CN115635854A - 基于机器学习的弓网接触控制方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的弓网接触控制方法，该方法在列车受电弓主体与碳滑板之间安装作动器和压力传感器，构建机器学习模块，以列车的行车位置及与行车位置对应的行车状态数据为输入，以作动器的控制参数为输出，以传感器检测到的弓网接触力为优化依据，通过多次行车不断进行学习，使机器学习模块输出的作动器控制参数能够主动适应接触网的情况，从而将弓网接触力控制在合理范围。

Description

基于机器学习的弓网接触控制方法

技术领域

本发明涉及铁路列车运行领域，具体涉及一种高速列车运行时受电弓和接触网之间接触力调节的弓网接触控制方法。

背景技术

随着我国高铁技术的快速发展，高速列车的运行时速已经达到300公里以上。列车运行时，通过受电弓与接触网接触来获取电流并驱动列车前进，受电弓具体是通过弓体末端的碳滑板与接触网接触的，因为接触网并非水平铺设而是具有起伏，而受电弓在列车运行时也会存在上下方向的位移，这导致弓网之间并不具有恒定的接触力，实际接触力会时大时小，如果列车低速运行，受电弓自身的机械结构经过多年发展已可以对接触力进行调整，使弓网接触力保持在合理范围，从而对受电弓和接触网不会造成过度损害。但是，在列车高速运行如超过300公里的时速时，单纯靠受电弓自身机械结构和性能来调节弓网之间的接触力越来越具有滞后性，即当接触力过大需要减小或过小需要增加时，受电弓反应并做出动作后，列车早已更新弓网接触位置从而产生了新的弓网接触力，受电弓的反应动作即失去了效用，而过大的接触力不能及时调小会对接触网和碳滑板均造成损害，而弓网脱离则会造成拉弧燃烧等问题，同样对接触网和受电弓造成损害。发明专利CN110333662B公开了一种受电弓弓网自适应控制系统及方法，该方法可根据运行路线、运行方向，自动判断跨网区域，并针对性产生受电弓控制信号，控制受电弓升降以适应接触网。该方法通过两个GPS单元分别采集跨网区域轨道路径的GPS信息和列车行驶的GPS信息，然后由控制器进行匹配计算，从而使受电弓适应不同网区接触网的高度。该方法仅解决列车跨网区运行时的弓网适应，实际上在同一网区当列车高速运行时也需要解决弓网适应的问题，但现有技术并不能给出令人满意的解决方案。

发明内容

本发明的目的是提供一种基于机器学习的弓网接触控制方法，该方法充分运用列车以往运行数据，采用机器学习的方法不断优化弓网接触力，使列车在高速运行时受电弓能够在主动及时适应接触网，以此将弓网接触力保持在合理范围。

为实现上述目的，本发明采取以下技术方案：

一种基于机器学习的弓网接触控制方法，包括如下步骤：

步骤S1：在列车受电弓主体与碳滑板之间安装作动器，所述作动器用于驱动碳滑板上下运动，设置传感器用于检测碳滑板与接触网之间的弓网接触力；

步骤S2：构建机器学习模块，所述机器学习模块以列车的行车位置及与所述行车位置对应的行车状态数据为输入，以作动器的控制参数为输出，以传感器检测到的弓网接触力为优化依据；

步骤S3：列车在行车区间运行并通过作动器调节弓网接触力，所述机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，所述作动器根据所述控制参数进行输出以调节弓网接触力，所述传感器检测弓网接触力并反馈给所述机器学习模块，所述机器学习模块根据反馈进行自身优化。

优选的，所述步骤S3包括：

步骤S31：列车在行车区间首次运行时保持作动器静止并通过传感器检测与行车位置对应的弓网接触力，计算弓网接触力与标准弓网接触力的差值得到接触力残差；

步骤S32：列车在行车区间第二次运行时通过作动器调节弓网接触力，所述机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，所述作动器根据所述控制参数进行输出以期减小所述接触力残差，所述传感器检测弓网接触力以计算新的接触力残差并反馈给机器学习模块，所述机器学习模块根据反馈进行自身优化；

步骤S33：列车在行车区间第三次及以后各次运行时重复步骤S32所述的第二次运行时的操作。

优选的，所述作动器为音圈电机，所述控制参数为音圈电机的电流和/或电压。

优选的，所述行车状态数据包括行车速度、环境温度、环境风速的一种或几种。

优选的，所述机器学习模块采用RBF或者BP神经网络。

优选的，在所述受电弓主体的末端设有横梁，横梁两端分别垂直安装有支撑板，在支撑板的两端安装所述作动器，所述碳滑板的两端分别被作动器支撑。

上述技术方案中，在受电弓末端安装音圈电机或其他作动器，可以灵活对碳滑板进行升降，然后通过控制音圈电机等的动作进行弓网适应。控制的实现上采用机器学习模块，该模块基于行车位置及与行车位置对应的各种行车状态数据作为输入，而将音圈电机的电流和/或电压作为控制音圈电机的参数进行输出，并根据传感器实际采集到的弓网实际接触力作为对音圈电机输出准确与否的纠正依据。因为音圈电机的电流直接对应音圈电机的动作幅度，也即直接对应音圈电机拟输出的对弓网调节的力度，但该力度只是系统(主要是机器学习模块)主观施加的力，该力是否会取得预期效果(即是否会将弓网接触力调整到预期水平)还是需要验证的事项，而传感器采集到的则是可以作为验证的实际弓网接触力，这样机器学习模块对行车位置、行车状态等输入产生的音圈电机电流这一输出是否准确就具有了客观的检验标准，并具有了通过多次往复行车进行不断修正的客观依据，从而可以使音圈电机越来越可以准确调节弓网接触力以到达预期的水平。

该方法采用行车位置这一主变量来关联、记录其他行车状态数据，使行车的规律性得以呈现，避免了以时间为主变量可能导致在同一时间列车并不一定出现在同一位置因而无法揭示行车规律的弊端，也因此为机器学习模块揭示行车规律并进行深入学习优化创造了条件。通过机器学习的模式可以将以往历次行车数据及弓网接触力情况都作为学习改进的基础，最终必将会使列车运行时的弓网接触力越来越达到理想状态。

可见，本发明一改以往在检测到弓网接触力之后在做出动作对弓网接触力进行调节的做法，而是根据以往经验在各个行车位置处预先通过作动器做出主动调节，再对这种主动调节是否合适做出检验，并根据检验结果进行修正以期在下一次做得更好，随着列车多次往复运行，学习结果不断累积，会使弓网接触力越来越符合理想预期。

附图说明

图1为作动器和传感器安装示意图；

图2为图1中A部的放大图；

图3为本专利方法流程示意图。

具体实施方式

下面结合附图，对本发明做进一步说明：

本发明为基于机器学习的弓网接触控制方法，具体包括如下步骤：

步骤S1：在列车受电弓主体1与碳滑板2之间安装作动器3，作动器可驱动碳滑板上下运动以对弓网接触力进行调节。在一个实施例中，在受电弓主体1 末端的横梁6两端分别垂直安装支撑板5，在支撑板5的两端安装作动器3，这样两条碳滑板2的两端分别被作动器3支撑，从而可以在作动器3的带动下上下运动。作动器3可以是音圈电机，此时可以控制音圈电机的电流(和/或电压，以下以电流为例)实现弓网接触力调节，也可以是高频气缸等，此时可以通过控制气泵进行弓网接触力的调节。以下通过音圈电机为例进行说明，其他作动器的控制方法类似。同时在碳滑板2下方安装检测压力的传感器4，用于检测碳滑板与接触网之间实际的弓网接触力，该实际的弓网接触力用于对作动器对弓网接触力的调节效果进行实际检验。

步骤S2：构建机器学习模块，所述机器学习模块以列车的行车位置及与所述行车位置对应的行车状态数据为输入，以作动器的控制参数为输出，以传感器检测到的弓网接触力为优化依据。其中，机器学习模块采用RBF或者BP神经网络或其他成熟的机器学习网络，行车状态数据包括行车速度、环境温度、环境风速的一种或几种，这些行车状态数据均与行车位置相对应，因为行车位置是确定的，而不像列车运行时间，会受到不确定因素的影响，同一时间列车未必处于相同位置。将行车位置和上述行车状态数据作为输入，以作动器控制参数(如音圈电机的电流)作为输出，经过机器学习模块处理后就会得出音圈电机电流，在确定的电流下音圈电机会有确定的上下动作幅度，以此调节碳滑板与接触网之间的作用力。需要指出的是，由机器学习模块运算得到的音圈电机电流，是预测性的、系统主观的输出，该电流虽然会使碳滑板有一个确定的上或下的动作幅度，但是该动作幅度能否将此时的弓网接触力调整到预期范围则是不确定的，但是可以通过传感器实际检测到的调节后的接触力是否在预期范围内来进行校验。

步骤S3：列车在行车区间运行并通过作动器调节弓网接触力，机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，作动器根据所述控制参数进行输出以调节弓网接触力，传感器检测弓网接触力并反馈给所述机器学习模块，机器学习模块根据反馈进行自身优化。

本环节给出了作动器调节弓网接触力的实现过程，具体可分为：

步骤S31：列车在行车区间首次运行时保持作动器静止并通过传感器检测与行车位置对应的弓网接触力，计算弓网接触力与标准弓网接触力的差值得到接触力残差。即在本步骤中，在作动器不动作时测得弓网接触力，作为后续调整和优化的基础，得到弓网接触力后计算出弓网接触力与标准弓网接触力(即列车运行中标准的、理想范围内的弓网接触力)的差值，即接触力残差，该接触力残差正是需要作动器动作以期降低至零的对象，这也就给出了作动器的动作目标。

步骤S32：列车在行车区间第二次运行时通过作动器调节弓网接触力，机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，作动器根据控制参数进行输出以期减小所述接触力残差，传感器检测弓网接触力以计算新的接触力残差并反馈给机器学习模块，机器学习模块根据反馈进行自身优化。即在本步骤中，在第一次行车得到接触力残差的基础上，机器学习模块开始工作，根据行车位置和行车状态数据这些输入数据，运算模拟出驱动作动器动作的电流(即控制参数)，以期作动器在这一电流作用下降低或消除该行车位置时的接触力残差，至于实际动作效果如何，则由传感器检测到的在该行车位置的由作动器调节后的实际的弓网接触力进行校验。例如，第一次行车后，某一位置的弓网接触力残差为+10牛顿(即实际弓网接触力超出标准值10N)，则机器学习模块经过运算输出一个电流(如3安培)，音圈电机在该电流下动作使碳滑板向下运动一个幅度(如0.1毫米)，并期望该幅度能够减小弓网接触力10N，但此时传感器检测到的弓网接触力并由此算出的弓网接触力残差为3N，则说明音圈电机实际只减小了7N的弓网接触力，主观输出与客观接触力的结果存在差距，这一结果会反馈给机器学习模块，作为下一次行车进一步优化的依据。

需要指出的是，弓网接触力受多种因素影响，如行车位置(不同位置接触网起伏不同、列车在不同位置上下起伏也不同)、环境温度(如温度导致的接触网热胀冷缩进而影响起伏度等)、环境风速(包括风力对接触网晃动的影响等，当然还可以包括其他影响因素，均可以作为机器学习模块输入)等，因此即使在同一位置也并不是说下一次运行单纯借鉴本次运行的结果就会得到更准确的作动器控制参数，因为其他行车状态数据有可能发生改变，这就需要通过机器学习模块进行综合确定，得到一个综合的结果(即音圈电机的电流，或其他作动器的控制参数)作为输出。

步骤S33：列车在行车区间第三次及以后各次运行时重复步骤S32所述的第二次运行时的操作。本步骤中，在第二次行车之后的各次行车中，均不断重复第二次行车的操作，使数据越积累越多，这样后续行车就可以根据以前多次行车的数据经机器学习模块得到更适合的输出，从而使作动器在调节弓网接触力后，使调节后的弓网接触力残差越来越接近为零，从而使弓网接触力维持在理想的预期范围内。

本实施例只是对本发明构思和实现的一个说明，并非对其进行限制，在本发明构思下，未经实质变换的技术方案仍然在保护范围内。

Claims (6)

1.一种基于机器学习的弓网接触控制方法，其特征在于包括如下步骤：

步骤S1：在列车受电弓主体与碳滑板之间安装作动器，所述作动器用于驱动碳滑板上下运动，设置传感器用于检测碳滑板与接触网之间的弓网接触力；

步骤S2：构建机器学习模块，所述机器学习模块以列车的行车位置及与所述行车位置对应的行车状态数据为输入，以作动器的控制参数为输出，以传感器检测到的弓网接触力为优化依据；

步骤S3：列车在行车区间运行并通过作动器调节弓网接触力，所述机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，所述作动器根据所述控制参数进行输出以调节弓网接触力，所述传感器检测弓网接触力并反馈给所述机器学习模块，所述机器学习模块根据反馈进行自身优化。

2.如权利要求1所述的基于机器学习的弓网接触控制方法，其特征在于：

所述步骤S3包括：

步骤S31：列车在行车区间首次运行时保持作动器静止并通过传感器检测与行车位置对应的弓网接触力，计算弓网接触力与标准弓网接触力的差值得到接触力残差；

步骤S32：列车在行车区间第二次运行时通过作动器调节弓网接触力，所述机器学习模块根据行车位置和行车状态数据生成作动器的控制参数，所述作动器根据所述控制参数进行输出以期减小所述接触力残差，所述传感器检测弓网接触力以计算新的接触力残差并反馈给机器学习模块，所述机器学习模块根据反馈进行自身优化；

步骤S33：列车在行车区间第三次及以后各次运行时重复步骤S32所述的第二次运行时的操作。

3.如权利要求1或2所述的基于机器学习的弓网接触控制方法，其特征在于：所述作动器为音圈电机，所述控制参数为音圈电机的电流和/或电压。

4.如权利要求1或2所述的基于机器学习的弓网接触控制方法，其特征在于：所述行车状态数据包括行车速度、环境温度、环境风速的一种或几种。

5.如权利要求1或2所述的基于机器学习的弓网接触控制方法，其特征在于：

所述机器学习模块采用RBF或者BP神经网络。

6.如权利要求1所述的基于机器学习的弓网接触控制方法，其特征在于：在所述受电弓主体的末端设有横梁，横梁两端分别垂直安装有支撑板，在支撑板的两端安装所述作动器，所述碳滑板的两端分别被作动器支撑。

Images