等间隔运行（共6篇）
等间隔运行 篇1
1 引言
广州地铁三号线正线信号系统采用采用阿尔卡特的Sel Trac S40“移动闭塞”列车自动控制 (ATC) 系统, 结合广州地铁三号线实际情况, 本为重点对等间隔功能原理及用户经验总结, 提出优化建议。
2 等间隔运行的基本原理
等间隔运行是指信号系统在各个车站和区间持续计算早、晚列车的运行偏差, 通过调整各次列车在各个车站的系统发车时间和各个区间的运行模式, 使得各次列车在各个车站的到达时间保持一个固定的间隔的功能。
2.1 等间隔运行时列车早晚点的判定
列车系统将根据本站前列车的系统发车时间和调度员设定的行车间隔, 计算给出本列车在本站的系统发车时间, 后一列车的在前一站的系统发车时间再加上区间运行时间得出本站下一列车的系统到达时间。其中系统发车时间是指系统排列出进路的时间, 而非列车实际离开站台时间。各个列车在各个车站, 等间隔功能都将比较的系统与实际的到达时间、发车时间, 判读列车的早点、晚点情况, 并调整该车后续的运行情况直到正点。
在系统正点发车时间偏差±10秒范围内的列车, 系统用黑色的车次表示正点;早于系统正点发车时间10秒以上的列车, 系统用绿色车次表示早点;晚于系统正点发车时间10秒以上的列车, 系统用红色车次表示晚点。
2.2 等间隔运行时列车早晚点的调整方式
2.2.1 调整系统站台发车时间
在设定的系统最大和最小时间范围内, 早点的列车系统给出较大的发车时间, 晚点的列车则以较小的时间给出发车时间。
系统给出发车时间后司机需要完成关门作业和安全确认程序才能驾驶列车实际离开站台, 正常情况下司机完成关门作业和安全确认程序后动车需要20秒。
2.2.2 调整区间运行模式
早晚点的列车在区间运行分别采用节能模式和正常模式。节能模式下, 为起到省电目的, 系统设定的列车运行最高速度和加速度、减速度都比正常模式下略低。而正常模式下地铁列车是根据线路设计的最高运行速度和固定的加速度、减速度运行。早点的列车通过节能模式可以增加区间运行时间, 正点和晚点的列车则不受到影响。
广州地铁三号线地铁列车节能模式下的列车最高运行速度为60KMH, 而正常模式下的最高运行速度为110KMH。节能模式下运行的列车区间运行时间可以增加几十秒不等。
2.3 等间隔运行模式与时刻功能的区别
运营时刻表是行车组织工作的基础, 与列车运行有关的各岗位必须按照时刻表要求开展工作。时刻表计划定义了各次列车在各个车站的具体到开点, 不同时间段使用不同的行车间隔等。时刻表系统根据实际到开点与计划到开点的偏差判读列车的早晚点, 然后通过区间运行模式和站台发车时间调整列车运行。
处在等间隔运行功能中的列车, 不参照时刻表计划的具体时间, 并优先于时刻表调整功能。两种功能不能同时使用, 等间隔运行功能只是根据前行列车的发车时间调整后续列车的发车时间, 主要在不具备时刻表功能, 或者时刻表故障时使用。
3 等间隔运行的使用方法
调度员在HMI (信号操作终端) 上选择“调整”-“运行间隔”对话框, 选择需要调整的运行线 (运行交路) , 指定该运行线上列车之间所需的运行间隔 (单位为“秒”) , “设置”并查看列车车次颜色的变化, 确定是否执行成功。
3.1 设定系统站台停站时间
系统最大发车时间设置值太小不能够起到列车早点多停的作用, 设置值过大则容易引起乘客的不满甚至“列车故障”的猜测;系统最小发车时间则根据实际站台作业情况保证了必要的上下客时间;系统标准停站时间则有一定的冗余。
设定合适的发车时间是保证有效使用等间隔运行功能的前提。广州地铁三号线正常列车停站的时间为45秒, 调整后的列车停站时间也控制在90秒内。所以设定系统最大发车时间为70秒, 加上司机关门确认的20秒仍在合适范围内;系统最小发车时间设置为15秒, 系统标准发车时间则设置为25秒。
3.2 设定运行模式
节能模式和正常模式的最大速度、加速度和减速度在设计阶段已经固定, 运营使用中不能调整。操作员只能够选择是否需要节能模式进行等间隔调整。区间节能模式运行降低了列车最高速度, 减少了设备磨损, 节约了电力能源, 适用于有特殊要求的线路。
节能模式运行可以调整早点列车运行, 但是早点列车只是在站台增加停站时间的方式对乘客更加有利, 加上广州地铁三号线线路长、密度高的特点, 日常运营中并没有使用节能模式。
3.3 设定行车间隔
列车到站后, 系统将计算给出最贴近正点的系统发车时间, 但是根据地铁运营的实际情况, 司机必须在确认系统发车时间再在执行关门作业及安全确认程序才能实际发车离开站台。即等间隔调整后的列车实际发车间隔, 始终比较系统发车间隔增加了20秒左右。所以设定的系统行车间隔应该根据目标行车间隔人为的减少20秒, 以到达调整的目的。
4 等间隔运行功能的注意事项
4.1 控制晚点列车的前行列车
等间隔功能主要是通过本列车与前行列车进行比较, 调整本列车在后续区间、车站的运行情况, 但不会调整前行列车的运行状况。晚点较多的列车拉大了与前行列车的间隔, 行车间隔越大, 前方沿途车站积累的乘客数量也越多, 导致本列车在后续车站的站台作业时间继续增加, 即会出现“晚点车越开越晚”的情况。
因此, 调度员必须及时介入, 组织晚点列车的前行列车多停, 以保持一个合理的行车间隔。尤其在高峰期列车受客流影响出现较多晚点的情况下, 调度员不能全部依靠系统进行调整。
4.2 等间隔模式适用于加开运行图外列车的情况
运行间隔调整模式主要在出现突发事件, 需要增加服务时使用。比如, 某个事件可能会需要更多的列车投入运营服务。由于这些事件不经常发生, 因此调度员通常不需要为增加的列车单独编制运行图。可以将额外的列车插入系统, 并将系统置于运营间隔调整模式下。所有的列车此后将均匀间隔, 并提供所需要的增加服务。
如果要从服务中删除一列车而且已经决定不再用别的车进行替换, 就可以使用运营间隔调整模式来将所有列车分开, 从而弥补被删除列车所留下的空挡。
4.3 等间隔模式适用解决“串车”问题
运营间隔调整模式还可以在所有列车的运行都大大落后于时刻表的不利情况下使用。当发生严重故障时, 故障现场的列车无法运行。因此, 其它列车将追上事故现场的列车, 形成“串车”。一旦事故恢复后, 运营间隔调整模式可以用来快速解决串车问题。一旦列车间隔调整均匀后, 就可以恢复按运行图运营。
在事故现场恢复通车后, 调度员可以将运行间隔设置为少于时刻表间隔1分钟或者更多 (建议设为少1分钟) , 目的是减少事故晚点影响的列车数量, 利用时刻表的冗余时间“赶点”, 尤其是折返时间和冗余的站台停站时间快速恢复时刻表时间运行。
5 等间隔运行功能的优化建议:系统时刻表功能和等间隔模式结合使用
运营中列车受客流变化、司机熟练程度、设备故障等因素影响, 不断的出现早晚情况, 需要不断的进行调整。时刻表只是单独调整每列车的运行, 等间隔功能则可以调整控制两列车之间的最小行车间隔。在日常运营中使用时刻表功能, 一旦列车的早晚点偏差到达设定值后激活等间隔模式, 等间隔调整完毕后再退回到时刻表模式, 两种模式的结合使用才可以满足运营的实际需求, 对于提高地铁乘客服务水平, 提高调度员劳动效率作用明显。
参考文献
[1]《广州地铁三号线行车组织规则》.
[2]张国宝.《城市轨道交通运营组织》上海科学技术出版社2006年.
[3]彭辉.《城市轨道交通系统》人民交通出版社2008年.
新老业务同时运行等 篇2
面向金融行业的终端，至少做到2个方面，一是对老设备的保值。惠普vc4820T特意保留了4个串口，这是普通电脑不具备的。即使银行中普遍采用的针式打印机占用掉1～2个串口，还有2～3个串口连接其他传统设备，邮局的电子秤也可以从中受益。二是开放的操作系统，vc4820T瘦客户机采用WindowsEmbedded，这个WindOWS操作系统的组建化、可定制化版本，可运行WindowsXP上的应用软件。银行在采用新的业务软件时不会存在阻力，而针对老的基于单片机的业务系统，惠普极其合作厂商提供了可在vc4820T中运行的模拟软件，老业务和新的业务系统都能在同一台vc4820T上运作。
相对与主流电脑而言的，瘦客户机是精简系统。比如它的处理器采用威盛Eden，主频1GHz，这类处理器是很难想象出现在主流台式机上的，但在瘦客户机上，它显著减低了功耗——性能不是金融行业需要的核心。我们对vc4820T进行完全拆解后发现，vc4820T是一款无风扇的电脑，机箱内的散热完全靠散热片完成，非常安静。这在大数量、长时间使用的银行中，对能源节约和工作环境的改善都起到了良好的作用。
惠普vc4820T瘦客户机的体积小的惊人，较厚的32K纸词典或许就能超过它，大部分验钞机也比它大。这款产品没有采用硬盘，全部的存储空间是主板上2GB的闪存，我们使用时，操作系统占用570MB，还有约2/3的空余空间。尽管金融系统以数据存储为主，对存储容量要求不高，但日后新的业务软件可能会消耗更多空间，我们还是希望升级机型配备更多闪存。
——顾国林
工艺品般精致——惠普Z800工作站的模块化设计
非常惊讶于这是一款电子产品。它的设计已经超越了计算机，而接近一件工艺品，之所有这么说。除了精美的铝合金用料外，Z800的模块化的设计登峰造极。惠普展示的宣传片显示。一位美国8岁的孩子可以在全部拆卸完它的零件后，原封不动地装回去。
我在这个月也拆卸了惠普Z800，这确实是Z系列工作站的最高端机型，其结构设计是我测试过的近百台台式机、工作站中最出色的产品。当然，免工具是前提条件，惠普Z800的机箱盖可轻松揭开，打开机箱后，箱体内有9个绿色的条纹标记——这是惠普告诉用户可以下手的地方。我沿着这9个绿条，顷刻之间将6个配件、配件架全卸下来，非常轻松。让人不可思议的是，这6个配件、配件架中还包含了电源。
一般来说，电源和硬盘都是有连接线的，即使采用免工具拆卸设计，线缆仍然是需要用户一根一根连接。但在惠普Z800上，连这也免了，硬盘在推上后，电缆接口自动上位，非常傻瓜化，电源也是如此。
散热方面，CPU散热器占据了机箱很大的空间，由于采用双处理器，CPU风扇也采用了2个，再加上2个前置送风风扇和2个后置抽风风扇。整个机箱风扇达6个之多(这还不计显卡和电源的风扇)。
机箱上，惠普Z800的双把手设计也非常方便——在机箱顶部的前后，各有1个把手，在搬运机箱时很方便。这款产品采用了吸入式光驱，性能没有标准光驱好，但面板显得更加简洁。
等间隔运行 篇3
由于风速和风向的随机性, 风电机组常在不同运行工况之间进行动态切换, 从而导致机组各部件的动态性、相关性和随机不确定性特征明显。风电机组运行环境恶劣, 运行维护成本较高[1,2,3,4,5]。对并网风电机组运行状态参数进行趋势预测, 可以及时、准确地判断风电机组部件的性能状况和发展态势[6], 能有效避免故障及连锁故障的发生, 对优化风电场的维修策略和实现大规模风力发电安全、高效并网具有重要的现实意义。
国内外学者对风力发电相关领域的预测进行了研究, 但大多从电力调度和风电场并网控制技术等角度出发[7,8,9,10], 而很少从风电机组故障预警和状态检修等角度开展风电机组运行状态趋势预测。文献[7]应用数据挖掘算法对风速和功率进行了预测研究, 但没有对机组重要子系统运行参数进行研究。文献[6]基于混沌理论建立了风电机组运行状态的预测模型, 但对时间序列变化幅度较大的状态参数预测精度较低。虽然大多数文献在常规发电机组运行状态预测方面开展了一些研究[11,12], 但是仅仅围绕常规机组某一个特征参量展开。风电机组的运行特性不同于常规发电机组, 有些运行状态参数随运行工况变化明显, 如转速、风速、功率;有些参数则随运行工况变化缓慢, 如轴承温度、齿轮箱油温。因此, 能否建立一种适合各种运行状态参数变化特点的趋势预测模型值得深入研究。
目前, 时间序列法、灰色理论、神经网络和支持向量机等理论在预测领域得到广泛应用。但时间序列法在预测随机波动比较大的时间序列中效果不好, 而神经网络预测需要大量样本, 支持向量机方法虽然适合小样本预测, 但其要求样本具有一定代表性, 否则会影响预测模型的泛化性能。灰色预测具有需要样本较少、不考虑分布规律及运算量小的特点, 在预测领域得到了广泛应用[13,14,15,16]。
基于此, 考虑不同时间间隔的运行状态参数时间序列所反映机组趋势和变化规律的不同, 本文提出一种风电机组运行状态参数的非等间隔灰色预测模型。首先, 对原始运行状态参数时间序列抽取多组新的非等间隔时间序列, 针对所抽取的非等间隔时间序列存在较大波动性的问题, 利用平均弱化缓冲算子进行处理。然后, 建立机组运行状态参数非等间隔灰色GM (1, 1) 预测模型, 根据各组非等间隔时间序列预测值和实际值的关联度, 确定最大关联度的预测结果。应用建立的灰色关联组合预测模型, 对某850kW变速恒频风电机组的运行发电机转速以及部件温度等运行状态参数进行预测。最后, 为验证所建模型对幅度变化大的参数的预测能力, 对某2 MW风电机组转速进行预测, 并与反向传播 (BP) 神经网络和支持向量机方法的预测结果进行比较。
1 非等间隔灰色预测方法
为了能够准确预测风电机组运行状态参数, 本文将从原始运行参数时间序列中抽取非等间隔时间序列数据, 而非等间隔GM (1, 1) 模型是以等间隔序列GM (1, 1) 模型为基础的。因此, 通常需要把非等间隔原始数据序列变换成等间隔序列, 经一次累加生成后, 才能近似地拟合成一阶微分方程, 即GM (1, 1) 模型[14]。
1.1 非等间隔序列的等间隔处理
设有非等间隔数据序列为:Y (0) ={y1 (0) (t1) , y2 (0) (t2) , …, yn (0) (tn) }, 其等间隔化的具体步骤如下。
步骤1:求平均时间间隔Δt0。
式中:n为时间序列中数据的个数;t1为时间序列中第1个数据的采样时刻;tn为时间序列中第n个数据的采样时刻。
步骤2:求各时段与平均时段的单位时段差系数μ (ti) 。
步骤3:求各时段总的差值Δyi (0) (ti) 。
步骤4:计算等间隔序列的灰度xi (0) 。
最终得到等间隔序列x (0) ={x1 (0) , x2 (0) , …, xn (0) }。
1.2 GM (1, 1) 模型
对x (0) 进行1次累加生成新的时间序列x (1) 为:
x (1) 序列满足一阶微分方程模型:
为了求解参数a和u, 可利用最小二乘法, 得到参数a和u的估计值a^和u^[14]为:
其中
将所求得的a^和u^代入式 (7) , 解得
式 (9) 称为GM (1, 1) 模型的时间响应函数模型, 即为GM (1, 1) 模型灰色预测的具体计算公式。还原为非等间隔数列中与时间k有关的响应函数为:
对式 (10) 作累减还原, 得到原始数列x (0) 的灰色预测模型为:
将预测时间代入式 (11) , 即可得到该时刻的预测值。
2 风电机组运行状态的灰色关联预测模型
2.1 非等间隔时间序列提取
目前, 大多数风电机组数据采集与监控 (SCADA) 系统可以对机组各子系统的运行状态参数进行监测和存储, 一般为每1min存储1次, 所以从SCADA系统中得到的机组运行状态参数是一组等间隔的时间序列。距离当前时刻越近的信息越能反映机组运行状态趋势, 距离当前时刻较远的信息包含机组运行状态的变化规律。为了准确预测机组运行状态, 需充分考虑机组运行状态的变化规律, 但大量的输入会增大计算量, 进而影响预测的时效性。为了解决这样的矛盾, 本文以选取不等间隔时刻为约束, 从机组运行状态参数时间序列中每10min随机抽取一个运行参数, 这样得到一组新的非等间隔时间序列, 以这种方法抽取多组非等间隔时间序列。
2.2 原始数据弱化处理
风电机组的运行状态受不确定因素的影响变化很大, 如风的间歇性、外界温度等。为了避免强烈的不确定因素干扰导致运行状态参数时间序列失真的问题, 本文提出了应用平均弱化缓冲方法对原始时间序列进行处理的方法。平均弱化缓冲数据处理方法中求平均值时对所取对象是不等的, 这样才能使得平均弱化缓冲算子作用于单调增长序列时数据膨胀, 可弱化缓冲序列的增长速度, 使其比原始序列的增长速度减缓。对于单调衰减序列, 在弱化缓冲算子作用下数据萎缩, 以达到淡化或消除随机因素对各历史时间序列的影响效果[17]。
设原始数据序列为X={x (1) , x (2) , …, x (n) }, X经平均弱化缓冲算子作用得到缓冲序列为:
2.3 基于灰色关联选择最优预测方案
由于从机组运行状态参数时间序列中选择多组非等间隔时间序列, 其对应的灰色模型中所包含的灰色作用量和发展态势将有所不同, 因而得到的多组预测值将不尽相同, 从而组成一个灰色区间。为了从这一灰色区间中提取最接近实际发展规律的预测值, 本文以关联度为准则, 从多组预测值中选择关联度最大的方案作为最优预测方案。
假定预测值曲线共m组, 记为
实际测量序列为x0, 则各xj与x0在k点的关联系数为:
式中:|x0 (k) -xj (k) |为第k点实际值x0 (k) 与预测值xj (k) 的绝对差;mjinmkin|x0 (k) -xj (k) |为两级最小差, 表示在各组预测曲线xj (k) 中找出最小差的基础上, 再按j=1, 2, …, m逐个找出所有曲线xj (k) 中的最小差;mjaxmkax|x0 (k) -xj (k) |为两级最大差, 意义与最小差相似;ρ为分辨系数, 通常取为0.5。
综合各点的关联系数, 可得到预测序列xj (k) 与实际序列x0 (k) 的关联度为:
隔灰色预测模型的预测流程如图1所示。
3 风电机组运行状态参数的预测
为了验证本文所建立风电机组运行状态参数的非等间隔灰色预测模型的有效性和准确性, 以某公司850kW变速恒频风电机组2009年10月的某时段在线监测数据为例, 选取发电机转速、齿轮箱轴承温度、发电机绕组温度3个运行状态参数进行预测模型验证。
下面以该发电机转速预测为例, 介绍本文提出的非等间隔灰色关联预测模型的计算流程。为预测下一运行时刻 (1 min后) 的发电机转速, 从机组SCADA系统得到从现在开始前1h的发电机转速时间序列, 记为Xt (t=1, 2, …, 60) 。
1) 以选取不等间隔时刻为约束, 每10min随机抽取一个运行点, 组成一组新的非等间隔时间序列。这样, 从Xt中抽取3组新的时间序列, 分别记为Xt1, Xt2, Xt3。Xt中的元素如表1所示。
从Xt中随机抽取的非等间隔时间序列Xt1的元素分别是第2, 14, 23, 34, 47, 59时刻的转速, Xt2的元素分别是第7, 15, 26, 32, 42, 54时刻的转速, Xt3的元素分别是第5, 12, 21, 36, 41, 56时刻的转速。
2) 由式 (13) 对Xt1, Xt2, Xt3进行平均缓冲弱化处理, 得到新的时间序列Xt1′, Xt2′, Xt3′。
3) 建立发电机转速的非等间隔灰色预测模型, 预测下一时刻的发电机转速。
4) 根据式 (15) 和式 (16) 分别计算3组预测值与发电机转速实际值的灰色关联度。以Xt1, Xt2, Xt3作为输入得到的预测值与实际值的灰色关联度分别为0.902, 0.916, 0.823。由关联值最大结果判断, 选择第2组作为预测方案, 如图2所示。
用同样的方法分别得到风电机组其他运行状态参数的预测值。图3、图4分别为所建立的非等间隔灰色模型对齿轮箱轴承温度和发电机绕组温度的预测结果。
表2列出了所预测的运行参数的平均相对误差和最大相对误差。
4 不同模型的风电机组转速预测结果比较
为了进一步验证本文所建立的风电机组运行状态参数非等间隔灰色模型在运行状态参数变化比较剧烈情况下的预测效果, 用某公司2 MW风电机组发电机转速数据, 将本文方法与BP神经网络和支持向量机的预测结果进行对比分析。
根据文献[7]方法, 通过前10 min的发电机转速来预测下1min的发电机转速, 以前1d的发电机转速数据作为训练模型的数据。结构为10-21-1的BP神经网络和支持向量机方法的预测结果分别如图5和图6所示。可以看出, 由于风速的波动, 发电机转速在160min左右变化范围比较大, 从最低1 135r/min到最高1 691r/min。在发电机转速由于风速扰动而强烈波动的情况下, 支持向量机预测模型和BP神经网络预测模型并没有表现出良好的泛化性能。
本文所建立的非等间隔灰色预测模型的预测结果如图7所示。
从图7可以看出, 本文所建立的非等间隔灰色预测模型在发电机转速波动强烈的情况下, 能保证预测效果的质量。
表3列出了不同预测模型预测结果的平均相对误差和最大相对误差。
5 结语
将灰色理论应用于对风电机组运行状态参数时间序列预测中, 从原始运行状态参数时间序列中随机抽取多组新的非等间隔时间序列, 建立并网风电机组运行状态的非等间隔灰色预测模型;然后基于预测值与实际值的灰色关联度, 选择出最优的预测值。通过某公司850kW风电机组在线监测数据, 证明了所建立的并网风电机组运行状态参数的非等间隔灰色预测模型是可行的。又通过2 MW机组在线监测的发电机转速时间序列, 将本文方法与BP神经网络和支持向量机的预测结果相比。结果表明, 虽然在运行状态参数时间序列较平稳或样本含有未来变化趋势的情况下, 神经网络和支持向量机方法也有较好的预测效果, 但是在运行状态参数剧烈变化时, 本文所建立的非等间隔灰色预测模型具有更高的预测精度。
摘要：为了实现风电机组故障预警和智能状态检修, 提出了风电机组运行状态趋势的灰色非等间隔预测研究。首先, 考虑不同间隔段历史数据所反映机组趋势和变化规律差别, 对监测数据抽取多组非等间隔时间序列, 利用平均弱化缓冲算子, 分别建立非等间隔灰色GM (1, 1) 预测模型。其次, 引入关联度概念, 选择各组非等间隔灰色预测值与实际值之间最大关联度的预测结果, 应用建立的灰色关联组合预测模型, 对某850kW变速恒频风电机组的发电机转速及部件温度等运行状态参数进行预测。最后, 对某2MW风电机组运行转速进行预测, 并与反向传播 (BP) 神经网络和支持向量机方法的预测结果进行比较, 结果表明风电机组运行状态参数的非等间隔灰色预测具有较高的精度。
等间隔运行 篇4
煤矿开采时, 为了保护井巷、建筑物、水体及铁路等, 使其免受或少受开采的有害影响, 减小地下资源损失, 必须研究开采引起的岩层与地表移动规律。岩层与地表移动的过程十分复杂, 目前主要采取开采前在地表设置观测站, 定期观测其空间位置及相对位置变化的方法来掌握开采沉陷规律[1]。在开采过程中, 随着岩层与地表被破坏, 部分地表观测站遭到损坏, 导致该观测站数据缺失。
邓聚龙创立的灰色系统理论[2]通过对部分已知信息的原始数据进行挖掘、整理, 寻求蕴含在其中的某种整体的、内在的变化规律, 以此预测未知信息, 适用于已知信息少、不确定因素多的沉降模拟和预测, 具有理论性强、计算方便等优点。将灰色系统理论应用于矿区观测站的数据处理, 可很好地解决观测站数据缺失问题。灰色模型 (Gray Model, GM) 是一种动态、非线性的分析和预测模型, 采用等间隔序列进行数据预测, 而通常情况下矿区沉陷数据为非等间隔序列, 因此需要进行数据处理, 再经过累加生成, 最终建立GM。在非等间隔GM研究方面, 李斌、朱健[3]和李庆勇、姚冬青[4]均利用加权方法建立了非等间隔GM (1, 1) , 并将该模型应用于矿山开采沉陷预测中;陈俊杰等[5]采用Matlab对非等间隔沉陷观测数据进行插值, 获取等间隔数据, 采用概率积分法计算下沉系数, 利用下沉系数建立等间隔GM (1, 1) , 预测后续下沉系数并验证其准确性。
现有文献只是研究1个点的下沉情况, 采用后验差检验法进行精度检验, 并没有对工作面整体下沉及其精度进行研究。本文采用非等间隔GM对矿区工作面走向线和倾向线上地表观测站的数据进行处理, 预测下一时刻各观测站的下沉量, 并对预测值进行求参, 与实际值求参结果进行对比, 以验证其可行性。
1非等间隔GM
1.1模型原理
因矿区沉陷观测数据是非等间隔序列, 以相邻观测时间间隔为权, 生成累加序列, 建立非等间隔GM (1, 1) 。
设x (0) 为原始非等间隔序列:
式中:x (0) (tk) 表示一点在tk时刻的原始数据, k=1, 2, …, n。
对式 (1) 作一次累加生成累加序列:
x (1) (tk) 满足式 (3) :
式中:Δtk表示相邻2个时刻的间隔。
x (1) 的GM (1, 1) 白化形式的微分方程为
式中:a, u分别为发展系数和灰色作用量。
根据最小二乘原理解式 (5) , 得
由此得到GM (1, 1) 时间响应函数:
式中: 表示由计算所得的累加序列。
对式 (7) 作累减运算, 得到GM (1, 1) 还原模拟值:
1.2模型精度检验
GM精度检验方法一般有相对误差大小检验法、关联度检验法和后验差检验法。本文采用后验差检验法进行精度检验。
模型确定后, 计算残差为
最终得到原始序列和残差序列的方差为
其后验方差比为
小误差概率为
c和p为后验差检验法的2个重要指标, c越小越好, p越大越好。根据c, p值可综合评定GM预测精度。GM预测精度分为4个等级, 见表1。
2实例分析
2.1 GM应用
某矿为了研究开采沉陷规律, 在首采面2102工作面上方建立地表观测站, 共设置2条观测线, 一条为半走向观测线, 一条为全倾向观测线。半走向观测线上测点依次为Z1—Z43, 全倾向观测线上测点依次为Q1—Q68, 测点间距为25m。半走向观测线与全倾向观测线相交于Z40点。该观测点在全倾向观测线上, 因此全倾向观测线下沉曲线中共69个点, 其中第35个点即Z40点。
研究时间段为2009年3月5日至7月20日, 观测时间分别为2009年3月5日, 4月8日, 5月7日, 6月1日, 6月25日, 7月20日。半走向观测线与全倾向观测线下沉曲线如图1所示。
根据半走向观测线和全倾向观测线观测站的原始数据, 在Matlab[6,7]中采用非等间隔GM进行建模、计算。GM建模采用3月5日至6月25日共5组数据, 采用7月20日数据与预测值进行对比。部分测点预测结果见表2、表3, 7月20日观测线下沉曲线预测结果如图2所示。由表2数据得半走向观测线上Z1点的c=0.438 1, p=1, 预测精度为合格;Z36点c=0.098 5, p=1, 预测精度为好;Z43点的c=0.053 2, p=1, 预测精度为好。由表3数据得全倾向观测线上Q1点的c=0.491 7, p=0.8, 预测精度为勉强合格;Q34点的c=0.169 8, p=1, 预测精度为好;Q68点的c=0.085 9, p=1, 预测精度为好。
2.2单点预测精度分析
由表2、表3可知, 根据后验差检验法检验结果, 6个测点的预测精度均为勉强合格以上。半走向观测线与全倾向观测线上共有111个测点, 考虑到篇幅, 本文仅给出了观测线两侧及中心测点的预测过程及结果。其余测点的预测方法与之相同。半走向观测线开始一侧测点的预测精度为勉强合格, 其余测点的预测精度均在合格以上;全倾向观测线两侧各有部分测点的预测精度为不合格, 其余均在勉强合格以上。导致该结果的原因是观测线两侧测点在各个时刻的下沉量较小且数值相近。
由图1可知, 半走向观测线开始一侧测点和全倾向观测线两侧测点各时刻下沉量均小于10mm, 导致观测误差对实测值的影响较大。以该数据预测7月20日下沉量, 导致预测值与实测值之间出现较大偏差, 如图2所示。
在矿区沉陷实际观测计算中考虑到观测误差, 一般取下沉量为10mm的点作为边界点, 因此下沉曲线两端下沉量小于10mm的点不会对矿区最终沉陷结果产生影响, 但会对该点下一时间的预测值产生影响, 导致数据偏小。图2中, 最大下沉量点的残差即下沉曲线中点的最大残差。半走向观测线最大下沉量的实测值与预测值的残差为-32.3mm, 预测精度为好;全倾向观测线最大下沉量点实际为测点Z40, 实测值与预测值的残差为-34.7mm, 预测精度为好。
2.3整体预测精度分析
工作面沉陷整体预测精度采用概率积分法求参的方法进行分析[8]。概率积分法是较为成熟、应用最广泛的预计方法之一, 利用下沉量求取概率积分法参数是预测、研究沉陷规律的关键。与工作面沉陷有关的概率积分法参数主要包括下沉系数、主要影响角正切和最大下沉角。不改变矿区工作面其他参数, 根据观测站7月20日的下沉量实测值和预测值, 采用矿区沉陷预测预报系统进行求参操作, 结果见表4。可见下沉系数残差为-0.08, 相对误差为11.27%, 满足工作面沉陷预测精度要求;其余参数误差很小, 证明由GM所得的预测值可用。
3结语
对矿区观测站数据进行非等间隔GM建模、计算、分析, 结果表明观测线两侧测点的预测精度偏低, 其余测点预测精度较好;采用概率积分法求参的方法对下沉曲线的整体预测精度进行判定分析, 认为预测精度满足实际要求。由此证明非等间隔GM应用于矿区沉陷预测中能够较好地反映下沉量的变化趋势, 为后续沉降变化规律的研究和分析提供依据。
摘要：针对目前采用灰色模型预测矿区沉陷时只针对1个点, 缺乏工作面整体下沉预测及其精度研究的问题, 以工作面走向线和倾向线地表观测站的下沉量为研究对象, 以相邻监测时间间隔为权建立非等间隔灰色模型, 预测下一时刻观测站的下沉量, 进而得出下一时刻走向线和倾向线下沉曲线;采用概率积分法求参的方法验证工作面整体沉陷预测精度, 采用预测值与实际值求参时所得结果相差不大, 验证了采用非等间隔灰色模型预测矿区整体沉陷的可行性。
关键词：矿区沉陷,沉陷预测,下沉曲线,非等间隔灰色模型,概率积分法求参
参考文献
[1]何国清, 杨伦, 凌赓娣, 等.矿山开采沉陷学[M].徐州:中国矿业大学出版社, 1994:45-57.
[2]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社, 2002:1-25.
[3]李斌, 朱健.非等间隔灰色GM (1, 1) 模型在沉降数据分析中的应用[J].测绘科学, 2007, 32 (4) :52-55.
[4]李庆勇, 姚冬青.非等间隔GM (1, 1) 模型在矿山开采沉陷中的应用[J].测绘与空间地理信息, 2009, 32 (5) :200-205.
[5]陈俊杰, 郭延涛.基于灰色系统理论的概率积分法参数确定研究[J].测绘通报, 2012 (增刊1) :116-118.
[6]周建兴, 岂兴明, 矫津毅, 等.MATLAB从入门到精通[M].北京:人民邮电出版社, 2008:80-145.
[7]周卫.基于MATLAB的灰色系统沉降预测[J].测绘通报, 2002 (6) :34-36.
等间隔运行 篇5
在对电压电流进行测量时, 需要对波形进行采样, 出于对谐波计算的高精确度要求, 要对工频波形进行等间隔采样。目前交流采样应用最多的数字处理算法是离散DFT算法, 可以同时获得被测向量的有效值以及相位。但是由于该算法是基于每一个数据窗内的采样数据是否等间隔并反映被测信号的一个完整周波, 因此采用此算法时, 必须考虑被测信号频率的漂移问题, 当采样频率能够实时跟踪被测信号频率时, 方能保证每个采样数据窗内的采样数据等间隔反映被测信号的一个完整周波。
传统的采样方式是通过采用锁相环电路进行完成被测信号的分频输出, 以实现不同频率信号的等间隔采样。锁相环电路的工作原理是:被测信号经放大器放大整形后加到相位比较器, 在相位比较器中被测信号与标准信号进行相位比较, 相位比较器输出反映被测信号与标准信号的误差电压;误差电压经滤波后加至压控振荡器, 通过调整压控振荡器的振荡频率, 使采样频率实时跟随被测信号频率。其中压控振荡器的频率调节则通过调节设置在锁相环芯片外围的滑动变阻器进行调节。此种采用方式存在以下缺点:1) 需要人为调节滑动变阻器才能实现, 可控精准度较低, 在调试过程中需要反复调节才能达到采样要求, 工作效率低下。2) 锁相环电路中的锁相环芯片需要调节相应的参数才能实现所需要的采样信号输出, 由于电路中的电阻、电容等参数容易受温度、湿度等一些外在环境条件的影响, 因此在无论在调试过程中, 还是在运行过程中, 都容易出现错误信号的输出, 影响数据处理与分析。
为解决上述技术问题, 本文提出一种无需人为调节, 即能实现频率跟随、等间隔采样, 且适用于不同频率信号的采样电路。
主要包括整形模块、DSP微控制器以及AD转换模块。AD模块采用AD8364;DSP微处理器采用TMS320F2812 (以下简称DSP2812) ;DSP2812共有6个捕获单元, 两个事件管理器模块EV (以下简称EV模块) , 每个EV模块中分别设置有三个捕获单元、两个定时器以及三个脉宽调制模块 (以下简称PWM模块) 。
其中:整形模块的输入端连接被测信号, 输出端连接DSP微处理器捕获单元的CAP引脚。整形模块用于对被测信号进行整形滤波后转化为DSP微处理器所需要的方波输出给DSP微处理器。
微处理器DSP2812的PWM模块的脉冲输出端连接AD8364的HOLD控制引脚。微处理器DSP2812用于对捕获的方波信号进行脉宽调制处理, 并将处理后的采样信号输出给转换器AD8364, 对AD模块进行触发转换。
AD模块的输入端连接被采样信号, AD模块的数据输出端连接微处理器DSP2812的数据输入端。AD模块根据DSP微处理器发出的触发指令对被测信号进行等间隔采样。
整形模块对所采集的被测信号进行整形滤波处理, 并产生DSP所能识别的方波, 即将被测信号转换成数字信号, 传输给DSP的CAP引脚。
DSP使能捕获单元, 并设置捕获边缘, 即设置捕获方波的上升沿还是下降沿。捕获单元的CAP引脚捕获到被测信号的跳变沿, 并以定时器2的周期Tn为标准时钟, 对被测信号的一个周期内的跳变沿进行计数, 即捕获一个周期内被测信号的周期计数Ts, 那么被测信号的实际周期值则为Ns=Ts*Tn, 从而可以得到被测信号的频率。
捕获单元中设置有专用的2级深度的FIFO堆栈, 因此测定被测信号的频率时分两次进行捕捉。当第一次捕捉到CAP引脚发生了指定变化时, 捕获单元将捕捉所选用计数器的计数值, 并把此计数值写入FIFO堆栈的顶层寄存器;第二次捕捉, 将计数值写入FIFO堆栈的底层寄存器, 利用两次捕获的计数值, 计算出被测信号的周期值Ns。再将Ns平均分成N等份, 其中N为采样点数, 得到每一等份的周期值为Np。
利用Np即赋值PWM模块的寄存器, 计算PWM模块中电平翻转所需要的比较值Nt。
Nt/Np为PWM脉冲占空比, 如果占空比为50%, 则Nt/Np=50/100, 计算得Nt=Np/2, 根据脉冲占空比需要, 计算翻转所需要的比较值Nt。当PWM模块基准定时器1计数周期值Nx大于比较值Nt时, 触发PWM模块中的电平进行翻转, 实现等间隔脉冲的产生。
最后, PWM模块将采样信号传输给AD模块的采样控制引脚HOLD。AD模块通过PWM模块产生的等间隔脉冲触发进行对被采样信号采样, 并将等间隔采集到的被采样信号转换为数字信号后, 传输给DSP进行数据处理。
等间隔运行 篇6
随着我国建设速度的不断加快,建筑工艺水平有了显著的提高,高层建筑物如雨后春笋般拔地而起。随着楼层高度的不断增加而导致建筑物荷载增加,在地基与建筑物结构的影响下,产生的形变沉降会对建筑物的使用带来安全隐患。为确保建筑物的安全施工,防止灾害发生必须对建筑物进行沉降监测,并对其沉降趋势进行预测。邓聚龙教授所创立的灰色系统理论针对“小样本”、“贫信息”、不确定性系统为研究对象,GM(1,1)模型在经济、农业、工业等众多领域的研究中取得了显著成果。由于在实际的沉降数据观测过程中,会受到各种因素的影响导致所得数据的时间间隔是不等的,这就需要将非等间隔序列的原始观测资料进行改进转变成等间隔的序列,再套用等间隔GM(1,1)理论。所以非等间隔GM(1,1)模型在工程测量中具有广泛的应用前景。目前应用较广的非等间隔GM(1,1)模型一般可分为两种,第一种是对数据进行等时间间隔转换,使其处理后的时间分布满足等时段,再套用GM(1,1)模型。第二种是以时间间隔作权,对原始数据进行权累加后建立的非等间隔GM(1,1)模型[1]。本文通过两种非等间隔GM(1,1)模型对沉降观测数据进行分析,并将两种非等间隔模型的预测结果进行对比,选取出精度高的模型,使其更好地服务于生产建设中。
1 灰色系统模型的建立
1.1 等时距变换的非等间隔GM(1,1)模型[2]
数列X(0)(t)={x(0)(1),x(0)(2),…,x(0)(n)}是非等间隔观测序列的原始数据,数据所对应的观测时间为数列T(0)(i)={t1,t2,…,tn},计算观测时间平均间隔:。实际观测时段与平均观测时段的时段差系数为:
各实际观测时段的差值序列为:
对Δx(0)(t)进行一次累加生成,处理得到数列Δx(1)(t),即Δx(1)(t)是Δx(0)(t)的1-AGO序列,
式(4)可求出均值生成序列。再对原始观测数据X(0)(t)进行累加处理生成1-AGO序列X(1)(t)=(x(1)(1),x(1)(2),…,x(1)(n)),其中:
设Z(1)=(z(1)(2),z(1)(3),...,z(1)(n))是X(1)(t)的紧邻均值生成序列,
再求得各个时间段之间的一次累加均值εx(1)(t)=Δx(1)(t)+z(1)(t)。对于标准的等间隔GM(1,1)模型的白化方程为,可得关于εx(1)(t)的白化方程为:
根据GM(1,1)模型最小二乘估计参数列满
足,则白化方程的解即时间相应函数为:
对数据求解还原值得:
在GM(1,1)模型中,参数-a称为发展系数,反映了的发展势态,b为灰色作用量。
1.2 加权处理的非等间隔GM(1,1)模型
数列X(0)={x(0)(t1),x(0)(t2),…,x(0)(tn)}为原始观测数据,ti为观测时间(i=1,2…n)。以相邻两次观测的时间间隔作为权值,生成加权处理的1-WAGO序列:
生成X(1)的紧邻均值生成序列:Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)),其中,
X(1)的GM(1,1)模型的白化微分方程为:
定义及灰色序列矩阵生成参数列:
推导求得白化方程的时间响应函数[3]:
由两式相减得:
为差分还原公式的值,联立式(14)、(15)得到加权处理的非等间隔GM(1,1)模型解:
2 精度评定[4]
根据原始观测数据的序列X(0)(ti),通过非等间隔GM(1,1)模型求解得到了预测数值序列。按照以下公式计算所需参数:
残差:,残差均值:
残差方差分别为:
原始数据的均值:,方差为:
相对误差为:
计算后验差比值c=s1/s2;小概率:
模型精度评定等级见表1。
3 工程实例
3.1 工程概况与数据处理
本文对秀山湖二期工程中的12#、13#、15#、18#、19#、20#、21#,7幢楼进行沉降观测。以12#楼为例,由相近的工作基点G3开始对沉降点进行观测,按楼层数进行观测,每加盖两层观测一次,观测开始时间为2012年8月15日,结束时间为2014年1月2日,前后共观测20次。本次工程从开始观测到观测结束期间,沉降持续发生且沉降数值很小,遂采用灰色系统模型对其进行预测分析。
表1 模型精度等级Table 1 Model’s accuracy level
选取12-2号点的沉降数据为模型原始数据,并建立灰色系统模型,观测数据整理后如表2所示。
表2 沉降监测成果表(部分)Table 2 Subsidence monitoring results(part)
本文采用最后6期观测数据,对观测数据建立非等间隔GM(1,1)模型,经解算,得到第一个模型的GM(1,1)模型为:
加权处理的非等间隔GM(1,1)模型模型为Δtk,k>1,求得表3数据。
同理,对点12-4,12-6进行模型预测,所得数据如表4、表5所示。
3.2 精度检验与预测结果分析[6]
对于12-2号点,等时距变换的非等间隔GM(1,1)模型的残差均值,残差方差s21=0.0023mm2。根据原始数据均值x珋=4.09mm,方差s22=0.02mm2,解得c=0.255,p=0.95。对比精度检验等级表,预测模型精度为1级。
加权处理的非等间隔GM(1,1)模型,残差均值,残差方差s12=0.008mm2,解得c=0.8,p=0.91。与精度检验等级表对比可知,此预测模型精度为2级。
同样的方法对12-4与12-6号点进行精度检验,等时距变换的非等间隔GM(1,1)模型的预测结果都要优于加权处理的非等间隔GM(1,1)模型的预测结果。
表3 点12-2累计沉降值与灰色预测值对比Table 3 12-2 Total sedimentation value contrast with gray prediction value
表4 点12-4累计沉降值与灰色预测值对比Table 4 12-4 Total sedimentation value contrast with gray prediction value
表5 点12-6累计沉降值与灰色预测值对比Table 5 12-6 Total sedimentation value contrast with gray prediction value
由本次工程测量数据可知,沉降量很小且持续发生,沉降观测所得数据本身就具有不确定性,加上观测时间分布不均匀,导致对数据处理较为困难,而灰色系统理论就是对“小样本”,“贫数据”,具有不确定性的样本进行分析。根据检验结果与原始观测数据对比发现数据预测较为精准,论证出灰色系统模型在变形监测沉降数据处理具有正确性以及可行性[7]。
对比GM(1,1)模型的应用范围(见表6),两模型的发展系数a均远大于-0.3可知两种灰色预测模型都适合中长期阶段使用。第一种模型的残差均值以及残差方差都小于加权处理的非等间隔GM(1,1)模型的参数值。根据图1~图3可知,第一类模型的数据形式更趋近于原始数据的一次线性回归模型,更加逼近原始观测数据。
表6 GM(1,1)模型的应用范围Table 6 GM(1,1)’s application range
等时距变换的非等间隔GM(1,1)模型在生成各时段的差值序列时,,相当于将原来非等间隔的时间段调整成等间隔时段,再根据时段差系数将沉降量分配给各个等间隔时段。原理上类似于对原始数据从首个时间点开始等时段插值处理数据,由所得到的等间隔数据套用模型。虽然数据经过处理对于原始数据有所变动,但总体上保持了原始数据的特征,如累计沉降量的增长速率,总体的沉降趋势不变。模型也为传统的等间隔GM(1,1)模型,没有过多变动,因此预测效果较好。
加权处理的非等间隔GM(1,1)模型在生成1-WAGO序列,的数值受Δt的影响波动大。如果Δt较大的话,对原始数据的处理会使其失真,测量的未知时段比重增加。从图1~图3中可以看出,当Δt不稳定,即相邻时间间隔变化较大时,会导致预测结果在一定程度上较大地偏离实测数据。因此在模型预测上不如前者效果好。
图1 点12-2预测模型数据对比图Fig.1 Data comparison of the prediction model of 12-2
图2 点12-4预测模型数据对比图Fig.2 Data comparison of the prediction model of 12-4
图3 点12-6预测模型数据对比图Fig.3 Data comparison of the prediction model of 12-6
根据以上分析以及精度检验表的结果,等时距变换的非等间隔GM(1,1)模型的精度级别以及预测结果都要优于加权处理的非等间隔GM(1,1)模型。
4 结束语
灰色系统理论在工程测量中应用广泛,其在数据处理的可行性、正确性以及实用性在实际应用中得到了认可和证实。本文所讨论的第一种模型是对原始非等间隔序列进行等时距转变以满足建模条件的非等间隔模型,所得等时距数据其发展趋势更加贴近实际数据的变化趋势,而对于第二种模型来说,将时间间距作为乘子,对原始数据进行加权一次累加,再按照等间隔GM(1,1)模型建模步骤结算,当时间间隔之间的差值较大时,模型预测数值的波动也会随之增大。综合全文的建模与检验,对于本次工程第一种GM(1,1)模型精度要远大于加权处理的模型精度。当然在实际工作中,我们要根据实际情况,如工程进展速度、观测间隔、数据变化趋势来选择合适的GM(1,1)模型,来提供更加可靠的数据服务于我们的生产建设。
参考文献
[1]廖育梅,裴建良,陈鹏宇.一种新的非等间隔灰色预测模型[J].统计与决策,2011,(2):163~164.Liao Yumei,Pei Jianliang,Cheng Pengyu.A new prediction gray model of non-equal interval[J].Statistics and Decision,2011,(2):163~164.(in Chinese)
[2]张健雄,蒋金豹,张建霞.高层建筑沉降监测与灰色预测[J].测绘科学,2007,(4):56~59.Zhang Jianxiong,Jiang Jinbao,Zhang Jianxia.Subsidence monitoring and gray forecasting for high-layers buildings[J].Science of Surveying and Mapping.2007,(4):56~59.(in Chinese)
[3]陈鹏宇,段新胜.建筑物沉降的非等间隔GM(1,1)的建立与改进[J].工程勘察,2010,(3):77~80.Chen Pengyu,Duan Xinsheng.Establishment and improvement of non-equal interval GM(1,1)model of building subsidence[J].Geotechnical Investigation&Surveying,2010,(3):77~80.(in Chinese)
[4]陈伟清.建筑物沉降数据分析的灰色预测方法[J].测绘技术装备,2005,(4):9~12.Chen Weiqing.Gray prediction of building settlement data analysis[J].Geomatics Technology and Equipment,2005,(4):9~12.(in Chinese)
[5]于怀昌,刘汉东,张昕.建筑物沉降的灰色系统预测[J].华北水利水电学院学报,2005,(1):57~60.Yu Huaichang,Liu Handong,Zhang Xin.Predicting buildings settlement by grey system theory[J].Journal of North China Institute of Water Conservancy and Hydroelectric Power,2005,(1):57~60.(in Chinese)
[6]陈伟清.灰色预测在建筑物沉降变形分析中的应用[J].测绘科学,2005,(5):43~45.Chen Weiqing.Application of gray forecast in the deformation analysis of structure settlement[J].Science of Surveying and Mapping,2005,(5):43~45.(in Chinese)
[7]刘思峰,党耀国等.灰色系统理论及其应用[M].北京:科学出版社,2011.Liu Sifeng,Dang Yaoguo et al.Grey system theory and application[M].Beijing:Science Press,2011.(in Chinese)