CN117829462A - 基于数字孪生的长大货运列车脱轨后果预测及控制方法 - Google Patents
基于数字孪生的长大货运列车脱轨后果预测及控制方法 Download PDFInfo
- Publication number
- CN117829462A CN117829462A CN202311680482.5A CN202311680482A CN117829462A CN 117829462 A CN117829462 A CN 117829462A CN 202311680482 A CN202311680482 A CN 202311680482A CN 117829462 A CN117829462 A CN 117829462A
- Authority
- CN
- China
- Prior art keywords
- derailment
- freight train
- long
- digital twin
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 206010012411 Derailment Diseases 0.000 description 56
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，具体为：通过多种智能传感器、微型相机等数据采集装置获取物理实体数据；基于三维建模软件构建长大货运列车数字孪生体模型，通过数字孪生体监测长大货运列车关键部位的实时状态；结合脱轨后果预测关键指标值来判断是否断开单个车轮已脱轨的车辆两端的车钩，抑制脱轨事故的进一步升级。本发明实现了长大货运列车脱轨后果预测及主动控制，从而在一定程度上抑制脱轨事故升级，实现“脱轨不脱线、脱线不掉道”的被动安全防护目标，对于提高铁路重载货物运输的安全性与经济性具有十分重要的意义。
Description
技术领域
本发明属于数字孪生技术领域，尤其涉及一种基于数字孪生的长大货运列车脱轨后果预测及控制方法。
背景技术
随着我国重载铁路货运技术的不断发展，我国在大秦线上已实现开行2万吨级别的重载货运列车，并已成功实现3万吨级别的重载货运列车试验。当前投入运行的2万吨长大货运列车的车辆编组数量达到了216辆。
随着车辆长期服役下安全性能的劣化，新建铁路线路穿越广袤的国土各区域地质条件复杂，部分区域地震、山体滑坡等自然灾害多发。上述因素决定了无法从根本上避免列车脱轨事故的发生。特别是重载货运列车由于其载重量大、编组数量多的特点，发生列车脱轨事故的风险极高。近年来，货运列车脱轨事故在我国呈现高发状态，而且由于载重量大而在牵引制动时均存在巨大的惯性作用，编组中单节车辆的脱轨往往会导致后续车辆进一步脱轨。
数字孪生技术是一种通过镜像物理实体构建虚拟模型，并在模型数据驱动下实现虚实融合的新型技术。在轨道交通领域中，数字孪生已经应用在了全路网的地铁性能评估以及列车自动控制系统的可视化仿真等方面，但缺乏对列车脱轨前后的后果预测及控制策略方面的研究与应用。长大货运列车自身并不具备智能高速动车组一样复杂精密的网络控制系统，且编组数量过多，当单节车辆存在极大脱轨风险或单个轮对发生脱轨时，调度中心与驾驶员往往不能及时感知到进而做出有效的处理措施。如何及时将长大货运列车发生脱轨前后的临界状态及时通知运维调度中心和驾驶员，以及采取有效的控制策略降低单节车厢脱轨后造成的损失，是我国重载货运技术发展亟待解决的一个问题。
发明内容
为了解决当前长大重载货运列车单节车厢脱轨后导致的更多后续车辆进一步脱轨的问题，本发明提供一种基于数字孪生的长大货运列车脱轨后果预测及控制方法。
本发明的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，具体为：
A、数据采集设备获取物理实体数据。
在长大货运列车的每节车厢的转向架的每个轮对的车轴上安装一套转速传感器和加速度传感器，用于获取单节车厢的每个轮对的运行速度以及横向加速度；在车厢连接部位的两端车钩上安装力传感器，获取长大货运列车每个车钩的受力数据；在车辆连接端部安装有车端连接部位状态监测装置，获取车钩的实时连接状态。
B、构建长大货运列车运行数字孪生模型。
基于三维建模软件构建长大货运列车和轨道线路各组成结构的静态模型，在三维图像引擎中基于物理引擎引入融合后数据实现虚拟场景的构建，建立数字孪生体模型，通过数字孪生体监测长大货运列车关键部位的实时状态。
C、长大货运列车脱轨后果预测及主动控制。
将采集到的与列车运行安全相关的数据作为原始数据输入到深度信念神经网络中进行贪心逐层训练获取权重的实时更新，最终得到脱轨后果预测关键指标值；当某单个车辆的轮对处于脱轨后瞬时状态时，数字孪生体发出向司机室和运维调度中心发出警告信息，通过临界条件判断是否断开单个车轮已脱轨的编组车辆两端的车钩，防止未发生脱轨的车辆因脱轨车辆的车钩拉力因素发生进一步的脱轨事故，从而实现长大货运列车脱轨后果预测及主动控制。
进一步的，车端连接部位状态监测装置包含微型相机和微型强光源，微型强光源用于在光线条件不足时强化照明。
进一步的，力传感器包含拉力传感器和压力传感器，传感器的类型均采用霍尔式传感器。
进一步的，长大货运列车数字孪生体模型虚拟场景构建过程为：基于三维建模软件构建列车的车体、转向架、车钩、以及轨道线路及环境高保真模型，导入三维图像引擎中基于物理引擎引入多维度融合的数据驱动完成虚拟三维场景的构建；然后将来源于多体动力学模型仿真计算与历史跟车试验采集数据进行融合转换成标准格式融入虚拟场景，使得虚拟场景中的长大货运列车运行参数和实体长大货运列车一致，实现数字孪生体模型可视化的构建，然后持续通过数据采集设备采集的长大货运列车物理实体数据对数字孪生体模型进行迭代优化，实现对真实物理世界中长大货运列车运行数据和线路状态的实时交互映射。
进一步的，脱轨后果预测关键指标融合了脱轨速度、车辆载重、线路类型、车辆编组位置数据，结合当日气候因素导入到深度概念神经网络中获取每类数据的权重参数，并进行贪心逐层训练获取权重的实时更新。
进一步的，长大货运列车脱轨后主动控制过程具体为：当长大货运列车的某节车厢的单个车轮发生脱轨时，结合神经网络所得到脱轨后果预测关键指标值进行评估超出预定值后，数字孪生体模型立即向司机室或调度中心发出警告信息，提示驾驶员和调度人员立即选择是否断开处于单个车轮已脱轨的车厢两端的车钩，抑制脱轨事故的进一步升级；当脱轨后预测评估指标值低于设定阈值时且脱轨车辆不为头部机车，则数字孪生体的信号将传递给驾驶室由驾驶员在一定时间内判断是否断开脱轨车辆两端的车钩；当脱轨后果预测评估指标超出阈值时，数字孪生体直接瞬时发出信号断开已脱轨的车辆两端的车钩。
本发明的有益技术效果为：
本发明弥补了长大货运列车自身并不具备智能高速动车组一样复杂精密的网络控制系统，且编组数量过多，当单个轮对发生脱轨时，调度人员与驾驶员往往不能及时感知到进而做出有效的处理措施。及时将长大货运列车发生脱轨前后的临界状态及时通知运维调度中心和驾驶员，以及采取有效的控制策略抑制脱轨事故进一步升级，降低单节车厢脱轨后造成的损失。
本发明实现了长大货运列车脱轨后果预测及主动控制，从而在一定程度上抑制脱轨事故升级，实现“脱轨不脱线、脱线不掉道”的被动安全防护目标，对于提高铁路重载货物运输的安全性与经济性具有十分重要的意义。
附图说明
图1为本发明长大货运列车运行数字孪生模型整体结构示意图。
图2为数字孪生系统数据流通过程示意图。
图3为数字孪生系统响应预警判断流程示意图。
图4为虚拟场景中车钩由连接状态到完全分离状态过程示意图。
图5为可视化监控系统车辆编组参数设置界面示意图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，通过建立长大货运列车数字孪生体模型(如图1所示)，结合脱轨后果预测关键指标值来判断是否断开单个车轮已脱轨的车辆两端的车钩，从而抑制脱轨事故的进一步升级，从而实现长大货运列车脱轨后果预测及主动控制。数字孪生系统数据流通过程如图2所示，通过多种智能传感器、微型相机、微型强光源等数据采集装置。在长大货运列车的每节车厢的转向架的每个轮对车轴上安装转速、加速度传感器，获取单个轮对的转速和横向加速度等数据。车钩上的力传感器获取每个车钩的受力数据。同时在每节车辆连接端部安装图像采集装置。以获取车钩的连接的实时状态。基于三维建模软件构建长大货运列车和轨道线路各组成结构的静态模型，在三维图像引擎中基于物理引擎引入融合后的数据实现虚拟场景的构建，建立数字孪生体模型，通过数字孪生体监测长大货运列车关键部位的实时状态。将多体动力学模型仿真计算与过往历史跟车试验采集数据进行融合转换成标准格式用于数字孪生体的运行，数字孪生体通过与服务器建立有效连接获取当前长大货运列车运行安全评估指标相关物理数据和运行状态完成初始化运行，多种智能传感器、微型相机等设备采集的物理实体数据对数字孪生体进行迭代优化，实现长大货运列车运行数据与状态的映射。当长大货运列车的单个车轮处于脱轨后瞬时状态时，根据临界状态条件参数，数字孪生体模型向驾驶员或调度人员发出警告信息，提示驾驶员和调度人员可立即选择是否断开处于极大脱轨风险或单个车轮已脱轨的车厢两端的车钩，防止未发生脱轨的车厢因车钩拉力等因素发生进一步更加严重的脱轨事故，实现长大货运列车脱轨后果预测及主动控制。
具体实施例为：
A、数据采集设备获取物理实体数据。
在长大货运列车的每节车厢的转向架的每个轮对的车轴上安装一套转速传感器和加速度传感器，用于获取单节车厢的每个轮对的运行速度以及横向加速度。每个车轴上都装配有2个转速传感器获取车轴的实际转速，装配有2个同类型号的传感器是为了实现冗余备份。通过与所在轮对的轮径等结构测量数据进行运算获得当前轮对的实际速度，此计算速度相比较于列车网络控制系统更加精确。然后，取当前车辆所有轮对的运行速度的平均值作为此车辆的实际运行速度。编组中单节车辆的横向加速度实际取值运算规则与速度相同，同时作为本编组车辆的实际脱轨速度。
在车厢连接部位的两端车钩上安装力传感器，获取长大货运列车每个车钩的受力数据。力传感器包含拉力传感器和压力传感器2种。传感器类型均采用的是霍尔式传感器，此种传感器具有结构简单、鲁棒性好、寿命长、功耗低、适应温度范围广等优点。
在车辆连接端部安装有车端连接部位状态监测装置，获取车钩的实时连接状态。车端连接部位状态监测装置包含微型相机和微型强光源，微型相机和微型强光源的尺寸和性能参数可依据不同车辆型号进行自定义更换，微型强光源用于在光线条件不足时强化照明。车端连接部位状态监测装置采集视角如图4所示有俯视和正面两个角度。
B、构建长大货运列车运行数字孪生模型。分成了物理实体和虚拟模型两大组成部分，物理实体涉及到货运车辆编组、轨道线路以及线路周边环境等数据，而虚拟模型主要是依据建立的车辆及各组成部件等高保真模型导入动力学仿真数据，动态实时数据融合后生成了三维场景。数字孪生体的内层数据逻辑结构包含了历史运行收集数据、线路三维场景相关数据、安全评估指标数据、系统性能分析数据和动力学仿真模拟数据。
基于三维建模软件构建长大货运列车和轨道线路各组成结构的静态模型，在三维图像引擎中基于物理引擎引入融合后的数据实现虚拟场景的构建，建立数字孪生体模型，通过数字孪生体监测长大货运列车关键部位的实时状态。
长大货运列车数字孪生体模型虚拟场景构建过程为：基于三维建模软件构建列车的车体、转向架、车钩、以及轨道线路及环境高保真模型，导入三维图像引擎中基于物理引擎引入多维度融合的数据驱动完成虚拟三维场景的构建；然后将来源于多体动力学模型仿真计算与历史跟车试验采集数据进行融合转换成标准格式融入虚拟场景，使得虚拟场景中的长大货运列车运行参数和实体一致，实现数字孪生体模型可视化的构建，然后持续通过数据采集设备采集的长大货运列车物理实体数据对数字孪生体模型进行迭代优化，实现对真实物理世界中长大货运列车运行数据和线路状态的实时交互映射。
将采集到的与列车运行安全相关的数据作为原始数据输入到构建的深度信念神经网络中进行贪心逐层训练获取权重的实时更新，脱轨后果预测关键指标融合了脱轨速度、车辆载重、线路类型(平地、隧道、高架)、车辆编组位置数据，结合当日气候因素导入到深度概念神经网络中获取每类数据的权重，进行贪心逐层训练获取权重的实时更新。
C、长大货运列车脱轨后果预测及主动控制。
将采集到的与列车运行安全相关的数据作为原始数据输入到深度信念神经网络中进行贪心逐层训练获取权重的实时更新，最终得到脱轨后果预测关键指标值；当某单个车辆的轮对处于脱轨后瞬时状态时，数字孪生体发出向司机室和运维调度中心发出警告信息，通过临界条件判断是否断开单个车轮已脱轨的编组车辆两端的车钩，防止未发生脱轨的车辆因脱轨车辆的车钩拉力因素发生进一步的脱轨事故，从而实现长大货运列车脱轨后果预测及主动控制。
长大货运列车脱轨后主动控制过程具体为：
首先，当长大货运列车的某节车厢的单个车轮发生脱轨时，数字孪生体模型可立即向驾驶员或调度人员发出警告信息，预警流程如图3所示，提示驾驶员和调度人员可立即选择是否断开处于极大脱轨风险或单个车轮已脱轨的车厢两端的车钩，防止未发生脱轨的车厢因车钩拉力等因素导致脱轨事故的进一步升级。
然后，当脱轨后预测评估指标低于设定阈值时且脱轨车辆不为头部机车，则数字孪生体的信号将传递给驾驶室由驾驶员在一定时间内判断是否断开脱轨车辆两端相连接的车钩。
最后，当脱轨后果预测评估指标值超出阈值时，数字孪生体直接发出信号以断开脱轨的车辆两端的车钩，从而及时实现长大货运列车脱轨主动控制，以最大程度上减小单节车厢脱轨后造成的损失。也可通过开发出新的导向装置纠正脱轨后车辆的姿态，防止进一步的发生偏离。
在本实施例中数字孪生体模型并不包含长大货运列车物理实体的所有组成结构，主要包含车端连接部位、转向架的轮轨接触部位、以及线路状况条件，对于其他部位在数字孪生模型中进行简化处理。且线路沿线环境条件通过高精度卫星地图获取刷新。从而减小所需要的硬件资源和数字孪生模型的可视化系统运行性能提升。可视化监控系统界面如图5所示。后续可以进一步扩大数字孪生体模型的范围，以提高系统的精确性。
Claims (6)
1.一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，具体为：
A、数据采集设备获取物理实体数据；
在长大货运列车的每节车厢的转向架的每个轮对的车轴上安装一套转速传感器和加速度传感器，用于获取单节车厢的每个轮对的运行速度以及横向加速度；在车厢连接部位的两端车钩上安装力传感器，获取长大货运列车每个车钩的受力数据；在车辆连接端部安装有车端连接部位状态监测装置，获取车钩的实时连接状态；
B、构建长大货运列车运行数字孪生模型；
基于三维建模软件构建长大货运列车和轨道线路各组成结构的静态模型，在三维图像引擎中基于物理引擎并引入融合数据实现虚拟场景的构建，建立数字孪生体模型，通过数字孪生体监测长大货运列车关键部位的实时状态；
C、长大货运列车脱轨后果预测及主动控制；
将采集到的与列车运行安全相关的数据作为原始数据输入到深度信念神经网络中进行贪心逐层训练获取权重的实时更新，最终得到脱轨后果预测关键指标值；当某单个车辆的轮对处于脱轨后瞬时状态时，数字孪生体发出向调度室和运维调度中心发出警告信息，通过临界条件判断是否断开单个车轮已脱轨的编组车辆两端的车钩，防止未发生脱轨的车辆因脱轨车辆的车钩拉力因素发生导致脱轨事故的升级，从而实现长大货运列车脱轨后果预测及主动控制。
2.根据权利要求1所述的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，所述车端连接部位状态监测装置包含微型相机和微型强光源，微型强光源用于在光线条件不足时强化照明。
3.根据权利要求1所述的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，所述力传感器包含拉力传感器和压力传感器，传感器的类型均采用霍尔式传感器。
4.根据权利要求1所述的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，所述长大货运列车数字孪生体模型虚拟场景构建过程为：基于三维建模软件构建列车的车体、转向架、车钩、以及轨道线路及环境高保真模型，导入三维图像引擎中基于物理引擎引入多维度融合数据驱动完成虚拟三维场景的构建；然后将来源于多体动力学模型仿真计算与历史跟车试验采集数据进行融合转换成标准格式引入虚拟场景，使得虚拟场景中的长大货运列车运行参数和实体长大货运列车一致，实现数字孪生体模型可视化的构建，然后持续通过数据采集设备采集的长大货运列车物理实体数据对数字孪生体模型进行迭代优化，实现对真实物理世界中长大货运列车运行数据和线路状态的实时交互映射。
5.根据权利要求1所述的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，所述脱轨后果预测关键指标融合了脱轨速度、车辆载重、线路类型、车辆编组位置数据，结合当日气候因素导入到深度概念神经网络中获取每类数据的权重参数，并进行贪心逐层训练获取权重的实时更新。
6.根据权利要求1所述的一种基于数字孪生的长大货运列车脱轨后果预测及控制方法，其特征在于，所述长大货运列车脱轨后主动控制过程具体为：当长大货运列车的某节车厢的单个车轮发生脱轨时，结合神经网络所得到脱轨后果预测关键指标值进行评估超出预定值后，数字孪生体模型立即向司机室和调度中心发出警告信息，提示驾驶员和调度人员立即选择是否断开处于单个车轮已脱轨的车厢两端的车钩，抑制脱轨事故的进一步升级；当脱轨后预测评估指标值低于设定阈值时且脱轨车辆不为头部机车，则数字孪生体的信号将传递给驾驶室由驾驶员在一定时间内判断是否断开脱轨车辆两端的车钩；当脱轨后果预测评估指标超出阈值时，数字孪生体将直接发出信号断开已脱轨的车辆两端的车钩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680482.5A CN117829462A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的长大货运列车脱轨后果预测及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680482.5A CN117829462A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的长大货运列车脱轨后果预测及控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829462A true CN117829462A (zh) | 2024-04-05 |
Family
ID=90518054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311680482.5A Pending CN117829462A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的长大货运列车脱轨后果预测及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829462A (zh) |
-
2023
- 2023-12-08 CN CN202311680482.5A patent/CN117829462A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9037323B2 (en) | Method and apparatus for limiting in-train forces of a railroad train | |
| Dong et al. | Automatic train control system development and simulation for high-speed railways | |
| US20120259486A1 (en) | System and method for determining a mismatch between a model for a powered system and the actual behavior of the powered system | |
| US6622068B2 (en) | Method of optimizing train operation and training | |
| CN111332130B (zh) | 一种基于数字孪生技术的磁浮列车悬浮系统调试方法 | |
| US20100174427A1 (en) | System and method for limiting in-train forces of a railroad train | |
| CN111301490B (zh) | 一种列车运行控制方法及系统 | |
| CN108189860B (zh) | 一种适用于普速铁路的行车许可控制系统 | |
| CN101441128A (zh) | 恶劣风环境安全行车方法及其系统 | |
| US8521447B2 (en) | Method, system, and computer software code for verification of validity of a pressure transducer | |
| CN114996982B (zh) | 一种基于云计算的列车轨道模型的实时仿真系统及方法 | |
| CN108284851B (zh) | 一种铁路轨道车防撞制动策略 | |
| CN110626382A (zh) | 一种动车组轮对车载检测装置及方法 | |
| CN101088822A (zh) | 固定闭塞条件下列车运行模拟控制方法 | |
| CN113696943A (zh) | 一种基于列车群组的控制方法、系统 | |
| CN117829462A (zh) | 基于数字孪生的长大货运列车脱轨后果预测及控制方法 | |
| CN210793202U (zh) | 一种动车组轮对车载检测装置 | |
| Li et al. | Research on improved train automatic control strategy based on particle swarm optimization | |
| Gorobetz et al. | Algorithm for Multi-core device of autonomous train system for adaptive braking control | |
| Marcotte et al. | Performance analysis and testing of a conventional three-piece freight car truck retrofitted to provide axle steering | |
| Ye | Traction Calculation for Metro B-cars | |
| Wu et al. | Dynamic Performance Optimization of Monorail Rapid Transit Formation Vehicles Based on Improved Artificial Potential Field Algorithm | |
| Gao et al. | Research on the Problem of Emergency Braking Rriggered by Train Control Vehicle Equipment | |
| Murray | A digital future on track | |
| CN117962969A (zh) | 重载列车仿真atp模型和重载列车仿真测试系统 |
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 |