CN116125957B - 一种货运列车自动驾驶测试系统 - Google Patents
一种货运列车自动驾驶测试系统 Download PDFInfo
- Publication number
- CN116125957B CN116125957B CN202310187133.3A CN202310187133A CN116125957B CN 116125957 B CN116125957 B CN 116125957B CN 202310187133 A CN202310187133 A CN 202310187133A CN 116125957 B CN116125957 B CN 116125957B
- Authority
- CN
- China
- Prior art keywords
- train
- dimension data
- data
- test
- time period
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000002093 peripheral effect Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 30
- 230000003137 locomotive effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 9
- 238000005094 computer simulation Methods 0.000 abstract description 5
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
Classifications
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明的货运列车自动驾驶测试系统，包括数据中心、通信网络、自动驾驶接口转换单元、列车自动驾驶设备、测试运行管理平台、外围支持设备；数据中心存储列车人工驾驶实际运行数据，数据中心依据测试中虚拟列车的列车维度数据和测试中虚拟列车当前时间周期的状态维度数据T0、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0，在存储的人工驾驶实际运行数据中分析查询，在不对列车进行建模的基础上模拟列车运行。本发明的技术优势在于，依靠大规模数据和先进数据分析方法，直接反映各种列车在不同线路复杂耦合条件下的运行状态，实现了“去模型化”，解决了货运列车仿真建模困难、模型误差大等问题。
Description
技术领域
本发明涉及列车仿真测试技术领域，尤其涉及货运列车自动驾驶的测试系统和方法。
背景技术
目前轨道交通自动驾驶测试系统主要有两种类型，一类侧重构建测试仿真环境，为自动驾驶系统软硬件设备提供实验室测试条件；另外一类侧重开发列车运行仿真模型，为模拟列车在复杂环境下运行提供有利支撑。
侧重构建仿真环境的测试系统，例如专利文献CN113377026A、CN114004053A、CN114815658A，一般以被测对象——自动驾驶设备为中心，通过半实物半仿真技术，构建自动驾驶设备外围“驱动系统”，通过相关接口技术，与不同型号的自动驾驶设备连接，形成一个完整的自动驾驶实验室测试系统。仿真环境主要包括：列车运行仿真子系统、运行线路仿真子系统、信号控制仿真子系统，以及调度和管理仿真子系统等。
侧重开发列车运行仿真模型的测试系统，一般是根据列车牵引计算和纵向动力学相关内容，通过对列车多质点模型、空气制动模型和车钩缓冲器模型进行建模，构建仿真测试系统。为减小仿真误差，有些系统采用仿真结果与现场实际运行的线路数据对比的办法，对仿真系统进行优化；有些系统利用现场实际数据，通过一定算法，如遗传算法、反向拟合等，辨识优化模型参数，使之更好地适应复杂线路环境和车型、车况变化，例如专利文献CN106777809B、CN104102776B；有些系统则利用列车实际运行数据训练神经网络结构模型，通过神经网络构建列车运行仿真模型，例如专利文献CN109829577B。
侧重构建仿真环境的测试系统，主要是满足货运列车自动驾驶系统功能和外部接口测试要求，用于系统的初期开发和调试，或者用于过程中故障现象复现、排查等。由于该类测试系统主要以功能测试为主，如接口功能、操作功能等，列车动力学仿真功能比较单一，测试过程无法反映列车自动驾驶的各项动态性能，尤其是货运列车的安全性和平稳性。
侧重开发列车运行仿真模型的测试系统，虽然在列车动力学方面建立了一定的模型，并通过列车实际运行数据对模型参数进行优化，但是列车实际运行数据只能起到辅助作用，不论是多质点模型、空气制动模型还是神经网络模型，由于理想模型本身的限制，不能准确反映列车自动驾驶的各项动态性能，尤其是货运列车不同编组、不同线路情况下的运行状态，只能初步验证自动驾驶控制算法，大量测试仍然需要依靠现场实际控车进行。此外，侧重仿真模型的测试系统虽然使用了列车实际运行数据，进行模型训练或参数优化，但是不能克服模型本身存在的固有缺陷或偏差引入，尤其是固定列车模型与不同线路条件交互过程中，无法满足动态非确定性要求，模型响应误差有可能进一步放大，并且难以通过进一步的数据训练，使模型误差收敛，无法进一步提升模型预测能力和测试系统性能。尤其对于货运列车，由于其具有编组情况复杂(辆数、荷载、组合)、车辆制动性能离散、车间自由车钩冲动大等技术特点，因此货运列车的仿真建模相较于其他列车困难更大。
发明内容
本发明的目的是提供一种货运列车自动驾驶测试系统和方法，所述测试系统和方法由海量的列车人工驾驶实际运行数据驱动，能够在无需对列车进行建模的前提下，在测试过程中模拟列车运行，解决货运列车仿真建模困难、模型误差大、实用性低等问题。
本发明提供了一种货运列车自动驾驶测试系统，包括数据中心、通信网络、自动驾驶接口转换单元、列车自动驾驶设备、测试运行管理平台、外围支持设备；其中，数据中心存储列车人工驾驶实际运行数据，该实际运行数据按照列车维度数据、线路维度数据、操纵维度数据、状态维度数据分为四类，其中线路维度数据、操纵维度数据、状态维度数据随时间周期而变化；所述数据中心依据测试中虚拟列车的列车维度数据以及测试中虚拟列车当前时间周期的状态维度数据T0、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0，在存储的所述人工驾驶实际运行数据中分析查询，获得人工驾驶的与所述虚拟列车的列车维度数据相同的列车以所述状态维度数据T0开始、在所述线路维度数据L0和操纵维度数据C0下实际运行所述时间周期后的状态维度数据T1，并将所述获得的状态维度数据T1作为测试中虚拟列车在下一时间周期的状态维度数据，从而在不对列车进行建模的基础上模拟列车运行；其中，所述测试中虚拟列车当前时间周期的状态维度数据T0是已知的，所述测试中当前时间周期的线路维度数据L0和所述测试中虚拟列车当前时间周期的操纵维度数据C0分别由所述外围支持设备和所述列车自动驾驶设备产生，所述测试中虚拟列车的列车维度数据由所述测试运行管理平台产生。
测试中，所述列车自动驾驶设备依据所述虚拟列车的列车维度数据以及所述当前时间周期的状态维度数据T0、当前时间周期的线路维度数据L0输出所述当前时间周期的操纵维度数据C0。
具体地，测试运行管理平台将所述虚拟列车的列车维度数据发送给自动驾驶接口转换单元，自动驾驶接口转换单元再分别发送给列车自动驾驶设备和数据中心；外围支持设备将所述当前时间周期的线路维度数据L0分别发送给列车自动驾驶设备和测试运行管理平台，测试运行管理平台再发送给自动驾驶接口转换单元；列车自动驾驶设备将所述当前时间周期的操纵维度数据C0发送给自动驾驶接口转换单元；自动驾驶接口转换单元将所述当前时间周期的线路维度数据L0、所述当前时间周期的操纵维度数据C0、所述当前时间周期的状态维度数据T0整合后发送给数据中心；数据中心向自动驾驶接口转换单元反馈所述状态维度数据T1，自动驾驶接口转换单元再反馈给列车自动驾驶设备，以供列车自动驾驶设备输出下一时间周期的操纵维度数据；数据中心与自动驾驶接口转换单元之间通过通信网络双向传输数据。
进一步地，所述数据中心利用所述人工驾驶实际运行数据构建列车运行事实表并存储，每间隔所述时间周期形成一张列车运行事实表，每张列车运行事实表均包括人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据；所述获得状态维度数据T1的具体过程为：数据中心在存储的所述列车运行事实表中分析查询，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的列车运行事实表，再获得与该列车运行事实表间隔所述时间周期的下一张列车运行事实表，提取所述下一张列车运行事实表中的状态维度数据作为所述状态维度数据T1。
进一步地，所述数据中心基于多维联机分析处理(MOLAP)服务器，根据列车运行事实表的列车维度数据，对列车运行事实表中的四维数据实施切片操作，生成三维的数据仓库立方体，每个所述数据仓库立方体对应一张列车运行事实表；所述多维联机分析处理(MOLAP)服务器对所述数据仓库立方体实施下钻操作，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的数据仓库立方体，再获得与该数据仓库立方体间隔所述时间周期的下一个数据仓库立方体，提取所述下一个数据仓库立方体中的状态维度数据作为所述状态维度数据T1。
本发明还提供了一种货运列车自动驾驶测试方法，包括：采集并存储列车人工驾驶实际运行数据，该实际运行数据按照列车维度数据、线路维度数据、操纵维度数据、状态维度数据分为四类，其中线路维度数据、操纵维度数据、状态维度数据随时间周期而变化；测试开始后，依据测试中虚拟列车的列车维度数据以及测试中虚拟列车当前时间周期的状态维度数据T0、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0，在存储的所述人工驾驶实际运行数据中分析查询，获得人工驾驶的与所述虚拟列车的列车维度数据相同的列车以所述状态维度数据T0开始、在所述线路维度数据L0和操纵维度数据C0下实际运行所述时间周期后的状态维度数据T1，并将所述获得的状态维度数据T1作为测试中虚拟列车在下一时间周期的状态维度数据，从而在不对列车进行建模的基础上模拟列车运行；其中，所述测试中虚拟列车当前时间周期的状态维度数据T0是已知的；测试中，列车自动驾驶设备依据所述虚拟列车的列车维度数据以及所述当前时间周期的状态维度数据T0、当前时间周期的线路维度数据L0输出所述当前时间周期的操纵维度数据C0。
现有技术中，CN113377026A根据预设的货运列车参数生成货运列车仿真模型；CN114004053A建立了牵引/制动特性模型、运行阻力模型、轮轨模型、运动学模型；CN114815658A建立了列车动力学模型；CN106777809B虽然使用了实际运行数据，但其实际运行数据是用于反向拟合构建机车牵引计算模型并验证模型的准确性；CN104102776B辨识列车的牵引制动特性和控制时延特性等模型参数，从而建立列车模型；CN109829577B虽然也使用了实际运行数据，但其实际运行数据是用于训练和验证深度神经网络结构的列车模型。相比于现有技术，本发明的基于数据驱动的货运列车自动驾驶测试系统和方法，依靠大规模数据和先进数据分析方法，直接反映各种列车在不同线路复杂耦合条件下的运行状态，实现了“去模型化”，解决了货运列车仿真建模困难、模型误差大、实用性低等问题。本发明的测试系统不仅可以更加准确地描述具有高度非线性特征的货运列车运行过程，而且随着数据量的增加，测试系统误差快速收敛，预测响应能力持续增强。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的图做简单的介绍。
图1为货运列车自动驾驶测试系统结构示意图；
图2为列车运行事实表示意图；
图3为数据特征的概念分层模型(以坡道特征为例)；
图4为列车运行数据仓库立方体模型；
图5为列车运行数据仓库立方体的下钻操作。
具体实施方式
下面将结合本发明的图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下，所获得的所有其他实施例，都属于本发明的保护范围。
货运列车自动驾驶测试系统核心功能是能够根据列车所处运行环境及其自身运行状态，对自动驾驶设备输出的控制指令准确地做出响应，逼近真实地反映列车在自动驾驶过程中的运行状态，达到测试目的。测试系统应具备相应技术手段，缩小测试系统状态响应与列车在真实环境下运行状态量的差值，提升测试效率。
本发明的测试系统以列车人工驾驶实际运行数据为中心，通过工业大数据等技术手段，构建数据驱动的、去模型化的自动驾驶测试系统。该测试系统采用“大数据+小算法+大算力”的设计构思，通过获取货运列车人工驾驶实际运行的海量真实数据，提取数据特征，并将真实数据存储，测试时在存储的真实数据中依据数据特征查询搜索，响应自动驾驶控制指令，预测列车运行状态，达到测试自动驾驶设备的目的。
本发明的自动驾驶测试系统结构如图1所示。所述测试系统包括数据中心、通信网络、自动驾驶接口转换单元、列车自动驾驶设备、测试运行管理平台、外围支持设备。
独立的列车运行数据采集设备安装在机车上，搭载机车牵引式列车随车运行，同步采集货运列车人工驾驶状态下在实际线路上和各种运营场景下的运行数据，海量的实际运行数据被发送至数据中心，数据中心对所述实际运行数据进行处理并存储。所述处理包括将不同来源的数据进行整合构建数据集，并提供统一的数据视图供数据查询和分析处理。数据中心通过通信网络，经由自动驾驶接口转换单元，与列车自动驾驶设备连接。自动驾驶接口转换单元可以提供不同型号的机车控制接口适配，保证被测的列车自动驾驶设备可以直接接入数据中心，并保持测试系统接口与实际机车控制接口的一致性。数据中心依靠所存储的列车人工驾驶实际运行数据，通过大数据分析和查询算法，在线生成虚拟列车，实时响应列车自动驾驶设备输出的控制指令，预测列车运行状态。
外围支持设备与列车自动驾驶设备接口，用于支持列车自动驾驶设备的运行，具体包括：列车运行监控装置(LKJ)、机车信号车载系统设备、机车综合无线通信设备(CIR)等。
测试运行管理平台用于管理自动驾驶测试系统，包括发起测试任务、下达测试脚本、测试数据和状态可视化等功能。
根据测试系统对列车人工驾驶实际运行数据的数据特征的需求，并充分考虑数据采集的便捷性和低成本，采集的实际运行数据分为四个维度数据，具体如下：
(1)列车维度：体现列车编组特征，包括轻车、重车、空重混编列车、集装箱列车、罐车等；体现牵引机车类型特征，包括不同型号电力机车、内燃机车或者组合机车等；体现列车动态特性特征，动态特性特征可以根据列车运行数据，通过一定的模式识别方法获得。
(2)线路维度：体现线路条件特征，包括坡道、弯道、隧道、变坡等；体现车站咽喉区域不同号码道岔特征；体现行车许可特征，包括机车信号、运行揭示等。线路维度可扩展增加天气条件特征等，升级为环境维度。
(3)操纵维度：体现列车控制指令特征，包括牵引、动力制动、空气制动、惰行等；体现功率输出特征，包括牵引功率、动力制动功率、空气制动减压量等。
(4)状态维度：体现列车运行状态特征，包括速度、加速度、平稳度等。
人工驾驶实际运行数据可以通过多个途径采集，其中：状态维度数据和操纵维度数据可通过机车控制系统(如TCMS系统)运行日志记录获得，也可通过由传感器和记录单元组成的专有采集设备获得；线路维度数据可通过列车运行监控装置(LKJ)、机车信号车载系统设备获得，也可通过安装专门的惯性测量传感器(IMU)获得；列车维度数据可通过列车编组顺序表获得，也可根据列车动态运行数据通过智能识别获得。
所述数据中心对实际运行数据进行的所述处理包括：利用采集的上述四个维度数据构建“列车运行事实表”(如图2所示)。列车运行事实表包括列车、线路、操纵和状态四个“维度表”，其中每个维度表中的特征可以进一步向下分解，形成“附加表”，例如线路维表中的线路条件特征可以进一步分解为坡道、弯道、隧道、变坡等特征，行车许可特征可以进一步分解为机车信号、运行揭示等特征，从而形成相应的附加表。为提升后续数据查询、挖掘阶段的分析处理能力，所述处理还将状态维表中的速度特征单独提取出来，作为列车运行事实表的标签。
数据中心在进行所述处理时将来自不同数据源的各维度数据按照一定时间周期(如：100ms)进行离散化，类似于每隔所述时间周期形成一张列车运行“快照”，每张快照对应一张列车运行事实表。所述处理还包括将来自不同数据源的各维度数据根据精确时钟以及地理位置信息进行对齐，保证列车运行事实表各维度数据在时间和空间上的匹配性。
为便于后续描述，将列车运行事实表表示成集合，例如：S0＝{T实0，L实0，C实0}，S1＝{T实1，L实1，C实1}；其中，T实0、T实1为人工驾驶实际运行的状态维度数据，L实0、L实1为人工驾驶实际运行的线路维度数据，C实0、C实1为人工驾驶实际运行的操纵维度数据；S0、S1为间隔所述时间周期形成的两张列车运行事实表。需要说明的是，对于人工驾驶实际运行数据的采集过程来说，每一趟针对的列车是固定的，因此列车编组特征、机车类型特征、动态特性特征就确定了，即人工驾驶实际运行的列车维度数据在本趟采集过程形成的每一张列车运行事实表中都是相同的，因此集合S0、S1中不再设置表示列车维度数据的元素。
所述维度表和附加表中的每个特征均有特征值，例如：操纵维表中控制指令特征的特征值可以为牵引、动力制动、空气制动、惰行；附加表中坡道特征的特征值可以为上坡道、平道、下坡道。列车运行事实表集合S中的元素T、L、C可以按照维度表分解为子集，子集元素还可以按照附加表进一步分解为下一层子集，如：S＝{{运行速度60km/h，加速度0m/s2，平稳度0.8}，{{上坡道，R550/L238}，L码}，{牵引，4级}}，其中T＝{运行速度60km/h，加速度0m/s2，平稳度0.8}，L＝{{上坡道，R550/L238}，L码}，C＝{牵引，4级}。此外，根据数据分析处理需要，可以对维度表和附加表中的特征通过离散化分组方式进行概念分层，如：对坡道特征，其特征值分为上坡道、平道、下坡道，并进一步按上、下坡道的坡度值实施离散化分组，如图3所示。
通过上述列车运行数据采集技术，可以对现有人工驾驶列车的实际运行数据实施“在线搭载式”采集。所有数据均来自于实际运行列车，不仅可以保证运行数据的真实性，而且凭借低成本、高效率的搭载采集方式，可以通过增加采集列车数量、扩展线路类型、累积运行里程等手段，保证运行数据的大体量特性。多维度、大体量的列车实际运行数据，将保证“数据驱动”的自动驾驶测试方法的收敛，提供了从复杂数据中提取列车运行响应模式的基础，获得比使用理论模型更快、更强的预测能力。
本发明的自动驾驶测试过程如下：
(a)测试运行管理平台负责发起测试，测试过程中列车为虚拟列车；由于每次测试针对的牵引机车类型、列车编组情况是确定的，因此列车动态特性也是确定的，即列车维度数据是确定的，在测试预备阶段，自动驾驶接口转换单元首先从测试运行管理平台获得本次测试的列车维度数据，并将该列车维度数据分别发送给列车自动驾驶设备和数据中心。
(b)在测试开始时的t0时刻，虚拟列车的初始速度、初始加速度为0，初始平稳度为1(根据本发明的一个实施例，平稳度取值范围为[0，1]，取值越接近1，表示列车运行越平稳)，即初始的状态维度数据T0是已知的，自动驾驶接口转换单元将T0发送给列车自动驾驶设备；列车自动驾驶设备从外围支持设备中的列车运行监控装置(LKJ)、机车信号车载系统设备获得线路维度数据L0，同时，外围支持设备将L0发送给测试运行管理平台，测试运行管理平台进而再发送给自动驾驶接口转换单元；列车自动驾驶设备根据状态维度数据T0、线路维度数据L0以及列车维度数据输出控制指令，该控制指令即操纵维度数据C0，C0被列车自动驾驶设备发送给自动驾驶接口转换单元；自动驾驶接口转换单元将状态维度数据T0、线路维度数据L0、操纵维度数据C0进行整合，并通过通信网络传送给数据中心；数据中心根据本次测试的列车维度数据、状态维度数据T0、线路维度数据L0、操纵维度数据C0，在存储的数据中进行查询，获得四个维度的数据分别与上述数据一致的列车运行事实表S0，即S0中的人工驾驶实际运行的列车维度数据与本次测试的列车维度数据相同，且S0中的T实0与T0相同、L实0与L0相同、C实0与C0相同；由于每张列车运行事实表是每隔所述时间周期的人工驾驶实际运行数据形成的，因此获得列车运行事实表S0之后，就能依据时间标记获得与列车运行事实表S0间隔所述时间周期的下一张列车运行事实表S1 ’，提取S1 ’中的状态维度数据作为数据中心预测的虚拟列车经过所述时间周期后的状态维度数据，假设经过所述时间周期后的状态维度数据为T1，数据中心通过通信网络将T1传送给自动驾驶接口转换单元，自动驾驶接口转换单元再发送给列车自动驾驶设备。自动驾驶接口转换单元从状态维度数据T1中提取列车运行速度v1，根据列车运行速度和线路维度数据，更新列车位置，并等待列车自动驾驶设备下一次输出控制指令。
(c)在从t0时刻经过所述时间周期后的t1时刻，列车自动驾驶设备已从数据中心获知状态维度数据T1；列车自动驾驶设备还从外围支持设备获得线路维度数据L1，测试运行管理平台同样将线路维度数据L1发送给自动驾驶接口转换单元；列车自动驾驶设备根据状态维度数据T1、线路维度数据L1以及列车维度数据输出控制指令，该控制指令即操纵维度数据C1，C1被列车自动驾驶设备发送给自动驾驶接口转换单元；自动驾驶接口转换单元将状态维度数据T1、线路维度数据L1、操纵维度数据C1进行整合，并通过通信网络传送给数据中心；数据中心根据本次测试的列车维度数据、状态维度数据T1、线路维度数据L1、操纵维度数据C1，在存储的数据中进行查询，获得四个维度的数据分别与上述数据一致的列车运行事实表S1(S1不同于S1 ’：S1中的人工驾驶实际运行的列车维度数据与本次测试的列车维度数据相同，且S1中的T实1与T1相同、L实1与L1相同、C实1与C1相同；而S1 ’中虽然状态维度数据为T1，但其线路维度数据、操纵维度数据不一定与L1、C1相同)，进而再依据时间标记获得与列车运行事实表S1间隔所述时间周期的下一张列车运行事实表S2 ’，提取S2 ’中的状态维度数据作为数据中心预测的虚拟列车再经过一个所述时间周期后的状态维度数据T2，如此循环往复重复上述过程，直至测试运行管理平台下达测试结束指令，从而形成被测试自动驾驶货运列车的完整运行轨迹，即“数据驱动”的自动驾驶测试过程。
众所周知，列车在实际运行时可以通过传感器采集其速度、加速度、平稳度等数据，但是在自动驾驶设备的非现场测试过程中，由于不存在实际的列车，因此无法实际采集其速度、加速度、平稳度，现有技术通过对列车建模(包括纵向动力学模型、多质点模型、空气制动模型、神经网络模型等)的方式生成虚拟列车，列车模型对测试过程中的线路条件和控制指令进行响应，从而产生列车速度、加速度、平稳度。然而，从本发明的上述测试过程可知，L0、C0、L1、C1均是测试过程中产生的，而T1既是存储的人工驾驶实际运行数据，同时又作为测试过程中预测的虚拟列车的状态维度数据，也就是说，本发明依据测试过程中的线路条件和控制指令，通过查询存储的人工驾驶实际运行数据，获得人工驾驶的列车在相同的线路条件和控制指令下运行一段时间(即所述时间周期)后的速度、加速度、平稳度等，并将所述获得的速度、加速度、平稳度作为测试中虚拟列车经过所述时间周期后的速度、加速度、平稳度，从而模拟了列车运行。本发明在依据测试过程中的线路条件和控制指令反馈列车速度、加速度、平稳度时，不需要对列车进行建模，而只需要在存储的大数据中进行分析搜索。
由上述测试过程可知，本发明的货运列车自动驾驶测试方法是基于数据驱动的，具有多维度和大体量的数据特征，海量数据的存储和快速查询能力是实现“数据驱动”测试的基础，本发明选择数据仓库技术，用于在存储的数据中进行查询分析。
数据仓库技术采用数据立方体的多维数据结构模型，若暂不考虑列车动态特性，且列车维度数据以普通列车、重载列车、组合牵引列车为例进行固定分类(也可以进一步结合牵引机车类型、列车编组、列车动态特性等数据做更复杂的分类，但无论是人工驾驶实际运行数据的采集过程还是自动驾驶的测试过程，由于每次针对的牵引机车类型、列车编组是确定的，因此每次列车维度数据的类型是固定的)，则图2所示的列车运行事实表可构建数据仓库立方体模型，如图4所示。数据仓库立方体(或称为数据方格)用于存储最低层的列车运行数据，是列车运行数据仓库的基本组成部分。数据方格包含线路、操纵和状态三个维度数据，每个数据方格对应一张列车运行事实表，可以完整表达列车的一次实际运行状况。
当列车运行事实表用数据方格表示后，上述测试过程中数据中心查找相应的列车运行事实表，即是数据中心通过大数据分析和挖掘技术，在数据仓库中获得目标数据方格。数据中心采用联机分析处理(OLAP)技术对存储的海量数据进行只读操作，OLAP技术支持高效的数据仓库计算、存取和查询处理，为数据分析提供了友好的环境，是支持自动驾驶测试系统强有力的数据分析引擎。
测试运行管理平台发起测试后，在所述测试预备阶段，数据中心首先从测试运行管理平台获得本次测试的列车类型，如普通列车；数据中心基于多维OLAP(MOLAP)服务器，根据列车类型，对存储的列车运行事实表中的四维数据实施典型的切片(slice)操作，生成三维的列车运行数据仓库立方体，做好为指定类型列车提供测试过程响应的数据准备。上述切片操作也可以在对列车运行数据仓库进行数据预处理时执行，根据预设列车类型和数据中心数据更新情况，预先执行所述切片操作，形成不同类型列车的三维数据方格。
测试启动后，数据中心MOLAP服务器收到自动驾驶接口转换单元发送的状态维度数据T0、线路维度数据L0、操纵维度数据C0后，对列车运行数据仓库立方体实施典型的OLAP下钻(drill-down)操作，查询获得与上述数据一致的数据方格(与列车运行事实表对应)S0。查询数据方格的下钻操作是对多维数据进行深入分析，如果遇到某一维数据能进一步分解出附加表，则深入附加表对更细节的数据进行分析。由于每张列车运行事实表都有速度标签，即每个数据方格也有速度标签，因此可以先查询获得速度标签与T0中的速度值v0匹配的数据方格，以v0作为下钻操作的顶点，并沿线路维度L、操纵维度C和状态维度T进行搜索，直到获得三个维度的数据分别与L0、C0、T0一致的目标数据方格S0，如图5所示。同样的下钻操作方法可用于查询获得数据方格S1。
此外，通过沿维进行所述概念分层或引入附加的维(表)，下钻操作可以对给定维度数据添加更多细节，从而满足测试系统的需求。
由上述技术方案可以看出，本发明的基于数据驱动的货运列车自动驾驶测试系统和方法，依靠大规模数据和先进数据分析方法，直接反映各种列车在不同线路复杂耦合条件下的运行状态，实现了“去模型化”，解决了货运列车仿真建模困难、模型误差大、实用性低等问题。本发明的测试系统不仅可以更加准确地描述具有高度非线性特征的货运列车运行过程，而且随着数据量的增加，测试系统误差快速收敛，预测响应能力持续增强。
以上所述仅为本发明方案的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种货运列车自动驾驶测试系统，包括数据中心、通信网络、自动驾驶接口转换单元、列车自动驾驶设备、测试运行管理平台、外围支持设备；其中，
数据中心存储列车人工驾驶实际运行数据，该实际运行数据按照列车维度数据、线路维度数据、操纵维度数据、状态维度数据分为四类，其中线路维度数据、操纵维度数据、状态维度数据随时间周期而变化；
所述数据中心利用所述人工驾驶实际运行数据构建列车运行事实表并存储，每间隔所述时间周期形成一张列车运行事实表，每张列车运行事实表均包括人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据；
所述数据中心依据测试中虚拟列车的列车维度数据以及测试中虚拟列车当前时间周期的状态维度数据T0、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0，在存储的所述人工驾驶实际运行数据中分析查询，获得人工驾驶的与所述虚拟列车的列车维度数据相同的列车以所述状态维度数据T0开始、在所述线路维度数据L0和操纵维度数据C0下实际运行所述时间周期后的状态维度数据T1，并将所述获得的状态维度数据T1作为测试中虚拟列车在下一时间周期的状态维度数据，从而在不对列车进行建模的基础上模拟列车运行；
其中，所述测试中虚拟列车当前时间周期的状态维度数据T0是已知的，所述测试中当前时间周期的线路维度数据L0和所述测试中虚拟列车当前时间周期的操纵维度数据C0分别由所述外围支持设备和所述列车自动驾驶设备产生，所述测试中虚拟列车的列车维度数据由所述测试运行管理平台产生。
2.根据权利要求1所述的货运列车自动驾驶测试系统，其特征在于：测试中，所述列车自动驾驶设备依据所述虚拟列车的列车维度数据以及所述当前时间周期的状态维度数据T0、当前时间周期的线路维度数据L0输出所述当前时间周期的操纵维度数据C0。
3.根据权利要求2所述的货运列车自动驾驶测试系统，其特征在于：测试运行管理平台将所述虚拟列车的列车维度数据发送给自动驾驶接口转换单元，自动驾驶接口转换单元再分别发送给列车自动驾驶设备和数据中心；
外围支持设备将所述当前时间周期的线路维度数据L0分别发送给列车自动驾驶设备和测试运行管理平台，测试运行管理平台再发送给自动驾驶接口转换单元；
列车自动驾驶设备将所述当前时间周期的操纵维度数据C0发送给自动驾驶接口转换单元；
自动驾驶接口转换单元将所述当前时间周期的线路维度数据L0、所述当前时间周期的操纵维度数据C0、所述当前时间周期的状态维度数据T0整合后发送给数据中心；
数据中心向自动驾驶接口转换单元反馈所述状态维度数据T1，自动驾驶接口转换单元再反馈给列车自动驾驶设备，以供列车自动驾驶设备输出下一时间周期的操纵维度数据；
数据中心与自动驾驶接口转换单元之间通过通信网络双向传输数据。
4.根据权利要求1所述的货运列车自动驾驶测试系统，其特征在于：
所述获得状态维度数据T1的具体过程为：数据中心在存储的所述列车运行事实表中分析查询，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的列车运行事实表，再获得与该列车运行事实表间隔所述时间周期的下一张列车运行事实表，提取所述下一张列车运行事实表中的状态维度数据作为所述状态维度数据T1。
5.根据权利要求4所述的货运列车自动驾驶测试系统，其特征在于：所述数据中心基于多维联机分析处理(MOLAP)服务器，根据列车运行事实表的列车维度数据，对列车运行事实表中的四维数据实施切片操作，生成三维的数据仓库立方体，每个所述数据仓库立方体对应一张列车运行事实表；
所述多维联机分析处理(MOLAP)服务器对所述数据仓库立方体实施下钻操作，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的数据仓库立方体，再获得与该数据仓库立方体间隔所述时间周期的下一个数据仓库立方体，提取所述下一个数据仓库立方体中的状态维度数据作为所述状态维度数据T1。
6.根据权利要求1所述的货运列车自动驾驶测试系统，其特征在于：所述列车维度数据包括体现列车编组特征、牵引机车类型特征、列车动态特性特征的数据；
所述线路维度数据包括体现线路条件特征、车站咽喉区域不同号码道岔特征、行车许可特征的数据；
所述操纵维度数据包括体现列车控制指令特征、功率输出特征的数据；
所述状态维度数据包括体现列车运行状态特征的数据。
7.根据权利要求1所述的货运列车自动驾驶测试系统，其特征在于：所述自动驾驶接口转换单元提供不同型号的机车控制接口适配，保证所述列车自动驾驶设备能够直接接入数据中心，并保持测试系统接口与实际机车控制接口的一致性。
8.一种货运列车自动驾驶测试方法，其特征在于：采集并存储列车人工驾驶实际运行数据，该实际运行数据按照列车维度数据、线路维度数据、操纵维度数据、状态维度数据分为四类，其中线路维度数据、操纵维度数据、状态维度数据随时间周期而变化；
利用所述人工驾驶实际运行数据构建列车运行事实表并存储，每间隔所述时间周期形成一张列车运行事实表，每张列车运行事实表均包括人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据；
测试开始后，依据测试中虚拟列车的列车维度数据以及测试中虚拟列车当前时间周期的状态维度数据T0、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0，在存储的所述人工驾驶实际运行数据中分析查询，获得人工驾驶的与所述虚拟列车的列车维度数据相同的列车以所述状态维度数据T0开始、在所述线路维度数据L0和操纵维度数据C0下实际运行所述时间周期后的状态维度数据T1，并将所述获得的状态维度数据T1作为测试中虚拟列车在下一时间周期的状态维度数据，从而在不对列车进行建模的基础上模拟列车运行；其中，所述测试中虚拟列车当前时间周期的状态维度数据T0是已知的；
测试中，列车自动驾驶设备依据所述虚拟列车的列车维度数据以及所述当前时间周期的状态维度数据T0、当前时间周期的线路维度数据L0输出所述当前时间周期的操纵维度数据C0。
9.根据权利要求8所述的货运列车自动驾驶测试方法，其特征在于：
所述获得状态维度数据T1的具体过程为：在存储的所述列车运行事实表中分析查询，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的列车运行事实表，再获得与该列车运行事实表间隔所述时间周期的下一张列车运行事实表，提取所述下一张列车运行事实表中的状态维度数据作为所述状态维度数据T1。
10.根据权利要求9所述的货运列车自动驾驶测试方法，其特征在于：基于多维联机分析处理(MOLAP)服务器，根据列车运行事实表的列车维度数据，对列车运行事实表中的四维数据实施切片操作，生成三维的数据仓库立方体，每个所述数据仓库立方体对应一张列车运行事实表；所述多维联机分析处理(MOLAP)服务器对所述数据仓库立方体实施下钻操作，获得人工驾驶实际运行的列车维度数据、线路维度数据、操纵维度数据、状态维度数据分别与所述测试中虚拟列车的列车维度数据、测试中当前时间周期的线路维度数据L0、测试中虚拟列车当前时间周期的操纵维度数据C0、测试中虚拟列车当前时间周期的状态维度数据T0一致的数据仓库立方体，再获得与该数据仓库立方体间隔所述时间周期的下一个数据仓库立方体，提取所述下一个数据仓库立方体中的状态维度数据作为所述状态维度数据T1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310187133.3A CN116125957B (zh) | 2023-02-21 | 2023-02-21 | 一种货运列车自动驾驶测试系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310187133.3A CN116125957B (zh) | 2023-02-21 | 2023-02-21 | 一种货运列车自动驾驶测试系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116125957A CN116125957A (zh) | 2023-05-16 |
| CN116125957B true CN116125957B (zh) | 2024-07-12 |
Family
ID=86295680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310187133.3A Active CN116125957B (zh) | 2023-02-21 | 2023-02-21 | 一种货运列车自动驾驶测试系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116125957B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
| CN113377026A (zh) * | 2020-02-25 | 2021-09-10 | 株洲中车时代电气股份有限公司 | 货运列车自动驾驶仿真测试系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112193280B (zh) * | 2020-12-04 | 2021-03-16 | 华东交通大学 | 一种重载列车强化学习控制方法及系统 |
-
2023
- 2023-02-21 CN CN202310187133.3A patent/CN116125957B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
| CN113377026A (zh) * | 2020-02-25 | 2021-09-10 | 株洲中车时代电气股份有限公司 | 货运列车自动驾驶仿真测试系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116125957A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11227234B2 (en) | Normalized performance comparison techniques | |
| CN107705234A (zh) | 一种利用车辆对路面质量进行监管的系统及其监管方法 | |
| CN101295326B (zh) | 应用gps数据生成od矩阵的交通仿真的方法 | |
| CN112631259A (zh) | 一种融合北斗卫星定位的新型列控系统车载设备仿真测试平台 | |
| CN110044639A (zh) | 一种基于实车运行大数据平台的细分市场商用车md-vtd系统 | |
| CN115599694A (zh) | 一种自动驾驶软件版本集成测试方法 | |
| JP2023078054A (ja) | 道路勾配情報を含む大型トラック走行モードの構築方法 | |
| CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
| Pi et al. | Automotive platoon energy-saving: A review | |
| CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
| WO2016184497A1 (en) | System and method for estimating energy usage | |
| Tulpule et al. | A statistical approach to assess the impact of road events on PHEV performance using real world data | |
| CN111273566A (zh) | 一种基于卫星定位的列控车载自动测试系统 | |
| Vámosi et al. | Development of bus driving cycle for debrecen on the basis of real-traffic data | |
| Jeong et al. | Vehicle-in-the-loop workflow for the evaluation of energy-efficient automated driving controls in real vehicles | |
| CN116125957B (zh) | 一种货运列车自动驾驶测试系统 | |
| CN114359003A (zh) | 一种基于云计算的轨道交通网信息化运营管理系统 | |
| CN113295826A (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
| CN117057142B (zh) | 一种基于数字孪生的车辆测试数据处理方法及系统 | |
| CN111626508B (zh) | 基于xgboost模型的轨道交通车载数据预测方法 | |
| CN211718715U (zh) | 基于卫星定位的列控车载自动测试系统 | |
| CN110956072B (zh) | 一种基于大数据分析的驾驶技能培训方法 | |
| CN114818109A (zh) | 一种车辆编队行驶下空气阻力系数及燃油经济性计算方法 | |
| Vdovic et al. | An Application Programming Interface for Advanced Analytics of Contextually Enriched Automotive Data | |
| Norbakyah et al. | myBas driving cycle for Kuala Terengganu city. |
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 |