Research and development on high-speed railway systems and particularly its automatic control systems, are introduced. Numerical modeling of high-speed trains in the Chinese high-speed train system and its associate automatic control systems are described in detail. Moreover, modeling and simulation of train operation systems are analyzed and demonstrated.

On behalf of the conference committee, we are pleased to welcome you to the 25th International Conference on Industrial Technology (ICIT 2024) at Bristol, UK, from March 25th to 27th, 2024. ICIT 2024 is fully sponsored by the Industrial Electronics Society (IES) of Institute of Electrical and Electronics Engineers (IEEE).

This paper aims to present a cooperative control method to improve the tracking accuracy and safety of multiple trains under uncertain system environment. In the controller design, prescribed performance functions are devised to restrict global tracking errors and guarantee the transient and steady-state performance of each train. An active security protection control framework is designed based on the technique of integrating terminal sliding mode, enabling the trains to reach state consensus quickly in finite time and guaranteeing the inter-train distances always to be within the safe range. The radial basis function neural network is adopted to approximate the time-varying running resistance of the trains. Consequently, the cooperative control method is established under which the multiple-train system achieves state consensus with specified performance and collisions avoidance guarantees during the train status adjustment process. Finally, rigorous mathematical analysis is provided and experimental simulations are conducted to jointly demonstrate the effectiveness and feasibility of the proposed theoretical results.

With the increasing passenger of High-Speed Railway (HSR), the Line Passing Capacity (LPC) can not meet the transportation demand. The Train Tracking Interval (TTI) is an important parameter for evaluating LPC. The traditional Train Control System (TCS) considers the transmission latency as a fixed constant measured in the worst environment, which limits the performance of TTI. In this paper, a TTI optimization method is proposed to increase the LPC based on Stochastic Network Calculus (SNC). Different with the existing TCS, SNC can calculate the transmission latency as a dynamic value to reflect the complexity of operation environment and speed. Therefore, a smaller and proper transmission latency can be obtained while guaranteeing the operation safety. In addition, the train operation mode adopts the moving block system to further decrease the TTI which is realized by train-to-train communication. The simulation results illustrate the changing trend of transmission latency depending on the dynamic operation speed and environment. The LPC can be increased by 2% to 9%. Meantime, the control algorithm can prove the efficiency and availability of the TTI adjustment method.

Fault diagnosis and safety assessment are two pivotal tasks for ensuring the reliable and safe operation of dynamic systems. Constructing separate data-driven models for each task usually involves a large amount of labeled data, which is challenging for practical applications. In this study, the problem that building a unified data-driven model for these two related tasks under the few-shot setting is proposed. A pre-training graph neural network (GNN) scheme is designed. Firstly, the input data is transformed into graph data. Then, the pre-training strategy based on node dropping is employed to initialize the parameters of GNN. Finally, supervised learning is performed using the labeled data for downstream tasks, including fault diagnosis and safety assessment. A case study based on bearing data demonstrates the effectiveness of the proposed scheme.

We successfully synthesize monodisperse sulfhydryl-modified mesoporous organosilica nanospheres (MONs-SH) via one-step hydrolytic condensation, where cetyltrimethylammonium chloride and dodecyl sulfobetaine are employed as dual-template agents with (3-mercaptopropyl)triethoxysilane and 1,2-bis(triethoxysilyl)ethane as the precursors and concentrated ammonia as the alkaline catalyst. The prepared MONs-SHs deliver a large specific surface area (729.15 m2 g−1), excellent monodispersity, and homogeneous particle size. The introduction of ethanol into the reaction systems could expand the particle size of the synthesized MONs-SH materials from 18 to 182 nm. Moreover, the successful modification of -SH groups endowed MONs-SHs with an excellent adsorption capacity (297.12 mg g−1) for Pb2+ ions in aqueous solution through ion exchange and complexation function. In addition, the established isotherm model and kinetic analyses reveal that the adsorption of Pb2+ ions on MONs-SHs follows the secondary reaction kinetic models, where both physisorption and chemisorption contribute to the adsorption of Pb2+ ions. The favorable recyclability of MONs-SHs is demonstrated with the maintained adsorption efficiency of 85.35% after six cycles. The results suggest that the synthesized MONs-SHs exhibit considerable application prospects for effectively eliminating Pb2+ ions from aqueous solutions.