CN114104038A - 列车控制方法、计算机设备及存储介质 - Google Patents

列车控制方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN114104038A
CN114104038A CN202010885424.6A CN202010885424A CN114104038A CN 114104038 A CN114104038 A CN 114104038A CN 202010885424 A CN202010885424 A CN 202010885424A CN 114104038 A CN114104038 A CN 114104038A
Authority
CN
China
Prior art keywords
train
control
operation data
evaluation
value
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
Application number
CN202010885424.6A
Other languages
English (en)
Inventor
颜航
卓开阔
刘伟华
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.)
BYD Co Ltd
Original Assignee
BYD 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 BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN202010885424.6A priority Critical patent/CN114104038A/zh
Priority to BR112023003442A priority patent/BR112023003442A2/pt
Priority to PCT/CN2021/114354 priority patent/WO2022042560A1/zh
Publication of CN114104038A publication Critical patent/CN114104038A/zh
Priority to US18/113,209 priority patent/US20230192163A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0058—On-board optimisation of vehicle or vehicle train operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • B61L27/16—Trackside optimisation of vehicle or train operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/60—Testing or simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本申请提供一种列车控制方法、计算机设备及存储介质，包括获取列车的控制级位并输出至列车牵引控制系统；在列车牵引控制系统工作过程中，获取列车运行数据并根据列车运行数据计算评价分数；将列车运行数据和评价分数输入到神经网络学习系统中以对列车的控制级位进行调整。本申请代替人工调试车辆以及运营环境带来的干扰，使得人工调试周期时间大幅缩短，列车能够更加稳定的实现精准停车。同时实现VOBC系统自动评价无需人工评价控车状态，自动识别出车辆性能变化或者运营环境变化。同时增加神经网络学习系统，将调整数据反馈回VOBC计算输出控车级位系统，可间接调整输出的控车级位，减少干扰带来的影响。

Description

列车控制方法、计算机设备及存储介质
技术领域
本发明涉及列车控制技术领域，尤其涉及一种列车控制方法、计算机设备及存储介质。
背景技术
目前，现有技术中为了实现列车精准停车，采用的方式是通过调试人员采集列车各控制级位输出的牵引力和制动力、以及车辆响应延时等车辆性能数据，将采集到的车辆性能数据预设至vobc系统中，vobc系统会根据采集的数据进行列车级位计算，实现精准停车。
现有方案主要存在以下不足：
(1)采集的数据精度不高。由于调试过程要求调试轨道无弯无坡，且调试期间无任何外界条件严重干扰，现实线路中该条件难以实现，且速度传感器以及轮径值等都存在一定误差，所以采集的列车性能数据会存在一定误差。
(2)调试周期长。由于采集的数据存在误差，只能通过多次采集才能够消除一部分的误差影响，这导致调试周期延长。
发明内容
本发明实施例提供一种列车控制方法、计算机设备及存储介质，以解决现有技术在实现列车精准停车过程中通过人工采集数据导致采集的数据精度不高以及调试周期长问题。
本申请第一方面提供一种列车控制方法，包括：
获取列车的控制级位并输出至列车牵引控制系统；
在所述列车牵引控制系统工作过程中，获取列车运行数据并根据所述列车运行数据计算评价分数；
将所述列车运行数据和所述评价分数输入到神经网络学习系统中以对所述列车的控制级位进行调整。
本申请第二方面提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明第一方面所述方法的步骤。
本申请第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述方法的步骤。
本申请提供一种列车控制方法、计算机设备及存储介质，列车控制方法包括获取列车的控制级位并输出至列车牵引控制系统；在列车牵引控制系统工作过程中，获取列车运行数据并根据列车运行数据计算评价分数；将列车运行数据和评价分数输入到神经网络学习系统中以对列车的控制级位进行调整。本申请代替人工调试车辆以及运营环境带来的干扰，使得人工调试周期时间大幅缩短，列车能够更加稳定的实现精准停车。同时控车状态进行评价,使VOBC对实际列车运行数据与计算数据进行比较评价，可实现VOBC系统自动评价无需人工评价控车状态，VOBC可自动识别出车辆性能变化或者运营环境变化。同时增加神经网络学习系统，使VOBC可根据控车状态评价系统识别的干扰进行定向的调整，并将调整数据反馈回VOBC计算输出控车级位系统，可间接调整输出的控车级位，减少干扰带来的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一实施例中一种列车控制方法的一流程图；
图2是本发明一实施例中一种列车控制方法中步骤S102的流程图；
图3是本发明一实施例中一种列车控制方法中步骤S103的流程图；
图4是本发明一实施例中一种列车控制方法的另一流程图；
图5是本发明一实施例中一种列车控制方法的另一流程图；
图6是本发明一实施例中一种列车控制装置的结构示意图；
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
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。
本申请实施例提供的一种列车控制方法，可应用VOBC(Vehicle On-boardController，车载控制器)中，自动识别不同场景干扰并且能够对干扰做出相应的调整，通过在VOBC内部增加控车状态评价系统和神经网络学习系统来实现自动精准停车。
在一实施例中，如图1所示，提供一种列车控制方法，包括步骤S101、步骤S102以及步骤S103，具体步骤如下：
步骤S101.获取列车的控制级位并输出至列车牵引控制系统。
其中，获取列车的控制级位可以通过以下方式得到：获取列车的控制曲线，根据控制曲线计算出列车的控制级位。其中，可以通过已配置的列车参数以及电子地图中的目标点数据，先计算出列车的控制曲线，根据控车曲线计算出列车的控制级位。例如，设置预设制动曲线，预设制动曲线为列车与停车点间的距离与列车的预设速度之间的关系曲线。预设制动曲线能够体现正常运行的列车在制动过程中的到停车点的距离与预设速度之间的关系，预设速度是指正常运行的列车在制动过程中的速度。预设制动曲线即自动驾驶刹车曲线，自动驾驶刹车曲线包括安全制动模型刹车曲线(Safe BrakeMode，SBM)和常用制动刹车曲线(Full Service Braking，FSB)等，对列车进行电制动过程中，保证列车的当前速度能够连续跟随预设制动曲线，即列车的当前速度跟随列车与停车点间的距离变化的曲线与预设制动曲线一致。通过比较当前速度和当前列车与停车点间的距离对应的预设速度，输出控制级位进行电制动。
步骤S102.在列车牵引控制系统工作过程中，获取列车运行数据并根据列车运行数据计算评价分数。
其中，本步骤中通过设置列车控车状态评价体系，可以实现根据所获取的列车实时运行数据对车辆的控车状态进行评分。
作为一种实施方式，如图2所示，步骤S102包括如下步骤S121和步骤S122：
步骤S121.获取列车运行数据，根据列车运行数据获取评价参数以及评价参数的权重值。
步骤S122.根据评价参数以及评价参数的权重值计算评价分数。
其中，评价参数是指用于对列车控车状态进行评分的参数，评价参数可以通过所获取的实时运行数据和配置数据进行计算得到，权重值是指每个评价参数所占的比重。
进一步的，步骤S121包括：
获取列车实际运行速度、控制级位以及列车控车延时数据；
根据列车实际运行速度和配置速度获取速度差值；
根据控制级位获取实际加速度值，根据实际加速度值和配置加速度值获取加速度差值；
根据列车控车延时和配置延时获取延时差值；
分别获取速度差值、加速度差值以及延时差值的权重值。
其中，列车实时数据包括列车实际运行速度、控制级位以及列车控车延时数据，配置数据包括与列车实际运行速度对应的配置速度、与控制级位对应的配置加速度以及与列车控车延时对应的配置延时，计算得到的评价参数为速度差值、加速度差值以及延时差值。
进一步的，步骤S122包括：
根据速度差值、加速度差值、延时差值以及每个数据对应的权重值计算评价分数。
其中，根据以下评价公式计算评价分数A：
评价分数A＝α×速度差值+β×加速度差值+γ×延时差值+δ
其中α、β、γ为各评价参数的权重值，δ为容忍误差。
权重值限制函数为：α+β+γ＝C，其中，C为常量，可对C进行配置，默认C为1。
步骤S103.将列车运行数据和评价分数输入到神经网络学习系统中以对列车的控制级位进行调整。
其中，当评价分数较低时，说明发生控车异常，通过神经网络学习对列车控制级位的输出进行相应的调整。
作为一种实施方式，如图3所示，步骤S103包括：
步骤S131.将列车运行数据和评价分数输入到神经网络学习系统。
步骤S132.神经网络学习系统根据评价分数将列车运行数据进行分组，对每组列车运行数据进行分析，并获取待调整控制级位的列车运行数据。
其中，神经网络学习系统将评价分数与预设值进行对比以对列车运行数据进行聚类分组，其中，评价分数低于预设值或者高于预设值的列车运行数据均为学习样本进行分析，当评价分数正常时，则不需要对列车的控制级位进行调整，当评价分数较低时需要对列车的控制级位进行调整。
作为一种实施方式，本实施方式仅是神经网络的一种举例，不对神经网络的结构进行限定。例如，神经网络包括三个BP神经网络，每个BP神经网络均包括输入层、中间层和输出层；输入层包含两个输入节点；中间层包含两个隐含层，第一隐含层包括三个隐含节点，第二隐含层包括两个隐含节点；输出层包括一个输出节点；其中，第三BP神经网络的第二隐含层包括四个隐含节点，输出层包括两个输出节点；第一BP神经网络、第二BP神经网络及第三BP神经网络依次级联，第一BP神经网络输出层的输出节点与第二BP神经网络中间层的第二隐含层相连，第二BP神经网络输出层的输出节点与第三BP神经网络中间层的第二隐含层相连，三个BP神经网络的隐含层中网络权值根据误差反向传播原理进行动态误差修正确定，网络权值的初始值依据实验经验值获得；控车评价系统将实时检测到的数据送到专家系统，专家系统调用知识库中的数据与实时检测到的数据进行比较，通过神经网络推理机的推测和分析最终判断系统是否发生故障，当发生故障时调整中间层中隐层的各元素权值对故障进行处理。
步骤S133.将待调整控制级位的列车运行数据进行处理后，与当前列车已配置的性能参数进行比对计算对应级位调整值，并根据级位调整值调整最终输出的控制级位。
其中，控制极位与加速度值相对应，通过调节加速度值可以调节控制级位。获取评价分数较低的一组数据的加速度值，将该加速度值与神经网络中学习的评价分数正常的加速度值进行比较，获取级位调整值，对列车的控制级位进行调整。
作为一种实施方式，步骤S133包括：
将评价分数低于预设值的一组数据的级位调整值输出给列车牵引控制系统；
列车牵引控制系统根据述列车的控制级位及其对应的级位调整值控制车辆运行。
其中，将与列车位置对应的控制级位及级位调整值发送给车载ATO设备，以使车载ATO设备依据级位调整值和控制级位，与对应所车位置的车载ATO设备自身计算的级位进行加权运算，然后输出到车辆，控制列车运行。
下面根据图4和图5对本申请进行具体说明：
通过已配置的列车参数计算列车对应的控制级位并输出给列车牵引制动系统，在列车牵引制动系统工作过程中存在以下干扰：基本阻力和环境干扰、车辆性能与配置差异干扰以及车辆性能发生变化干扰。控车状态评价系统记录并统计列车实际运行过程数据，根据相应的权值计算出此次控车状态的评分。实际运行过程数据包括：输出的控车级位、列车实际运行速度以及控车延时。将实际运行过程数据与对应计算的目标数据进行比较，目标数据包括：命令速度、控制级位对应的加速度以及级位响应延时。再根据各数据类型所计算的权值以及评分公式计算分值并输入至神经网络学习系统。神经网络学习系统中输入层、隐含层以及输出层。输入层包括评价系统输出的评价值以及评价系统中计算的各类型数据的比较值。输出层为各控车级位对应的权重调整值。根据实际运行数据与目标数据比较值，以及控车状态评价值，可调整隐含层各神经元的权重值，多次调整后控车级位的调整会逐渐准确，消除外界干扰对于控制系统的影响。
本申请在列车发生控车异常后，自动对控车数据进行评价，判断出列车遇到的干扰对于控车影响大小，并且将计算后的数据通过神经网络系统学习后，自动调整相应的级位调整值，在列车不断地自我调整后，列车会逐渐消除外界干扰的影响，而实现稳定的自动精准停车。
本申请提供了一种列车控制方法，代替人工调试车辆以及运营环境带来的干扰，使得人工调试周期时间大幅缩短，列车能够更加稳定的实现精准停车。同时增加对控车状态的评价,使VOBC对实际列车运行数据与计算数据进行比较评价，可实现VOBC系统自动评价无需人工评价控车状态，自动识别出车辆性能变化或者运营环境变化。同时增加神经网络学习系统，VOBC可根据控车状态评价系统识别的干扰进行定向的调整，将调整数据反馈回VOBC计算输出控车级位系统，可间接调整输出的控车级位，减少干扰带来的影响。
本申请另一种实施例提供一种列车控制装置，如图6所示，包括：
控制级位获取模块10，用于获取列车的控制级位并输出至列车牵引控制系统；
控车状态评价模块20，用于在列车牵引控制系统工作过程中，获取列车运行数据并根据列车运行数据计算评价分数；
控制级位调整模块30，用于将列车运行数据和评价分数输入到神经网络学习系统中以对列车的控制级位进行调整。
进一步的，控制级位获取模块10用于：
获取列车的控制曲线，根据控制曲线计算出列车的控制级位。
进一步的，控车状态评价模块20用于：
获取列车运行数据，根据列车运行数据获取评价参数以及评价参数的权重值；
根据评价参数以及评价参数的权重值计算评价分数。
进一步的，控车状态评价模块20用于：
根据以下评价公式计算评价分数A：
评价分数A＝α×速度差值+β×加速度差值+γ×延时差值+δ
其中α、β、γ为各评价参数的权重值，δ为容忍误差。
权重值限制函数为：α+β+γ＝C，其中，C为常量，可对C进行配置，默认C为1。
进一步的，控车状态评价模块20还用于：
获取列车实际运行速度、控制级位以及列车控车延时数据；
根据列车实际运行速度和配置速度获取速度差值；
根据控制级位获取实际加速度值，根据实际加速度值和配置加速度值获取加速度差值；
根据列车控车延时和配置延时获取延时差值；
分别获取速度差值、加速度差值以及延时差值的权重值；
根据速度差值、加速度差值、延时差值以及每个数据对应的权重值计算评价分数。
进一步的，控制级位调整模块30用于：
将所述列车运行数据和评价分数输入到神经网络学习系统；
神经网络学习系统根据评价分数将列车运行数据进行分组，并对评价分数低于预设值的列车运行数据进行分析；
将列车运行数据进行处理后，与当前列车已配置的性能参数进行比对计算对应级位调整值，并根据级位调整值调整最终输出的控制级位。
进一步的，控制级位调整模块30还用于：
将所述评价分数低于预设值的一组数据的级位调整值输出给列车牵引控制系统；
所述列车牵引控制系统根据所述列车的控制级位及其对应的级位调整值控制车辆运行。
关于列车控制装置的具体限定可以参见上文中对于列车控制方法的限定，在此不再赘述。上述列车控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例的列车控制方法中所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种列车控制方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的列车控制方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的列车控制方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种列车控制方法，其特征在于，包括：
获取列车的控制级位并输出至列车牵引控制系统；
在所述列车牵引控制系统工作过程中，获取列车运行数据并根据所述列车运行数据计算评价分数；
将所述列车运行数据和所述评价分数输入到神经网络学习系统中以对所述列车的控制级位进行调整。
2.如权利要求1所述的列车控制方法，其特征在于，所述获取列车的控制级位，包括：
获取列车的控制曲线，根据控制曲线计算出列车的控制级位。
3.如权利要求1所述的列车控制方法，其特征在于，所述获取列车运行数据并根据所述列车运行数据计算评价分数，包括：
获取列车运行数据，根据所述列车运行数据获取评价参数以及所述评价参数的权重值；
根据所述评价参数以及所述评价参数的权重值计算评价分数。
4.如权利要求3所述的列车控制方法，其特征在于，所述根据所述列车运行数据获取评价参数以及所述评价参数的权重值，包括：
获取列车实际运行速度、控制级位以及列车控车延时数据；
根据所述列车实际运行速度和配置速度获取速度差值；
根据所述控制级位获取实际加速度值，根据所述实际加速度值和配置加速度值获取加速度差值；
根据所述列车控车延时和配置延时获取延时差值；
分别获取所述速度差值、所述加速度差值以及所述延时差值的权重值。
5.如权利要求4所述的列车控制方法，其特征在于，所述根据所述评价参数以及所述评价参数的权重值计算评价分数，包括：
根据所述速度差值、所述加速度差值、所述延时差值以及每个数据对应的权重值计算评价分数。
6.如权利要求5所述的列车控制方法，其特征在于，所述根据所述速度差值、所述加速度差值、所述延时差值以及每个数据对应的权重值计算评价分数，包括：
根据以下评价公式计算评价分数A：
评价分数A＝α×速度差值+β×加速度差值+γ×延时差值+δ
其中α、β、γ为各评价参数的权重值，δ为容忍误差；
权重值限制函数为：α+β+γ＝C，其中，C＝1。
7.如权利要求4所述的列车控制方法，其特征在于，所述将所述列车运行数据和所述评价分数输入到神经网络学习系统中以对所述列车的控制级位进行调整，包括：
将所述列车运行数据和评价分数输入到神经网络学习系统；
神经网络学习系统根据评价分数将列车运行数据进行分组，对每组列车运行数据进行分析，并获取待调整控制级位的列车运行数据；
将待调整控制级位的列车运行数据进行处理后，与当前列车已配置的性能参数进行比对计算对应级位调整值，并根据级位调整值调整最终输出的控制级位。
8.如权利要求7所述的列车控制方法，其特征在于，所述根据级位调整值调整最终输出的控制级位，包括：
将所述评价分数低于预设值的一组数据的级位调整值输出给列车牵引控制系统；
所述列车牵引控制系统根据所述列车的控制级位及其对应的级位调整值控制车辆运行。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN202010885424.6A 2020-08-28 2020-08-28 列车控制方法、计算机设备及存储介质 Pending CN114104038A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010885424.6A CN114104038A (zh) 2020-08-28 2020-08-28 列车控制方法、计算机设备及存储介质
BR112023003442A BR112023003442A2 (pt) 2020-08-28 2021-08-24 Método de controle de trem, dispositivo de computador, e, mídia de armazenamento legível por computador
PCT/CN2021/114354 WO2022042560A1 (zh) 2020-08-28 2021-08-24 列车控制方法、计算机设备及存储介质
US18/113,209 US20230192163A1 (en) 2020-08-28 2023-02-23 Train control method, computer device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010885424.6A CN114104038A (zh) 2020-08-28 2020-08-28 列车控制方法、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114104038A true CN114104038A (zh) 2022-03-01

Family

ID=80352698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010885424.6A Pending CN114104038A (zh) 2020-08-28 2020-08-28 列车控制方法、计算机设备及存储介质

Country Status (4)

Country Link
US (1) US20230192163A1 (zh)
CN (1) CN114104038A (zh)
BR (1) BR112023003442A2 (zh)
WO (1) WO2022042560A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114919632A (zh) * 2022-06-14 2022-08-19 通号城市轨道交通技术有限公司 牵引计算仿真方法及装置
CN115056824A (zh) * 2022-05-06 2022-09-16 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端
US11912321B2 (en) * 2021-10-18 2024-02-27 Tata Consultancy Services Limited System and method for railway network access planning

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5583769A (en) * 1990-09-21 1996-12-10 Kabushiki Kaisha Toshiba Automatic train operation apparatus incorporating security function with improved reliability
CN107878448A (zh) * 2016-12-30 2018-04-06 比亚迪股份有限公司 车辆控制方法和装置
CN107891887A (zh) * 2016-12-09 2018-04-10 比亚迪股份有限公司 列车控制方法、tcms、vobc及列车
DE102016121363A1 (de) * 2016-11-08 2018-05-09 Bombardier Transportation Gmbh Halterung für Antennen
CN109871007A (zh) * 2017-12-05 2019-06-11 北京通号国铁城市轨道技术有限公司 一种基于机器学习的坡度处理方法、装置及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003902168A0 (en) * 2003-05-07 2003-05-22 Central Queensland University A control system for operating long vehicles
CN105209314B (zh) * 2013-05-14 2018-03-16 深圳市坐标系交通技术有限公司 一种列车控制方法及其装置和系统
CN110040158A (zh) * 2019-05-05 2019-07-23 中车青岛四方车辆研究所有限公司 轨道列车牵引制动级位控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5583769A (en) * 1990-09-21 1996-12-10 Kabushiki Kaisha Toshiba Automatic train operation apparatus incorporating security function with improved reliability
DE102016121363A1 (de) * 2016-11-08 2018-05-09 Bombardier Transportation Gmbh Halterung für Antennen
CN107891887A (zh) * 2016-12-09 2018-04-10 比亚迪股份有限公司 列车控制方法、tcms、vobc及列车
CN107878448A (zh) * 2016-12-30 2018-04-06 比亚迪股份有限公司 车辆控制方法和装置
CN109871007A (zh) * 2017-12-05 2019-06-11 北京通号国铁城市轨道技术有限公司 一种基于机器学习的坡度处理方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆小红等: "基于预测型灰色控制的列车自动运行速度控制器建模与仿真", 《城市轨道交通研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11912321B2 (en) * 2021-10-18 2024-02-27 Tata Consultancy Services Limited System and method for railway network access planning
CN115056824A (zh) * 2022-05-06 2022-09-16 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端
CN115056824B (zh) * 2022-05-06 2023-11-28 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端
CN114919632A (zh) * 2022-06-14 2022-08-19 通号城市轨道交通技术有限公司 牵引计算仿真方法及装置

Also Published As

Publication number Publication date
BR112023003442A2 (pt) 2023-03-28
US20230192163A1 (en) 2023-06-22
WO2022042560A1 (zh) 2022-03-03

Similar Documents

Publication Publication Date Title
CN114104038A (zh) 列车控制方法、计算机设备及存储介质
CN110688729B (zh) 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备
CN109895794B (zh) 基于机器学习的列车自动驾驶系统精准停车方法及装置
US10474150B2 (en) Method for automatic movement controlling of a vehicle
DE102005018980B4 (de) Verfahren und Vorrichtung zur Fehlerdiagnose mechatronischer Systeme
DE102014225386A1 (de) System und verfahren zur bestimmung einer effektiven strassensteigungskenngrösse
CN105480228B (zh) 增强的车辆速度控制
US20180046917A1 (en) Identification of process anomalies in a technical facility
CN112418646A (zh) 一种车辆舒适性评价方法、装置和可读存储介质
CN114444366A (zh) 基于有限元仿真的桥梁数字孪生模型更新方法及装置
CN112379668A (zh) 车辆控制数据标定方法、装置、计算机设备和存储介质
CN110901639A (zh) 车辆的减速度控制方法和装置
CN110879602A (zh) 基于深度学习的无人机控制律参数调节方法及系统
CN103777521A (zh) 一种基于模糊控制的车辆低速控制方法
CN112874576A (zh) 列车参数自动化调整方法和车载控制器
Semsar-Kazerooni et al. Performance analysis of a cooperative adaptive cruise controller subject to dynamic time headway
CN113715877A (zh) 列车控制方法、系统、计算机设备和存储介质
CN115837899B (zh) 动车组制动系统的多模型自适应故障补偿控制方法及系统
DE102017009031A1 (de) Verfahren zur objektiven Bewertung eines Querregelverhaltens eines aktiven Spurhaltesystems eines Fahrzeugs
CN117775002A (zh) 一种车辆质心位置的确定方法、装置、设备及存储介质
CN115179950B (zh) 基于驾驶行为的驾驶模式调整方法和车辆
CN115798211B (zh) 一种防止网联公交脱组和混组的控制方法、系统、设备及介质
US20230368591A1 (en) Method for monitoring failure of motor in a car based on clustering algorithm and system using the same
CN110914130B (zh) 用于确定车速表特性曲线的设备和方法、系统以及车辆
CN114987468A (zh) 车辆目标车速的控制方法、装置、电子设备及存储介质

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