论文部分内容阅读
摘要：基于露天矿运输网络特点，以挖掘铲位置调度卡车在运输网络中运行， 实施轨迹跟踪策略，采用模型预测控制而设计的智能仿真实时控制系统，将闭环反馈校正嵌入动态控制律中，设置具有多处理技术的模拟器，用建模语言UML（USE CASE）建模及系统优化过程，用特定仿真模型设计编码，提高系统可靠性。文中真对不同实际状态做模拟仿真实验，通过对实验结果分析，显示智能仿真实时控制调度露天矿运输网络，跟大程度上提高生产效率。
关键词：实时控制；仿真建模；卡车管理；稳定性； 智能仿真
DOI：1015938/jjhust201705017
中图分类号： TD273
文献标志码： A
文章编号： 1007-2683（2017）05-0091-06
Application of Intelligent Simulation Real Time Control in Surface Mine Transportation Network
SHEN Hong1，FENG Qing2
（1School of Computer Science and Technolong， Harbin University of Science and Technology，Harbin 150080，China；
2University of Limerick Department of Electronic & Computer Engineering， Limerick， Ireland）
Abstract：Based on the characteristics of openpit transportation network， digging shovel position to dispatch the truck in the transportation network operation， the implementation of trajectory tracking strategy， the design of the intelligent simulation and realtime control system， the embedded dynamic correction closedloop feedback control law， USES the model predictive control， set up the simulator has more processing technology， with a modeling language UML， USE CASE modeling and the system optimization process， with specific design code， a simulation model to improve system reliability Really do simulation experiment on different actual status， through analyzing the experimental results show that intelligent simulation and realtime control scheduling openpit transportation network， improve the production efficiency
Keywords：realtime control； simulation modeling； truck management； stability； intelligent simulationbased
收稿日期： 2016-06-02
基金項目： 国家自然科学基金（61305001）
作者简介：
沈泓（1966—），女，高级工程师，Email：shong3000@126.com；
冯晴（1993—），女，硕士研究生
0引言
露天矿运输网络是复杂高度随机环境。卡车为一个矢量，派遣往返在各个站点，导致卡车管理在动态、不可预测的非线性环境下。在建立露天矿运输网络控制系统时，采用定期更新的嵌入动态控制律，使系统具有智能仿真实时控制特性。
基于闭环反馈校正的动态控制法基础上建立的预测模型控制系统，结构设计和操作使用基于统一建模语言（UML）的面向对象的建模方法。通过比较传感器反馈信号与设定的参考值的比较量，使内部仿真模型预测系统在预测范围的输出，触发控制器的更新系统进行状态仿真优化过程；优化过程最终找到下一控制回路的控制规律，系统使用SA（simulated annealing）仿真优化方法计算最优控制律；此控制规律使传感器反馈信号和参考值之间差距最小。参考值是根据生产计划和管理者的要求提前设定的。智能仿真实时控制系统是在并行计算环境下实现，使交通运输系统运作效率更高。
1智能仿真实时控制系统
11智能仿真实时控制系统框架
找到控制基准线是一个内部仿真模型用来预测系统输出是否在预测范围内的关键。预测控制方案框图模型如图1所示。
由图可见，参数输入量与传感器采集反馈信号比较，产生误差后，信号进入优化器。用UML规范标準将实时应用特征嵌入到智能仿真实时控制系统中。
12仿真实时控制系统的UML（USE CASE）模型
在USE CASE模型中，定义了以下行为：传感器、显示机构（执行器）、控制器、参考输入和设置参数。传感器和显示机构为实时系统的主要部分。控制器通过传感器获得所需的反应通过显示机构指导卡车运行。 对于这个实时系统，外部对象之间的相互作用如图2所示。
13智能仿真实时控制系统
为确保控制系统的并发性，作为活动对象的显示机构、传感器和控制器同时参与系统互动，每个对象都有其适当的控制线程。控制器通过传感器获得反馈信息，调用信息在显示器显示，进而调控优化对象的运行，实现与实际系统同动、實时交互。在并行计算过程中生成控制律并优化，并将控制律嵌入到闭环控制动。控制对象将自行运行此控制律，不再与控制器分享地址空间。
使用Alt算子设计仿真实时控制系统操作模式，如圖3所示。
仿真优化过程是控制器产生子模拟器过程，模拟器是控制系统的预测模型。当接收到传感器捕获的实际系统状态的反馈信号时，仿真优化过程开始计算预测模型。当获得最佳的解决方案，控制器停止执行，新进程会破坏前模拟器，并在下一个控制中执行，将预测模型发送给下一控制层中执行器执行。此预测模型将大限度地减少参考值与系统性能的偏差。在瞬态模式和稳态模式，闭环的执行时间是由新的预测模型执行的时间控制的。如果控制律处理系统的实际状态遭到破坏，控制器破坏最后创建模拟器的子进程。这个操作可以防止模拟优化过程中，使用一个无效的预测模型。在指定的控制层上定义预测模型，所需的计算时间小于控制回路发送周期性信号的时间。
2系统仿真优化模拟模型
实施优化模拟的最终目的是尽量减少从传感器的反馈的吨位信息和控制器计算的目标吨位差距。在形成预测模型中，找到一个向量的输入变量的值，对形成目标函数的值有非常重要的作用。通过优化方法进行迭代计算，产生一组作为模拟模型输入的值。每个挖掘铲所挖掘的吨位是仿真模型估计的目标函数，是下一个预测基准。
在仿真优化模拟模型中，用p作为定义输入的可运行区域ψ，ψ≡（ψ1，ψ2…ψq），q为随机输出变量，y≡（Y1，Y2，…Yq），y是ψ的一个函数，C（Y）是Y的实函数，Y结合Q输出的变量，为一个单一的随机输出变量。ψ目标是确定的值F（ψ）仿真响应函数，进行优化。代表性的是：在F（ψ）=E/C（Y（ψ））选择ψ∈ψF（ψ）
选择优化算法SA（simulated annealing）实施优化模拟。用生产计划的最佳目标量和实际生产中每一铲挖掘量之间的误差来评价成本函数。生产计划是离线计算的，为下一个操作做参考输入。假定系统在开始运行时，每个挖铲的转载量已经定义，且每一铲的生产量与时间几乎成线性关系。
3露天矿智能仿真的实时控制方案
31运输网络模型定义
露天与地下开采相比，具有资源利用充分等优点，适用大型机械施工，但受气候影响较大，所处的环境也是高度动态的和随机的，对设备效率及劳动生产率都有一定影响[14]。露天矿运输网络包含采装、运输和卸载（卸矿和排废）三个过程。料运输是露天矿作业的重要工作之一，工作流程如下：
运送矿料卡车队在矿料站（S）等待装载货物，站内挖矿铲不断往卡车装载矿料；卡车通过运输网络将装载的矿料送到破碎机（C）处粉碎，再将粉碎好的矿料运到发送站（D），废料运到垃圾场（WD），在每个发送站（D）和垃圾场（WD）要求一辆卡车卸下它的负荷后，并将卸下负荷铲平；如卡车测试点温度达到预警温度，卡车进入发送站（D）降温，当卡车测试点温度达到可运行温度，调控卡车加入网络运输。卡车在运输网络中以一定周期往返运行。
卡车在一个传送站卸下它的负载后，控制系统提出下一个调度命令：到达指定的挖掘铲处，在每个卡车的显示机构显示挖掘铲位置，卡车根据导航系统行驶到相应的配货站。控制系统以挖掘铲位置调度一组卡车在运输网络中运行。
露天矿运输网络中，卡车是控制对象，沿交通网络放置用于闭环反馈校正的传感器（如在每个卡车、交付站、破碎机、垃圾场、补给站、发送站、配送站等处）。当卡车进入或离开工作场所，“开启传感器”和“关闭传感器”分别发出信号。在卡车卸载的这段时间间隔里，控制法计算生成。在图3中{新控制律执行的时间<=关闭传感器时间-开启传感器时间}。
实施实时控制的关键问题是嵌入到控制交通系统中的模型是高逼真度的仿真模型，必须与实际系统行为保持一致；对于实时控制的内部模型（模拟器）在建模中，卡车必须作为一个有感知控制行为能力的自主对象，而调度指令根据卡车在运输网络中的动作（平稳行驶、、加速、减速、停止）做出反应。因此，建模变量必须与提供的数据是一致的，这要求在模型中跟踪在运输网络上的每一个卡车的实际位置。
新的控制律对卡车进行调度，调度指令最大限度地减少所取得的信息和参考值之间的瞬时误差。参考值是一个线性函数，是从生产实践中每一挖掘铲移动中得到的。
32运输网络调度集
在破碎机（C）处，假设一个控制过程用时10min，即控制回路的周期=10s。由于在一个时间内只有一辆卡车可以倾倒，而倾倒的操作至少需要4min；破碎机的调度集：
set C is then |C|=3
破碎机完成的时间必须在10min内，即C的上限为10s。
例如：当C={S1，S3，S3}时。最初离开传送站的卡车，在未来10min内，将被派遣到第一个挖掘铲处，第二个离开的卡车被派到第三挖掘铲处，如此这样继续下去。
中等规模的交通网络（图4a），有三个配送站（挖掘铲：S1，S2，S3），双配送站用一个破碎机（C）和一个垃圾场（WD）。卡车停在发送站（D）。交通网络是由在图中的相应距离的路段组成的。网络车队采用共15辆卡车。
大型交通网络（图4b），有10个配送站（挖掘铲：Si，i=1，… 10）和三个传送站，每个传送站包含：破碎机（C），垃圾场（WD）和补给站（SP）。网络车队采用共60辆卡车队。
3.3网络仿真控制模型
模拟器实时控制系统仅编译一次。在执行的仿真优化过程中，预测模型作为一个全局变量，被一个可执行文件的简单调用，单独编码并链接到外部文件，就不需要再运行仿真过程，也不需要在每个评价中编译仿真模型。因此，在仿真的优化评价过程中，消除最耗时的操作，大大提高系统运行速度。 对于仿真模型中的观察模块，通过添加同外部（控制）系统的通信机制实现与实际系统的相互作用。在模块与实际系统之间的通信通道是用C++语言编程的，这样使得在进程间通信中传递消息的响应时间（01s）发挥很高的效律。
实时控制方案编码模块图5中所示。控制方案的核心模块是使用C++编程语言进行编码的，包括優化器。模拟器是预测模块，模拟器使用Siman/Arena1仿真语言编码。
4实验
控制采用总运输吨位输出量衡量露天矿运输系统输出的性能。以下实验在稳态条件下和瞬态条件下完成。
配送站C破损需要至少4min， WD和SP操作需要3min。为了满足预先定义的时间规范（图3）：{新控制律执行的时间<=关闭传感器时间-开启传感器时间}，允许计算新的控制律的时间上限为3min。为了保护启动系统状态的有效性，选择了120秒时间的上限，在此时间内模拟优化过程完成。
41优化控制在稳态条件下运行
以下实验假设露天矿运输系统是在稳态条件下，不发生突然的状态变化发生（铲或卡车故障，道路部分堵塞等）。
411中等规模运输网络
在开环控制管理（即静态控制律）和闭环优化控制动态控制管理下，用150min做三个模拟研究。实验数据如表1所示，实验仿真图如图6所示：
从图6中察觉到，首先，开环控制的系统的性能比闭环优化控制系统的性能在变坏，且约80min后开始的转变，总运输吨位减少。在150min后，开环控制下的总吨位等于13680t；而闭环控制（闭环控制周期=20min）总吨位达17760t，开环控制运行时卡车调度决策造成将近30%的损失。其次，比较闭环优化控制的系统中，控制回路周期在20min和控制回路周期在40min时制系统的性能，察觉到对总产量影响不大，总吨位从17760t减少16560t，减少7%。
可见，中等规模的交通网络中，在稳定的状态下，当相对控制总时段，控制回路周期较小时，控制系统性能表现更好。
412大规模运输网络
闭环优化控制动态控制管理下，实验时间同一为150min。实验数据如表2所示，模拟结果在图7。闭环控制周期采用20min比40min控制系统的性能更好。可见，相对于整体控制范围而言，控制回路周期短，生产率增长近14%。因此，在大规模交通网络中，控制回路周期较短，对卡车管理更有效。
总之，在整个资源共享的运输网络中，大型车队将产生大数量的交通量，会导致更多的系统状态扰动。由于交通行为的随机性，控制范围较长，使系统变得更加不可预测。对于更大、更拥挤的交通网络，需要控制律频繁生成。
42优化控制在瞬态条件下运行
天气恶化会改变卡车运行条件，这种不可预知的突变干扰事件可导致卡车额定速度下降约50%，以此做为非周期干扰做忽略干扰和考虑非周期干扰两个实验。
在控制回路周期内当遇到扰动的环境状态时，一是忽略干扰，通过大幅降低实际速度，等待下一个控制周期；其二，考虑非周期干扰，对系统实施智能优化控制。
实验时间同一为150min，控制回路周期40min。实验数据如表3所示，模拟图如图8所示：当下一个控制周期到来之前，在有干扰的新运行条件下，忽略非周期干扰，控制器不设计与实际系统相配合的卡车调度指令，此时总运输吨位14880t；当控制器对周期干扰反应，计算出一个新的控制律适应实际系统，此时总运输吨位16560t。比较两种控制状态，有113%的生产收益。可见，忽略干扰，系统的性能下降。
事实上，突然的速度变化会影响交通状况。如果卡车调度指令设计在干扰生成之前，对于应付新的交通运输环境是没有效率的。智能仿真的实时控制通过实时生成卡车调度指令，实现对非周期性干扰的反应，使系统输出性能增益大大提高。
5结语
通过使用基于UML规范方法优化控制系统，设置生成具有多处理技术子进程的模拟器，并设计编码特定仿真模型参与控制，将并发性和反应性嵌入实时应用程序，用离线、静态情况下计算的参考值重新评估这下一个目标，不断更新控制律，实现调度卡车在闭环控制管理中运行，控制露天矿运输网络运输，使得系统稳定运行，大大提高生产效率。
参 考 文 献：
[1]一种具有容错机制的MapReduce模型研究与实现[J]. 西安交通大学学报，2014（2）：91-93
[2]史椸，耿晨，齐勇一种具有容错机制的MapReduce模型研究与实现[J]. 西安交通，2013（4）：82-86
[3]张建忠，傅小波，廖祖华N（2，2，0）代数的（∈，∈∨q（λ，μ））-模糊正关联理想[J]. 计算机科学与探索，2013（2）：103-105
[4]姜莉，马远新B基于仿真软件的虚拟电工电子实验室的建设[J].福建电脑，2010（6） ： 18-19
[5]汪华东，郭嗣琮基于因素空间反馈外延外包络的DFE决策[J]. 计算机工程与应用，2013（4）：72-75
[6]王金艳，谷文祥，覃少华，殷明浩扩展规则方法研究综述[J]. 智能系统学报，2014（1）：90-96
[7]趙宇，杨军，马小兵可靠性数据分析教程[M〕北京：北京航空航天大学出版社，2014：171
[8]阮治明 二级倒立摆系统的最佳控制[J]. 兵工自动， 2014，25（1）：60～63大学学报，2014（2）
[9]代才，王宇平，何晓光一种新的高维多目标问题的排序方法[J]. 西安电子科技大学学报，2014（6）：103
[10]孙大为，张广艳，郑纬民大数据流式计算：关键技术及系统实例[J]. 软件学报，2015（2）：32-34 [11]齐学梅，王宏涛，陈付龙，罗永龙求解多目标 PFSP 的改进遗传算法[J]. 计算机工程与应用，2014（4）：90-91
[12]胡宇，吕征宇 IGBT驱动保护电路的设计与测试[J].机电工程，2014，25（7）：58-60
[13]韩东颖，李冰洋，时培明基于神经网络-模糊PID的轧机非线性扭振智能控制[J]. 噪声与振动控制，2016（5）：6（4）
[14]刘勇，梁利華，曲建民微电子器件及封装的建模与仿真[M].北京：科学出版社，2010：25-26
[15]SOUZA V， LAPOUCHNIAN A， ANGELOPOULOS K， et al Requirementsdriven Software Evolution[J]Computer ScienceResearch and Development， 2013， 28（4）： 311-329
[16]PENG X， CHEN B， YU Y， et al Selftuning of Software Systems Through Dynamic Quality Tradeoff and Valuebased Feedback Control Loop[J] Journal of Systems and Software， 2012， 85（12）： 2707-2719
[17]FU L， PENG X， YU Y， et al Stateful Requirements Monitoring for Selfrepairing Sociotechnical systems[C]//Proceedings of he 20th IEEE Conference on Requirements Engineering，Chicago， USA ，2012： 121-130
[18]MARZOUQI Hamad， AlQUTAYRI Mahmoud， SALAH Khaled Review of Elliptic Curve Cryptography Processord Esigns[J] Microprocessors and Microsystems， 2015， 39（2）： 97-112
[19]GALUZZI Carlo，THEODOROPOULOS Dimitris， MEEUWS Roel， et al Algorithms for the Automatic Extension of an Instructionset Proceedings of the Design[J]. Automation and Test in Europe Nice， France， 2009： 548-553
[20]GE HaiTong32bit Highperformance Embedded CPU Processor and Platform Development[PhDThesis][D]. Zhejiang University， Hangzhou， 2009 （in Chinese）
（編辑：王萍）
关键词：实时控制；仿真建模；卡车管理；稳定性； 智能仿真
DOI：1015938/jjhust201705017
中图分类号： TD273
文献标志码： A
文章编号： 1007-2683（2017）05-0091-06
Application of Intelligent Simulation Real Time Control in Surface Mine Transportation Network
SHEN Hong1，FENG Qing2
（1School of Computer Science and Technolong， Harbin University of Science and Technology，Harbin 150080，China；
2University of Limerick Department of Electronic & Computer Engineering， Limerick， Ireland）
Abstract：Based on the characteristics of openpit transportation network， digging shovel position to dispatch the truck in the transportation network operation， the implementation of trajectory tracking strategy， the design of the intelligent simulation and realtime control system， the embedded dynamic correction closedloop feedback control law， USES the model predictive control， set up the simulator has more processing technology， with a modeling language UML， USE CASE modeling and the system optimization process， with specific design code， a simulation model to improve system reliability Really do simulation experiment on different actual status， through analyzing the experimental results show that intelligent simulation and realtime control scheduling openpit transportation network， improve the production efficiency
Keywords：realtime control； simulation modeling； truck management； stability； intelligent simulationbased
收稿日期： 2016-06-02
基金項目： 国家自然科学基金（61305001）
作者简介：
沈泓（1966—），女，高级工程师，Email：shong3000@126.com；
冯晴（1993—），女，硕士研究生
0引言
露天矿运输网络是复杂高度随机环境。卡车为一个矢量，派遣往返在各个站点，导致卡车管理在动态、不可预测的非线性环境下。在建立露天矿运输网络控制系统时，采用定期更新的嵌入动态控制律，使系统具有智能仿真实时控制特性。
基于闭环反馈校正的动态控制法基础上建立的预测模型控制系统，结构设计和操作使用基于统一建模语言（UML）的面向对象的建模方法。通过比较传感器反馈信号与设定的参考值的比较量，使内部仿真模型预测系统在预测范围的输出，触发控制器的更新系统进行状态仿真优化过程；优化过程最终找到下一控制回路的控制规律，系统使用SA（simulated annealing）仿真优化方法计算最优控制律；此控制规律使传感器反馈信号和参考值之间差距最小。参考值是根据生产计划和管理者的要求提前设定的。智能仿真实时控制系统是在并行计算环境下实现，使交通运输系统运作效率更高。
1智能仿真实时控制系统
11智能仿真实时控制系统框架
找到控制基准线是一个内部仿真模型用来预测系统输出是否在预测范围内的关键。预测控制方案框图模型如图1所示。
由图可见，参数输入量与传感器采集反馈信号比较，产生误差后，信号进入优化器。用UML规范标準将实时应用特征嵌入到智能仿真实时控制系统中。
12仿真实时控制系统的UML（USE CASE）模型
在USE CASE模型中，定义了以下行为：传感器、显示机构（执行器）、控制器、参考输入和设置参数。传感器和显示机构为实时系统的主要部分。控制器通过传感器获得所需的反应通过显示机构指导卡车运行。 对于这个实时系统，外部对象之间的相互作用如图2所示。
13智能仿真实时控制系统
为确保控制系统的并发性，作为活动对象的显示机构、传感器和控制器同时参与系统互动，每个对象都有其适当的控制线程。控制器通过传感器获得反馈信息，调用信息在显示器显示，进而调控优化对象的运行，实现与实际系统同动、實时交互。在并行计算过程中生成控制律并优化，并将控制律嵌入到闭环控制动。控制对象将自行运行此控制律，不再与控制器分享地址空间。
使用Alt算子设计仿真实时控制系统操作模式，如圖3所示。
仿真优化过程是控制器产生子模拟器过程，模拟器是控制系统的预测模型。当接收到传感器捕获的实际系统状态的反馈信号时，仿真优化过程开始计算预测模型。当获得最佳的解决方案，控制器停止执行，新进程会破坏前模拟器，并在下一个控制中执行，将预测模型发送给下一控制层中执行器执行。此预测模型将大限度地减少参考值与系统性能的偏差。在瞬态模式和稳态模式，闭环的执行时间是由新的预测模型执行的时间控制的。如果控制律处理系统的实际状态遭到破坏，控制器破坏最后创建模拟器的子进程。这个操作可以防止模拟优化过程中，使用一个无效的预测模型。在指定的控制层上定义预测模型，所需的计算时间小于控制回路发送周期性信号的时间。
2系统仿真优化模拟模型
实施优化模拟的最终目的是尽量减少从传感器的反馈的吨位信息和控制器计算的目标吨位差距。在形成预测模型中，找到一个向量的输入变量的值，对形成目标函数的值有非常重要的作用。通过优化方法进行迭代计算，产生一组作为模拟模型输入的值。每个挖掘铲所挖掘的吨位是仿真模型估计的目标函数，是下一个预测基准。
在仿真优化模拟模型中，用p作为定义输入的可运行区域ψ，ψ≡（ψ1，ψ2…ψq），q为随机输出变量，y≡（Y1，Y2，…Yq），y是ψ的一个函数，C（Y）是Y的实函数，Y结合Q输出的变量，为一个单一的随机输出变量。ψ目标是确定的值F（ψ）仿真响应函数，进行优化。代表性的是：在F（ψ）=E/C（Y（ψ））选择ψ∈ψF（ψ）
选择优化算法SA（simulated annealing）实施优化模拟。用生产计划的最佳目标量和实际生产中每一铲挖掘量之间的误差来评价成本函数。生产计划是离线计算的，为下一个操作做参考输入。假定系统在开始运行时，每个挖铲的转载量已经定义，且每一铲的生产量与时间几乎成线性关系。
3露天矿智能仿真的实时控制方案
31运输网络模型定义
露天与地下开采相比，具有资源利用充分等优点，适用大型机械施工，但受气候影响较大，所处的环境也是高度动态的和随机的，对设备效率及劳动生产率都有一定影响[14]。露天矿运输网络包含采装、运输和卸载（卸矿和排废）三个过程。料运输是露天矿作业的重要工作之一，工作流程如下：
运送矿料卡车队在矿料站（S）等待装载货物，站内挖矿铲不断往卡车装载矿料；卡车通过运输网络将装载的矿料送到破碎机（C）处粉碎，再将粉碎好的矿料运到发送站（D），废料运到垃圾场（WD），在每个发送站（D）和垃圾场（WD）要求一辆卡车卸下它的负荷后，并将卸下负荷铲平；如卡车测试点温度达到预警温度，卡车进入发送站（D）降温，当卡车测试点温度达到可运行温度，调控卡车加入网络运输。卡车在运输网络中以一定周期往返运行。
卡车在一个传送站卸下它的负载后，控制系统提出下一个调度命令：到达指定的挖掘铲处，在每个卡车的显示机构显示挖掘铲位置，卡车根据导航系统行驶到相应的配货站。控制系统以挖掘铲位置调度一组卡车在运输网络中运行。
露天矿运输网络中，卡车是控制对象，沿交通网络放置用于闭环反馈校正的传感器（如在每个卡车、交付站、破碎机、垃圾场、补给站、发送站、配送站等处）。当卡车进入或离开工作场所，“开启传感器”和“关闭传感器”分别发出信号。在卡车卸载的这段时间间隔里，控制法计算生成。在图3中{新控制律执行的时间<=关闭传感器时间-开启传感器时间}。
实施实时控制的关键问题是嵌入到控制交通系统中的模型是高逼真度的仿真模型，必须与实际系统行为保持一致；对于实时控制的内部模型（模拟器）在建模中，卡车必须作为一个有感知控制行为能力的自主对象，而调度指令根据卡车在运输网络中的动作（平稳行驶、、加速、减速、停止）做出反应。因此，建模变量必须与提供的数据是一致的，这要求在模型中跟踪在运输网络上的每一个卡车的实际位置。
新的控制律对卡车进行调度，调度指令最大限度地减少所取得的信息和参考值之间的瞬时误差。参考值是一个线性函数，是从生产实践中每一挖掘铲移动中得到的。
32运输网络调度集
在破碎机（C）处，假设一个控制过程用时10min，即控制回路的周期=10s。由于在一个时间内只有一辆卡车可以倾倒，而倾倒的操作至少需要4min；破碎机的调度集：
set C is then |C|=3
破碎机完成的时间必须在10min内，即C的上限为10s。
例如：当C={S1，S3，S3}时。最初离开传送站的卡车，在未来10min内，将被派遣到第一个挖掘铲处，第二个离开的卡车被派到第三挖掘铲处，如此这样继续下去。
中等规模的交通网络（图4a），有三个配送站（挖掘铲：S1，S2，S3），双配送站用一个破碎机（C）和一个垃圾场（WD）。卡车停在发送站（D）。交通网络是由在图中的相应距离的路段组成的。网络车队采用共15辆卡车。
大型交通网络（图4b），有10个配送站（挖掘铲：Si，i=1，… 10）和三个传送站，每个传送站包含：破碎机（C），垃圾场（WD）和补给站（SP）。网络车队采用共60辆卡车队。
3.3网络仿真控制模型
模拟器实时控制系统仅编译一次。在执行的仿真优化过程中，预测模型作为一个全局变量，被一个可执行文件的简单调用，单独编码并链接到外部文件，就不需要再运行仿真过程，也不需要在每个评价中编译仿真模型。因此，在仿真的优化评价过程中，消除最耗时的操作，大大提高系统运行速度。 对于仿真模型中的观察模块，通过添加同外部（控制）系统的通信机制实现与实际系统的相互作用。在模块与实际系统之间的通信通道是用C++语言编程的，这样使得在进程间通信中传递消息的响应时间（01s）发挥很高的效律。
实时控制方案编码模块图5中所示。控制方案的核心模块是使用C++编程语言进行编码的，包括優化器。模拟器是预测模块，模拟器使用Siman/Arena1仿真语言编码。
4实验
控制采用总运输吨位输出量衡量露天矿运输系统输出的性能。以下实验在稳态条件下和瞬态条件下完成。
配送站C破损需要至少4min， WD和SP操作需要3min。为了满足预先定义的时间规范（图3）：{新控制律执行的时间<=关闭传感器时间-开启传感器时间}，允许计算新的控制律的时间上限为3min。为了保护启动系统状态的有效性，选择了120秒时间的上限，在此时间内模拟优化过程完成。
41优化控制在稳态条件下运行
以下实验假设露天矿运输系统是在稳态条件下，不发生突然的状态变化发生（铲或卡车故障，道路部分堵塞等）。
411中等规模运输网络
在开环控制管理（即静态控制律）和闭环优化控制动态控制管理下，用150min做三个模拟研究。实验数据如表1所示，实验仿真图如图6所示：
从图6中察觉到，首先，开环控制的系统的性能比闭环优化控制系统的性能在变坏，且约80min后开始的转变，总运输吨位减少。在150min后，开环控制下的总吨位等于13680t；而闭环控制（闭环控制周期=20min）总吨位达17760t，开环控制运行时卡车调度决策造成将近30%的损失。其次，比较闭环优化控制的系统中，控制回路周期在20min和控制回路周期在40min时制系统的性能，察觉到对总产量影响不大，总吨位从17760t减少16560t，减少7%。
可见，中等规模的交通网络中，在稳定的状态下，当相对控制总时段，控制回路周期较小时，控制系统性能表现更好。
412大规模运输网络
闭环优化控制动态控制管理下，实验时间同一为150min。实验数据如表2所示，模拟结果在图7。闭环控制周期采用20min比40min控制系统的性能更好。可见，相对于整体控制范围而言，控制回路周期短，生产率增长近14%。因此，在大规模交通网络中，控制回路周期较短，对卡车管理更有效。
总之，在整个资源共享的运输网络中，大型车队将产生大数量的交通量，会导致更多的系统状态扰动。由于交通行为的随机性，控制范围较长，使系统变得更加不可预测。对于更大、更拥挤的交通网络，需要控制律频繁生成。
42优化控制在瞬态条件下运行
天气恶化会改变卡车运行条件，这种不可预知的突变干扰事件可导致卡车额定速度下降约50%，以此做为非周期干扰做忽略干扰和考虑非周期干扰两个实验。
在控制回路周期内当遇到扰动的环境状态时，一是忽略干扰，通过大幅降低实际速度，等待下一个控制周期；其二，考虑非周期干扰，对系统实施智能优化控制。
实验时间同一为150min，控制回路周期40min。实验数据如表3所示，模拟图如图8所示：当下一个控制周期到来之前，在有干扰的新运行条件下，忽略非周期干扰，控制器不设计与实际系统相配合的卡车调度指令，此时总运输吨位14880t；当控制器对周期干扰反应，计算出一个新的控制律适应实际系统，此时总运输吨位16560t。比较两种控制状态，有113%的生产收益。可见，忽略干扰，系统的性能下降。
事实上，突然的速度变化会影响交通状况。如果卡车调度指令设计在干扰生成之前，对于应付新的交通运输环境是没有效率的。智能仿真的实时控制通过实时生成卡车调度指令，实现对非周期性干扰的反应，使系统输出性能增益大大提高。
5结语
通过使用基于UML规范方法优化控制系统，设置生成具有多处理技术子进程的模拟器，并设计编码特定仿真模型参与控制，将并发性和反应性嵌入实时应用程序，用离线、静态情况下计算的参考值重新评估这下一个目标，不断更新控制律，实现调度卡车在闭环控制管理中运行，控制露天矿运输网络运输，使得系统稳定运行，大大提高生产效率。
参 考 文 献：
[1]一种具有容错机制的MapReduce模型研究与实现[J]. 西安交通大学学报，2014（2）：91-93
[2]史椸，耿晨，齐勇一种具有容错机制的MapReduce模型研究与实现[J]. 西安交通，2013（4）：82-86
[3]张建忠，傅小波，廖祖华N（2，2，0）代数的（∈，∈∨q（λ，μ））-模糊正关联理想[J]. 计算机科学与探索，2013（2）：103-105
[4]姜莉，马远新B基于仿真软件的虚拟电工电子实验室的建设[J].福建电脑，2010（6） ： 18-19
[5]汪华东，郭嗣琮基于因素空间反馈外延外包络的DFE决策[J]. 计算机工程与应用，2013（4）：72-75
[6]王金艳，谷文祥，覃少华，殷明浩扩展规则方法研究综述[J]. 智能系统学报，2014（1）：90-96
[7]趙宇，杨军，马小兵可靠性数据分析教程[M〕北京：北京航空航天大学出版社，2014：171
[8]阮治明 二级倒立摆系统的最佳控制[J]. 兵工自动， 2014，25（1）：60～63大学学报，2014（2）
[9]代才，王宇平，何晓光一种新的高维多目标问题的排序方法[J]. 西安电子科技大学学报，2014（6）：103
[10]孙大为，张广艳，郑纬民大数据流式计算：关键技术及系统实例[J]. 软件学报，2015（2）：32-34 [11]齐学梅，王宏涛，陈付龙，罗永龙求解多目标 PFSP 的改进遗传算法[J]. 计算机工程与应用，2014（4）：90-91
[12]胡宇，吕征宇 IGBT驱动保护电路的设计与测试[J].机电工程，2014，25（7）：58-60
[13]韩东颖，李冰洋，时培明基于神经网络-模糊PID的轧机非线性扭振智能控制[J]. 噪声与振动控制，2016（5）：6（4）
[14]刘勇，梁利華，曲建民微电子器件及封装的建模与仿真[M].北京：科学出版社，2010：25-26
[15]SOUZA V， LAPOUCHNIAN A， ANGELOPOULOS K， et al Requirementsdriven Software Evolution[J]Computer ScienceResearch and Development， 2013， 28（4）： 311-329
[16]PENG X， CHEN B， YU Y， et al Selftuning of Software Systems Through Dynamic Quality Tradeoff and Valuebased Feedback Control Loop[J] Journal of Systems and Software， 2012， 85（12）： 2707-2719
[17]FU L， PENG X， YU Y， et al Stateful Requirements Monitoring for Selfrepairing Sociotechnical systems[C]//Proceedings of he 20th IEEE Conference on Requirements Engineering，Chicago， USA ，2012： 121-130
[18]MARZOUQI Hamad， AlQUTAYRI Mahmoud， SALAH Khaled Review of Elliptic Curve Cryptography Processord Esigns[J] Microprocessors and Microsystems， 2015， 39（2）： 97-112
[19]GALUZZI Carlo，THEODOROPOULOS Dimitris， MEEUWS Roel， et al Algorithms for the Automatic Extension of an Instructionset Proceedings of the Design[J]. Automation and Test in Europe Nice， France， 2009： 548-553
[20]GE HaiTong32bit Highperformance Embedded CPU Processor and Platform Development[PhDThesis][D]. Zhejiang University， Hangzhou， 2009 （in Chinese）
（編辑：王萍）