[发明专利]面向自动化码头AGV群的实时安全诱导方法

权利要求书

1.一种面向自动化码头AGV群的实时安全诱导方法，其特征在于，包含以下步骤：

步骤S1、设计自动化码头路网AGV交通流模型，建立面向AGV群的安全诱导模型；

步骤S2、在安全诱导模型基础上，利用模型预测控制的框架思路来设计实时安全诱导策略以指导AGV群的安全运行；

步骤S3、将安全诱导策略转化为离线的参数计算和在线的混合整数规划命题，获得最优安全诱导策略；

所述的步骤S1包含以下步骤：

步骤S1.1、设计自动化码头路网AGV交通流模型；

基于METANET宏观交通建模和仿真工具交通流模型，运用有向图描述自动化码头路网，用路段Link表示自动化码头路网上节点之间的交通线路，用节点Node表示两条或两条以上交通线路的连接点，用节段Segment表示自动化码头路网上相邻节点之间的交通线路，每一个路段包含若干节段，用密度、流量、流速、流向、占有率来描述AGV交通流特征；

步骤S1.2、依据时空干涉程度评价，运用状态空间法建立基于自动化码头路网拓扑结构特征的安全诱导模型：

x(q+1)＝g(x(q),v(q),d(q))；

其中，x(q)是状态向量；v(q)是安全诱导向量；d(q)是扰动向量；

所述的步骤S2包含以下步骤：

步骤S2.1、将扰动向量d(q)作为自动化码头路网的输入，在每个控制周期，检测码头路网实际运行状态，进而获得实际的码头路网状态数据；

一个控制周期＝当前检测时刻-上一个检测时刻；

步骤S2.2、采集码头AGV流的运行数据，获得AGV流的状态向量x(q)；

步骤S2.3、将扰动向量d(q)和状态向量x(q)作为模型预测控制的输入，根据安全诱导模型对AGV流进行预测，同时通过模型预测控制优化安全诱导向量的切换变量，将优化后的安全诱导向量的切换变量输入自动化码头路网，从而对安全诱导模型的预测结果进行修正和优化；

所述的步骤S2.3包含以下步骤：

步骤S2.3.1、根据安全诱导模型对AGV流进行预测，根据码头AGV流的实际运行数据与上一时刻模型的预测值之差获得反馈校正项，若反馈校正项为正数，则将预测结果加上这个正数；若反馈校正项为负数，则将预测结果减去这个负数的绝对值，来修正预测结果；

步骤S2.3.2、建立基于预测状态的目标函数安全诱导控制目标为最小化AGV在自动化码头路网作业时间的同时，减少安全诱导系统控制信息的切换次数；

其中，T_s是离散化的采样时间段，ρ_m,j(q)是在qT_s时刻的AGV流平均密度，L_m是路段m单位节段的长度，λ_m是路段m的车道数量，l_j(q)是在节点j的排队长度，α_c对安全诱导控制切换的惩罚系数，v_j(q)是针对节点j的安全诱导系统诱导控制信号，h_m是路段m上控制时域的数量；

步骤S2.3.3、按照以往的工况进行不同参数下的仿真比较，获取最优的离线参数，采用双层粒子群优化算法在每一个采样时刻在线优化求解当前控制周期下的安全诱导系统诱导控制信号二进制序列[v(q),v(q+1),v(q+2),…,v(q+h_m-1)]，该序列不仅包含安全诱导控制信号发生切换的时刻，而且包含在切换时刻安全诱导控制信号的增量，其向量长度等于切换次数乘2，其中，

步骤S2.3.4、将优化结果作用于实际自动化码头路网，指导AGV群的安全运行，然后在下一个控制周期重复该过程，执行滚动优化机制，以优化码头路网AGV流分布，提高路网运行效率；

所述的步骤S3中，针对离线的参数计算，按照以往的工况进行不同参数下的仿真比较，获取最优的离线参数，针对在线的混合整数规划命题，采用双层粒子群优化算法进行求解，并通过多个子群并行计算加快求解速度，以满足模型预测控制的实时控制需求。