状态的实时发生值进行计算，但当前互联网技术发展，特别是基于大数据的趋势分析技术，可以对未来短期内，特别是15-30min之内的数据做出预判，可以得到更有领先性的数据分析结果，该部分算法一般通过神经元算法实现。

4 轨道交通数据领先性预测的神经元算法设计

4.1 输入数据需求

对进站流量数据来说，输入数据为当前时间段（本文以每分钟进站流量计算）内的进站流量，输出数据为15min后的进站流量。因为其本质为对15min后进站流量的曲线估计分析，所以，应分析至少150min内的每分钟数据，才可以确保10%的大数据回归算法冗余。故输入数据应为150min内每分钟的输入数据，该数据以数据序列的方式进行并行输入。所以，其输入模块共150个，每个输入模块为长整形变量。

4.2 输出数据设计

因为该数据为领先性的回归结果数据，所以数据的信度较输人数据更低，所以无需将15min内每分钟数据单独输出，为保障系统正常运行，仅需要输出后续第15min数据即可实现系统功能，但为了加强系统功能，本文设计其将后续第5min，第lOmin，第15min数据进行分别输出，即该神经元网络的输出数据为3个长整形变量。