知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-03-15
(54)【発明の名称】大気汚染環境における列車運行防護方法及びシステム
(51)【国際特許分類】
G01M 17/08 20060101AFI20220308BHJP
G06N 3/04 20060101ALI20220308BHJP
G06N 3/08 20060101ALI20220308BHJP
G01W 1/00 20060101ALI20220308BHJP
B61L 25/02 20060101ALI20220308BHJP
【ＦＩ】
G01M17/08
G06N3/04 190
G06N3/08
G01W1/00 A
B61L25/02 Z
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2021541632
(86)(22)【出願日】2020-07-29
(85)【翻訳文提出日】2021-07-19
(86)【国際出願番号】 CN2020105470
(87)【国際公開番号】W WO2021023074
(87)【国際公開日】2021-02-11
(31)【優先権主張番号】201910709594.6
(32)【優先日】2019-08-02
(33)【優先権主張国・地域又は機関】CN
(81)【指定国・地域】
(71)【出願人】
【識別番号】518309666
【氏名又は名称】中南大学
(74)【代理人】
【識別番号】110000291
【氏名又は名称】特許業務法人コスモス国際特許商標事務所
(72)【発明者】
【氏名】劉 輝
(72)【発明者】
【氏名】陳 超
(72)【発明者】
【氏名】▲イェン▼ 光曦
(72)【発明者】
【氏名】龍 治豪
【テーマコード（参考）】
5H161
【Ｆターム（参考）】
5H161AA01
5H161BB20
5H161DD01
5H161FF01
5H161FF07
(57)【要約】
大気汚染環境における列車運行防護方法及びシステムであって、大気汚染環境における列車運行防護方法は、複数組の車屋根及び車底空気質検出データを収集するステップと、実験データを利用して車屋根及び車底の空気総合評価指標Ｑ０及びＱ１を求めるステップと、車屋根部品の曝露時間Ｔ０及び車底部品の曝露時間Ｔ１を算出するステップと、車屋根部品の汚染物質状態計算モデル及び車底部品の汚染物質状態計算モデルを訓練するステップと、列車が停車した後、車屋根及び車底空気質検出データを検出するステップと、車屋根及び車底部品の汚染物質状態計算モデルを呼び出し、車屋根及び車底部品の汚染レベルを求めるステップと、求めた車屋根及び車底部品の汚染レベルに従って車屋根及び車底部品に対して対応する清掃防護処理を行うステップと、を含む。この方法は、大気汚染環境における列車の主要な部品の曝露状況を評価するとともに、関連する防護措置を行うことで、列車の主要な部品の正常な耐用年数を確保する。
【選択図】 図２
【選択図】 図２
【特許請求の範囲】
【請求項1】
大気汚染環境における列車運行防護方法であって、複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする大気汚染環境における列車運行防護方法。
【請求項2】
車屋根空気質検出データ及び車底空気質検出データは何れもＣＯ２濃度、ＮＯ２濃度、ＳＯ２濃度、ＰＭ２．５濃度、ＶＯＣ濃度、粉塵濃度のうちの１種または複数種を含む、ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項3】
車屋根空気質検出データ及び／又は車底空気質検出データは、多点監視方式で取得されたものである、ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項4】
車屋根の空気総合評価指標Ｑ０の算出方法は、Ｑ０＝車屋根ＣＯ２濃度×ｐ１＋車屋根ＮＯ２濃度×ｐ２＋車屋根ＳＯ２濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ２濃度×ｐ１＋車底ＮＯ２濃度×ｐ２＋車底ＳＯ２濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである、
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項5】
前記ステップ４において、ＬＳＴＭ深層ネットワークアルゴリズムを利用して車屋根部品の汚染物質状態計算モデルを訓練し、ここではＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項6】
前記ステップ４において、ＧＲＵ深層ネットワークアルゴリズムを利用して車底部品の汚染物質状態計算モデルを訓練し、ここではＧＲＵ深層ネットワークの重み及び閾値は、カオスバットアルゴリズムを利用して最適化選択を行うことによって取得され、バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項7】
大気汚染環境における列車運行防護システムであって、車屋根空気質検出データを収集するための車屋根空気質検出モジュール（１）と、
車底空気質検出データを収集するための車底空気質検出モジュール（２）と、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュール（４）に伝送するためのデータ伝送モジュール（３）と、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュール（４）と、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データを算出し、車底空気質検出データを利用して始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データを算出するステップと、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンター（５）に送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュール（４）から送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュール（６）に送信するためのプラットホームデータセンター（５）と、
プラットホームデータセンター（５）から送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュール（６）と、
をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システム。
【請求項8】
車屋根空気質検出モジュール（１）及び車底空気質検出モジュール（２）は何れもＣＯ２濃度センサ、ＮＯ２濃度センサ、ＳＯ２濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサのうちの１種または複数種を含む、ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【請求項9】
前記車屋根空気質検出モジュール（１）は、若干の車屋根空気質検出装置（１０１）を含み、各々の車箱の屋根における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置（１０１）が設けられ、前記車底空気質検出モジュール（２）は、若干の車底空気質検出装置（２０１）を含み、各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置（２０１）が設けられ、
３つの車箱ごとに１つのデータ処理モジュール（４）が共用されている、
ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【請求項10】
前記プラットホーム実行モジュール（６）は、プラットホームドローンステーション（６０１）と、ヒューマンコンピュータインタラクション端末（６０２）と、を含み、プラットホームドローンステーション（６０１）及びヒューマンコンピュータインタラクション端末（６０２）が何れもプラットホームデータセンター（５）に接続され、ドローンステーションは、若干のドローン（６０１１）を含み、各々のドローン（６０１１）には噴射清掃装置及び照明装置が設けられ、ヒューマンコンピュータインタラクション端末（６０２）は、命令受信コンピュータ（６０２１）を含む、ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、特に、大気汚染環境における列車運行防護方法及びシステムに関する。
【背景技術】
【0002】
近年、高速列車は中国で急速に発展していき、資源型及び環境友好型の輸送方式の一つとして高速列車の発展建設の加速は、現在で社会の各方面の共通認識となっている。それは既に中国の国民経済発展の動脈となり、安全性、経済性、利便性などの特性を兼ね備えている。これらの特性により、高速列車の大衆向けの交通手段への転換が決められ、中国の総合交通体系に中堅の地位にある。
【0003】
但し、高速列車運行ネットワークの拡大及び運行距離の年々増加に伴い、いくつかの問題も明らかになっていき、その中、大気汚染環境による高速列車の露出した主要な部品への危害問題が特に顕著である。列車運行環境におけるＳＯ２、ＮＯ２などの含有量が高すぎると、パンタグラフ部品、接触ネットワーク、ボギー台車などの露出した主要な部品の孔食や腐食問題が悪化し、露出した主要な部品の耐用年数が短くなり、経済損失が生じる可能性がある。
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、大気汚染環境における列車の主要な部品の露出状況を評価するとともに、関連する防護措置を行うことで、列車の主要な部品の正常な耐用年数を確保するための、大気汚染環境における列車運行防護方法及びシステムを提供することを目的とする。
【課題を解決するための手段】
【0005】
上記の技術的課題を解決するために、本発明に用いられる技術案は、次の通りである。
【0006】
大気汚染環境における列車運行防護方法であって、
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする。
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする。
【0007】
好ましい態様として、車屋根空気質検出データ及び車底空気質検出データは何れもＣＯ２濃度、ＮＯ２濃度、ＳＯ２濃度、ＰＭ２．５濃度、ＶＯＣ濃度、粉塵濃度のうちの１種または複数種を含む。
【0008】
好ましい態様として、車屋根空気質検出データ及び／又は車底空気質検出データは、多点監視方式で取得されたものである。
【0009】
好ましい態様として、
車屋根の空気総合評価指標Ｑ０の算出方法は、
Ｑ０＝車屋根ＣＯ２濃度×ｐ１＋車屋根ＮＯ２濃度×ｐ２＋車屋根ＳＯ２濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ２濃度×ｐ１＋車底ＮＯ２濃度×ｐ２＋車底ＳＯ２濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである。
車屋根の空気総合評価指標Ｑ０の算出方法は、
Ｑ０＝車屋根ＣＯ２濃度×ｐ１＋車屋根ＮＯ２濃度×ｐ２＋車屋根ＳＯ２濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ２濃度×ｐ１＋車底ＮＯ２濃度×ｐ２＋車底ＳＯ２濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである。
【0010】
好ましい態様として、前記ステップ４において、ＬＳＴＭ深層ネットワークアルゴリズムを利用して車屋根部品の汚染物質状態計算モデルを訓練し、ここではＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、
量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む。
量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む。
【0011】
好ましい態様として、前記ステップ４において、ＧＲＵ深層ネットワークアルゴリズムを利用して車底部品の汚染物質状態計算モデルを訓練し、ここではＧＲＵ深層ネットワークの重み及び閾値は、カオスバットアルゴリズムを利用して最適化選択を行うことによって取得され、
バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む。
バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む。
【0012】
本発明は、同一の発明構想に基づき、
車屋根空気質検出データを収集するための車屋根空気質検出モジュールと、
車底空気質検出データを収集するための車底空気質検出モジュールと、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュールに伝送するためのデータ伝送モジュールと、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュールと、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンターに送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュールから送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュールに送信するためのプラットホームデータセンターと、
プラットホームデータセンターから送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュールと、をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システムをさらに提供する。
車屋根空気質検出データを収集するための車屋根空気質検出モジュールと、
車底空気質検出データを収集するための車底空気質検出モジュールと、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュールに伝送するためのデータ伝送モジュールと、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュールと、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンターに送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュールから送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュールに送信するためのプラットホームデータセンターと、
プラットホームデータセンターから送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュールと、をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システムをさらに提供する。
【0013】
好ましい態様として、車屋根空気質検出モジュール及び車底空気質検出モジュールは何れもＣＯ２濃度センサ、ＮＯ２濃度センサ、ＳＯ２濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサのうちの１種または複数種を含む。
【0014】
好ましい態様として、前記車屋根空気質検出モジュールは、若干の車屋根空気質検出装置を含み、各々の車箱の屋根における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置が設けられ、前記車底空気質検出モジュールは、若干の車底空気質検出装置を含み、各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置が設けられ、３つの車箱ごとに１つのデータ処理モジュールが共用されている。
【0015】
好ましい態様として、前記プラットホーム実行モジュールは、プラットホームドローンステーションと、ヒューマンコンピュータインタラクション端末と、を含み、プラットホームドローンステーション及びヒューマンコンピュータインタラクション端末が何れもプラットホームデータセンターに接続され、ドローンステーションは、若干のドローンを含み、各々のドローンには噴射清掃装置及び照明装置が設けられ、ヒューマンコンピュータインタラクション端末は、命令受信コンピュータを含む。
【0016】
本発明は、列車に複数の空気質検出モジュールを設けることで、列車屋根パンタグラフ及び車底走行部近傍の空気質データを収集し、収集データを処理分析し、ドローン噴射と手動メンテナンス方法を併用して汚染防護を行う、深層ネットワークモデルに基づく、大気汚染環境における列車運行防護方法及びシステムを提供し、次のメリットを有する。
【0017】
（１）列車運行時の車屋根及び車底部品近傍の空気質に対してリアルタイムで効果的な監視を行うことで、列車の露出した主要な部品が汚染物質に露出している曝露時間を把握でき、停車時に用いられる清掃防護方式に対して指導的役割を有する。
【0018】
（２）車屋根及び車底総合監視及び多点監視の監視点配置方式を用いることで、車屋根の空気状況と車底の空気状況の相違による検出誤差を回避し、収集結果の正確性を確保した。
【0019】
（３）汚染物質における車屋根及び車底部品の曝露時間によって異なる清掃防護戦略を選択することで、列車の主要な部品への大気汚染物質の粘着及び腐食を減少させ、対応する列車の主要な部品の耐用年数を延長した。
【0020】
（４）列車の主要な部品の汚染状態を異なるレベルに区分し、異なる汚染状態レベルに従って最も合理的な清掃防護戦略を選択し、ドローン噴射と手動メンテナンスの２種の方法を併用することで、防護効果を保証しつつ、できるだけ人力を解放する。
【0021】
（５）深層ネットワークによって車屋根及び車底部品の汚染状態レベルを算出し、列車が停車した後の清掃防護方法の有効性を確保した。
【図面の簡単な説明】
【0022】
【図1】本発明のシステムに係る一実施例の原理図である。
【図2】本発明の方法に係る一実施形態の流れ図である。 図中、１は車屋根空気質検出モジュール、１０１は車屋根空気質検出装置、２は車底空気質検出モジュール、２０１は車底空気質検出装置、３はデータ伝送モジュール、３０１はワイヤレス伝送モジュール、４はデータ処理モジュール、４０１はセンターコンピュータ、５はプラットホームデータセンター、５０１はプラットホームコンピュータ、６はプラットホーム実行モジュール、６０１はプラットホームドローンステーション、６０１１はドローン、６０２はヒューマンコンピュータインタラクション端末、６０２１は命令受信コンピュータである。
【発明を実施するための形態】
【0023】
本発明は、高速列車の車屋根及び車底の主要な部品の曝露部での空気汚染物質の濃度をリアルタイムで監視し、深層ネットワークによって、検出された汚染物質の濃度データに従って、対応する主要な部品の運行時の汚染状態レベルを取得し、停車後に合理的な清掃防護方法を選択することができる、大気汚染環境における列車運行防護方法及びシステムを提供する。ここでは、主要な部品の汚染状態は、深層ネットワーク訓練によって取得され、モデルの入力は各種の測定データ、モデルの出力は汚染状態レベルである。
【0024】
図１に示すように、大気汚染環境における列車運行防護システム全体は、車屋根空気質検出モジュール１と、車底空気質検出モジュール２と、データ伝送モジュール３と、データ処理モジュール４と、プラットホームデータセンター５と、プラットホーム実行モジュール６と、を含む。各モジュールに関する具体的な説明は、次の通りである。
【0025】
車屋根空気質検出モジュール１としては、各々の車箱の屋根部に配置された車屋根空気質検出装置１０１により構成されている。各々の車屋根空気質検出装置１０１は、いずれもＣＯ２濃度センサ、ＮＯ２濃度センサ、ＳＯ２濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣセンサ、粉塵センサを含む。各々の車箱の屋根部における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置１０１が配置されている。車屋根空気質検出モジュール１によって収集されたデータは、データ伝送モジュール３でデータ処理モジュール４に送信される。
【0026】
車底空気質検出モジュール２としては、各々の車箱の底部に配置された車底空気質検出装置２０１により構成されている。各々の車底空気質検出装置２０１は、いずれもＣＯ２濃度センサ、ＮＯ２濃度センサ、ＳＯ２濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣセンサ、粉塵センサを含む。各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置２０１が配置されている。車底空気質検出モジュール２によって収集されたデータは、データ伝送モジュール３でデータ処理モジュール４に送信される。
【0027】
データ伝送モジュール３としては、ワイヤレス伝送モジュール３０１を含み、各々の車箱には、車屋根空気質検出モジュール１、車底空気質検出モジュール２、及びデータ処理モジュール４を接続して、収集データの格納及び異なるモジュール間のデータ伝送を実現するための、１つのワイヤレス伝送装置が設けられる。列車の長さを考慮すると、４Ｇネットワークによって伝送することができ、経済的且つ簡便である。
【0028】
データ処理モジュール４としては、３つの車箱ごとに１つのセンターコンピュータ４０１が設けられ、当該センターコンピュータ４０１により、１つの空気質監視エリアが定義され、データ処理モジュール４が構成される。センターコンピュータ４０１は、監視範囲内の３つの車箱から収集された主要な車屋根部品の空気収集データ及び主要な車底部品の空気収集データを受信し、データ前処理及びモデル訓練を別々に行い、モデル訓練結果をリアルタイムで出力する。
【0029】
プラットホームデータセンター５としては、列車のデータ処理モジュール４から送信された主要な部品の汚染状態レベルデータを受信し、異なる受信結果により適切な清掃防護方法を選択し、防護命令をプラットホームドローンステーション６０１又はヒューマンコンピュータインタラクション端末６０２に送信するためのプラットホームコンピュータ５０１を含む。
【0030】
プラットホーム実行モジュール６としては、プラットホームドローンステーション６０１と、ヒューマンコンピュータインタラクション端末６０２と、を含み、プラットホームドローンステーション６０１とヒューマンコンピュータインタラクション端末６０２は何れもプラットホームデータセンター５に接続される。
【0031】
プラットホームドローンステーション６０１としては、防護ドローン６０１１、ワイヤレス命令送受信機、充電プラットホームにより構成されており、その中で、ワイヤレス命令送受信機はプラットホームコンピュータ５０１からの防護命令を受信することに用いられ、充電プラットホームはドローン６０１１を充電することに用いられる。図面にはワイヤレス命令送受信機及び充電プラットホームが何れも図示されていないが、当業者による本発明の理解及び実現には影響がない。プラットホームデータセンター５からの防護命令を受信した後、ドローン６０１１は、汚染された主要な部品（車屋根又は車底に位置するもの）を自主的に識別して、軽い又は深い防護清掃を行う。各々の防護ドローン６０１１には、噴射清掃装置及び照明装置が装着されている。
【0032】
ヒューマンコンピュータインタラクション端末６０２としては、プラットホームデータセンター５から送信された手動メンテナンス命令を受信してインタラクティブインターフェースに表示するための命令受信コンピュータ６０２１を含む。
【0033】
図２に示すように、大気汚染環境における列車運行防護システム全体は、オフライン訓練プロセスとオンライン停車防護プロセスの２つのプロセスを含む。
【0034】
オフライン訓練プロセス
本発明の方法は、主要な車屋根及び車底部品の所在する空間の空気汚染物質濃度情報を収集してから、収集データを対応する検出エリア内のセンターコンピュータ４０１に送信して、データ前処理及びモデル訓練を行う。訓練用モデルは、検出された汚染物質濃度に基づいて主要な部品の汚染状態レベルを取得するための２種の深層ネットワークモデルを含み、オフラインプロセス全体に関する具体的な説明は、次の通りである。
本発明の方法は、主要な車屋根及び車底部品の所在する空間の空気汚染物質濃度情報を収集してから、収集データを対応する検出エリア内のセンターコンピュータ４０１に送信して、データ前処理及びモデル訓練を行う。訓練用モデルは、検出された汚染物質濃度に基づいて主要な部品の汚染状態レベルを取得するための２種の深層ネットワークモデルを含み、オフラインプロセス全体に関する具体的な説明は、次の通りである。
【0035】
一、主要な車屋根及び車底部品の所在する空間の空気質データの収集
車屋根空気質検出装置１０１及び車底空気質検出装置２０１を利用して異なる汚染物質の濃度データを収集し、ここで、収集された車屋根空気質検出データは、
として表される。異なる車箱の異なる位置での空気質検出装置によって収集されたデータを区別するために、最終的にワイヤレス伝送モジュール３０１によって送信される車屋根空気質データのフォーマットは、
であり、ここで、tは当該組のデータの収集時刻を示し、ｎは車箱の番号を示し、ｍは空気質検出装置の番号を示し、ｍ＝１、２、３であり、０／１はデータ種別識別コードであり、０は当該組のデータが車屋根空気質検出データであることを示し、１は当該組のデータが車底空気質検出データであることを示す。
車屋根空気質検出装置１０１及び車底空気質検出装置２０１を利用して異なる汚染物質の濃度データを収集し、ここで、収集された車屋根空気質検出データは、
【数1】
【数2】
【0036】
二、データ前処理
車屋根空気質検出装置１０１及び車底空気質検出装置２０１のデータは、ワイヤレス伝送モジュール３０１を介してデータ処理モジュール４のセンターコンピュータ４０１に送信され、収集データの前処理が実行され、データ前処理ステップ全体は、次の通りである。
車屋根空気質検出装置１０１及び車底空気質検出装置２０１のデータは、ワイヤレス伝送モジュール３０１を介してデータ処理モジュール４のセンターコンピュータ４０１に送信され、収集データの前処理が実行され、データ前処理ステップ全体は、次の通りである。
【0037】
（１）各組のデータの０／１識別コード及びｍ値に基づいて、全ての主要な車屋根部品での空気質検出点からの収集データ及び全ての主要な車底部品での空気質検出点からの検出データに対して平均値処理を行い、６種の汚染物質の濃度データを正規化することで、最終的にターゲット検出車箱の合計の車屋根空気質検出データ
を取得する。
【数3】
【0038】
（２）空気質総合評価指標を算出し、空気質総合評価指標の算出方法を、
Ｑ＝ＣＯ２濃度×ｐ１＋ＮＯ２濃度×ｐ２＋ＳＯ２濃度×ｐ３＋ＰＭ２．５濃度×ｐ４＋ＶＯＣ濃度×ｐ５＋粉塵濃度×ｐ６として定義し、
式中、ｐは異なる種類の汚染物質の濃度の重みを示し、ｐ１＝０．１、ｐ２＝０．１、ｐ３＝０．１、ｐ４＝０．３、ｐ５＝０．２、ｐ６＝０．２である。次に、ステップ（１）にて取得した最終的な車屋根及び車底空気質検出データを上記式に代入して算出することで、車屋根の空気総合評価指標Ｑ０及び車底の空気総合評価指標Ｑ１を取得する。
Ｑ＝ＣＯ２濃度×ｐ１＋ＮＯ２濃度×ｐ２＋ＳＯ２濃度×ｐ３＋ＰＭ２．５濃度×ｐ４＋ＶＯＣ濃度×ｐ５＋粉塵濃度×ｐ６として定義し、
式中、ｐは異なる種類の汚染物質の濃度の重みを示し、ｐ１＝０．１、ｐ２＝０．１、ｐ３＝０．１、ｐ４＝０．３、ｐ５＝０．２、ｐ６＝０．２である。次に、ステップ（１）にて取得した最終的な車屋根及び車底空気質検出データを上記式に代入して算出することで、車屋根の空気総合評価指標Ｑ０及び車底の空気総合評価指標Ｑ１を取得する。
【0039】
（３）空気質総合評価指標の健康値をＱとし、Ｑ０≧Ｑ及びＱ１≧Ｑの全ての時刻を別々に算出し、Ｑ０≧Ｑの条件が満たされている場合の汚染物質における主要な車屋根部品の曝露時間Ｔ０及びＱ１≧Ｑの条件が満たされている場合の汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
【0040】
（４）始発駅から現在時刻までの列車の運行時間内の６種の汚染物質の平均濃度データ
を算出する。
【数4】
【0041】
三、列車の主要な部品の汚染状態計算モデルの訓練
（１）車屋根部品の汚染物質状態計算モデルの訓練
（１）車屋根部品の汚染物質状態計算モデルの訓練
【0042】
屋外実験条件下で車屋根空気質データの測定を行い、異なるレベルの１０００組の車屋根空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、パンタグラフの異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
【0043】
車屋根部品の汚染物質状態計算モデルは、ＬＳＴＭ深層ネットワークによって訓練し、モデル訓練の入力は、車屋根空気質検出の平均データ及び汚染物質における主要な車屋根部品の曝露時間
である。出力は、シミュレーション実験条件下で取得されたパンタグラフの汚染状態レベル０、１、２、３であり、それによって、ＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを取得する。
【数5】
【0044】
前記ＬＳＴＭ深層ネットワークは、入力層が７つのノードを含み、出力層のノードの個数が１であり、訓練プロセス中の最大反復回数が１２００、訓練学習率が０．０１とされる。
【0045】
ＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルでは、ＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、プロセスは、次の通りである。
【0046】
ステップＡ１としては、量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化し、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]である。
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]である。
【0047】
ステップＡ２としては、適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とする。
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とする。
【0048】
ステップＡ３としては、各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とする。
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とする。
【0049】
ステップＡ４としては、エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行する。
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行する。
【0050】
ステップＡ５としては、各々の個体群の粒子パラメータを更新する。
【0051】
ステップＡ６としては、各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行する。
【0052】
ステップＡ７としては、エリート個体群を進化し続ける。
【0053】
ステップＡ８としては、グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行する。
【0054】
（２）車底部品の汚染物質状態計算モデルの訓練
屋外実験条件下で車底空気質データの測定を行い、異なるレベルの１０００組の車底空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、走行部の異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
屋外実験条件下で車底空気質データの測定を行い、異なるレベルの１０００組の車底空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、走行部の異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
【0055】
車底部品の汚染物質状態計算モデルは、ＧＲＵ深層ネットワークによって訓練し、モデル訓練の入力は、車底空気質検出の平均データ及び汚染物質における主要な車底部品の曝露時間
である。出力は、シミュレーション実験条件下で取得された走行部の汚染状態レベル０、１、２、３であり、それによって、ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを取得する。
【数6】
【0056】
ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルは、入力層のノードの個数が７、隠れ層のノードの個数が５、出力層のノードの個数が１であり、訓練プロセス中の最大反復回数が８００、訓練学習率が０．０１、閾値が０．０６とされる。
【0057】
ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値は、カオスバットアルゴリズム（Ｃｈａｏｓ Ｂａｔ Ａｌｇｏｒｉｔｈｍ）を利用して最適化選択を行うことによって取得され、プロセスは、次の通りである。
【0058】
ステップＢ１としては、バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定し、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]である。
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]である。
【0059】
ステップＢ２としては、適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とする。
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とする。
【0060】
ステップＢ３としては、設定されたパルス頻度を利用してバット個体の速度及び位置を更新する。
【0061】
ステップＢ４としては、Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成し、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度である。
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度である。
【0062】
ステップＢ５としては、Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持し、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度である。
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度である。
【0063】
ステップＢ６としては、ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行する。
【0064】
ステップＢ７としては、現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]である。
【0065】
ステップＢ８としては、最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続ける。
【0066】
オンライン停車防護プロセス
（１）列車が停車した後、ある被検車箱について、車屋根空気質検出モジュール１及び車底空気質検出モジュール２によってデータを収集し、データをワイヤレス伝送モジュール３０１を介してデータ処理モジュール４に送信して前処理することで、始発駅時刻から現在時刻までの列車の運行時間内の車底及び車底での６種の汚染物質の平均濃度データ、車屋根の空気質総合評価指標Ｑ０、車底の空気質総合評価指標Ｑ１、汚染物質における主要な車屋根部品の曝露時間Ｔ０、及び汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
（１）列車が停車した後、ある被検車箱について、車屋根空気質検出モジュール１及び車底空気質検出モジュール２によってデータを収集し、データをワイヤレス伝送モジュール３０１を介してデータ処理モジュール４に送信して前処理することで、始発駅時刻から現在時刻までの列車の運行時間内の車底及び車底での６種の汚染物質の平均濃度データ、車屋根の空気質総合評価指標Ｑ０、車底の空気質総合評価指標Ｑ１、汚染物質における主要な車屋根部品の曝露時間Ｔ０、及び汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
【0067】
（２）データ処理モジュール４は、訓練済みのＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用して主要な車屋根部品の汚染状態レベル０／１／２／３を算出し、訓練済みのＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して主要な車底部品の汚染状態レベル０／１／２／３を算出する。そして、車屋根及び車底の汚染物質状態レベルをプラットホームデータセンター５に伝送する。
【0068】
（３）車屋根又は車底の主要な部品の汚染レベルが０である場合、列車の主要な部品が汚染されていないと考えられ、停車防護清掃を行わず、車屋根又は車底の主要な部品の汚染レベルが１である場合、列車の主要な部品の汚染状態が軽いと考えられ、プラットホームドローンステーション６０１を呼び出して軽い清掃を行い、車屋根又は車底の主要な部品の汚染レベルが２である場合、列車の主要な部品の汚染状態が一般的であると考えられ、プラットホームドローンステーション６０１を呼び出して深い清掃を行い、車屋根又は車底の主要な部品の汚染レベルが３である場合、列車の主要な部品の汚染状態が厳しいと考えられ、手動清掃防護を要求するための清掃防護命令をヒューマンコンピュータインタラクション端末６０２に送信する。
【0069】
（３）プラットホームのドローン６０１１は、カメラによって列車のパンタグラフ及び列車の走行部の識別及びホバリングを行い、ドローン６０１１が５ｓを超えてホバリングした後、噴射清掃装置が自動的に運行し、軽い清掃防護を行う時の噴射清掃装置の運行時間は１ｍｉｎ、深い清掃防護を行う時の噴射清掃装置の運行時間は３ｍｉｎである。
【0070】
以上、本発明の実施例について図面を参照しながら説明したが、本発明は上記の発明を実施するための形態に制限されるものではなく、上記の発明を実施するための形態は、単に例示的なものであり、制限的なものではない。当業者は、本発明による示唆を受けて、本発明の主旨及び特許請求の範囲の保護範囲から逸脱することなく多くの態様を作成することができ、これらは何れも本発明の保護範囲内に含まれる。
【図1】
【図2】
【手続補正書】
【提出日】2021-07-19
【手続補正1】
【補正対象書類名】明細書
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、特に、大気汚染環境における列車運行防護方法及びシステムに関する。
【背景技術】
【0002】
近年、高速列車は中国で急速に発展していき、資源型及び環境友好型の輸送方式の一つとして高速列車の発展建設の加速は、現在で社会の各方面の共通認識となっている。それは既に中国の国民経済発展の動脈となり、安全性、経済性、利便性などの特性を兼ね備えている。これらの特性により、高速列車の大衆向けの交通手段への転換が決められ、中国の総合交通体系に中堅の地位にある。
【0003】
但し、高速列車運行ネットワークの拡大及び運行距離の年々増加に伴い、いくつかの問題も明らかになっていき、その中、大気汚染環境による高速列車の露出した主要な部品への危害問題が特に顕著である。列車運行環境におけるＳＯ
２
、ＮＯ
２
などの含有量が高すぎると、パンタグラフ部品、接触ネットワーク、ボギー台車などの露出した主要な部品の孔食や腐食問題が悪化し、露出した主要な部品の耐用年数が短くなり、経済損失が生じる可能性がある。
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、大気汚染環境における列車の主要な部品の露出状況を評価するとともに、関連する防護措置を行うことで、列車の主要な部品の正常な耐用年数を確保するための、大気汚染環境における列車運行防護方法及びシステムを提供することを目的とする。
【課題を解決するための手段】
【0005】
上記の技術的課題を解決するために、本発明に用いられる技術案は、次の通りである。
【0006】
大気汚染環境における列車運行防護方法であって、
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする。
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする。
【0007】
好ましい態様として、車屋根空気質検出データ及び車底空気質検出データは何れもＣＯ
２
濃度、ＮＯ
２
濃度、ＳＯ
２
濃度、ＰＭ２．５濃度、ＶＯＣ濃度、粉塵濃度のうちの１種または複数種を含む。
【0008】
好ましい態様として、車屋根空気質検出データ及び／又は車底空気質検出データは、多点監視方式で取得されたものである。
【0009】
好ましい態様として、
車屋根の空気総合評価指標Ｑ０の算出方法は、
Ｑ０＝車屋根ＣＯ ２ 濃度×ｐ１＋車屋根ＮＯ ２ 濃度×ｐ２＋車屋根ＳＯ ２ 濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、）
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ ２ 濃度×ｐ１＋車底ＮＯ ２ 濃度×ｐ２＋車底ＳＯ ２ 濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである。
車屋根の空気総合評価指標Ｑ０の算出方法は、
Ｑ０＝車屋根ＣＯ ２ 濃度×ｐ１＋車屋根ＮＯ ２ 濃度×ｐ２＋車屋根ＳＯ ２ 濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、）
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ ２ 濃度×ｐ１＋車底ＮＯ ２ 濃度×ｐ２＋車底ＳＯ ２ 濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである。
【0010】
好ましい態様として、前記ステップ４において、ＬＳＴＭ深層ネットワークアルゴリズムを利用して車屋根部品の汚染物質状態計算モデルを訓練し、ここではＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、
量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む。
量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む。
【0011】
好ましい態様として、前記ステップ４において、ＧＲＵ深層ネットワークアルゴリズムを利用して車底部品の汚染物質状態計算モデルを訓練し、ここではＧＲＵ深層ネットワークの重み及び閾値は、カオスバットアルゴリズムを利用して最適化選択を行うことによって取得され、
バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む。
バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む。
【0012】
本発明は、同一の発明構想に基づき、
車屋根空気質検出データを収集するための車屋根空気質検出モジュールと、
車底空気質検出データを収集するための車底空気質検出モジュールと、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュールに伝送するためのデータ伝送モジュールと、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュールと、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンターに送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュールから送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュールに送信するためのプラットホームデータセンターと、
プラットホームデータセンターから送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュールと、をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システムをさらに提供する。
車屋根空気質検出データを収集するための車屋根空気質検出モジュールと、
車底空気質検出データを収集するための車底空気質検出モジュールと、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュールに伝送するためのデータ伝送モジュールと、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュールと、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンターに送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュールから送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュールに送信するためのプラットホームデータセンターと、
プラットホームデータセンターから送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュールと、をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システムをさらに提供する。
【0013】
好ましい態様として、車屋根空気質検出モジュール及び車底空気質検出モジュールは何れもＣＯ
２
濃度センサ、ＮＯ
２
濃度センサ、ＳＯ
２
濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサのうちの１種または複数種を含む。
【0014】
好ましい態様として、前記車屋根空気質検出モジュールは、若干の車屋根空気質検出装置を含み、各々の車箱の屋根における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置が設けられ、前記車底空気質検出モジュールは、若干の車底空気質検出装置を含み、各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置が設けられ、３つの車箱ごとに１つのデータ処理モジュールが共用されている。
【0015】
好ましい態様として、前記プラットホーム実行モジュールは、プラットホームドローンステーションと、ヒューマンコンピュータインタラクション端末と、を含み、プラットホームドローンステーション及びヒューマンコンピュータインタラクション端末が何れもプラットホームデータセンターに接続され、ドローンステーションは、若干のドローンを含み、各々のドローンには噴射清掃装置及び照明装置が設けられ、ヒューマンコンピュータインタラクション端末は、命令受信コンピュータを含む。
【0016】
本発明は、列車に複数の空気質検出モジュールを設けることで、列車屋根パンタグラフ及び車底走行部近傍の空気質データを収集し、収集データを処理分析し、ドローン噴射と手動メンテナンス方法を併用して汚染防護を行う、深層ネットワークモデルに基づく、大気汚染環境における列車運行防護方法及びシステムを提供し、次のメリットを有する。
【0017】
（１）列車運行時の車屋根及び車底部品近傍の空気質に対してリアルタイムで効果的な監視を行うことで、列車の露出した主要な部品が汚染物質に露出している曝露時間を把握でき、停車時に用いられる清掃防護方式に対して指導的役割を有する。
【0018】
（２）車屋根及び車底総合監視及び多点監視の監視点配置方式を用いることで、車屋根の空気状況と車底の空気状況の相違による検出誤差を回避し、収集結果の正確性を確保した。
【0019】
（３）汚染物質における車屋根及び車底部品の曝露時間によって異なる清掃防護戦略を選択することで、列車の主要な部品への大気汚染物質の粘着及び腐食を減少させ、対応する列車の主要な部品の耐用年数を延長した。
【0020】
（４）列車の主要な部品の汚染状態を異なるレベルに区分し、異なる汚染状態レベルに従って最も合理的な清掃防護戦略を選択し、ドローン噴射と手動メンテナンスの２種の方法を併用することで、防護効果を保証しつつ、できるだけ人力を解放する。
【0021】
（５）深層ネットワークによって車屋根及び車底部品の汚染状態レベルを算出し、列車が停車した後の清掃防護方法の有効性を確保した。
【図面の簡単な説明】
【0022】
【図1】本発明のシステムに係る一実施例の原理図である。
【図2】本発明の方法に係る一実施形態の流れ図である。 図中、１は車屋根空気質検出モジュール、１０１は車屋根空気質検出装置、２は車底空気質検出モジュール、２０１は車底空気質検出装置、３はデータ伝送モジュール、３０１はワイヤレス伝送モジュール、４はデータ処理モジュール、４０１はセンターコンピュータ、５はプラットホームデータセンター、５０１はプラットホームコンピュータ、６はプラットホーム実行モジュール、６０１はプラットホームドローンステーション、６０１１はドローン、６０２はヒューマンコンピュータインタラクション端末、６０２１は命令受信コンピュータである。
【発明を実施するための形態】
【0023】
本発明は、高速列車の車屋根及び車底の主要な部品の曝露部での空気汚染物質の濃度をリアルタイムで監視し、深層ネットワークによって、検出された汚染物質の濃度データに従って、対応する主要な部品の運行時の汚染状態レベルを取得し、停車後に合理的な清掃防護方法を選択することができる、大気汚染環境における列車運行防護方法及びシステムを提供する。ここでは、主要な部品の汚染状態は、深層ネットワーク訓練によって取得され、モデルの入力は各種の測定データ、モデルの出力は汚染状態レベルである。
【0024】
図１に示すように、大気汚染環境における列車運行防護システム全体は、車屋根空気質検出モジュール１と、車底空気質検出モジュール２と、データ伝送モジュール３と、データ処理モジュール４と、プラットホームデータセンター５と、プラットホーム実行モジュール６と、を含む。各モジュールに関する具体的な説明は、次の通りである。
【0025】
車屋根空気質検出モジュール１としては、各々の車箱の屋根部に配置された車屋根空気質検出装置１０１により構成されている。各々の車屋根空気質検出装置１０１は、いずれもＣＯ
２
濃度センサ、ＮＯ
２
濃度センサ、ＳＯ
２
濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサを含む。各々の車箱の屋根部における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置１０１が配置されている。車屋根空気質検出モジュール１によって収集されたデータは、データ伝送モジュール３でデータ処理モジュール４に送信される。
【0026】
車底空気質検出モジュール２としては、各々の車箱の底部に配置された車底空気質検出装置２０１により構成されている。各々の車底空気質検出装置２０１は、いずれもＣＯ
２
濃度センサ、ＮＯ
２
濃度センサ、ＳＯ
２
濃度センサ、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサを含む。各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置２０１が配置されている。車底空気質検出モジュール２によって収集されたデータは、データ伝送モジュール３でデータ処理モジュール４に送信される。
【0027】
データ伝送モジュール３としては、ワイヤレス伝送モジュール３０１を含み、各々の車箱には、車屋根空気質検出モジュール１、車底空気質検出モジュール２、及びデータ処理モジュール４を接続して、収集データの格納及び異なるモジュール間のデータ伝送を実現するための、１つのワイヤレス伝送装置が設けられる。列車の長さを考慮すると、４Ｇネットワークによって伝送することができ、経済的且つ簡便である。
【0028】
データ処理モジュール４としては、３つの車箱ごとに１つのセンターコンピュータ４０１が設けられ、当該センターコンピュータ４０１により、１つの空気質監視エリアが定義され、データ処理モジュール４が構成される。センターコンピュータ４０１は、監視範囲内の３つの車箱から収集された主要な車屋根部品の空気収集データ及び主要な車底部品の空気収集データを受信し、データ前処理及びモデル訓練を別々に行い、モデル訓練結果をリアルタイムで出力する。
【0029】
プラットホームデータセンター５としては、列車のデータ処理モジュール４から送信された主要な部品の汚染状態レベルデータを受信し、異なる受信結果により適切な清掃防護方法を選択し、防護命令をプラットホームドローンステーション６０１又はヒューマンコンピュータインタラクション端末６０２に送信するためのプラットホームコンピュータ５０１を含む。
【0030】
プラットホーム実行モジュール６としては、プラットホームドローンステーション６０１と、ヒューマンコンピュータインタラクション端末６０２と、を含み、プラットホームドローンステーション６０１とヒューマンコンピュータインタラクション端末６０２は何れもプラットホームデータセンター５に接続される。
【0031】
プラットホームドローンステーション６０１としては、防護ドローン６０１１、ワイヤレス命令送受信機、充電プラットフォームにより構成されており、その中で、ワイヤレス命令送受信機はプラットホームコンピュータ５０１からの防護命令を受信することに用いられ、充電プラットフォームはドローン６０１１を充電することに用いられる。図面にはワイヤレス命令送受信機及び充電プラットフォームが何れも図示されていないが、当業者による本発明の理解及び実現には影響がない。プラットホームデータセンター５からの防護命令を受信した後、ドローン６０１１は、汚染された主要な部品（車屋根又は車底に位置するもの）を自主的に識別して、軽い又は深い防護清掃を行う。各々の防護ドローン６０１１には、噴射清掃装置及び照明装置が装着されている。
【0032】
ヒューマンコンピュータインタラクション端末６０２としては、プラットホームデータセンター５から送信された手動メンテナンス命令を受信してインタラクティブインターフェースに表示するための命令受信コンピュータ６０２１を含む。
【0033】
図２に示すように、大気汚染環境における列車運行防護方法全体は、オフライン訓練プロセスとオンライン停車防護プロセスの２つのプロセスを含む。
【0034】
オフライン訓練プロセス
本発明の方法は、主要な車屋根及び車底部品の所在する空間の空気汚染物質濃度情報を収集してから、収集データを対応する検出エリア内のセンターコンピュータ４０１に送信して、データ前処理及びモデル訓練を行う。訓練用モデルは、検出された汚染物質濃度に基づいて主要な部品の汚染状態レベルを取得するための２種の深層ネットワークモデルを含み、オフラインプロセス全体に関する具体的な説明は、次の通りである。
本発明の方法は、主要な車屋根及び車底部品の所在する空間の空気汚染物質濃度情報を収集してから、収集データを対応する検出エリア内のセンターコンピュータ４０１に送信して、データ前処理及びモデル訓練を行う。訓練用モデルは、検出された汚染物質濃度に基づいて主要な部品の汚染状態レベルを取得するための２種の深層ネットワークモデルを含み、オフラインプロセス全体に関する具体的な説明は、次の通りである。
【0035】
一、主要な車屋根及び車底部品の所在する空間の空気質データの収集 車屋根空気質検出装置１０１及び車底空気質検出装置２０１を利用して異なる汚染物質の濃度データを収集し、ここで、収集された車屋根空気質検出データは、
として表される。異なる車箱の異なる位置での空気質検出装置によって収集されたデータを区別するために、最終的にワイヤレス伝送モジュール３０１によって送信される車屋根空気質データのフォーマットは、
であり、ここで、tは当該組のデータの収集時刻を示し、ｎは車箱の番号を示し、ｍは空気質検出装置の番号を示し、ｍ＝１、２、３であり、０／１はデータ種別識別コードであり、０は当該組のデータが車屋根空気質検出データであることを示し、１は当該組のデータが車底空気質検出データであることを示す。
【数1】
【数2】
【0036】
二、データ前処理 車屋根空気質検出装置１０１及び車底空気質検出装置２０１のデータは、ワイヤレス伝送モジュール３０１を介してデータ処理モジュール４のセンターコンピュータ４０１に送信され、収集データの前処理が実行され、データ前処理ステップ全体は、次の通りである。
【0037】
（１）各組のデータの０／１識別コード及びｍ値に基づいて、全ての主要な車屋根部品での空気質検出点からの収集データ及び全ての主要な車底部品での空気質検出点からの検出データに対して平均値処理を行い、６種の汚染物質の濃度データを正規化することで、最終的にターゲット検出車箱の合計の車屋根空気質検出データ
を取得する。
【数3】
【0038】
（２）空気質総合評価指標を算出し、空気質総合評価指標の算出方法を、
Ｑ＝ＣＯ ２ 濃度×ｐ１＋ＮＯ ２ 濃度×ｐ２＋ＳＯ ２ 濃度×ｐ３＋ＰＭ２．５濃度×ｐ４＋ＶＯＣ濃度×ｐ５＋粉塵濃度×ｐ６として定義し、
式中、ｐは異なる種類の汚染物質の濃度の重みを示し、ｐ１＝０．１、ｐ２＝０．１、ｐ３＝０．１、ｐ４＝０．３、ｐ５＝０．２、ｐ６＝０．２である。次に、ステップ（１）にて取得した最終的な車屋根及び車底空気質検出データを上記式に代入して算出することで、車屋根の空気総合評価指標Ｑ０及び車底の空気総合評価指標Ｑ１を取得する。
Ｑ＝ＣＯ ２ 濃度×ｐ１＋ＮＯ ２ 濃度×ｐ２＋ＳＯ ２ 濃度×ｐ３＋ＰＭ２．５濃度×ｐ４＋ＶＯＣ濃度×ｐ５＋粉塵濃度×ｐ６として定義し、
式中、ｐは異なる種類の汚染物質の濃度の重みを示し、ｐ１＝０．１、ｐ２＝０．１、ｐ３＝０．１、ｐ４＝０．３、ｐ５＝０．２、ｐ６＝０．２である。次に、ステップ（１）にて取得した最終的な車屋根及び車底空気質検出データを上記式に代入して算出することで、車屋根の空気総合評価指標Ｑ０及び車底の空気総合評価指標Ｑ１を取得する。
【0039】
（３）空気質総合評価指標の健康値をＱとし、Ｑ０≧Ｑ及びＱ１≧Ｑの全ての時刻を別々に算出し、Ｑ０≧Ｑの条件が満たされている場合の汚染物質における主要な車屋根部品の曝露時間Ｔ０及びＱ１≧Ｑの条件が満たされている場合の汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
【0040】
（４）始発駅から現在時刻までの列車の運行時間内の６種の汚染物質の平均濃度データ
を算出する。
【数4】
【0041】
三、列車の主要な部品の汚染状態計算モデルの訓練
（１）車屋根部品の汚染物質状態計算モデルの訓練
（１）車屋根部品の汚染物質状態計算モデルの訓練
【0042】
屋外実験条件下で車屋根空気質データの測定を行い、異なるレベルの１０００組の車屋根空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、パンタグラフの異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
【0043】
車屋根部品の汚染物質状態計算モデルは、ＬＳＴＭ深層ネットワークによって訓練し、モデル訓練の入力は、車屋根空気質検出の平均データ及び汚染物質における主要な車屋根部品の曝露時間
である。出力は、シミュレーション実験条件下で取得されたパンタグラフの汚染状態レベル０、１、２、３であり、それによって、ＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを取得する。
【数5】
【0044】
前記ＬＳＴＭ深層ネットワークは、入力層が７つのノードを含み、出力層のノードの個数が１であり、訓練プロセス中の最大反復回数が１２００、訓練学習率が０．０１とされる。
【0045】
ＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルでは、ＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、プロセスは、次の通りである。
【0046】
ステップＡ１としては、量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化し、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]である。
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]である。
【0047】
ステップＡ２としては、適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とする。
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とする。
【0048】
ステップＡ３としては、各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とする。
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とする。
【0049】
ステップＡ４としては、エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行する。
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行する。
【0050】
ステップＡ５としては、各々の個体群の粒子パラメータを更新する。
【0051】
ステップＡ６としては、各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行する。
【0052】
ステップＡ７としては、エリート個体群を進化し続ける。
【0053】
ステップＡ８としては、グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行する。
【0054】
（２）車底部品の汚染物質状態計算モデルの訓練
屋外実験条件下で車底空気質データの測定を行い、異なるレベルの１０００組の車底空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、走行部の異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
屋外実験条件下で車底空気質データの測定を行い、異なるレベルの１０００組の車底空気質データを選択し、そしてシミュレーション実験条件下で、１０００組のうちの各組の実験データの場合に屋内運行シミュレーションを行うことで、走行部の異なる場合での汚染状態を取得し、全体的な汚染状況に応じて４種の汚染レベル０、１、２、３を設定する。
【0055】
車底部品の汚染物質状態計算モデルは、ＧＲＵ深層ネットワークによって訓練し、モデル訓練の入力は、車底空気質検出の平均データ及び汚染物質における主要な車底部品の曝露時間
である。出力は、シミュレーション実験条件下で取得された走行部の汚染状態レベル０、１、２、３であり、それによって、ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを取得する。
【数6】
【0056】
ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルは、入力層のノードの個数が７、隠れ層のノードの個数が５、出力層のノードの個数が１であり、訓練プロセス中の最大反復回数が８００、訓練学習率が０．０１、閾値が０．０６とされる。
【0057】
ＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値は、カオスバットアルゴリズム（Ｃｈａｏｓ Ｂａｔ Ａｌｇｏｒｉｔｈｍ）を利用して最適化選択を行うことによって取得され、プロセスは、次の通りである。
【0058】
ステップＢ１としては、バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定し、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]である。
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]である。
【0059】
ステップＢ２としては、適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とする。
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とする。
【0060】
ステップＢ３としては、設定されたパルス頻度を利用してバット個体の速度及び位置を更新する。
【0061】
ステップＢ４としては、Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成し、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度である。
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度である。
【0062】
ステップＢ５としては、Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持し、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度である。
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度である。
【0063】
ステップＢ６としては、ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行する。
【0064】
ステップＢ７としては、現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]である。
【0065】
ステップＢ８としては、最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続ける。
【0066】
オンライン停車防護プロセス
（１）列車が停車した後、ある被検車箱について、車屋根空気質検出モジュール１及び車底空気質検出モジュール２によってデータを収集し、データをワイヤレス伝送モジュール３０１を介してデータ処理モジュール４に送信して前処理することで、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での６種の汚染物質の平均濃度データ、車屋根の空気質総合評価指標Ｑ０、車底の空気質総合評価指標Ｑ１、汚染物質における主要な車屋根部品の曝露時間Ｔ０、及び汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
（１）列車が停車した後、ある被検車箱について、車屋根空気質検出モジュール１及び車底空気質検出モジュール２によってデータを収集し、データをワイヤレス伝送モジュール３０１を介してデータ処理モジュール４に送信して前処理することで、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での６種の汚染物質の平均濃度データ、車屋根の空気質総合評価指標Ｑ０、車底の空気質総合評価指標Ｑ１、汚染物質における主要な車屋根部品の曝露時間Ｔ０、及び汚染物質における主要な車底部品の曝露時間Ｔ１を取得する。
【0067】
（２）データ処理モジュール４は、訓練済みのＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用して主要な車屋根部品の汚染状態レベル０／１／２／３を算出し、訓練済みのＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して主要な車底部品の汚染状態レベル０／１／２／３を算出する。そして、車屋根及び車底の汚染物質状態レベルをプラットホームデータセンター５に伝送する。
【0068】
（３）車屋根又は車底の主要な部品の汚染レベルが０である場合、列車の主要な部品が汚染されていないと考えられ、停車防護清掃を行わず、車屋根又は車底の主要な部品の汚染レベルが１である場合、列車の主要な部品の汚染状態が軽いと考えられ、プラットホームドローンステーション６０１を呼び出して軽い清掃を行い、車屋根又は車底の主要な部品の汚染レベルが２である場合、列車の主要な部品の汚染状態が一般的であると考えられ、プラットホームドローンステーション６０１を呼び出して深い清掃を行い、車屋根又は車底の主要な部品の汚染レベルが３である場合、列車の主要な部品の汚染状態が厳しいと考えられ、手動清掃防護を要求するための清掃防護命令をヒューマンコンピュータインタラクション端末６０２に送信する。
【0069】
（４）プラットホームのドローン６０１１は、カメラによって列車のパンタグラフ及び列車の走行部の識別及びホバリングを行い、ドローン６０１１が５ｓを超えてホバリングした後、噴射清掃装置が自動的に運行し、軽い清掃防護を行う時の噴射清掃装置の運行時間は１ｍｉｎ、深い清掃防護を行う時の噴射清掃装置の運行時間は３ｍｉｎである。
【0070】
本発明は、
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ ０ を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ １ を求めるステップ２と、
Ｑ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ ０ を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ を入力、Ｇ ０ を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ １ を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ を入力、Ｇ １ を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ ０ 、及びＱ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ を求め、Ｑ ０ ≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ １ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を求め、Ｑ １ ≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、を含む
ことを特徴とする大気汚染環境における列車に関する車屋根の汚染レベル及び車底部品の汚染レベルの解決方法をさらに提供する。
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ ０ を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ １ を求めるステップ２と、
Ｑ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ ０ を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ を入力、Ｇ ０ を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ １ を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ を入力、Ｇ １ を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ ０ 、及びＱ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ を求め、Ｑ ０ ≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ １ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を求め、Ｑ １ ≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、を含む
ことを特徴とする大気汚染環境における列車に関する車屋根の汚染レベル及び車底部品の汚染レベルの解決方法をさらに提供する。
【0071】
以上、本発明の実施例について図面を参照しながら説明したが、本発明は上記の発明を実施するための形態に制限されるものではなく、上記の発明を実施するための形態は、単に例示的なものであり、制限的なものではない。当業者は、本発明による示唆を受けて、本発明の主旨及び特許請求の範囲の保護範囲から逸脱することなく多くの態様を作成することができ、これらは何れも本発明の保護範囲内に含まれる。
【手続補正2】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
大気汚染環境における列車運行防護方法であって、複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップ２と、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、
ステップ６にて求めた車屋根部品の汚染レベルに従って車屋根部品に対して対応する清掃防護処理を行い、
ステップ６にて求めた車底部品の汚染レベルに従って車底部品に対して対応する清掃防護処理を行うステップ７と、を含む
ことを特徴とする大気汚染環境における列車運行防護方法。
【請求項2】
車屋根空気質検出データ及び車底空気質検出データは何れもＣＯ
２
濃度、ＮＯ
２
濃度、ＳＯ
２
濃度、ＰＭ２．５濃度、ＶＯＣ濃度、粉塵濃度のうちの１種または複数種を含む、ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項3】
車屋根空気質検出データ及び／又は車底空気質検出データは、多点監視方式で取得されたものである、ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項4】
車屋根の空気総合評価指標Ｑ０の算出方法は、Ｑ０＝車屋根ＣＯ ２ 濃度×ｐ１＋車屋根ＮＯ ２ 濃度×ｐ２＋車屋根ＳＯ ２ 濃度×ｐ３＋車屋根ＰＭ２．５濃度×ｐ４＋車屋根ＶＯＣ濃度×ｐ５＋車屋根粉塵濃度×ｐ６であり、
車底の空気総合評価指標Ｑ１の算出方法は、
Ｑ１＝車底ＣＯ ２ 濃度×ｐ１＋車底ＮＯ ２ 濃度×ｐ２＋車底ＳＯ ２ 濃度×ｐ３＋車底ＰＭ２．５濃度×ｐ４＋車底ＶＯＣ濃度×ｐ５＋車底粉塵濃度×ｐ６であり、
式中、ｐ１、ｐ２、ｐ３、ｐ４、ｐ５、ｐ６は、各汚染物質に対応する重みである、
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項5】
前記ステップ４において、ＬＳＴＭ深層ネットワークアルゴリズムを利用して車屋根部品の汚染物質状態計算モデルを訓練し、ここではＬＳＴＭ深層ネットワークの重み及び閾値は、自己適応重みを持つ量子粒子群アルゴリズムを利用して最適化することによって取得され、量子粒子群における各々の量子粒子個体の位置ベクトルを前記ＬＳＴＭ深層ネットワークの重み及び閾値として、量子粒子個体群の個体の位置ベクトルパラメータを［－１，１］の乱数に初期化するステップＡ１であって、
量子粒子群の個体群の個数の値の範囲は[３０，１００]、量子粒子群における粒子の個数の値の範囲は[４，６０]、最大反復回数の値の範囲は[３００，１２００]、エリート個体群構築用の反復回数の値の範囲は[５０，２００]、早熟収束判断閾値の値の範囲は[０．０２，０．５]、個体群における最悪粒子変異比率δ％の値の範囲は[１％，６％]であるステップＡ１と、
適応度関数を設定し、初期の最適量子粒子個体の位置ベクトル及び反復回数ｔを決定し、ｔ＝１であり、
量子粒子個体の位置ベクトルに対応する重み及び閾値をＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルに代入し、量子粒子個体の位置ベクトルにより決定されたＬＳＴＭ深層ネットワークに基づく車屋根部品の汚染物質状態計算モデルを利用してベクトルラベルの種類を決定や識別し、出力されたベクトルラベルと実際のベクトルラベルとの平均二乗偏差の逆数を第２適応度関数とするステップＡ２と、
各々の量子粒子群の群適応度分散を算出し、早熟収束判断を行い、
量子粒子群の群適応度分散が早熟収束判断閾値γよりも小さい場合、量子粒子群におけるδ％の適応度の最も低い粒子及び群極値粒子を変異させ、現在の適応度の最も高い粒子をグローバル最適量子粒子個体とするステップＡ３と、
エリート個体群を構築するか否かを判断し、
反復回数がエリート個体群の反復回数よりも大きい場合、個体群間の情報共有によって各々の個体群の極値を抽出してエリート個体群を構築し、ステップＡ８に移行し、そうでなければ、ステップＡ５に移行するステップＡ４と、
各々の個体群の粒子パラメータを更新するステップＡ５と、
各々の粒子の適応度値を再算出して比較し、現在の個体極値よりも優れている場合、個体極値を更新し、グローバル極値粒子を比較し、粒子適応度値が現在の群極値よりも優れている場合、グローバル極値粒子を更新し、ｔ＝ｔ＋１とし、ステップＡ３に移行するステップＡ６と、
エリート個体群を進化し続けるステップＡ７と、
グローバル最適値を見付けて、前記ＬＳＴＭ深層ネットワークの重み及び閾値を出力するまで、最大反復回数が満たされているか否かを判断し、満たされていればログアウトし、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行するステップＡ８と、を含む
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項6】
前記ステップ４において、ＧＲＵ深層ネットワークアルゴリズムを利用して車底部品の汚染物質状態計算モデルを訓練し、ここではＧＲＵ深層ネットワークの重み及び閾値は、カオスバットアルゴリズムを利用して最適化選択を行うことによって取得され、バット個体の位置をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの重み及び閾値として、バット個体群を初期化し、バット個体群のパラメータを設定するステップＢ１であって、
バット個体群の規模の値の範囲は[３００，６００]、バット個体の最大パルス頻度ｒ０の値の範囲は[０．３，０．６]、最大パルス音強度Ａ０の値の範囲は[０．３，０．６]、最大反復回数の値の範囲は[２００，５００]、検索精度の値の範囲は[０．００２，０．２]、パルス頻度の値の範囲は[０，１．８]、バット検索頻度増加係数の値の範囲は[０．０４，０．１]、音強度減衰係数の値の範囲は[０．７５，０．１]、最大反復回数の値の範囲は[２００，８００]、最大検索精度の値の範囲は[０．０２，０．１５]であるステップＢ１と、
適応度関数を設定し、初期の最適バット個体の位置及び反復回数ｔを決定し、ｔ＝１であり、
バット個体の位置に対応する重み及び閾値をＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルに代入し、バット個体の位置により決定されたＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルを利用して検出結果を取得し、検出結果と実際の状況との差Ｅを利用して第１適応度関数ｆ１（ｘ）を構築し、ｆ１（ｘ）＝１／（Ｅ＋１）であり、
第１適応度関数を利用して各々のバット個体の位置の適応度を算出し、最大適応度に対応するバット個体の位置を初期の最適バット個体の位置とするステップＢ２と、
設定されたパルス頻度を利用してバット個体の速度及び位置を更新するステップＢ３と、
Ｒａｎｄ１＞ｒｉの場合、個体の最適位置にあるバットをランダムに摂動させることで、バット個体の摂動位置を生成するステップＢ４であって、
式中、Ｒａｎｄ１は[０，１]に均等分布する乱数、ｒｉはｉ番目のバットのパルス頻度であるステップＢ４と、
Ｒａｎｄ２＞Ａｉ、バット個体の摂動位置の適応度が摂動前のバット個体の位置の適応度よりも優れている場合、バット個体を摂動位置に移動し、そうでなければ、元の位置に維持するステップＢ５であって、
式中、Ｒａｎｄ２は[０，１]に均等分布する乱数、Ａｉはｉ番目のバットの音強度であるステップＢ５と、
ステップＢ５の条件が満たされている場合、バット検索頻度増加係数及び音強度減衰係数を利用してバット個体のパルス頻度及びパルス音強度を更新し、ステップＢ４に移行し、そうでなければ、ステップＢ７に移行するステップＢ６と、
現在のバット個体群における各々のバット個体の位置の適応度を算出し、大から小への順で前ｍ％個のバット個体を選択して位置及び速度のカオス最適化を行うことで、更新された前ｍ％個のバット個体を取得し、ｍの値の範囲は[４，２５]であるステップＢ７と、
最大反復回数又は最大検索精度に達したか否かを判断し、ＹＥＳである場合、更新された前ｍ％個のバット個体から適応度値によりグローバル最適バット個体を選択し、グローバル最適バット個体に対応するＧＲＵ深層ネットワークに基づく車底部品の汚染物質状態計算モデルの最適な重み及び閾値を出力し、そうでなければ、ｔ＝ｔ＋１とし、ステップＢ３に移行して次の反復を続けるステップＢ８と、を含む
ことを特徴とする請求項１に記載の大気汚染環境における列車運行防護方法。
【請求項7】
大気汚染環境における列車運行防護システムであって、車屋根空気質検出データを収集するための車屋根空気質検出モジュール（１）と、
車底空気質検出データを収集するための車底空気質検出モジュール（２）と、
収集された車屋根空気質検出データ及び車底空気質検出データをデータ処理モジュール（４）に伝送するためのデータ伝送モジュール（３）と、
モデリング及び汚染レベルの算出に用いられるデータ処理モジュール（４）と、
を備え、
モデリングプロセスは、
車屋根空気質検出データを利用して始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データを算出し、車底空気質検出データを利用して始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データを算出するステップと、
車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ０を求め、車底空気質検出データを利用して車底の空気総合評価指標Ｑ１を求めるステップと、
Ｑ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を算出し、Ｑは設定された空気質総合評価指標の健康値であるステップと、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ０を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及び求めた対応するＴ０を入力、Ｇ０を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車屋根部品の汚染物質状態計算モデルを訓練し、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ１を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及び求めた対応するＴ１を入力、Ｇ１を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、というプロセスに従って、車底部品の汚染物質状態計算モデルを訓練するステップと、
を含み、
汚染レベル算出プロセスは、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップと、
車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ０、及びＱ０≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ０を求め、Ｑ０≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ１、及びＱ１≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ１を求め、Ｑ１≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップと、
車屋根部品の汚染レベル及び車底部品の汚染レベルをプラットホームデータセンター（５）に送信するステップと、
を含み、
前記列車運行防護システムは、
データ処理モジュール（４）から送信された車屋根部品の汚染レベル及び車底部品の汚染レベルを受信し、受信した車屋根部品の汚染レベル及び車底部品の汚染レベルに応じて防護命令をプラットホーム実行モジュール（６）に送信するためのプラットホームデータセンター（５）と、
プラットホームデータセンター（５）から送信された防護命令に従って、車屋根部品及び／又は車底部品に対して対応する清掃防護処理を行うためのプラットホーム実行モジュール（６）と、
をさらに備える、
ことを特徴とする大気汚染環境における列車運行防護システム。
【請求項8】
車屋根空気質検出モジュール（１）及び車底空気質検出モジュール（２）は何れもＣＯ
２
濃度、ＮＯ
２
濃度、ＳＯ
２
濃度、ＰＭ２．５濃度センサ、ＶＯＣ濃度センサ、粉塵濃度センサのうちの１種または複数種を含む、ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【請求項9】
前記車屋根空気質検出モジュール（１）は、若干の車屋根空気質検出装置（１０１）を含み、各々の車箱の屋根における頭部、中部、尾部のそれぞれには、１つの車屋根空気質検出装置（１０１）が設けられ、前記車底空気質検出モジュール（２）は、若干の車底空気質検出装置（２０１）を含み、各々の車箱の底部における頭部、中部、尾部のそれぞれには、１つの車底空気質検出装置（２０１）が設けられ、
３つの車箱ごとに１つのデータ処理モジュール（４）が共用されている、
ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【請求項10】
前記プラットホーム実行モジュール（６）は、プラットホームドローンステーション（６０１）と、ヒューマンコンピュータインタラクション端末（６０２）と、を含み、プラットホームドローンステーション（６０１）及びヒューマンコンピュータインタラクション端末（６０２）が何れもプラットホームデータセンター（５）に接続され、ドローンステーションは、若干のドローン（６０１１）を含み、各々のドローン（６０１１）には噴射清掃装置及び照明装置が設けられ、ヒューマンコンピュータインタラクション端末（６０２）は、命令受信コンピュータ（６０２１）を含む、ことを特徴とする請求項７に記載の大気汚染環境における列車運行防護システム。
【請求項11】
大気汚染環境における列車に関する車屋根の汚染レベル及び車底部品の汚染レベルの解決方法であって
複数組の車屋根空気質検出データ及び車底空気質検出データを収集するとともに、始発駅時刻から現在時刻までの列車の運行時間内の車屋根及び車底での各汚染物質の平均濃度データを算出するステップ１と、
ステップ１における車屋根空気質検出データを利用して車屋根の空気総合評価指標Ｑ ０ を求め、ステップ１における車底空気質検出データを利用して車底の空気総合評価指標Ｑ １ を求めるステップ２と、
Ｑ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を算出し、ここで、Ｑは設定された空気質総合評価指標の健康値であるステップ３と、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車屋根部品の異なるシミュレーション試験条件での汚染レベルＧ ０ を取得し、ここでは車屋根部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ ０ を入力、Ｇ ０ を出力として訓練することで、車屋根部品の汚染物質状態計算モデルを取得する、という方法に従って、車屋根部品の汚染物質状態計算モデルを訓練し、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ をシミュレーション試験条件として、列車の運行をシミュレーションすることで、車底部品の異なるシミュレーション試験条件での汚染レベルＧ １ を取得し、ここでは車底部品の汚染レベルはＧレベルに区分され、
ステップ１にて算出した始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、及びステップ３にて求めた対応するＴ １ を入力、Ｇ １ を出力として訓練することで、車底部品の汚染物質状態計算モデルを取得する、という方法に従って、車底部品の汚染物質状態計算モデルを訓練するステップ４と、
列車が停車した後、車屋根空気質検出データ及び車底空気質検出データを取得するステップ５と、
ステップ５における車屋根空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車屋根での各汚染物質の平均濃度データ、車屋根の空気総合評価指標Ｑ ０ 、及びＱ ０ ≧Ｑの条件が満たされている場合の車屋根部品の曝露時間Ｔ ０ を求め、Ｑ ０ ≧Ｑの条件下で、車屋根部品の汚染物質状態計算モデルを呼び出して車屋根部品の汚染レベルを求め、
ステップ５における車底空気質検出データを利用し、始発駅時刻から現在時刻までの列車の運行時間内の車底での各汚染物質の平均濃度データ、車底の空気総合評価指標Ｑ １ 、及びＱ １ ≧Ｑの条件が満たされている場合の車底部品の曝露時間Ｔ １ を求め、Ｑ １ ≧Ｑの条件下で、車底部品の汚染物質状態計算モデルを呼び出して車底部品の汚染レベルを求めるステップ６と、を含む
ことを特徴とする大気汚染環境における列車に関する車屋根の汚染レベル及び車底部品の汚染レベルの解決方法。
【国際調査報告】