一种列车牵引制动性能预测方法

1.一种列车牵引和制动性能的预测方法，其特征在于，包括：S1、获取列车运行数据，构建包括列车基本阻力、列车附加阻力、列车牵引力与制动力的动力学模型以及曲线模型；所述列车运行数据包括惰行阶段数据、牵引阶段数据和制动阶段数据；S2、采用粒子群优化算法、遗传算法或长短序列神经网络方法对惰行阶段数据处理得到列车的基本阻力参数；S3、采用滑动窗口平均方法对牵引阶段数据和制动阶段数据进行处理得到列车加速度数据，根据ATO电流对应牵引力变换关系、ATO电流对应制动力变换关系、列车加速度数据、基本阻力参数和动力学模型得到列车的满牵引力数据和满制动力数据；S4、采用滑动窗口Z分数处理技术清理满牵引力数据和满制动力数据中的异常值和噪声，输出平滑的满牵引力数据和满制动力数据；S5、采用粒子群算法或加权遗传算法处理平滑后的满牵引力数据得到牵引特性曲线参数；采用全连接神经网络和均衡损失处理平滑的满制动力数据拟合得到制动特性曲线参数；S6、根据所述牵引特性曲线参数、制动特性曲线参数和曲线模型，得到列车的牵引特性曲线和制动特性曲线；所述曲线模型为其中，F(v)为在列车运行速度为v时的牵引力；v为列车的运行速度；K 1 为列车的最大牵引力常数，m、n、p和q分别为列车在恒转矩区的牵引特性曲线拟合的各次项常系数；B(v)为列车运行速度为v时的制动力；K 2 为列车的最大制动力常数；o、l和h分别为制动特性曲线拟合的各项常系数；列车的牵引特性曲线，根据运行特征分为恒功区和恒转矩区；列车运行速度小于v 转 时，工作在恒转矩区，列车最大牵引力恒定不变；在恒功区，当列车运行速度增大直至超过v 转 后，进入恒转矩区，在恒转矩区列车的牵引功率保持不变，v 终 是当前速度等级下牵引的最大速度；当列车运行速度小于v 转折 时，列车最大制动力恒定不变；当列车运行速度增大直至超过v 转折 后，列车速度与最大值动力呈二次线性关系，v 终点 是当前速度等级下制动的最大速度。 2.根据权利要求1所述的方法，其特征在于，所述动力学模型为其中，M为列车质量；a(v x )为列车速度为v x 时列车的加速度；F(v x )为列车速度为v x 时的牵引力或制动力；f base (v x )为列车速度为v x 时的单位基本阻力；W(x)为列车在x位置时的总附加阻力；k 1 、k 2 和k 3 为列车的基本阻力参数；其中，k 3 为列车的摩擦阻力，k 2 为列车的阻力系数，k 1 为列车的气动阻力系数；W i 为坡道附加阻力；w i 为单位坡道的附加阻力；g为重力加速度，w r 为单位曲线的附加阻力；R为线路的曲线半径；A为经验常数；F(v front )为列车在速度v front 时的制动力，v front 、F back 和v x 分别为列车在对应front、back、x位置的速度，F front 为列车在对应位置front处的制动力；F back 为列车在对应位置back处的制动力。 3.根据权利要求2所述的方法，其特征在于，所述S2进一步包括S21、当列车的基本阻力参数范围已知，执行初步分析、快速标定或参数初始化任务，采用粒子群优化算法对惰行阶段数据处理得到列车的基本阻力参数；S22、当需要精确辨识列车在多种速度和载重工况下的基本阻力参数时，采用遗传算法对惰行阶段数据处理得到列车的基本阻力参数；S23、当列车的基本阻力参数是动态变化的，或需要预测未来速度变化下的基本阻力参数，采用长短序列神经网络方法对惰行阶段数据处理得到列车的基本阻力参数。 4.根据权利要求3所述的方法，其特征在于，所述采用粒子群优化算法对惰行阶段数据处理的具体公式为其中，w start_PSO 和w end_PSO 分别为POS算法开始探索和结束探索时的惯性权重；f mean 为使用POS算法的种群的平均适应度，f min_PSO 为使用POS算法的当前最优适应度，f为当前个体的适应度，F为列车的牵引力或制动力；Q为预设值；所述采用遗传算法对惰行阶段数据处理的具体公式为其中，f(k)为适应度值，F predicted 为跟随GA寻优过程辨识的参数计算的阻力值，F actual 为实际测得的阻力值； 为第j data 个数据点的列车速度； 为个体i indiv 的权重； 为个体i indiv 的适应度值，f avg 为使用GA算法的种群平均适应度，f min_GA 为使用GA算法的种群最优适应度，f为当前个体的适应度；w start_GA 为GA算法探索时惯性权重的初始值；w end_GA 为GA算法探索时惯性权重的结束值；所述采用长短序列神经网络方法对惰行阶段数据处理的具体公式为其中， 为参数k 1 ,k 2 和k 3 在每轮迭代中的均值； 为参数k 1 ,k 2 和k 3 在每轮迭代中的标准差； 为第i para 个参数在第j samp 个样本中的取值；n num 为样本数量； 为第i para 个参数的平均值；α为权重系数，用于平衡MSE损失与参数约束损失，L MSE 为均方差误差，L constraint 为约束误差。 5.根据权利要求4所述的方法，其特征在于，所述采用滑动窗口平均方法对牵引阶段数据和制动阶段数据进行处理得到列车加速度数据包括，逐行计算窗口内的列车加速度和对窗口内的列车加速度进行平滑处理，具体公式为其中， 表示当前窗口最后一行的速度； 表示当前窗口第一行的速度；△t为固定的时间间隔； 为窗口i win 内的平均加速度； 为当前行计算出的加速度； 为窗口内的每一行对应的加速度；N为预设的行数。 6.根据权利要求5所述的方法，其特征在于，所述ATO电流与牵引力的转换关系和ATO电流与制动力的转换关系为其中，F all (v x )为列车速度为v x 时的满牵引力或满制动力，a all (v x )为列车速度为v x 时的满牵引力的加速度或满制动力的加速度，I(v x )速度为v x 时的ATO电流，I all 为满牵引力或满制动力的ATO电流；列车无牵引力时的ATO电流或列车无制动力时的ATO电流为4；g为重力加速度；所述平滑的满牵引力数据或满制动力数据的计算公式为其中， 为清理异常值和噪声的速度为v x 时的满牵引或制动力， 为清理异常值和噪声的速度为v x 时的满牵引力的加速度或满制动力的加速度。 7.根据权利要求6所述的方法，其特征在于，所述采用滑动窗口Z分数处理技术清理满牵引力数据和满制动力数据中的异常值和噪声，输出平滑的满牵引力数据和满制动力数据，进一步包括对满牵引力的加速度数据中处于恒功区的采用Z分数处理，并采用滑动窗口自动Z分数处理恒功区和恒转矩区的满牵引力的加速度数据；对满制动力的加速度数据采用局部加权回归、插值异常值处理和移动平均+样条插值法处理，具体公式如下其中， 为转换得到的满牵引力加速度数据中第i acc 个加速度 数据的Z分数；μ为满牵引力加速度数据的均值；σ为标准差；W为窗口大小； 表示窗口内的第j win-acc 个加速度数据点； 为第i win 个窗口内数据的均值； 为第i win 个窗口内数据的标准差； 表示第k data-point 个数据点的Z分数；τ为Z分数的阈值； 为滑动窗口内第k data-point 个加速度数据；W'为窗口内非异常点的数量；D表示当前加速度数据 与待估计加速度数据a d 之间的距离，每个加速度数据 对于待估计加速度数据a d 的权重 通过三次权重函数计算；异常加速度数据 应用插值，将其替换为相邻加速度数据 和 的合理估值，在给定时间点 上，基于相邻点 的数据对当前加速度数据进行插值； 为滑动窗口中的移动平均值加速度数据， 为经过异常值处理后的第j nor 个加速度；S ner (v inter )为样条函数；v inter 为待求解插值点速度数据，v ner 为插值临近点的速度；b ner 、c ner 、d ner 和e ner 分别根据数据点和连续性条件拟合得到的样条系数。 8.根据权利要求7所述的方法，其特征在于，所述采用粒子群算法或加权遗传算法处理平滑后的满牵引力数据得到牵引特性曲线参数，包括当执行初步分析、快速标定或参数初始化任务，粒子群算法处理平滑后的满牵引力数据得到牵引特性曲线参数；所述采用粒子群算法对平滑后的满牵引力数据进行处理的具体公式为其中， 表示粒子i particle 在t时刻的速度， 为粒子i particle 的个体最优位置，g best 为全局最优位置，w为惯性权重，c 1 和c 2 为学习因子，r 1 和r 2 为[0，1]之间的随机数； 表示粒子i particle 在t时刻的位置； 为实际满牵引力值， 为预测值； 是拟合曲线的二阶导数；λ为惩罚项的权重系数；x 1 和x n 分别为曲线转折点位置的上限和下限； 用于保证当二阶导数为负时，不增加惩罚；当二阶导数为正时，增加惩罚；当需要辨识列车在多种速度和载重工况下的牵引特性曲线参数时，采用遗传算法对处理平滑后的满牵引力数据得到牵引特性曲线参数；所述采用遗传算法处理平滑后的满牵引力数据的具体公式为其中，α为[0，1]之间的随机数，pa 1 和pa 2 分别为第一父代个体和第二父代个体，ch 1 和ch 2 分别为第一子代个体和第二子代个体；x′ indiv 为对个体x indiv 进行变异后的基因值。 9.根据权利要求8所述的方法，其特征在于，所述采用全连接神经网络和均衡损失处理平滑的满制动力数据的损失函数为Loss＝MSE+λ 1 ×transition value constraint+λ 2 ×transition slope constraint+λ 3 ×(k penalty +a penalty +b penalty +c penalty )其中，λ 1 、λ 2 和λ 3 分别为第一控制权重、第二控制权重和第三控制权重；transitionvalue constraint为v 转折 的值，transition slope constraint为v 转折 时的斜率，k penalty 为K 2 的范围约束，a penalty 为o的范围约束，b penalty 为l的范围约束，c penalty 为h的范围约束。