一种空气制动力预测方法及其装置

1.一种空气制动力预测方法，包括：获取关键参数的实时数据，所述关键参数为与空气制动力的关联系数超出预设关联阈值的参数；将所述关键参数的实时数据输入比例系数预测模型以获得对应的比例系数；以及根据所述比例系数的大小确定出当前减压量，所述当前减压量为所述空气制动力的控制量。 2.如权利要求1所述的空气制动力预测方法，其特征在于，所述根据所述比例系数的大小确定出当前减压量包括：响应于所述比例系数小于第一阈值，将初始减压量加上所述比例系数对应的增量作为所述当前减压量；以及响应于所述比例系数大于第二阈值，将初始减压量减去所述比例系数对应的增量作为所述当前减压量，所述第二阈值大于所述第一阈值。 3.如权利要求2所述的空气制动力预测方法，其特征在于，响应于所述比例系数小于第一阈值，利用计算公式Δ＝|μ 1 (α-η)|计算出所述比例系数对应的增量；以及响应于所述比例系数大于第二阈值，利用计算公式Δ＝|μ 2 (β-η)|计算出所述比例系数对应的增量，其中，η为所述关键参数的实时数据对应的比例系数，Δ为比例系数η对应的增量，α为所述第一阈值，β为所述第二阈值，μ 1 和μ 2 为常量。 4.如权利要求1所述的空气制动力预测方法，其特征在于，所述获取关键参数的实时数据包括：获取与空气制动力相关的参数的实时数据；以及对所述实时数据进行数据降维处理以获得所述关键参数的实时数据。 5.如权利要求1所述的空气制动力预测方法，其特征在于，还包括：通过大数据样本的机器学习建立所述关键参数与空气制动力的比例系数的关系模型以作为所述比例系数预测模型。 6.如权利要求5所述的空气制动力预测方法，其特征在于，所述大数据样本包括历史数据中的关键参数及其对应的比例系数。 7.如权利要求6所述的空气制动力预测方法，其特征在于，还包括：利用计算公式 计算出历史数据中的关键参数对应的比例系数，其中，∑F′ a 为历史空气制动过程中实际的空气制动力总和，∑F a 为历史空气制动过程中根据TB/T1407-1998《列车牵引计算规程》计算出的空气制动力总和。 8.如权利要求1所述的空气制动力预测方法，其特征在于，所述获取关键参数的实时数据还包括：响应于车辆在曲线动态规划过程中判断所述车辆将要进行空气制动，获取关键参数的实时数据。 9.一种空气制动力预测装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成：获取关键参数的实时数据，所述关键参数为与空气制动力的关联系数超出预设关联阈值的参数；将所述关键参数的实时数据输入比例系数预测模型以获得对应的比例系数；以及根据所述比例系数的大小确定出当前减压量，所述当前减压量为所述空气制动力的控制量。 10.如权利要求9所述的空气制动力预测装置，其特征在于，所述处理器进一步被配置成：响应于所述比例系数小于第一阈值，将初始减压量加上所述比例系数对应的增量作为所述当前减压量；以及响应于所述比例系数大于第二阈值，将初始减压量减去所述比例系数对应的增量作为所述当前减压量，所述第二阈值大于所述第一阈值。 11.如权利要求10所述的空气制动力预测装置，其特征在于，所述处理器进一步被配置成：响应于所述比例系数小于第一阈值，利用计算公式Δ＝|μ 1 (α-η)|计算出所述比例系数对应的增量；以及响应于所述比例系数大于第二阈值，利用计算公式Δ＝|μ 2 (β-η)|计算出所述比例系数对应的增量，其中，η为所述关键参数的实时数据对应的比例系数，Δ为比例系数η对应的增量，α为所述第一阈值，β为所述第二阈值，μ 1 和μ 2 为常量。 12.如权利要求9所述的空气制动力预测装置，其特征在于，所述处理器进一步被配置成：获取与空气制动力相关的参数的实时数据；以及对所述实时数据进行数据降维处理以获得所述关键参数的实时数据。 13.如权利要求9所述的空气制动力预测装置，其特征在于，所述处理器还被配置成：通过大数据样本的机器学习建立所述关键参数与空气制动力的比例系数的关系模型以作为所述比例系数预测模型。 14.如权利要求13所述的空气制动力预测装置，其特征在于，所述大数据样本包括历史数据中的关键参数及其对应的比例系数。 15.如权利要求14所述的空气制动力预测装置，其特征在于，所述处理器还被配置成：利用计算公式 计算出历史数据中的关键参数对应的比例系数，其中，∑F′ a 为历史空气制动过程中实际的空气制动力总和，∑F a 为历史空气制动过程中根据TB/T1407-1998《列车牵引计算规程》计算出的空气制动力总和。 16.如权利要求9所述的空气制动力预测装置，其特征在于，所述处理器进一步被配置成：响应于车辆在曲线动态规划过程中判断所述车辆将要进行空气制动，获取关键参数的实时数据。 17.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～8中任一项所述的空气制动力预测方法的步骤。