基于SCADE 的多传感器列车测速定位系统模型设计

梁 波，戴熙昌

（湖南中车时代通信信号有限公司，湖南 长沙 410005）

0 引言

列车测速定位系统是轨道交通信号系统的核心子系统之一，对保障列车安全高效的运行具有重要的作用［1］。现有测速定位技术有轮轴传感器定位、多普勒雷达定位、查询应答器定位、轨道电路定位及GPS定位。每种技术都具有各自的优缺点，在实际运用中，单一定位技术在特定场景下无法完全满足列车定位要求。如轮轴传感器定位，在雨雪天气或上坡工况时，列车车轮容易发生打滑，通过轮轴传感器计算得到的列车速度及距离数据值与实际工况下的偏差很大，严重时甚至影响行车安全。当前，干线铁路采用的定位技术为轮轴传感器加应答器的组合方式，其也无法规避轮对空转或轮滑产生的定位误差。朔黄铁路采用轮轴传感器加多普勒雷达的组合方式，其以轮轴传感器为主、多普勒雷达为辅，但没有对二者信息进行融合处理。城轨CBTC系统采用轮轴传感器加应答器的组合或轮轴传感器加应答器再加多普勒雷达的组合，同样没有对信息进行融合优化。随着列车无人驾驶技术的发展，轨道交通信号系统对列车定位精度提出了更高要求。为此，列车车载定位系统需要引入多种定位技术，并通过融合算法对多种定位信息进行融合优化，使车载定位系统输出的列车状态信息更加接近实际工况。基于多信息融合的定位技术是未来的研究方向［2-4］，常用的融合算法有加权法和卡尔曼滤波法。

SCADE是一种面向实时嵌入式系统的高安全性应用开发环境，具有开发周期短、可仿真验证、开发过程可控性强、成本低、风险小和效率高的优势， 被广泛应用在航空航天、海洋船舶及轨道交通等多个领域［5-8］。

本文通过分析现有定位技术的优缺点，提出了一种基于光电传感器、多普勒雷达、加速度计及应答器的列车测速定位模型。该模型对多传感器信息进行融合，可以有效解决列车空转、轮滑时定位误差大的问题。同时，文章利用SCADE Suite（SCADE的模型开发环境）进行建模，并采用SCADE Test（SCADE的验证与测试环境）进行仿真验证。

1 现有测速定位技术

现有列车测速定位技术优缺点比较如下：

1） 交叉感应回线定位技术利用电磁感应原理来检测列车的速度与位置，定位精度可达到10 cm，常用于磁浮列车定位，应用案例包括北京八达岭磁浮旅游线、日本名古屋HSST磁浮列车试验线等。其具有定位精度高的优点，但工程造价昂贵。

2） 多普勒雷达定位技术利用多普勒效应来检测列车的速度及位置信息，被广泛应用于城市轨道交通和部分地方铁路（如朔黄铁路）。其测量结果不受列车轮对状态（如空转和轮滑）的影响，但对安装精度要求较高，且受列车振动的影响较大，在道岔或转弯处时的测量结果与实际值偏差较大。

3） 查询应答器定位技术被广泛应用在轨道交通领域，应答器被预埋在轨道特定的位置，应答器中预存有位置信息，当列车经过应答器上方时可读取到应答器中的位置信息进而检测到列车位置。查询应答器定位技术只能进行点式定位而不能连续定位，因此常用于列车位置的校正。

4） 加速度计通过实时采集列车的加速度信息进而获取列车的速度及走行距离信息。加速度计测量值不受列车轮对状态的影响，但列车振动及安装工艺对加速度计测量精度影响较大。加速度计在欧洲列车控制系统中应用较多，在国内城市轨道交通领域有少量应用。

5） 轮轴传感器定位技术是轨道交通领域应用最广、性价比最高的一种定位技术。轮轴传感器被安装在车轮的轴端，轮轴转动时传感器会产生相应的脉冲信号，通过计算脉冲个数可计算出列车的速度及走行距离。其具有定位精度高、造价低廉及易工程化等特点，但轮对空转或轮滑对其测量精度影响巨大。常见的轮轴传感器有光电式和霍尔式。目前我国干线铁路LKJ系统及城市轨道交通CBTC系统均采用该定位技术。

6） GPS 是一种以人造地球卫星为基础的高精度无线电导航定位系统，具有维护简单、精度高的特点，但其信号易受到遮挡物（如山林、隧道）的影响。由于我国幅员辽阔，山林地带较多，因此，目前我国只有极少数机车采用GPS作为辅助定位技术使用。

2 基于多传感器的列车测速定位模型

目前，在我国轨道交通领域，列车定位普遍采用轮轴传感器加应答器的组合方式。该组合定位技术容易受到列车空转和轮滑的影响，即使部分列车加装了多普勒雷达，但其只作为辅助使用，并没有对信息进行融合优化。针对我国轨道交通领域现有列车定位技术的不足，本文基于光电传感器、多普勒雷达、加速度计及应答器，设计了一种多传感器的列车测速定位模型，该模型由6 个功能模块组成，其结构如图1 所示。其中，光电传感器处理模块、多普勒雷达处理模块、加速度计处理模块及应答器处理模块为列车状态采集单元；列车状态判断模块根据光电传感器处理模块及加速度计处理模块所采集的列车加速度信息实时判断列车的运行状态；多信息融合模块根据列车运行状态动态阶梯式地调整光电传感器处理模块及多普勒雷达处理模块的加权系数，进而对两者的信息进行融合优化；应答器处理模块根据校正命令对融合优化后的列车走行距离进行修正，从而消除列车定位误差。该模型对多传感器信息进行了融合，可以有效提高列车的定位精度，特别是空转、轮滑工况下的定位精度。图1中，V为模型输出的列车速度，S为模型输出的走行距离，S′为融合优化后的列车走行距离，S校为校正距离，V光为光电传感器采集到的列车速度，S光为光电传感器采集到的走行距离，V雷为雷达采集到的列车速度，S雷为雷达采集到的列车走行距离。

图1 基于多传感器的列车测速定位模型结构Fig .1 Model structure of the multi-sensor based train speed measurement and positioning system

2.1 工作原理

各功能模块的工作原理如下：

1） 光电传感器被安装在轮对轴端，光电传感器处理模块通过实时采集光电传感器产生的脉冲信号，计算列车的实时速度及走行距离。

2） 多普勒雷达处理模块将多普勒雷达采集到的速度信息进行转换，并依此计算列车走行距离［6］。

3） 加速度计处理模块将加速度计采集到的列车加速度与光电传感器模块采集到的列车加速度进行比较，从而判断列车是否发生空转。

4） 应答器处理模块用于接收处理应答器校正信息，以校正系统走行累计距离的误差［7］。

5） 多传感器信息优化模块通过优化逻辑将光电传感器处理模块、多普勒雷达处理模块、加速度计处理模块及应答器处理模块的信息进行优化组合，进而提高模型的定位精度。本文采用阶梯加权的方式进行多信息融合。

模型输出的列车速度及走行距离的计算公式如下：

校正模块处理逻辑为

式中：T雷——多普勒雷达处理时间周期；λ——优化加权系数，其可根据列车空转、轮滑状态进行动态调整，当校正信号Balise有效时，使用S校对S进行校正，否则S就采信融合优化后的列车走行距离S′。

2.2 工作流程

基于多传感器的列车测速定位模型工作流程如图2所示。

图2 基于多传感器的列车测速定位模型工作流程Fig.2 Operation flow diagram of the multi-sensor based train speed measurement and positioning system model

从图2 可知，将光电传感器模块采集到的加速度与加速度计模块采集到的加速度进行比较，根据两者加速度偏差的绝对值判断列车状态（正常、空转或轮滑），并根据列车状态对优化加权系数进行动态调整，使模型计算的速度及距离更加接近列车真实的运行状态；在接收到应答器校正信号后，再对模型计算的列车累计走行距离进行校正，消除累计误差，提高模型的定位精度。

3 基于SCADE 的多传感器列车测速定位系统模型实现

基于多传感器的列车测速定位系统模型由6个子功能模块与1个系统模型顶层结构模块组成。6个子功能模块分别为光电传感器处理模块、加速度计处理模块、多普勒雷达处理模块、应答器处理模块、列车状态判断模块及多信息融合模块；模型顶层结构模块为6个子功能模块的集成模块。利用SCADE的模型开发环境SCADE Suite对各子模块进行建模；使用SCADE的验证&测试环境SCADE Test对模型进行仿真测试，以验证模型的优越性；利用 SCADE 的模型检测工具Design Verifier 验证模型的安全性是否满足IEEE1474.1IEEE Standard for Communications Based Train Control（CBTC） Performance and Functional Requirements中关于城市轨道交通定位误差超过10 m时信号系统需输出“紧急制动”信息的要求。

3.1 系统模型顶层结构

图3 为列车测速定位SCADE 系统建模的顶层结构，其输出变量分别用out_TrainDis、out_TrainSpeed和out_ErrDis表示，包括列车走行距离、列车速度和列车走行距离误差。在图3中，模型顶层结构包含光电传感器处理模块、加速度计处理模块、多普勒雷达处理模块、多信息融合模块、列车状态判断模块及应答器处理模块等6 个功能模块。列车状态判断模块根据光电传感器处理模块及加速度计处理模块计算的加速度值判定列车状态，并将列车状态信息反馈给多信息融合模块；多信息融合模块根据列车状态动态调整优化系数，进而提高模型在空转、轮滑状态下的测速定位精度。应答器处理模块在收到有效校正信号后，对当前累计走行距离进行校正，消除距离累计误差。该模型可以有效规避轮对空转、轮滑引入的误差，同时通过应答器进行校正，可以有效消除模型累计误差。

图3 列车测速定位SCADE 系统模型顶层结构Fig.3 Top-level structural diagram of the SCADE system model for train speed measurement and positioning

3.2 光电传感器处理模块

光电传感器处理模块中列车速度与距离的计算如下：

式中：π——常量，本文π=3.14；D——列车车轮直径；T光——采集时间周期；n——采集时间内采集到的脉冲数；N——传感器每转脉冲数；a光——加速度；V1——本周期列车速度；V0——上周期列车速度。

图4 示出光电传感器速度计算模型结构，该模型由乘法器与除法器构成，其相关变量定义见表1。

表1 光电传感器速度计算模型相关变量Tab.1 Variables of the speed calculation model with photoelectric sensor

图4 光电传感器速度计算模型Fig.4 Speed calculation model with photoelectric sensor

图5 示出光电传感器距离计算模型结构。模型的乘法器和除法器构成，其相关变量定义见表2。

表2 光电传感器距离计算模型相关变量Tab.2 Variables of the distance calculation model with photoelectric sensor

图5 光电传感器距离计算模型Fig.5 Distance calculation model with photoelectric sensor

图6 示出光电传感器加速度计算模型结构，模型由减法器和除法器构成，相关变量定义见表3。

表3 光电传感器加速度计算模型相关变量Tab.3 Variables of the acceleration calculation model with photoelectric sensor

图6 光电传感器加速度计算模型Fig.6 Acceleration calculation model with photoelectric sensor

光电传感器处理模块由速度计算模型、距离计算模型和加速度计算模型构成，其结构如图7所示。

图7 光电传感器处理模块Fig.7 The process module with photoelectric sensor

3.3 加速度计处理模块

加速度计处理模块中加速度计算如下：

式中：U——加速度计产生的电压；λ加——转换系数；a加——计算出的加速度。

图8 示出基于加速度计的加速度计算模型结构，其采用了除法器，相关变量定义见表4。

表4 加速度计模型变量Tab.4 Variables of the acceleration calculation model

图8 采用加速度计的加速度计算模型Fig.8 Acceleration calculation model with an accelerometer

3.4 多普勒雷达处理模块

多普勒雷达可直接输出列车距离信息，只需根据速度计算列车走行距离即可。雷达测速计算公式如下：

雷达测距模型结构如图9所示，其由乘法器构成，相关变量定义见表5。

表5 雷达模型变量定义Tab.5 Variables of the positioning model with radar

图9 雷达测距模型Fig.9 Positioning model with radar

3.5 应答器处理模块

应答器处理模块主要用来校正距离。图10示出模型结构。模型采用判断逻辑器，其变量见表6。

表6 应答器处理模块变量Tab.6 Variables of the balise process module

图10 应答器校正模型Fig.10 Adjust model with balise

在图10中，若输入信号in_BaliseAction有效，表示收到应答器校正信号，此时将列车走行距离校正为绝对位置，则可消除走行距离误差；若输入信号in_BaliseAction无效，表示未收到应答器校正信号，此时对当前位置及距离误差不进行校正。

3.6 列车状态判断模块

列车状态判断模块通过对光电传感器处理模块及加速度计处理模块采集到的列车加速度进行比较，判断列车运行状态（正常、空转和轮滑）。图11 示出列车状态判断模型结构，模型变量定义见表7。

表7 列车状态判断模块变量Tab.7 Variables of the train status monitoring and adjusting module

图11 列车状态判断模型Fig.11 Train status monitoring and adjusting module

在图11 中，当光电传感器加速度值（in_SensorAcc）比加速度计值（in_AcceleAcc）大时，若两者偏差值大于阈值（c_MaxAccDiff），则判定列车发生空转，否则列车状态为正常；在光电传感器加速度值（in_SensorAcc）比加速度计值（in_AcceleAcc）小时，若两者偏差值大于阈值（c_MaxAccDiff），则判定列车发生轮滑，否则列车状态为正常。

3.7 多信息融合模块

多信息融合模块是模型的核心部分，其根据列车状态的变化，通过阶梯式调整各定位单元的优化系数，使系统始终采信可信度高的信息源。列车运行正常时，光电传感器的测量精度优于多普勒雷达的；当列车发生空转或轮滑时，多普勒雷达的测量精度优于光电传感器的。因此，当列车状态判断模块检测到列车发生空转或轮滑，则动态阶梯式增加多普勒雷达模块的比重，同时阶梯式减小光电传感器模块的比重；若列车状态为正常，则阶梯式减小多普勒雷达模块的比重，同时阶梯式增加光电传感器模块的比重。通过动态调整可以提高模型测速测距精度。图12 为模块结构图，模块变量定义见表8。在图12 中，通过实时判断列车状态（in_TrainStatus） 是 否 为 正 常 状 态 （c_TrainStatusNormal），动态阶梯式地调整多普勒雷达模块及光电传感器模块的优化系数，可有效规避空转和轮滑的影响，进而提高测速定位的精度。

表8 多信息融合模块变量Tab.8 Variables of the multi-source information optimization and combination module

图12 多信息融合模块Fig.12 Multi-information optimization combination module

4 模型形式化验证及仿真测试

4.1 形式化验证

形式化验证是通过严格的数学逻辑来验证软件的安全性，可以在设计初期及时发现软件的设计缺陷，以有效提高软件的开发效率［8-9］。IEEE 1474.1中规定，城市轨道交通定位误差（c_MaxTrainLostDis）不能超过10 m，否则定义列车信号位置丢失，信号系统需输出“紧急制动”指令［10］。据此所设计的安全验证模型如图13 所示。如果在距离校正范围（包括校正点）内，列车的误差距离（in_TrainErrDis）大于 10 m， 则列车丢失信号（v_isLost）有效，输出列车状态错误（v_TrainStateErr）；如果存在列车丢失信号（v_isLost）及列车状态错误信号均有效的情况，则表明模型的安全性无效。利用 SCADE 的模型检测工具 Design Verifier 验证模型的安全属性，验证结果为“Valid”，见图14。这表明本模型满足安全属性。

图13 形式化认证模型Fig.13 Formally verified model

图14 形式化认证分析结果Fig.14 Results of formal verification

4.2 仿真测试

本文以SCADE软件自带的SCADE Test作为仿真测试平台，并以朔黄铁路机车车载LKJ 系统及车载多普勒雷达系统所采集的机车运行数据作为模型的仿真测试输入（LKJ系统采用轮轴传感器定位技术，后续仿真测试图中轮轴传感器速度曲线实际为LKJ系统速度曲线）。模型仿真配置参数见表9。对模型进行正常加速、正常减速、空转及轮滑4种工况仿真测试，验证这4种工况下模型计算的速度精确性及速度曲线平滑性。仿真结果见图15～图18，可见，其性能均优于轮轴传感器定位技术与多普勒雷达定位技术的。

表9 模型仿真参数Tab.9 Model simulation parameters

图15 正常加速时速度曲线Fig.15 Speed curves in the period of normal acceleration

从图15～图16 可知，当列车正常加、减速时，车载多普勒雷达、轮轴传感器及本文模型输出的列车速度曲线重合度高。但受部件固有误差的影响，轮轴传感器及车载多普勒雷达速度曲线存在锯齿状，而模型输出的速度曲线更平滑，更有利于司机操作。

图16 正常减速时速度曲线Fig.16 Speed curves in the period of normal deceleration

当列车发生空转、轮滑时，车载LKJ系统会对轮轴传感器采集到的速度信息进行抑制处理，抑制系数为工程经验值，车载多普勒雷达则不受轮对空转和轮滑的影响。从图17～图18可知，当列车发生空转、轮滑后，轮轴传感器采集到的速度与列车实际速度偏差较大，不可采信；多普勒雷达速度曲线与模型速度曲线重合度高，但其平滑性明显劣于模型输出速度曲线的。

图17 空转时速度曲线Fig.17 Speed curves in the period of slipping

图18 轮滑时速度曲线Fig.18 Speed curves in the period of sliding

综合上述仿真结果可知，相较单一轮轴传感器定位技术或车载多普勒雷达定位技术，本模型可有效规避空转、轮滑的影响，保证了空转、轮滑状态下的测速定位的准确性，同时模型输出的速度曲线更平滑，更有利于司机的正确操作。

5 结束语

通过分析现有轨道交通测速定位技术的优缺点，本文提出了一种以光电传感器、多普勒雷达、加速度计及应答器为基础的多传感器信息融合测速定位系统模型。通过信息融合，其可有效提高列车的测速定位精度，规避由空转、轮滑因素引入的测速定位误差。同时，文章使用SCADE软件对系统模型进行建模。形式化验证结果表明，该模型安全性完全满足设计要求，符合行业标准；仿真结果表明，在列车正常、空转及轮滑状态下，该模型的测速定位精度明显优于车载LKJ系统的。

本文所构建的测速定位模型将既有测速定位技术进行优化融合，具有易工程化、高精度及高安全性特点。但其尚需在线路上进行大量测试，从而提高系统的鲁棒性；同时，后续还可通过改进或引入更优的融合算法以提高系统灵敏度及精度。