LKJ-2000型列车运行监控装置使用GPS测速技术探讨摘要分析了目前常用的列车定位技术的优缺点。介绍了基于多传感器信息融合和基于漏泄同轴光缆的列车定位新技术。对利用漏泄同轴光缆或基于多传感器信息融合测速定位方法实施CBTC(基于通信的列车控制)模式下列车精确定位进行理论探讨，为解决现有采用轨道电路和信标进行列车定位精度不高和初始化过程长等缺点提供了借鉴思路。关键词基于通信的列车控制：漏泄同轴光缆：多传感器信息融合：列车定位。0引言LKJ装置是中国铁路目前使用最多的列车安全控制系统，广泛应用CTCS0、CTCS2列车运行区段。LKJ装置核心功能是防止列车冒进信号和列车超速，这两种行车事故是铁路系统安全运输生产管理的红线，不可逾越。通过对多起速度信号失真案例的分析，发现LKJ装置在速度信号采集、处理及列车定位方面存在缺陷。1列车定位技术现状分析随着工程技术的发展，人们提出了多种列车定位技术，如轨道电路、里程计、查询/应答器、测速仪、卫星系统、无线通信、感应回线等。1.1列车轮对同步转动分析LKJ装置利用轮对转速结合机车轮径大小计算出“列车运行速度”，它采集的是机车轮对速度，不是列车实际运行速度。现实中由于线路坡度、曲线、冰雪路面及司机操纵等原因，容易造成轮轨间产生空转，引起机车轮对速度与机车运行速度之间的差异。1.2LKJ装置判断轮轨间是否产生了空转分析在程序中设置了列车最大加速度值(4.5km/h/s),再用这个加速度值与列车运行中所产生的加速度值进行比较，当列车加速度值大于程序中设置的加速度值时，LKJ装置认为机车产生了轮对空转。此时程序会启动速度抑制公式V'=VO+(a/8)t来计算列车速度（式中：V'为LKJ程序计算速度、V0为初始速度、a为机车轮对加速度、t为时间)。在这个计算公式中，“a/8”是LKJ装置认为机车产生轮对空转之后的列车加速度，是一个经验值，使用它计算出的列车速度只能做到相对准确，不能做到绝对准确。2基于多传感器信息融合的列车测速定位新技术2.1多传感器信息融合结构分析多级式融合结构的各局部节点可以同时或分别是集中式、分布式、或混合式融合中心。它们将接收和处理来自多个传感器的数据或来自多个融合节点的状态估计，而系统的融合中心要再次对各局部融合节点传送来的状态估计进行融合。也就是说，列车的状态估计要经过多达两级以上的状态融合处理。如图1所示，局部融合节点1的融合对象是轮轴速度传感器和加速度计，而局部融合节点2的融合对象是多普勒雷达速度传感器和加速度计：加速度计在这里有两个用途，首先是用于轮轴速度传感器的空转滑行检测和处理，另外也作为数据融合的其中一个对象。由于轮轴速度传感器和多普勒雷达速度传感器的测速原理不同，它们的误差来源也有很大的区别，采用这两种传感器能有效地进行优势互补。加速度计与这两种传感器的差别更大，上述两种传感器测量的是列车速度分量，而加速度计测量的是列车加速度分量，其随机误差主要是其固有测量误差和列车振动引起的测量误差，不受轨道状况的影响，所以加速度计与上述两种传感器进行信息融合能进一步提高测速定位的精度。图1多级式多传感器融合结构2.2测速定位系统的算法模型分析信息融合的结构方案关系到测速定位系统的性能，对列车状态估计的精度和实时性有很大的影响。但如果没有好的处理算法，再好的融合结构也无从发挥。应用于随机系统的Kalman滤波理论在航空、航天、工业过程控制等领域得到了非常广泛的应用。它建立在精确的数学模型基础之上，并假设噪声输入为严格的高斯过程或高斯序列。然而实际问题常常不能满足这些条件，导致滤波发散。基于鲁棒H∞滤波融合的测速定位方法与基于Kalman滤波融合的测速定位方法很相似，但H∞滤波对干扰信号的频谱特性不需做任何假设，过程和测量噪声可以是具有有界能量的任意信号（见图2），这与Kalman滤波刚好相反。Kalman滤波融合算法估计精度较高，但需要对干扰信号有准确的数学描述，鲁棒性不强；H∞滤波融合算法估计精度没有Kalman滤波融合算法高，但其不需要对干扰信号作任何假设，有较高的鲁棒性。融中心加速度计度合列状处理估计值X..fs速度计发射角修正计算分析