CN110941517A - 一种机车智能操纵系统数据校验方法 - Google Patents
一种机车智能操纵系统数据校验方法 Download PDFInfo
- Publication number
- CN110941517A CN110941517A CN201911304661.2A CN201911304661A CN110941517A CN 110941517 A CN110941517 A CN 110941517A CN 201911304661 A CN201911304661 A CN 201911304661A CN 110941517 A CN110941517 A CN 110941517A
- Authority
- CN
- China
- Prior art keywords
- data
- speed
- locomotive
- intelligent
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013524 data verification Methods 0.000 title claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000035515 penetration Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000005191 phase separation Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000011217 control strategy Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000013486 operation strategy Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000009853 xinfeng Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1415—Saving, restoring, recovering or retrying at system level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G06Q50/40—
Abstract
本发明公开了一种机车智能操纵系统数据校验方法,包括:提取智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表;对列车运行交路数据中的线路基础数据进行加算坡度计算,根据加算坡度进行线路类型分类,根据车站公里标对提取数据进行分段;根据校验规则对分段数据进行校验。本发明实现了机车智能操纵系统数据的自动校验,给出机车智能操纵策略问题点的具体位置,并对机车智能操纵策略效果进行有效评价。有效解决了机车智能操纵算法验证过程中需要人工对比大量数据的难题,既减少了人工数据校验的工作量,又避免错检漏检的情况发生,提高机车智能操纵系统开发效率。
Description
技术领域
本发明涉及机车数据技术领域,尤其涉及一种机车智能操纵系统数据校验方法。
背景技术
铁路机车智能驾驶对解放人力、节能减排、减少人为操作失误、提高铁路运营效率、列车准点率及安全性等方面有重大作用,各国专家学者均大力开展机车智能操纵优化系统的研究。在求解机车最优控制策略过程中,使用并产生大量机车运行及优化计算数据,比如:线路基础数据、车站数据、司机驾驶数据、LKJ数据、优化策略数据、运行时间数据等。在优化操纵策略设计、验证和调试过程中,这些数据往往采用人工对比校验,经常出现漏检、错检的情况,给机车智能操纵策略开发难度和速度带来较大影响。
发明内容
本发明提供一种机车智能操纵系统数据校验方法,以克服上述技术问题。
本发明机车智能操纵系统数据校验方法,包括:
提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表;
根据车站公里标对所述机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行分段获得分段数据;
根据校验规则对所述分段数据进行校验。
进一步地,所述提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表之后,还包括:
对所述智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行预处理。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据判断全程的优化速度数据任意相邻两点之间的速度差是否大于1km/h,若是,则确定为采样错误;
根据智能操纵优化原始数据判断全程优化速度数据任意相邻两点间的距离是否大于20m,若是,则确定为采样错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据、智能操纵控制数据判断匀速平走阶段优化速度及实际速度与机车运行日志中的限速速度差是否小于2km/h,若是,则确定为速度错误;
根据智能操纵控制数据判断机车的出站速度与进站速度是否高于道岔限速,若是,则确定为速度错误;
根据智能操纵控制数据数据判断贯通试验起始点速度是否在列车操纵作业规定范围内,若否,则确定为速度错误;
根据智能操纵控制数据判断分相区入口速度是否低于列车操纵作业规定中的要求速度,若是,则确定为速度错误;
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵控制数据判断相邻两次空气制动间隔时间是否小于制动缸充风时间,若是,则确定操作错误;
根据智能操纵控制数据判断分相区内司控器的级位是否为牵引级位或电制级位,若是,则确定为操作错误。
根据智能操纵控制数据计算空气制动缓解时间,并计算所述空气制动缓解时间与智能操纵系统计算的初始空气制动缓解时间之间的差值,若差值大于5秒,则确定为操作错误。
进一步地,所述若差值大于5秒,则确定为操作错误之后,还包括:
根据所述差值对智能操纵系统计算得到的初始空气制动缓解时间进行修正。
进一步地,所述根据校验规则分段数据进行校验,包括:
根据智能操纵控制数据判断列车实际运行时间是否与列车运行时刻表中的规划运行时间一致,若否,则确定运行时间错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据机车的智能操纵优化原始数据和控制数据判断起车点位置是否与列车运行交路数据中的位置一致,若否,则确定为位置错误;
根据智能操纵控制数据判断机车在减速停车过程中的关键点位置与列车操纵作业规定中的要求位置是否一致,若否,则确定为位置错误;
根据智能操纵控制数据判断贯通试验起始点位置是否在列车操纵作业规定范围内,若否,则确定为位置错误。
进一步地,所述根据校验规则对所述分段数据进行校验之后,还包括:
采用公式
F=∑α·n
根据错误类型和错误数量对数据校验结果进行评价,其中,F为智能操纵评价值,α为异常点权值,n为异常点数量。
本发明实现了机车智能操纵系统数据的自动校验,给出机车智能操纵策略问题点的具体位置,并对机车智能操纵策略效果进行有效评价。有效解决了机车智能操纵算法验证过程中需要大量人工对比的问题,既减少了人工校验数据的工作量,又避免错检漏检的情况发生,提高机车智能操纵系统开发效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明机车智能操纵系统数据校验方法流程图;
图2是本发明实施例新丰六场至何寨智能操纵曲线示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明机车智能操纵系统数据校验方法流程图,如图1所示,本实施例的方法可以包括:
步骤101、提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表;
具体而言,本实施例从智能操纵控制器中提取智能操纵优化原始数据、智能操纵控制数据。从车载LKJ中提取机车运行日志、列车运行交路数据、列车运行时刻表信息。
机车运行日志中提取的数据包括:司机驾驶速度数据,司机驾驶限速数据;智能操纵控制器中提取数据包括:优化速度数据,优化限速数据,自动控制速度数据,自动控制限速数据,自动控制列车管压数据,自动控制制动缸压数据,自动控制挡位数据。
列车运行交路数据包括:车站数据,线路坡度数据,线路曲线数据,线路隧道数据,线路分相区数据,线路信号灯数据。
步骤102、根据车站公里标对所述机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行分段获得分段数据;
具体而言,根据线路数据进行加算坡度计算和线路分类,得到线路分类结果;加算坡度是根据线路中某点的坡度、曲线、隧道三种对机车运动产生影响的参数叠加计算出的综合坡度;线路分类是根据所在线路加算坡度的不同对线路类型进行区分;加算坡度不同的坡段,对列车的控制方法不同。因此计算线路加算坡度并分类,可以使开发人员和检验人员观察在某个坡段内,智能操纵控制方法是否正确,如:列车在陡下坡坡段,一般不应施加高牵引级位,在上坡坡段,一般不应有制动级位。线路数据分类后再根据车站位置,将机车运行一趟的所有数据按照相邻两站的距离进行分段。
由于铁路运行的特点,机车运行一趟的时间跨度可达几十小时,机车长时间运行累积的数据庞大,一次处理所有运行数据计算量非常大,且意义不大。按照铁路线路分段特点,以车站位置分段进行数据分析是合理的,即根据车站数据中的公里标对所述各项数据进行分段校验。
加算坡度计算公式:
ihj=ih+ir+is
其中,ihj:加算坡度,ih:坡道千分数,ir:曲线折算坡度,is:隧道阻力折算坡度。
如下表所示,根据线路坡度对列车运动的影响,将坡段类型分为超陡下坡、陡下坡、缓下坡、平坡、缓上坡、陡上坡和分相区。其中,标识值可作为绘制坡度分类曲线的幅值。将坡度分类曲线与列车速度曲线等绘制在同一横坐标曲线图中,开发人员和检验人员可直观观察在不同坡段下,列车控制指令和运行状态是否合理。
坡段分类表
坡度范围 | 坡段类型 | 标识 |
i<sub>hj</sub><-5 | 超陡下坡 | -3 |
-5≤i<sub>hj</sub><-3 | 陡下坡 | -2 |
-3≤i<sub>hj</sub><-1 | 缓下坡 | -1 |
-1≤i<sub>hj</sub>≤1 | 平坡 | 0 |
1i<sub>hj</sub>≤3 | 缓上坡 | 1 |
i<sub>hj</sub>>3 | 陡上坡 | 2 |
分相区 | 3 |
步骤103、根据校验规则对所述分段数据进行校验。
进一步地,所述提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表之后,还包括:
对所述智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行预处理。
具体而言,从不同设备中提取出的数据具有不同格式,首先将原始数据转换成统一且便于软件识别的格式。
进一步地,所述根据校验规则对分段数据进行校验之后,还包括:
根据检验内容将数据错误类型进行分类,分类为速度错误、位置错误、操作错误、运行时间错误和采样错误。
具体而言,由于铁路运行对列车的位置、速度和操作的要求很多,本实施例对错误点进行分类可以使开发和检验人员快速了解当前智能操作策略的缺陷,也便于对自动驾驶效果进行量化评价。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据判断全程的优化速度数据任意相邻两点之间的速度差是否大于1km/h,若是,则确定为采样错误;
根据智能操纵优化原始数据判断全程优化速度数据任意相邻两点间的距离是否大于20m,若是,则确定为采样错误。
具体而言,由于智能操纵系统实时控制列车速度跟踪优化原始速度曲线,如果优化速度数据相邻两点间的速度差大于1km/h,在此处智能操纵系统对机车级位的控制会产生较大波动,对机车运行平稳性产生坏影响。实施例中优化速度数据中相邻两点中前一点速度为19.9km/h,后一点速度为22.9km/h,两点速度差为3km/h,大于1km/h,则此处为采样错误。
实施例中优化速度数据中相邻两点中前一点公里标为2099m,后一点公里标为2122m,两点距离差为23m,大于20m,则此处为采样错误。
根据智能操纵控制数据判断进站停车过程中速度在15~0km/h时是否存在牵引挡位,若是,则确定为操作错误。判断速度在5~0km/h时是否存在除空气制动挡位之外的其他挡位,若是,则确定为操作错误。
具体而言,停车曲线速度小于15km/h时不能有牵引档位,速度小于5km/h时,档位必须是空气制动档位且不能有电制档位。本实施例中,通过查询智能操纵系统控制数据,若发现列车在进站停车过程中,速度小于15km/h时,控制指令仍有牵引级位,或速度小于5km/h时,控制指令存在除空气制动级位外的其他挡位,则此处为操作错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据、智能操纵控制数据判断匀速平走阶段优化速度及实际速度与机车运行日志中的限速速度差是否小于2km/h,若是,则确定为速度错误;
具体而言,限速80km/h的区段定义为匀速平走阶段,匀速平走阶段的优化速度与实际速度均不能高于限速值-2km/h,即78km/h。本实施例在限速80km/h匀速平走区段内,若列车在智能操纵系统控制下实际速度达到79km/h,实际速度与限速速度差小于2km/h,则此处为速度错误。
根据智能操纵控制数据判断机车的出站速度与进站速度是否高于道岔限速,若是,则确定为速度错误;
具体而言,根据线路数据找到出站道岔和进站道岔位置,列车在出站道岔和进站道岔的速度不能高于对应道岔限速,假设道岔限速为x,则优化速度应为(x-10)±1之间。
本实施例在限速25km/h的出站道岔位置,若列车在智能操纵系统控制下实际速度达到27km/h,实际速度高于道岔限速,则此处为速度错误。
根据智能操纵控制数据和列车运行交路数据判断贯通试验起始点速度是否在列车操纵作业规定范围内,若否,则确定为速度错误;
具体而言,列车操纵作业指导规定在位置3520m处进行贯通试验,贯通试验起始速度为50km/h。若实际运行中列车以45km/h速度进行贯通试验,则此处为速度错误。
根据智能操纵控制数据判断分相区入口速度是否低于列车操纵作业规定中的要求速度,若是,则确定为速度错误;
具体而言,列车操作作业指导中规定分相区入口速度为45km/h,若列车运行到分相区入口的实际速度为40km/h,则此处为速度错误。
根据智能操纵控制数据判断机车在减速停车过程中的关键点位置与列车操纵作业规定中的要求位置是否一致,若否,则确定为位置错误。
具体而言,遍历行车曲线所有采样点,寻找停车点。停车点的特征:该点速度等于0,且前一点速度不等于0。停车过程中对比关键点(距离停车信号机距离(m),速度(km/h)),(400,25),(200,15),(100,8),(50,3),速度为25km/h的时候,距离停车信号机的距离应为400-410米之间;速度为15km/h的时候,距离停车信号机的距离应为200-210米之间;速度为8km/h的时候,距离停车信号机的距离应为100-110米之间;速度是3km/h时,距离停车信号机的距离应为50-54m之间;速度为0时,距离停车信号机的距离应为0-5m之间。
列车操纵作业指导中规定进站停车过程中速度降为25km/h时,列车与停车信号机的距离应为400-410米之间,通过查询智能操纵系统控制数据,若发现速度为25km/h时,列车距离停车信号机420米,则此处为位置错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵控制数据判断相邻两次空气制动间隔时间是否小于制动缸充风时间,若是,则确定操作错误;
具体而言,遍历列车管压力所有采样点,根据列车管压力从平稳定压到压力下降的特征找到施加空气制动的所有点并计算每相邻两次施加空气制动的间隔时间,间隔时间不能小于制动缸充风时间,充风时间可由《牵规》中各类型制动机充风时间曲线图查出;
本实施例中列车空气制动缸充风时间为90秒,通过查询智能操纵系统控制数据,若发现两次施加空气制动的时间间隔为80s,则此处为操作错误。
根据智能操纵控制数据判断分相区内司控器的级位值是否为牵引级位或电制级位,若是,则确定为操作错误。
具体而言,列车操纵作业指导中规定分相区内司控器位置必须在0位,否则会对机车产生损害。本实施例中,通过查询智能操纵系统控制数据,若发现列车在分相区内司控器指令为牵引或电制,则此处为操作错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵控制数据计算空气制动实际缓解时间,并计算所述空气制动实际缓解时间与智能操纵系统计算的初始空气制动缓解时间之间的差值,若差值大于5秒,则确定为操作错误。并根据所述差值对智能操纵系统计算得到的初始空气制动缓解时间进行修正;
具体而言,遍历列车管压力所有采样点,根据列车管压力从减压后压力上升到定压值的特征找到空气制动缓解的过程并计算空气制动实际缓解时间。通过智能操纵系统控制数据查询初始空气制动缓解时间,计算实际缓解时间与初始空气制动缓解时间的差,若差值大于5秒,则确定为操作错误。空气制动实际缓解时间将用于校正智能操纵系统软件计算空气制动缓解时间模型的参数,通过多次校正,使初始缓解时间逐渐逼近实际缓解时间。
根据智能操纵控制数据判断列车实际运行时间是否与列车运行时刻表中的规划运行时间一致,若否,则确定运行时间错误。
具体而言,根据列车到达相邻两站的时刻计算运行时间,与列车时刻表规定的运行时间相减得到时间差,作为智能操纵系统准时性评价。
本实施例列车运行时刻表中从新丰六场到何寨运行时间为10分钟,通过查询智能操纵系统控制数据发现列车实际运行时间为10.9分钟,则确定为运行时间错误。
进一步地,所述根据校验规则对分段数据进行校验,包括:
根据机车的智能操纵优化原始数据和控制数据判断起车点位置是否与列车运行交路数据中的位置一致,若否,则确定为位置错误;
具体而言,智能操纵优化原始数据和智能操纵控制数据中起车点的公里标应该与线路配置文件中的起车点公里标一致。否则会对列车运行安全性产生影响。
本实施例列车交路数据中起车位置为860m,若实际起车位置为830m,二者不一致,则此处为位置错误。
根据智能操纵控制数据判断贯通试验起始点位置是否在列车操纵作业规定范围内,若否,则确定为位置错误。
具体而言,遍历智能操纵优化原始数据及智能操纵控制数据,找到实际贯通试验位置。实际贯通试验位置与列车操纵作业指导规定的贯通试验位置之间不能超过200m。
列车操纵作业指导规定在位置3520m处进行贯通试验,若实际运行中列车在3750m位置处进行贯通试验,与规定贯通试验位置差距230m,则此处为位置错误。
进一步地,所述根据校验规则对所述分段数据进行校验之后,还包括:
采用公式
F=∑α·n
根据错误类型和错误数量对数据校验结果进行评价,其中,F为智能操纵评价值,α为异常点权值,n为异常点数量。
具体而言,根据异常点类型、数量加权计算得出本次优化操纵策略评价。作为本发明一个实施例,根据异常点类型对铁路行车影响制定异常点权值如表1。
表1
异常类型 | 权值 | 影响 |
速度错误(c,d,e(2),i1) | 2.0 | 严重 |
位置错误(e(1),f,j) | 1.2 | 较重 |
操作错误(h,k,i2) | 0.7 | 一般 |
运行时间错误(l) | 0.5 | 较轻 |
采样错误(a,b) | 0.1 | 轻 |
采样错误影响机车智能操纵的平稳性,对运行安全性影响不大,故设定较低权值;速度错误影响机车运行的安全性,可能导致严重事故,故设定高权值;位置错误、操作错误、运行时间错误属于可纠正错误,但仍是铁路运营方高度关注的且可能导致其他事故的错误,故根据错误严重程度设置较高权值。根据智能操纵系统的目标,设计智能操纵策略评价体系,表2为本实施例智能操纵策略评价表。
表2
如图2所示,将司机驾驶速度曲线,司机驾驶限速曲线,优化速度曲线,优化限速曲线,自动控制限速曲线,自动控制速度曲线,自动控制列车管压曲线,自动控制制动缸压曲线绘制在同一图中。同时将车站标识、分相区标识、信号灯标识、线路公里标、线路坡度、线路曲线,线路分类,运行时间及上述异常点位置等图示标示在图中相应位置作为示意。该智能操纵曲线图直观显示智能操作运行效果。本实施例中,在异常点后面标示出了发生错误的位置(公里标),共检测出6个位置错误,9个采样错误,1个运行时间错误,操纵策略评价结果为“差”。
本申请的制定智能操纵策略数据的校验规则。规则是根据铁路运行相关规定及机车节能优化要求制定,规则可以保证机车运行安全、平稳、准时。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种机车智能操纵系统数据校验方法,其特征在于,包括:
提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表;
根据车站公里标对所述机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行分段获得分段数据;
根据校验规则对所述分段数据进行校验。
2.根据权利要求1所述的方法,其特征在于,所述提取机车的智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表之后,还包括:
对所述智能操纵优化原始数据、智能操纵控制数据、机车运行日志、列车运行交路数据和列车运行时刻表进行预处理。
3.根据权利要求1所述的方法,其特征在于,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据判断全程的优化速度数据任意相邻两点之间的速度差是否大于1km/h,若是,则确定为采样错误;
根据智能操纵优化原始数据判断全程优化速度数据任意相邻两点间的距离是否大于20m,若是,则确定为采样错误。
4.根据权利要求1所述的方法,其特征在于,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵优化原始数据、智能操纵控制数据判断匀速平走阶段优化速度及实际速度与机车运行日志中的限速速度差是否小于2km/h,若是,则确定为速度错误;
根据智能操纵控制数据判断机车的出站速度与进站速度是否高于道岔限速,若是,则确定为速度错误;
根据智能操纵控制数据和列车运行交路数据判断贯通试验起始点速度是否在列车操纵作业规定范围内,若否,则确定为速度错误;
根据智能操纵控制数据判断分相区入口速度是否低于列车操纵作业规定中的要求速度,若是,则确定为速度错误。
5.根据权利要求1所述的方法,其特征在于,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵控制数据判断相邻两次空气制动间隔时间是否小于制动缸充风时间,若是,则确定操作错误;
根据智能操纵控制数据判断分相区内司控器的级位是否为牵引级位或电制级位,若是,则确定为操作错误;
根据智能操纵控制数据判断进站停车过程中速度在15~0km/h时是否存在牵引挡位,若是,则确定为操作错误。判断速度在5~0km/h时是否存在除空气制动挡位之外的其他挡位,若是,则确定为操作错误;
根据智能操纵控制数据计算空气制动缓解时间,并计算所述空气制动缓解时间与智能操纵系统计算的初始空气制动缓解时间之间的差值,若差值大于5秒,则确定为操作错误。
6.根据权利要求5所述的方法,其特征在于,所述若差值大于5秒,则确定为操作错误之后,还包括:
根据所述差值对智能操纵系统计算得到的初始空气制动缓解时间进行修正。
7.根据权利要求1所述的方法,其特征在于,所述根据校验规则对分段数据进行校验,包括:
根据智能操纵控制数据判断列车实际运行时间是否与列车运行时刻表中的规划运行时间一致,若否,则确定运行时间错误。
8.根据权利要求1所述的方法,其特征在于,所述根据校验规则对分段数据进行校验,包括:
根据机车的智能操纵优化原始数据和控制数据判断起车点位置是否与列车运行交路数据中的位置一致,若否,则确定为位置错误;
根据智能操纵控制数据判断机车在减速停车过程中的关键点位置与列车操纵作业规定中的要求位置是否一致,若否,则确定为位置错误;
根据智能操纵控制数据判断贯通试验起始点位置是否在列车操纵作业规定范围内,若否,则确定为位置错误。
9.根据权利要求1所述的方法,其特征在于,所述根据校验规则对所述分段数据进行校验之后,还包括:
采用公式
F=∑α·n
根据错误类型和错误数量对数据校验结果进行评价,其中,F为智能操纵评价值,α为异常点权值,n为异常点数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304661.2A CN110941517A (zh) | 2019-12-17 | 2019-12-17 | 一种机车智能操纵系统数据校验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304661.2A CN110941517A (zh) | 2019-12-17 | 2019-12-17 | 一种机车智能操纵系统数据校验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941517A true CN110941517A (zh) | 2020-03-31 |
Family
ID=69911796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911304661.2A Pending CN110941517A (zh) | 2019-12-17 | 2019-12-17 | 一种机车智能操纵系统数据校验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941517A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562313A (zh) * | 2020-11-02 | 2021-03-26 | 北京全路通信信号研究设计院集团有限公司 | 一种优化分段制动减速度模型的方法 |
CN115092215A (zh) * | 2022-05-24 | 2022-09-23 | 卡斯柯信号有限公司 | 一种基于连接关系的交路检查方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008187809A (ja) * | 2007-01-29 | 2008-08-14 | Mitsubishi Electric Corp | 自動列車制御装置 |
CN201917793U (zh) * | 2010-12-14 | 2011-08-03 | 南车南京浦镇车辆有限公司 | 城市轨道交通atc系统仿真测试平台 |
CN104787091A (zh) * | 2015-04-28 | 2015-07-22 | 北京交通大学 | 一种列车自动驾驶控车效果监测系统 |
CN104913942A (zh) * | 2015-06-25 | 2015-09-16 | 株洲南车时代电气股份有限公司 | 一种列车自动运行系统的检测系统 |
-
2019
- 2019-12-17 CN CN201911304661.2A patent/CN110941517A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008187809A (ja) * | 2007-01-29 | 2008-08-14 | Mitsubishi Electric Corp | 自動列車制御装置 |
CN201917793U (zh) * | 2010-12-14 | 2011-08-03 | 南车南京浦镇车辆有限公司 | 城市轨道交通atc系统仿真测试平台 |
CN104787091A (zh) * | 2015-04-28 | 2015-07-22 | 北京交通大学 | 一种列车自动驾驶控车效果监测系统 |
CN104913942A (zh) * | 2015-06-25 | 2015-09-16 | 株洲南车时代电气股份有限公司 | 一种列车自动运行系统的检测系统 |
Non-Patent Citations (3)
Title |
---|
卫东: "基于多目标的城市轨道交通ATO控制策略优化设计及仿真" * |
史宁娟;姚蔼龄;李亮;: "高速铁路ATO系统仿真测试技术研究" * |
张强: "基于遗传算法的列车自动驾驶系统研究与实现" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562313A (zh) * | 2020-11-02 | 2021-03-26 | 北京全路通信信号研究设计院集团有限公司 | 一种优化分段制动减速度模型的方法 |
CN115092215A (zh) * | 2022-05-24 | 2022-09-23 | 卡斯柯信号有限公司 | 一种基于连接关系的交路检查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102376075B (zh) | 基于cbtc的轨道交通线路运输能力评估方法 | |
CN103150930A (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN104575050B (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN110941517A (zh) | 一种机车智能操纵系统数据校验方法 | |
CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
CN104554299B (zh) | 基于atp/td环线制式的列车自动驾驶方法 | |
CN103198713A (zh) | 基于交通数据和天气数据的减少交通事故的车辆调控方法 | |
CN113401173B (zh) | 列车运行控制方法、装置、电子设备及存储介质 | |
CN109910894A (zh) | 自动驾驶专用车道自动、手动模式切换系统及其应用 | |
CN112977546B (zh) | 轨道交通列车的追踪间隔的缩变调整控制方法 | |
CN111797473A (zh) | 一种地铁列车正线运行仿真计算方法及装置 | |
CN103354030A (zh) | 利用浮动公交车can总线信息判别道路交通状况的方法 | |
CA2884113C (en) | Cumulative inertial tractive effort | |
CN111090929A (zh) | 一种重载铁路通过能力计算方法 | |
CN103198709B (zh) | 一种雨天状况下减少交通事故的车辆调控方法 | |
CN104916141A (zh) | 一种基于地磁检测的升降式限高架智能升降限高控制方法 | |
CN113283065A (zh) | 基于列车运行仿真的地铁区间风井设置方法 | |
CN103529703B (zh) | 用于列车自动控制系统的限速曲线的方法 | |
US11926356B1 (en) | Method and device for multi-train operation trend deduction | |
CN109752590B (zh) | 一种基于数据驱动的电动公交能耗估计方法 | |
CN112885115B (zh) | 一种爬坡车道路段的引导方法 | |
CN114620097B (zh) | 一种轨道交通市区交叉口碰撞预警方法及系统 | |
CN113753100A (zh) | 一种轨道交通车辆运营仿真方法及系统 | |
CN103198712B (zh) | 一种雾天状态下减少交通事故的车辆调控方法 | |
Li et al. | Research on improved train automatic control strategy based on particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |