飞机地面除冰资源协同控制
Cooperative Control of Aircraft Ground Deicing Resources
通讯作者: 王立文,男,教授,博士生导师,电话(Tel.):022-24092885;E-mail:cauc_wlw@126.com.
责任编辑: 陈晓燕
收稿日期: 2020-10-21
基金资助: |
|
Received: 2020-10-21
作者简介 About authors
李彪(1993-),男,河北省张家口市人,博士生,从事机场运行安全保障技术研究.
针对多并行除冰任务下分布式资源协同能力较弱及均衡性低的问题,结合机场除冰资源配置及时空分布状态,提出了一种基于多Agent协商的飞机地面除冰资源协同控制方法.建立了多Agent除冰资源协同运行框架,设计了面向全局协同联合体招投标机制的资源优化方法,提升了整体任务均衡性.在协同运行方案的基础上构建自治多Agent协同优化模型,采用加入决策因子的模型预测控制方法生成自治协同控制策略,并面向实际场景验证所提方法的可行性.结果表明,基于优化方案生成的初始化协同控制策略容错时间均值达4.89 min,与其他传统方法相比,平均起飞容限最大提升1.015 min,平均利用率增加15.28%,保证了除冰资源的安全性及协同性.
关键词:
Aimed at the problem of weak coordination and low balance of distributed resources under multiple parallel deicing tasks, a cooperative control method of aircraft ground deicing resources based on multi-agent negotiation was proposed, which combined airport deicing resource allocation and space-time distribution. A framework for collaborative operation of multi-agent deicing resources was established, and a resource optimization method for the bidding mechanism of a global collaborative consortium was designed to improve the overall task balance. Based on the operating plan, an autonomous multi-agent resource collaborative optimization model was constructed. The model predictive control method was applied to generate a collaborative control strategy, and the feasibility was verified in actual scenarios. The results demonstrate that the resource coordination and anti-interference ability of the proposed method are significantly enhanced while meeting the real-time requirements. Compared with the results obtained by other methods, the average takeoff tolerance is 4.89 min, increased by 1.015 min, and the average utilization rate is increased by 15.28%, which can ensure the safety and synergy of deicing resources.
Keywords:
本文引用格式
李彪, 王立文, 邢志伟, 王思博, 罗谦.
LI Biao, WANG Liwen, XING Zhiwei, WANG Sibo, LUO Qian.
随着世界经济逐步复苏,完善的交通体系依然发挥着重要作用.作为推动世界命运共同体建设的重要纽带,航空运输高速发展的态势长期内不会改变.飞机地面除冰是北方冬季冰雪低温条件下保障机场安全平稳运行的关键环节,其资源的优化及控制一直是国内外研究热点[1].目前,国内外学者主要采用博弈论[2,3,4]和智能算法[5,6]研究除冰资源的相关问题.张伟等[7]研究了面向航班延误的飞机除冰过程博弈机理并基于启发式算法优化求解,求解速率较慢.陈斌等[8]分析了除冰参数的能量转换过程并结合遗传算法优化迭代以保证除冰效率. Fan等[9]从除冰液回收为出发点,设计了数据驱动的飞机除冰管理框架并使用动态规划模型优化分配除冰机位.Slim等[10]应用模糊集成式功能共振分析方法量化飞机除冰安全效能以指导车辆作业过程,但缺乏一体化协同约束.Ariyajunya等[11]评估了沃斯堡机场环管系统的有效性,建立了基于决策树的除冰参数优化模型,未考虑与其他除冰资源的协同.
上述方法仍存在协同能力较差的不足之处,故本文面向除冰坪与车辆提出一种基于多Agent的飞机地面除冰资源协同控制方法,面向飞机离港计划构建地面除冰协同运行框架与优化模型并生成全局资源运行方案,以提升机场不利条件下的整体运行策略,并设计子系统的协同控优化模型及控制方法,通过仿真实验说明该方法的有效性.
1 飞机地面除冰资源全局协同优化
机场协同决策(A-CDM)是提升机场航班高密度条件下运行安全和效率的关键手段之一,其中信息共享及里程碑节点时间两个基础规范已在各枢纽机场推广并执行,针对不利条件下的协同运行,提出了飞机地面除冰资源分布式协同运行框架[12],将问题视为全局和自治协同两个阶段,基于实际机场运行模式及约束分别建模求解.
全局协同运行的目标是除冰资源均衡性最优与正点率最高,设计改进招标式多Agent协商算法以获取面向短时离港计划的除冰资源协同运行方案.
图1
图1
基于改进招标式多Agent协商的除冰资源协同运行框架
Fig.1
Frame for collaborative operation of deicing resources based on improved bidding multi-Agent negotiation
1.1 全局多Agent除冰资源协同优化架构
针对除冰资源的分布式协同运行过程,建立面向全局协同运行的Agent模型,引入招投标机制作为中枢层,基于除冰资源运行规范优化多Agent协商模块完成除冰资源层和任务层的信息共享,结合机场运行态势生成全局协同运行方案,模型架构如图2所示.在全局模型中,各自治系统参与任务竞标的权力由机场运行模式及自治系统区位分布所决定,而资源配置方案是由跑道开放和气象条件共同确定.参与竞标的自治系统基于自身属性与配置均等优化分配除冰任务,协商中枢依照均衡原则及均等判决约束选择最优任务执行方,从而提升机场整体的除冰保障能力.
图2
1.2 面向飞机离港计划的任务招标
定义除冰任务Agent集合
除冰任务
式中:
1.3 除冰资源竞标与评标
全局中枢接收到来自控制Agent的招标书Bi 后转发至除冰资源层中的Sj 和Vj,结合机场运行模式,通过变量Ri 、Ai 、Ci 确定参与竞标的Sj 和Vj.无法参与的除冰车辆Agent元素可基于空间分布与其中一个或多个竞标者组成联合体V'j,除冰资源层向中枢返回包含除冰坪、除冰车辆和综合得分σj 的竞标书向量
否则返回竞标书为空,由除冰指挥人员指定资源执行该任务.
收到竞标应答后,全局中枢需重点考虑竞标者的自身条件,首先要保证任务的均衡,即Sj承接任务的时空特征服从均匀分布且联合体V'j满足任务需求,其次筛选出综合得分最高的竞标书,并宣布对应资源为中标者,完成全局协同优化与匹配过程,算法描述如下.
输入 除冰任务招标书Bi
除冰资源Agent集合
输出 任务资源协同运行方案
(1) 全局中枢接收招标书
(2) 查询协同运行知识库并定向发送招标书
(3) IF存在满足变量Ri和Ai的除冰坪
(4) 计算各除冰坪内满足工艺Ci机位的均衡率ej
(5) 计算满足条件除冰资源的综合得分σj
(6) FOR满足条件的除冰资源
(7) IF ej为各除冰坪Agent的最大值
(8) IF σj为满足条件的最大值
(9) 宣布单独中标
(10) ELSE 查询未参与竞标资源
(11) 组成联合体计算σj
(12) IF σj为最大值
(13) 宣布联合体中标
(14) ELSE 放弃竞标
(15) END IF
(16) END IF
(17) ELSE 整合形成联合体竞标
(18) 计算联合体综合得分σj
(19) 宣布得分最高联合体中标
(20) END IF
(21) END FOR
(22) ELSE 返回竞标书为空,人工干预
(23) END IF
(24) 全局中枢结合中标结果形成运行方案
其中,除冰坪内满足任务工艺Ci 机位的均衡率ej 表示在决策时段T内接收的任务数量在时间上服从均匀分布,即
式中:
2 自治多Agent除冰资源协同控制方法
2.1 自治协同优化模型
图3
图3
自治系统除冰资源协同运行多Agent模型
Fig.3
Multi-agent model of collaborative operation of deicing resources in autonomous system
飞机地面除冰实际作业过程中,为确保航班准点起飞,需保证除冰结束与计划起飞时间的差值(即起飞容限)最大,为移交塔台后序的队列处理提供裕度,因此模型的目标函数为
式中:N1 为自治系统n承接任务总数;Di1 和D'i1 分别为第i1项除冰任务的计划起飞时间和预计除冰结束时间,忽略推出到除冰结束之间滑出等待随机干扰,则
式中: Ti1 为第i1 项除冰任务的计划推出时间;
自治系统协同优化数学模型的约束条件源于机场除冰运行标准,从安全、匹配、配置实现资源约束.安全约束主要体现在不同冰雪条件下飞机起飞容限小于安全保持时间τb以避免二次结冰,且同一机位前后任务不能冲突的同时留有一定的缓冲时间τc:
式中:
式中:
同时,由于除冰液回收的复杂性,各除冰机位预期利用率需尽可能匹配,即
式中:
配置约束指除冰机位和车辆的工作总量不能超过方案配置,即
式中: N'j2 为第j2 个除冰编队预计完成任务数;v'j为配置除冰车辆数.式(15)中将编队调度及补液时间理想化为除冰时间.
2.2 除冰资源协同控制方法
步骤1 由全局运行方案导入自治系统承接除冰任务及其属性,并获取除冰资源时空分布与配置参数,根据机场运行模式进行初始化.
步骤2 在机场协同决策系统中查询决策时段内所有承接任务的计划推出与离港时间,根据式(7)~(16)所构建的协同优化模型初步生成除冰资源运行计划.
步骤3 随时间演化更新状态,计算各除冰任务的决策因子
式中:
步骤4 判断各除冰任务的
步骤5 基于协同优化模型再次面向
步骤6 以最优解反馈校正除冰资源的协同控制策略,并根据生成的优化计划调整全局协同运行方案和除冰等待排序[16].
步骤7 在决策时段T内随优化时段E的推进及A-CDM系统中共享离港信息的动态更新重复步骤 3~6.
图4
图4
除冰资源协同控制方法基本框架
Fig.4
Basic framework of collaborative control method for deicing resources
3 算例分析
3.1 仿真实验数据及参数设置
图5
表1 机场除冰资源配置
Tab.1
除冰坪 编号 | 除冰机位 数量/个 | 兼容除冰 机位/个 | 除冰车量 编队数/个 |
---|---|---|---|
1 | 4 | 2 | 4 |
2 | 6 | 3 | 6 |
3 | 5 | 3 | 5 |
4 | 3 | 3 | 6 |
5 | 6 | 3 | 9 |
6 | 4 | 3 | 5 |
7 | 4 | 3 | 5 |
根据实际运行场景和标准可知,除冰工艺的不同导致除冰资源的作业时长不一致,由先验数据可知,不同工艺的除冰安全时间存在差异,其中关车除冰为13 min,慢车除冰为6 min,平均滑行等待时间为3.35 min,缓冲时间为3 min.
本文所提出的飞机除冰资源协同控制方法基于MATLAB编程实现,同时,参考该机场冰雪条件下运行预案,设置协同优化控制决策时段为1 h,优化时段和迭代次数由优化决策因子实时计算结果判定,根据历史数据可知在外部条件和运行模式下,不间断作业下单位时间内1~4号除冰坪的最大保障能力如图6所示.
图6
图6
不间断作业除冰坪的最大保障能力
Fig.6
Maximum guarantee capacity of uninterrupted operation deicing stands
3.2 仿真结果及分析
根据前一时段除冰任务的完成情况及效果计算各除冰坪的综合得分见表2,可知综合表现最优的为2号除冰坪,表现最差的是4号除冰坪.
表2 除冰资源综合得分情况
Tab.2
除冰坪 编号 | 保障能力 | 综合补 液能力 | 平均 正点率 | 综合得分 |
---|---|---|---|---|
1 | 74.688 | 90.053 | 83.333 | 82.691 |
2 | 81.429 | 86.010 | 85.714 | 84.384 |
3 | 78.889 | 80.230 | 87.143 | 82.087 |
4 | 57.708 | 88.820 | 86.667 | 77.732 |
图7
表3 下一时段除冰资源协同优化运行方案
Tab.3
除冰坪 | 单独除冰任务 | 联合体 除冰任务 | 联合 编队 |
---|---|---|---|
S1 | M4, M6, M11, M15, M20, M30, M39, M49, M54 | M21, M32, M40, M51 | V5 |
S2 | M1, M5, M8, M10, M13, M16, M26, M31, M35, M42, M44, M55 | M19, M29, M36, M38, M48, M53 | V5 |
S3 | M2, M7, M9, M12, M14, M22, M33, M34, M41, M43, M47, M52 | M18, M28, M37 | V6 |
S4 | M3, M17, M23, M24, M45, M46, M50 | M25, M27 | V7 |
由表3可确定各自治系统下一时段的除冰任务,并基于上述结果得到各系统或联合体除冰资源协同控制策略.
式中:
图8
图9
随着机场运行过程的推进,由优化决策因子触发滚动优化,控制策略也会相应改变,本时段运行结果如图10所示.优化决策因子的加入简化了传统MPC方法的计算复杂度,将求解时间控制在了动态过程可接受的范围内.
图10
计算滚动优化过程生成控制策略的平均容错时间变化如图11所示,可知所提方法的在保证各除冰机位任务分配均衡的基础上整体提升了自治系统的容错时间,控制策略随时间演化的表现比实际运行较好,满足系统稳健性的要求.
图11
表4 仿真优化参数对比结果
Tab.4
除冰坪 | S1 | S2 | S3 | S4 | |
---|---|---|---|---|---|
rt | I | 9.24 | 11.51 | 9.46 | 11.57 |
II | 9.87 | 12.27 | 10.80 | 12.86 | |
III | 10.22 | 12.74 | 10.14 | 11.04 | |
I | 0.609 | 0.660 | 0.666 | 0.712 | |
II | 0.571 | 0.613 | 0.457 | 0.608 | |
III | 0.404 | 0.557 | 0.388 | 0.321 |
图12
4 结语
本文以飞机地面除冰资源分布式时空配置来刻画协同运行框架,建立了建立面向全局协同运行的多 Agent 模型,提出了基于个体与联合体协商的除冰资源协同优化方法,以提升并行除冰任务的处理能力与效率.所设计的自治子系统多Agent模型在保障承接运行方案的同时,完善了对应目标函数和约束条件并基于改进的MPC求解,所得结果在协同性和稳健性上更具优势.未来将研究随机扰动下的飞机地面除冰资源协同优化及作业编队控制,以增强协同控制方法的稳定性.
参考文献
Dynamic game-based approach for optimizing merging vehicle trajectories using time-expanded decision diagram
[J].DOI:10.1016/j.trc.2020.102766 URL [本文引用: 1]
飞机地面除冰运行合作博弈模型研究
[J].
Cooperative game model for aircraft ground deicing operation
[J].
机场道面除冰雪车辆队形控制模型
[J].
Formation control model of airport pavement deicing vehicles
[J].
Measures of structure and operation of automated transit networks
[J].DOI:10.1109/TITS.6979 URL [本文引用: 1]
Safety assessment of approximate segregated parallel operation on closely spaced parallel runways
[J].DOI:10.1016/j.cja.2018.12.009 URL [本文引用: 1]
结冰云雾参数对冰与固壁间剪切强度影响的初步研究
[J].
Preliminary study on influence of icing cloud parameters on ice shear strength on solid wall
[J].
飞机地面除冰运行调度模型研究
[J].
Research on dispatching model of aircraft ground deicing
[J].
复杂多约束条件下航班除冰延误机理及资源优化配置
[J].
Flight deicing delay mechanism and resource optimization configuration under complex and multiple constraints
[J].
Data-driven optimization for dallas fort worth international airport deicing activities
[J].DOI:10.1007/s10479-017-2747-1 URL [本文引用: 1]
A mixed rough sets/fuzzy logic approach for modelling systemic performance variability with FRAM
[J].DOI:10.3390/su12051918 URL [本文引用: 1]
Modeling the impact of airport deicing/anti-icing activities on the dissolved oxygen levels in the receiving waterways
[J].
基于多Agent的通航运力资源协同调度
[J].
Collaborative schedule of general aviation resource based on multi-agent
[J].
Agent-based modelling and analysis of security and efficiency in airport terminals
[J].DOI:10.1016/j.trc.2019.01.012 URL [本文引用: 1]
云制造平台下订单可分解的协同生产计划模型及求解
[J].
The model and solution for collaborative production planning with order splitting in cloud manufacturing platform
[J].
基于MP与MPC相结合的分布式交通信号控制研究
[J].
Distributed traffic signal control based on combination of MP and MPC
[J].
/
〈 |
|
〉 |
