CN112102681B - 基于自适应策略的标准动车组驾驶仿真实训系统及方法 - Google Patents

基于自适应策略的标准动车组驾驶仿真实训系统及方法 Download PDF

Info

Publication number
CN112102681B
CN112102681B CN202011235528.9A CN202011235528A CN112102681B CN 112102681 B CN112102681 B CN 112102681B CN 202011235528 A CN202011235528 A CN 202011235528A CN 112102681 B CN112102681 B CN 112102681B
Authority
CN
China
Prior art keywords
course
train
training
type
types
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.)
Active
Application number
CN202011235528.9A
Other languages
English (en)
Other versions
CN112102681A (zh
Inventor
何宙
黄成周
唐中军
耿超
章磊
李跃宗
王坤
叶东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Yunda Technology Co Ltd
Original Assignee
Chengdu Yunda Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Yunda Technology Co Ltd filed Critical Chengdu Yunda Technology Co Ltd
Priority to CN202011235528.9A priority Critical patent/CN112102681B/zh
Publication of CN112102681A publication Critical patent/CN112102681A/zh
Application granted granted Critical
Publication of CN112102681B publication Critical patent/CN112102681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于自适应策略的标准动车组驾驶仿真实训系统及方法，该方法包括：外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；将获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；参训人员根据对应的仿真逻辑进行列车仿真操作。本发明提供了自动为参训人员匹配训练课程，给出了一个完整的标准动车组驾驶仿真实训流程。

Description

基于自适应策略的标准动车组驾驶仿真实训系统及方法
技术领域
本发明涉及标准动车组模拟驾驶仿真培训技术领域，具体涉及基于自适应策略的标准动车组驾驶仿真实训系统及方法。
背景技术
标准动车组是国家为实现国内动车组标准一致，动车组间能够互联互通、互为备用而自主研制的新型动车组。从2017年投入运行至今，标准动车组的足迹已踏遍了国土的东南西北。随着标准动车组的使用范围不断扩大，司乘人员不断增多，如何在人员规模不断增加的情况下继续保持其专业水准和高效培训是当前行业的迫切需求。
在标准动车组投入应用之前，已然有大量的轨道交通车辆驾驶仿真培训系统，但其优势和弊端也不断显现出来。优势是，在借助驾驶仿真培训系统进行培训后，极大地减少了训练资源短缺的问题，避免了实训过程中容易引发的安全事故，在一定程度上缓解了教员的教学压力。弊端有，一是参训人员训练过程对教员的依赖性较强，二是训练课程是否存在知识盲区，三是参训人员训练成绩是否具有偶然性，四是参训人员对所有训练内容是否熟练掌握。
发明内容
本发明所要解决的技术问题是传统的轨道交通车辆驾驶仿真培训系统对参训人员的培训与评价缺乏客观性，参训人员训练过程对教员的依赖性较强，训练课程存在知识盲区，参训人员训练成绩具有偶然性，且参训人员对所有训练内容是否熟练掌握很难把控；进而导致现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题。
本发明目的在于提供基于自适应策略的标准动车组驾驶仿真实训系统及方法，本发明在真实还原标准动车组功能业务逻辑、铁路现场运营场景的基础上，构建参训人员能力考核模型并制定培训课程计划，从根本上改变主观课程设计模式，避免参训人员规避技能短处、减少课程冗余，提高训练效率；培训课程计划做到因人而异，根据参训人员对标准动车组列车司机的先在知识和培训要求制定相应计划，参照能力考核模型和知识面覆盖度构建阶段学习目标，能力达标时进行更高级别的课程训练，不达标时自动重温该级别或退回低级别训练课程；参训人员培训课程计划制定完成后，教员无需参与标准动车组列车司机培训课程，系统自主分析参训人员是否达到最终培训要求，达到即参训人员培训合格。因此，开发一种科学高效、无需教员职守、参训人员能够自主智能学习的标准动车组驾驶仿真实训方法具有重要意义。
本发明通过下述技术方案实现：
基于自适应策略的标准动车组驾驶仿真实训系统，包括外部环境模拟装置、参训人员评估装置以及动车组驾驶仿真模拟装置；
所述外部环境模拟装置，用于获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
所述参训人员评估装置，用于将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
所述动车组驾驶仿真模拟装置，用于根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
本发明设计了基于自适应策略的标准动车组驾驶仿真实训系统，该系统包括外部环境模拟装置、参训人员评估装置以及动车组驾驶仿真模拟装置；本发明用于标准动车组功能业务逻辑仿真、铁路现场运营场景还原、无人职守培训考核体系构建、自主智能客观考评、能力培训计划自适应匹配等，首先，外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；其次，参训人员评估装置将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；最后，动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
本发明解决了现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题，给出了一个完整的标准动车组驾驶仿真实训方法；本发明对列车驾驶仿真培训具有先进性、开拓性，能较好的为中国铁路发展奠定坚实的基础。
进一步地，所述参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，所述参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型均是基于标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息得到。
进一步地，所述参训人员课程掌握程度模型为
Figure 907509DEST_PATH_IMAGE002
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 869649DEST_PATH_IMAGE004
，实施时：
Figure 701338DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 268586DEST_PATH_IMAGE008
；
Figure 629160DEST_PATH_IMAGE010
为课程场景影响因子a对应的课程掌握程度的权重系数，
Figure 281858DEST_PATH_IMAGE012
；Y为参训人员的课程掌握程度。
课程场景影响因子a对应的课程掌握程度的权重系数
Figure 667971DEST_PATH_IMAGE010
根据最小二乘法求解
Figure 558567DEST_PATH_IMAGE014
，其中，
Figure 621201DEST_PATH_IMAGE016
代表矩阵求逆，
Figure 495616DEST_PATH_IMAGE018
代表矩阵求转置。
进一步地，所述参训人员求知欲度模型为
Figure 934688DEST_PATH_IMAGE020
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 945369DEST_PATH_IMAGE004
，实施时：
Figure 178904DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 540615DEST_PATH_IMAGE008
；
Figure 517799DEST_PATH_IMAGE022
为课程场景影响因子a对应的求知欲度的权重系数，
Figure 382986DEST_PATH_IMAGE024
。
进一步地，根据参训人员的课程掌握程度与求知欲度计算其符合现场实际培训需求的相似度
Figure 787423DEST_PATH_IMAGE026
，式中，y i和z i分别为同一课程对应的课程掌握程度和求知欲度，i为参训人员课程序号，N为所有参训人员课程总量；再根据所述相似度构建相应的考核体系，进而结合相应的课程体系与教学计划实施实现参训人员知识面覆盖度w与功能业务能力提升计算；
所述参训人员知识面覆盖度模型为
Figure 888628DEST_PATH_IMAGE028
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 403923DEST_PATH_IMAGE004
，实施时：
Figure 389196DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 964534DEST_PATH_IMAGE008
；X 3为课程场景影响因子a对应的知识面覆盖度的权重系数，
Figure 300837DEST_PATH_IMAGE030
。
进一步地，所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
另一方面，本发明还提供了基于自适应策略的标准动车组驾驶仿真实训方法，该方法应用于所述的基于自适应策略的标准动车组驾驶仿真实训系统，该方法包括以下步骤：
S1：外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
S2：将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
S3：动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
进一步地，步骤S2中的参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，其中：
所述参训人员课程掌握程度模型的执行过程如下：
S201：设定所述课程场景影响因子为
Figure 619823DEST_PATH_IMAGE004
，其中θ i为各个课程场景影响因子的具体取值，且θ i≠0；
S202：根据培训考核体系，参训人员的技能考核和能力层级成绩计算方法为
Figure 459603DEST_PATH_IMAGE032
，其中
Figure 205842DEST_PATH_IMAGE012
为课程场景影响因子对应的课程掌握程度的权重系数；
S203：将课程场景影响因子
Figure 763863DEST_PATH_IMAGE004
作为参训人员的课程掌握程度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure 620960DEST_PATH_IMAGE008
，计算所有参训人员的成绩为
Figure 580826DEST_PATH_IMAGE034
，其中，y i=a i X 1；
S204：根据最小二乘法求解课程场景影响因子的权重系数
Figure 248699DEST_PATH_IMAGE014
，其中，
Figure 559594DEST_PATH_IMAGE016
代表矩阵求逆，
Figure 954804DEST_PATH_IMAGE018
代表矩阵求转置，即得到参训人员训练标准动车组驾驶仿真实训考题及参训人员的课程掌握程度；
所述参训人员求知欲度模型的执行过程如下：
S211：根据课程场景影响因子
Figure 769176DEST_PATH_IMAGE004
与培训考核体系计算参训人员求知欲度z=aX 2，其中
Figure 122797DEST_PATH_IMAGE024
为课程场景影响因子对应的求知欲度的权重系数；
S212：将课程场景影响因子
Figure 655409DEST_PATH_IMAGE004
作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure 854310DEST_PATH_IMAGE036
，计算所有参训人员的求知欲度为
Figure 523188DEST_PATH_IMAGE038
，其中，z i=a i X 2；
S213：根据最小二乘法求解课程场景影响因子的权重系数X 2，即得到标准动车组驾驶仿真实训考题对应的参训人员求知欲度；
所述参训人员知识面覆盖度模型的执行过程如下：
S221：根据课程场景影响因子
Figure 47711DEST_PATH_IMAGE004
与相似度
Figure 67619DEST_PATH_IMAGE040
求解参训人员已达到的知识面覆盖度w =aX 3，其中
Figure DEST_PATH_IMAGE041
为课程场景影响因子对应的知识面覆盖度的权重系数；
S222：将课程场景影响因子
Figure 319478DEST_PATH_IMAGE004
作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure DEST_PATH_IMAGE043
，计算所有参训人员的知识面覆盖度为
Figure DEST_PATH_IMAGE045
，其中，w i=a i X 3；
S213：根据最小二乘法求解课程场景影响因子的权重系数X 3，即得到参训人员在标准动车组驾驶仿真实训考题库中已达到的知识面覆盖度。
进一步地，还包括：步骤S2中根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，且对培训人员进行考核，考核结果进行自主智能统计反馈分析，具体包括：
S31：根据制定的参训人员定制化课程计划，进入自适应策略课程考培模式；
S32：确定参训人员当前课程计划；
S33：执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求，如果满足当前级别能力要求，那么继续判断是否满足最终能力要求；如果不满足当前级别能力要求，那么判断是否满足更低级别（低一级别）能力要求：若满足更低级别（低一级别）能力要求，则重复当前级别课程计划，返回执行S32；若不满足更低级别（低一级别）能力要求，则返回更低级别（低二级别）课程计划，返回执行S32；
S34：判断是否满足最终能力要求：若满足最终能力要求，则参训人员培训合格；否则进入更高级别（高一级别）课程计划，返回执行S32。
其中，步骤S33中执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求；具体实现步骤如下：
设定参训人员当前的求知欲度为
Figure DEST_PATH_IMAGE047
、知识面覆盖度为
Figure DEST_PATH_IMAGE049
，课程掌握程度阶段目标为
Figure DEST_PATH_IMAGE051
；参训人员上一阶段的课程掌握程度阶段目标为y 00；参训人员一次训练课程结束后对应的成绩为
Figure DEST_PATH_IMAGE053
；
若y 1<y 0，则重复训练当前的课程掌握程度阶段目标课程；
若y 1<y 00，则重温前期上一阶段的课程掌握程度阶段目标学习课程；
若y 1≥y 0，则进入比当前的课程掌握程度阶段目标更高能力层级的课程。
进一步地，步骤S1中所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
进一步地，所述动车组驾驶仿真模拟装置包括标准动车组驾驶仿真系统、参训人员系统和其他系统，其中：
标准动车组驾驶仿真系统包括牵引制动系统、列控系统、地面环境系统、车辆电气控制系统与教学管理系统等，结合硬件设备完成系统功能；
装配标准动车组驾驶仿真模拟系统的硬件设备，真实再现司机室内部布局，通过视景仿真和声音仿真还原司机室视觉效果和听觉效果；
根据列车动力学原理建立列车运动模型，模拟列车电路系统、牵引系统、制动系统，建立设备与功能之间的电路逻辑、控制机理，保证列车运行的基本实现系统；
建立列车信号调度仿真系统，根据不同信号的要求实时调整操纵方法，同时支持调度系统要求的单机运行和多列车联合演练的要求；
集中管理实时共享数据和模块间的接口数据，同一批数据在不同模块需同时进行计算或结束计算，避免因数据不同步引起的运行误差或异常行车。
进一步地，该仿真实训方法适应于标准动车组驾驶仿真中无人职守、自主智能的客观培养模式上。
具体地：本发明步骤S2的具体实现如下：
S2：将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；具体执行过程为：
（1）课程场景影响因子包括列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级，常量和这7个维度对应的变量分别为
Figure DEST_PATH_IMAGE055
；
（2）求解课程掌握程度
Figure DEST_PATH_IMAGE057
时，课程场景影响因子
Figure DEST_PATH_IMAGE059
对应的变量系数设为
Figure DEST_PATH_IMAGE061
；
（3）根据考核思路，参训人员对课程掌握程度模型可以用线性方程表示：
Figure DEST_PATH_IMAGE063
（式①）
（4）当训练样本足够多，数量为m时，则有
Figure DEST_PATH_IMAGE065
（式②）
（5）式②所述的线性方程组可以表示为：
Figure DEST_PATH_IMAGE067
（式③）
即
Figure DEST_PATH_IMAGE069
；
（6）用最小二乘法求系数矩阵
Figure DEST_PATH_IMAGE071
的最优解，定义样本数m大于课程场景影响因子数，对应的损失函数定义为
Figure DEST_PATH_IMAGE073
；
（7）根据最小二乘法原理，对损失函数对
Figure 780546DEST_PATH_IMAGE071
向量求导取0，结果如下式：
Figure DEST_PATH_IMAGE075
（式④）
（8）式④经整理可得：
Figure DEST_PATH_IMAGE077
； （式⑤）
（9）式⑤左右两边同时左乘
Figure DEST_PATH_IMAGE079
可得：
Figure DEST_PATH_IMAGE081
； （式⑥）
（10）已知矩阵A和向量矩阵Y时，即可通过式⑥求得适用于考核课程掌握程度
Figure DEST_PATH_IMAGE083
的最优系数向量
Figure DEST_PATH_IMAGE085
，即
Figure DEST_PATH_IMAGE087
；
（11）求解求知欲值
Figure DEST_PATH_IMAGE089
时，影响因子
Figure DEST_PATH_IMAGE091
对应的变量系数设为
Figure DEST_PATH_IMAGE093
；
（12）求解知识覆盖度
Figure DEST_PATH_IMAGE095
时，影响因子
Figure 852801DEST_PATH_IMAGE091
对应的变量系数设为
Figure DEST_PATH_IMAGE097
；
（13）同理，求解同一课程对应的求知欲值
Figure DEST_PATH_IMAGE099
和知识覆盖度
Figure 360005DEST_PATH_IMAGE095
的计算公式为：
Figure DEST_PATH_IMAGE101
（式⑦）
Figure DEST_PATH_IMAGE103
（式⑧）
（14）参考步骤（6）~（10），由最小二乘法的矩阵解法求得适用于求解求知欲度
Figure 244916DEST_PATH_IMAGE099
的最优系数向量
Figure DEST_PATH_IMAGE105
、求解知识覆盖度
Figure 153966DEST_PATH_IMAGE095
的最优向量系数
Figure DEST_PATH_IMAGE107
；
（15）3组最优向量系数解出后，对于一节确定的课程有
Figure DEST_PATH_IMAGE109
（式⑨）
（16）根据每个参训人员的具体培养计划，设下次培训的3个指标期望值分别为
Figure DEST_PATH_IMAGE111
，设同时满足这3组期望值的课程对应的7个课程场景影响因子分别为
Figure 535138DEST_PATH_IMAGE113
。期望值和系数矩阵已知，此时方程式的个数小于未知数的个数，满足要求的课程不唯一。
（17）根据步骤（15）和步骤（16），求解式⑨：
i1、式⑨对应的系数矩阵为
Figure 529639DEST_PATH_IMAGE115
i2、其增广矩阵为
Figure 608453DEST_PATH_IMAGE117
i3、对增广矩阵进行初等变换，设得到的新矩阵为
Figure 372010DEST_PATH_IMAGE119
i4、式⑨同解的方程组为
Figure 143657DEST_PATH_IMAGE121
i5、此时求得的方程组解有多个，可根据具体情况对课程场景影响因子
Figure 625454DEST_PATH_IMAGE123
设定条件添加额外的限制条件，如提升线路难度等级、练习某种信号类型、确定课程类型等不多于4个的限定条件；得到的解
Figure 773538DEST_PATH_IMAGE124
对应的课程即为适合限定条件下的优选课程。
i6、在参训人员培训过程中，同时使用培训次数φ对课程场景影响因子进行修正，减少特定课程场景影响因子的冗余训练，提升培训效率。设
Figure 126022DEST_PATH_IMAGE126
为第i个影响因子，
Figure 334149DEST_PATH_IMAGE128
为对应的修正系数，则有
Figure 788396DEST_PATH_IMAGE130
（式⑩）
i7、同时若某一具体课程场景影响因子已达到训练频次要求时，该因子自动不纳入限定条件范围内，如有需要增加对该影响因子的重复训练，可修改对应的限定训练频次或自主建立课程进行训练。
（18）、若参训人员已满足当前阶段指标要求，则可进行更高级别训练课程，否则继续按原级、甚至退回更低级别进行训练。
本发明与现有技术中的统仿真培训课程相比，具有如下的优点和有益效果：
1、本发明降低人工建立课程的繁琐性，避免个人主观意念造成的训练偏好；本发明大幅减少教员陪同教学的时间，节约人工成本；本发明按照培养期望计划，参训人员可自主进行展开训练计划，匹配课程。
2、本发明智能优选课程能够科学、全面的覆盖参训人员需要掌握的所有训练内容，保证每一课程影响因子的最低训练频次，避免存在冗余、知识盲区的训练；本发明训练课程智能组合模式也可有效提高参训人员处理各种突发事件能力，对提高轨道交通列车的运行安全性具有重大作用。
3、本发明解决了现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题，给出了一个完整的标准动车组驾驶仿真实训方法；本发明对列车驾驶仿真培训具有先进性、开拓性，能较好的为中国铁路发展奠定坚实的基础。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于自适应策略的标准动车组驾驶仿真实训系统框图。
图2为本发明基于自适应策略的标准动车组驾驶仿真实训方法流程图。
图3为本发明步骤S2中根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，且对培训人员进行考核，考核结果进行自主智能统计反馈分析的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例1
如图1至图3所示，本发明基于自适应策略的标准动车组驾驶仿真实训系统，如图1所示，该系统包括外部环境模拟装置、参训人员评估装置以及动车组驾驶仿真模拟装置；
所述外部环境模拟装置，用于获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
所述参训人员评估装置，用于将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
所述动车组驾驶仿真模拟装置，用于根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
本实施例中，所述参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，所述参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型均是基于标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息得到。
本实施例中，所述参训人员课程掌握程度模型为
Figure 209013DEST_PATH_IMAGE002
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 947162DEST_PATH_IMAGE004
，实施时：
Figure 60611DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 251421DEST_PATH_IMAGE008
；
Figure 475729DEST_PATH_IMAGE010
为课程场景影响因子a对应的课程掌握程度的权重系数，
Figure 68384DEST_PATH_IMAGE012
；Y为参训人员的课程掌握程度。
课程场景影响因子a对应的课程掌握程度的权重系数
Figure 618314DEST_PATH_IMAGE010
根据最小二乘法求解
Figure 30841DEST_PATH_IMAGE014
，其中，
Figure 58840DEST_PATH_IMAGE016
代表矩阵求逆，
Figure 506002DEST_PATH_IMAGE018
代表矩阵求转置。
本实施例中，所述参训人员求知欲度模型为
Figure 479030DEST_PATH_IMAGE020
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 378853DEST_PATH_IMAGE004
，实施时：
Figure 210543DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 512212DEST_PATH_IMAGE008
；
Figure 403944DEST_PATH_IMAGE022
为课程场景影响因子a对应的求知欲度的权重系数，
Figure 791063DEST_PATH_IMAGE024
。
本实施例中，根据参训人员的课程掌握程度与求知欲度计算其符合现场实际培训需求的相似度
Figure 160865DEST_PATH_IMAGE026
，式中，y i和z i分别为同一课程对应的课程掌握程度和求知欲度，i为参训人员课程序号，N为所有参训人员课程总量；再根据所述相似度构建相应的考核体系，进而结合相应的课程体系与教学计划实施实现参训人员知识面覆盖度w与功能业务能力提升计算；
所述参训人员知识面覆盖度模型为
Figure 582619DEST_PATH_IMAGE028
，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，
Figure 645253DEST_PATH_IMAGE004
，实施时：
Figure 254088DEST_PATH_IMAGE006
，其中θ i为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θ i≠0；A为课程场景影响因子a的计算空间矩阵，且
Figure 693160DEST_PATH_IMAGE008
；X 3为课程场景影响因子a对应的知识面覆盖度的权重系数，
Figure 720153DEST_PATH_IMAGE030
。
本实施例中，所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
工作原理是：
传统的轨道交通车辆驾驶仿真培训（主观仿真培训课程）对参训人员的培训与评价缺乏客观性，参训人员训练过程对教员的依赖性较强，训练课程存在知识盲区，参训人员训练成绩具有偶然性，且参训人员对所有训练内容是否熟练掌握很难把控；进而导致现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题。
本发明设计了基于自适应策略的标准动车组驾驶仿真实训系统，该系统包括外部环境模拟装置、参训人员评估装置以及动车组驾驶仿真模拟装置；本发明用于标准动车组功能业务逻辑仿真、铁路现场运营场景还原、无人职守培训考核体系构建、自主智能客观考评、能力培训计划自适应匹配等，首先，外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；其次，参训人员评估装置将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；最后，动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
本发明系统解决了现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题，给出了一个完整的标准动车组驾驶仿真实训方法；本发明对列车驾驶仿真培训具有先进性、开拓性，能较好的为中国铁路发展奠定坚实的基础。
实施例2
如图1至图3所示，本实施例与实施例1的区别在于，本实施例提供了基于自适应策略的标准动车组驾驶仿真实训方法，该方法应用于所述的基于自适应策略的标准动车组驾驶仿真实训系统，该方法包括以下步骤：
S1：外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
S2：将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
S3：动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作。
本实施例中，步骤S2中的参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，其中：
所述参训人员课程掌握程度模型的执行过程如下：
S201：设定所述课程场景影响因子为
Figure 688109DEST_PATH_IMAGE004
，其中θ i为各个课程场景影响因子的具体取值，且θ i≠0；
S202：根据培训考核体系，参训人员的技能考核和能力层级成绩计算方法为
Figure 49820DEST_PATH_IMAGE032
，其中
Figure 761424DEST_PATH_IMAGE012
为课程场景影响因子对应的课程掌握程度的权重系数；
S203：将课程场景影响因子
Figure 157771DEST_PATH_IMAGE004
作为参训人员的课程掌握程度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure 296628DEST_PATH_IMAGE008
，计算所有参训人员的成绩为
Figure 145635DEST_PATH_IMAGE034
，其中，y i=a i X 1；
S204：根据最小二乘法求解课程场景影响因子的权重系数
Figure 660930DEST_PATH_IMAGE014
，其中，
Figure 911783DEST_PATH_IMAGE016
代表矩阵求逆，
Figure 221542DEST_PATH_IMAGE018
代表矩阵求转置，即得到参训人员训练标准动车组驾驶仿真实训考题及参训人员的课程掌握程度；
所述参训人员求知欲度模型的执行过程如下：
S211：根据课程场景影响因子
Figure 557845DEST_PATH_IMAGE004
与培训考核体系计算参训人员求知欲度z=aX 2，其中
Figure 126098DEST_PATH_IMAGE024
为课程场景影响因子对应的求知欲度的权重系数；
S212：将课程场景影响因子
Figure 965878DEST_PATH_IMAGE004
作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure 712118DEST_PATH_IMAGE036
，计算所有参训人员的求知欲度为
Figure 270138DEST_PATH_IMAGE038
，其中，z i=a i X 2；
S213：根据最小二乘法求解课程场景影响因子的权重系数X 2，即得到标准动车组驾驶仿真实训考题对应的参训人员求知欲度；
所述参训人员知识面覆盖度模型的执行过程如下：
S221：根据课程场景影响因子
Figure 392815DEST_PATH_IMAGE004
与相似度
Figure 87101DEST_PATH_IMAGE040
求解参训人员已达到的知识面覆盖度w =aX 3，其中
Figure 4242DEST_PATH_IMAGE041
为课程场景影响因子对应的知识面覆盖度的权重系数；
S222：将课程场景影响因子
Figure 315137DEST_PATH_IMAGE004
作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵
Figure 975926DEST_PATH_IMAGE043
，计算所有参训人员的知识面覆盖度为
Figure 524719DEST_PATH_IMAGE045
，其中，w i=a i X 3；
S213：根据最小二乘法求解课程场景影响因子的权重系数X 3，即得到参训人员在标准动车组驾驶仿真实训考题库中已达到的知识面覆盖度。
本实施例中，还包括：步骤S2中根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，且对培训人员进行考核，考核结果进行自主智能统计反馈分析。如图3所示，具体包括：
S31：根据制定的参训人员定制化课程计划，进入自适应策略课程考培模式；
S32：确定参训人员当前课程计划；
S33：执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求，如果满足当前级别能力要求，那么继续判断是否满足最终能力要求；如果不满足当前级别能力要求，那么判断是否满足更低级别（低一级别）能力要求：若满足更低级别（低一级别）能力要求，则重复当前级别课程计划，返回执行S32；若不满足更低级别（低一级别）能力要求，则返回更低级别（低二级别）课程计划，返回执行S32；
S34：判断是否满足最终能力要求：若满足最终能力要求，则参训人员培训合格；否则进入更高级别（高一级别）课程计划，返回执行S32。
其中，步骤S33中执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求；具体实现步骤如下：
设定参训人员当前的求知欲度为
Figure 878340DEST_PATH_IMAGE047
、知识面覆盖度为
Figure 161685DEST_PATH_IMAGE049
，课程掌握程度阶段目标为
Figure 360585DEST_PATH_IMAGE051
；参训人员上一阶段的课程掌握程度阶段目标为y 00；参训人员一次训练课程结束后对应的成绩为
Figure 29463DEST_PATH_IMAGE053
；
若y 1<y 0，则重复训练当前的课程掌握程度阶段目标课程；
若y 1<y 00，则重温前期上一阶段的课程掌握程度阶段目标学习课程；
若y 1≥y 0，则进入比当前的课程掌握程度阶段目标更高能力层级的课程。
本实施例中，步骤S1中所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
本实施例中，该仿真实训方法适应于标准动车组驾驶仿真中无人职守、自主智能的客观培养模式上。
本发明实施时：
参训人员在训练过程中无需教员陪伴，只需按照教员设置的期望值进行匹配训练即可。本实例重点介绍该方法步骤S2中的参训人员评估流程。
首先，须获取较为全面的数据样本，该样本来源于同项目预设主观课程的训练数据，课程设置需覆盖大部分知识点。数据样本越多，意味着模型越为精确。当然也要剔除一些严重偏离实际的异常点，以减少拟合误差。
设定课程场景影响因子的取值范围均为10分，能力考核结果满分为100分。7个课程场景影响因子对应不同的取值方法：线路类型按线路条件复杂程度分为非常简单、简单、适中、难、非常难，对应的
Figure 553986DEST_PATH_IMAGE132
取值分别为1、3、5、7、10；信号类型目前主要有3种，为300T、300H、300S，对应
Figure 308315DEST_PATH_IMAGE134
的取值为4、7、10；工种类型分为整备作业、制动测试、地勤司机、正线司机，对应
Figure 310906DEST_PATH_IMAGE136
的取值为4、6、8、10；区段类型分为入库、出库、正线，对应
Figure 99871DEST_PATH_IMAGE138
的取值为3、6、10；课程类型分为培训类、考核类、测试类、非正常、故障类，
Figure DEST_PATH_IMAGE140
的取值为1、3、5、7、10，作业类型分为出乘、一次完整作业，
Figure DEST_PATH_IMAGE142
的取值为4、10；评价等级分为高级、中级、初级，对应
Figure DEST_PATH_IMAGE144
的取值为10、6、3。
取样本课程10组，训练过程中未出现扣分项。当考核课程掌握程度y时，按式②列出的方程组为：
Figure DEST_PATH_IMAGE146
对应的矩阵
Figure DEST_PATH_IMAGE148
系数矩阵
Figure DEST_PATH_IMAGE150
，此处借助MATLAB软件进行计算，解得：
Figure DEST_PATH_IMAGE152
则求解课程掌握程度的公式可表达为：
Figure DEST_PATH_IMAGE154
同理，按这10组样本数据求得的求解求知欲度
Figure DEST_PATH_IMAGE156
和知识覆盖度
Figure DEST_PATH_IMAGE158
的计算公式为：
Figure DEST_PATH_IMAGE160
按照参训人员的具体培养期望，设定下次培训的3个指标期望值分别为
Figure DEST_PATH_IMAGE162
，则可列出矩阵方程式：
Figure DEST_PATH_IMAGE164
此处为实施例求解方便，添加约束条件，选择线路类型对应的难度为难（分值为7分），选择课程类型为测试类（对应分值为5分），选择评价等级为难（对应分值为10分），即
Figure DEST_PATH_IMAGE166
，
Figure DEST_PATH_IMAGE168
，
Figure DEST_PATH_IMAGE170
，求解方程组。
得到简化后的方程组为：
Figure DEST_PATH_IMAGE172
；
当
Figure DEST_PATH_IMAGE174
（作业类型为出乘）时，得到
Figure 35773DEST_PATH_IMAGE134
≈1.4，
Figure 542977DEST_PATH_IMAGE136
≈2.7，
Figure DEST_PATH_IMAGE176
≈-7.5，取最贴近的可取参数，即
Figure DEST_PATH_IMAGE178
，
Figure DEST_PATH_IMAGE180
，
Figure DEST_PATH_IMAGE182
；当
Figure DEST_PATH_IMAGE184
（课程类型为一次完整作业）时，得到
Figure 395265DEST_PATH_IMAGE134
≈8.0，
Figure 38736DEST_PATH_IMAGE136
≈6.1，
Figure 905060DEST_PATH_IMAGE176
≈5.2，取最贴近的可取参数，即
Figure DEST_PATH_IMAGE186
，
Figure DEST_PATH_IMAGE188
，
Figure 899561DEST_PATH_IMAGE182
；
即得：
Figure DEST_PATH_IMAGE190
求解出来的解包括以上两个：第一个解说明参训人员培养期望的客观课程的线路类型为“难”，信号类型为“300T”，工种类型为“整备作业”，区段类型为“出库”，课程类型为“测试类”，作业类型为“出乘”，评价等级为“高级”；
第二个解说明参训人员培养期望的客观课程的线路类型为“难”，信号类型为“300H”，工种类型为“制动测试”，区段类型为“出库”，课程类型为“测试类”，作业类型为“一次完整作业”，评价等级为“高级”。
因此，以上课程即为参训人员匹配的客观课程，参训人员可以任意选择一节课进行训练，并输入到动车组驾驶仿真模拟装置中；进而动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；参训人员根据对应的仿真逻辑进行列车仿真操作，完成标准动车组驾驶仿真实训。
本发明方法解决了现有的动车组驾驶仿真实训系统不能自适应地为参训人员匹配训练课程等问题，给出了一个完整的标准动车组驾驶仿真实训方法；本发明对列车驾驶仿真培训具有先进性、开拓性，能较好的为中国铁路发展奠定坚实的基础。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于自适应策略的标准动车组驾驶仿真实训系统，其特征在于，包括外部环境模拟装置、参训人员评估装置以及动车组驾驶仿真模拟装置；
所述外部环境模拟装置，用于获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
所述参训人员评估装置，用于将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
所述动车组驾驶仿真模拟装置，用于根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作；
所述参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，所述参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型均是基于标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息得到；
所述参训人员课程掌握程度模型为Y＝AX1，其中，记作列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息为课程场景影响因子a，a＝(1，θ1，θ2，...，θn)，其中θi为列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息的具体取值，且θi≠0；A为课程场景影响因子a的计算空间矩阵，且A＝{a1，a2，...，am}T；X1为课程场景影响因子a对应的课程掌握程度的权重系数，X1＝{x10，x11，...，x1n}T；
课程场景影响因子a对应的课程掌握程度的权重系数X1根据最小二乘法求解X1＝(ATA)-1ATY，其中，{·}-1代表矩阵求逆，{·}T代表矩阵求转置；
所述参训人员求知欲度模型为Z＝AX2，其中，X2为课程场景影响因子a对应的求知欲度的权重系数，X2＝{x20，x21，...，x2n}T；
根据参训人员的课程掌握程度与求知欲度计算其符合现场实际培训需求的相似度
Figure FDA0002887955770000011
式中，yi和zi分别为同一课程对应的课程掌握程度和求知欲度，i为参训人员课程序号，N为所有参训人员课程总量；再根据所述相似度构建相应的考核体系，进而结合相应的课程体系与教学计划实施实现参训人员知识面覆盖度w与功能业务能力提升计算；
所述参训人员知识面覆盖度模型为W＝AX3，其中，X3为课程场景影响因子a对应的知识面覆盖度的权重系数，X3＝{x30，x31，...，x3n}T；
获得课程训练评估值，其中一节确定的课程有：
Figure FDA0002887955770000021
根据每个参训人员的具体培养计划，设下次培训的3个指标期望值分别为yp、zp、wp，设同时满足这3组期望值的课程对应的7个课程场景影响因子分别为θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p；
求解式⑨，求得的方程组解有多个，根据具体情况对课程场景影响因子θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p设定条件添加额外的限制条件，得到的解θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p对应的课程即为适合限定条件下的优选课程。
2.根据权利要求1所述的基于自适应策略的标准动车组驾驶仿真实训系统，其特征在于，所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
3.基于自适应策略的标准动车组驾驶仿真实训方法，其特征在于，该方法应用于如权利要求1至2中任意一项所述的基于自适应策略的标准动车组驾驶仿真实训系统，该方法包括以下步骤：
S1：外部环境模拟装置获取标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息；
S2：将从所述外部环境模拟装置获取的信息输入到参训人员模型中，获取参训人员的课程训练评估值；根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，并输入到动车组驾驶仿真模拟装置中；
S3：动车组驾驶仿真模拟装置根据参训人员需要参训的课程，匹配出对应的列车仿真逻辑；及参训人员根据对应的仿真逻辑进行列车仿真操作；
所述参训人员模型包括参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型，所述参训人员课程掌握程度模型、参训人员求知欲度模型、参训人员知识面覆盖度模型均是基于标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息得到；
所述参训人员课程掌握程度模型的执行过程如下：
S201：设定课程场景影响因子为a＝(1，θ1，θ2，...，θn)，其中θi为各个课程场景影响因子的具体取值，且θi≠0；
S202：根据培训考核体系，参训人员课程掌握程度计算方法为y＝aX1，其中X1＝{x10，x11，...，x1n}T为课程场景影响因子对应的课程掌握程度的权重系数；
S203：将课程场景影响因子a＝(1，θ1，θ2，...，θn)作为参训人员的课程掌握程度模型自变量，构建课程场景影响因子a的计算空间矩阵A＝{a1，a2，...，am}T，计算所有参训人员课程掌握程度为Y＝{yi，i＝0，1，...，m}T＝AX1，其中，yi＝aiX1；
S204：根据最小二乘法求解课程场景影响因子的权重系数X1＝(ATA)-1ATY，其中，{·}-1代表矩阵求逆，{·}T代表矩阵求转置，即得到参训人员训练标准动车组驾驶仿真实训考题及参训人员的课程掌握程度；
所述参训人员求知欲度模型的执行过程如下：
S211：根据课程场景影响因子a＝(1，θ1，θ2，...，θn)与培训考核体系计算参训人员求知欲度z＝aX2，其中X2＝{x20，x21，...，x2n}T为课程场景影响因子对应的求知欲度的权重系数；
S212：将课程场景影响因子a＝(1，θ1，θ2，...，θn)作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵A＝{a1，a2，...，am}T，计算所有参训人员的求知欲度为Z＝{zi，i＝0，1，...，m}T＝AX2，其中，zi＝aiX2；
S213：根据最小二乘法求解课程场景影响因子的权重系数X2，即得到标准动车组驾驶仿真实训考题对应的参训人员求知欲度；
所述参训人员知识面覆盖度模型的执行过程如下：
S221：根据课程场景影响因子a＝(1，θ1，θ2，...，θn)求解参训人员已达到的知识面覆盖度w＝aX3，其中X3＝{x30，x31，...，x3n}T为课程场景影响因子对应的知识面覆盖度的权重系数；
S222：将课程场景影响因子a＝(1，θ1，θ2，...，θn)作为参训人员的求知欲度模型自变量，构建课程场景影响因子a的计算空间矩阵A＝{a1，a2，...，am}T，计算所有参训人员的知识面覆盖度为W＝{wi，i＝0，1，...，m}T＝AX3，其中，wi＝aiX3；
S213：根据最小二乘法求解课程场景影响因子的权重系数X3，即得到参训人员在标准动车组驾驶仿真实训考题库中已达到的知识面覆盖度；
获得课程训练评估值，其中一节确定的课程有：
Figure FDA0002887955770000041
根据每个参训人员的具体培养计划，设下次培训的3个指标期望值分别为yp、zp、wp，设同时满足这3组期望值的课程对应的7个课程场景影响因子分别为θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p；
求解式⑨，求得的方程组解有多个，根据具体情况对课程场景影响因子θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p设定条件添加额外的限制条件，得到的解θ1p、θ2p、θ3p、θ4p、θ5p、θ6p、θ7p对应的课程即为适合限定条件下的优选课程。
4.根据权利要求3所述的基于自适应策略的标准动车组驾驶仿真实训方法，其特征在于，还包括：步骤S2中根据参训人员的课程训练评估值进行匹配，匹配出参训人员需要参训的课程，且对培训人员进行考核，考核结果进行自主智能统计反馈分析，具体包括：
S31：根据制定的参训人员定制化课程计划，进入自适应策略课程考培模式；
S32：确定参训人员当前课程计划；
S33：执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求，如果满足当前级别能力要求，那么继续判断是否满足最终能力要求；如果不满足当前级别能力要求，那么判断是否满足更低级别能力要求：若满足更低级别能力要求，则重复当前级别课程计划，返回执行S32；若不满足更低级别能力要求，则返回更低级别课程计划，返回执行S32；
S34：判断是否满足最终能力要求：若满足最终能力要求，则参训人员培训合格；否则进入更高级别课程计划，返回执行S32；
其中，步骤S33中执行参训人员当前级别预设课程，并进行考核结果智能分析，判断考核结果是否满足当前级别能力要求；具体实现步骤如下：
设定参训人员当前的求知欲度为z0、知识面覆盖度为w0，课程掌握程度阶段目标为y0；参训人员上一阶段的课程掌握程度阶段目标为y00；参训人员一次训练课程结束后对应的成绩为y1；
若y1<y0，则重复训练当前的课程掌握程度阶段目标课程；
若y1<y00，则重温前期上一阶段的课程掌握程度阶段目标学习课程；
若y1≥y0，则进入比当前的课程掌握程度阶段目标更高能力层级的课程。
5.根据权利要求3所述的基于自适应策略的标准动车组驾驶仿真实训方法，其特征在于，步骤S1中所述的标准动车组驾驶应用场景下的列车线路类型、列车信号类型、司机工种类型、列车区段类型、列车课程类型、列车作业类型、司机评价等级信息，其中：
列车线路类型按线路条件复杂程度包括非常简单、简单、适中、难、非常难；列车信号类型包括300T、300H、300S；司机工种类型包括整备作业、制动测试、地勤司机、正线司机；列车区段类型包括入库、出库、正线；列车课程类型包括培训类、考核类、测试类、非正常、故障类；列车作业类型包括出乘、一次完整作业；司机评价等级包括高级、中级、初级。
CN202011235528.9A 2020-11-09 2020-11-09 基于自适应策略的标准动车组驾驶仿真实训系统及方法 Active CN112102681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011235528.9A CN112102681B (zh) 2020-11-09 2020-11-09 基于自适应策略的标准动车组驾驶仿真实训系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011235528.9A CN112102681B (zh) 2020-11-09 2020-11-09 基于自适应策略的标准动车组驾驶仿真实训系统及方法

Publications (2)

Publication Number Publication Date
CN112102681A CN112102681A (zh) 2020-12-18
CN112102681B true CN112102681B (zh) 2021-02-09

Family

ID=73785182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011235528.9A Active CN112102681B (zh) 2020-11-09 2020-11-09 基于自适应策略的标准动车组驾驶仿真实训系统及方法

Country Status (1)

Country Link
CN (1) CN112102681B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598953B (zh) * 2020-12-30 2022-11-29 成都运达科技股份有限公司 一种基于列车驾驶仿真系统乘务员的评价系统及方法
CN113902598A (zh) * 2021-12-13 2022-01-07 成都运达科技股份有限公司 一种轨道交通多工种仿真培训智能化处理方法及系统
CN116453289B (zh) * 2022-01-06 2024-02-20 中国科学院心理研究所 一种基于心电信号的公交车驾驶安全预警方法及系统
CN115268301A (zh) * 2022-08-04 2022-11-01 马鞍山钢铁股份有限公司 一种用于行车仿真模拟运行的控制系统
CN117456797B (zh) * 2023-12-26 2024-03-15 成都运达科技股份有限公司 一种模拟驾驶实训接续方法、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1079096A (ja) * 1996-09-03 1998-03-24 Toshiba Corp 経路選択支援情報提供装置
US6720920B2 (en) * 1997-10-22 2004-04-13 Intelligent Technologies International Inc. Method and arrangement for communicating between vehicles
CN102074143A (zh) * 2010-12-30 2011-05-25 成都运达轨道交通设备有限公司 轨道列车驾驶仿真器操纵评价系统及其评价方法
CN102629298A (zh) * 2012-03-09 2012-08-08 北京交通大学 一种轨道交通系统运行安全评估方法
CN103518203A (zh) * 2010-11-24 2014-01-15 耐克国际有限公司 包括训练程序的自动化个人训练的方法和系统
CN103793396A (zh) * 2012-10-30 2014-05-14 中国石油化工股份有限公司 一种三维消防培训及演练评估方法及系统
CN105913713A (zh) * 2016-06-14 2016-08-31 成都运达科技股份有限公司 地铁调度仿真培训系统及方法
CN107851398A (zh) * 2015-04-03 2018-03-27 卡普兰股份有限公司 用于自适应评估和训练的系统及方法
CN109895794A (zh) * 2017-12-08 2019-06-18 北京通号国铁城市轨道技术有限公司 基于机器学习的列车自动驾驶系统精准停车方法及装置
CN111310294A (zh) * 2018-12-11 2020-06-19 深圳先进技术研究院 交通管理与控制服务指数的评价指标体系建立及发布方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230020B (zh) * 2017-05-27 2020-04-28 西南交通大学 评测高铁调度员工作组织效率的方法及其相关方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1079096A (ja) * 1996-09-03 1998-03-24 Toshiba Corp 経路選択支援情報提供装置
US6720920B2 (en) * 1997-10-22 2004-04-13 Intelligent Technologies International Inc. Method and arrangement for communicating between vehicles
CN103518203A (zh) * 2010-11-24 2014-01-15 耐克国际有限公司 包括训练程序的自动化个人训练的方法和系统
CN102074143A (zh) * 2010-12-30 2011-05-25 成都运达轨道交通设备有限公司 轨道列车驾驶仿真器操纵评价系统及其评价方法
CN102629298A (zh) * 2012-03-09 2012-08-08 北京交通大学 一种轨道交通系统运行安全评估方法
CN103793396A (zh) * 2012-10-30 2014-05-14 中国石油化工股份有限公司 一种三维消防培训及演练评估方法及系统
CN107851398A (zh) * 2015-04-03 2018-03-27 卡普兰股份有限公司 用于自适应评估和训练的系统及方法
CN105913713A (zh) * 2016-06-14 2016-08-31 成都运达科技股份有限公司 地铁调度仿真培训系统及方法
CN109895794A (zh) * 2017-12-08 2019-06-18 北京通号国铁城市轨道技术有限公司 基于机器学习的列车自动驾驶系统精准停车方法及装置
CN111310294A (zh) * 2018-12-11 2020-06-19 深圳先进技术研究院 交通管理与控制服务指数的评价指标体系建立及发布方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An adaptive framework to enhance microscopic traffic modelling: an online neuro-fuzzy approach";Kazemi,R;《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART D-JOURNAL OF AUTOMOBILE ENGINEERING》;20161130;第230卷(第13期);第1767-1779页 *
"城市轨道交通列车自动驾驶模拟驾驶平台的研究";薛振洲;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515(第05期);第C033-154页 *

Also Published As

Publication number Publication date
CN112102681A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112102681B (zh) 基于自适应策略的标准动车组驾驶仿真实训系统及方法
Marin et al. Elements of an optimal capstone design experience
CN111461442A (zh) 基于联邦学习的知识追踪的方法及系统
Delago et al. Learning lean philosophy through 3D game-based simulation
Pérez-Rodríguez et al. Integrating challenge-based-learning, project-based-learning, and computer-aided technologies into industrial engineering teaching: Towards a sustainable development framework
CN107392810A (zh) 一种基于指标权重学习和行为熵的微格教学综合评价方法
Pastor Artigues et al. Learning in engineering through design, construction, analysis and experimentation
CN116610945B (zh) 基于智能算法的学习平台数据记录系统
Aqlan et al. Integrating simulation games and virtual reality to teach manufacturing systems concepts
Incropera et al. Revising a mechanical engineering curriculum: The implementation process
Makarova et al. Virtual laboratories: Engineers’ training for automotive industry
Shaqour Using Modern Teaching Strategies to Improve Architectural Design Studio Pedagogy in West Bank.
Dzan et al. A study on project-based learning in a boat design and building university course
Harrington A STUDY OF FEEDBACK DIVERSITY IN TEACHING PHYSICAL EDUCATION.
Zhang et al. Study on application of bloom’s taxonomy in engineering project management course
Mistry et al. APIT: Evidences of aligning project based learning with various instructional strategies for enhancing knowledge in automobile engineering
CN110826925A (zh) 一种教学教师评教系统
McMullen et al. Implementation of a Hands-On Timber Truss Design Project in Structural Analysis
Venter et al. A contact-based practical approach to STEM projects in South Africa
Raiyn et al. A model for assessing the development of hot skills in students
CN118629286B (zh) 一种公路施工人员安全模拟培训系统
Sulistiyol et al. Implementation of Employability Skills: Making of Robot Transporter Trainer with DualShock Control 3 Base on ESP32
Merkuryeva Computer simulation in industrial management games
Dembitska et al. Formation of professional competence of students of technical specialties in the process of independent work by means of STEM-education
Ravindran et al. Adoption of outcome based education in engineering education during transition stage

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
GR01 Patent grant
GR01 Patent grant