一种自动空气制动系统的风压预测方法及装置

本发明实施例涉及空气制动，特别涉及一种自动空气制动系统的风压预测方法及装置。

背景技术：

1、随着重载铁路朝着大轴重，长编组，高运量的方向发展，重载技术逐渐走向智能化、互联化和自动化。列车编组的增加导致空气在列车管路中的传播时间延长，各车动作时间的异步性造成列车间的纵向冲击。重载列车制动系统仿真是重载列车纵向动力学的最关键部分，重载列车空气制动系统的准确模拟是解决纵向动力学中制动激励问题的关键所在。

2、空气制动系统仿真的研究最早开始于20世纪70年代，随后美国、日本、韩国、波兰、意大利和印度建立了列车管与制动管的模型。现行的空气制动模型架构主要分为经验模型，流体力学模型和经验流体力学模型三种，其中，经验模型建模简单，计算效率高，但适用场景有限，流体力学模型主要采用微分方法、算子分裂方法、有限元法(fea)和特征线法(moc)进行求解，模型更精细但计算效率较低，经验流体力学模型是前两者的结合，计算效率介于两者之间。某方法采用并行计算来提高计算机的仿真速度，仿真结果与实际结果趋势一致，最大差值为15％，对比了两万吨重载列车的2d模型与传统纵向动力学模型在不同制动工况下车钩力和机车运行速度，但空气制动模型采用查找表的方法设置，只能仿真特定列车配置的特定制动工况下的空气制动系统的气压变化，具有一定的局限性。

3、近年来，机器学习智能算法的兴起，在轨道交通行业也有较大发展，例如神经网络在预测地铁钢轨波磨、车轮磨损和钢轨磨损、轮轨横向接触力等方面取得了良好的效果，在纵向车辆动力学领域中，机器学习也有应用，例如某些方法在神经网络中引入物理拓扑结构，有效的提高了模型的性能。另一些方法搭建了基于机器学习的车辆自主轨迹规划系统，并于传统的计算方法进行对比，得到比传统寻找最佳轨迹的方法快9000倍以上的结论。

4、目前主要三种方式来描述车辆制动系统接受到制动和缓解指令时的动作，第一种是采用同步控制，即不考虑信号的衰减，所有车辆采用与机车同步的控制信号。第二种，采用在可控范围内的随机动作，第三种采用按照固定的制动波和缓解波的传播速度传递。事实上这三种方式都不能准确描述列车实际运行过程，制动系统中空气的非线性流体动力学特性以及精细的阀门结构等使得自动空气制动系统的仿真十分困难。模型参数的识别和确定如制动管摩擦、阀滑动摩擦和孔摩擦等，具有很强的非线性特性和个体差异，实际上不容易测量。

技术实现思路

1、本发明想要解决的技术问题包括提供一种自动空气制动系统的风压预测方法及装置，以用于构建能够准确预测列车的列车管、副风缸及制动缸的风压变化的仿真模型，并基于该仿真模型实现自动空气制动系统的风压预测。

2、为解决上述问题，本发明提供了一种自动空气制动系统的风压预测方法，所述自动空气制动系统包括对应列车机车的机车制动系统和对应列车各节车辆的车辆基础制动系统，所述机车制动系统用于将对应不同运行信号的风量通过列车管输送至各所述车辆基础制动系统，进而控制各车辆运行，所述车辆基础制动系统包括依次连接的副风缸、制动缸及闸瓦制动装置，所述方法包括：

3、构建所述自动空气制动系统的模型架构；

4、采集所述自动空气制动系统中的列车管、副风缸及制动缸的实际压力变化数据作为训练数据；

5、基于所述训练数据训练所述模型架构，得到用于预测所述列车管、副风缸及制动缸的压力变化的仿真模型；

6、基于所述仿真模型实现所述自动空气制动系统的风压预测。

7、作为一可选实施例，所述构建所述自动空气制动系统的模型架构，包括：

8、构建列车管子模型、副风缸子模型及制动缸子模型，所述列车管子模型、副风缸子模型及制动缸子模型配合组成所述自动空气制动系统的模型架构。

9、作为一可选实施例，所述构建列车管子模型，包括：

10、基于具有第一数量的隐藏层的深度神经网络构建所述列车管子模型，所述第一数量包括二十。

11、作为一可选实施例，所述构建副风缸子模型，包括：

12、基于具有第二数量的隐藏层的深度神经网络构建所述副风缸子模型，所述第二数量包括十。

13、作为一可选实施例，所述构建制动缸子模型，包括：

14、基于具有第三数量的隐藏层的深度神经网络构建所述制动缸子模型，所述第三数量包括十五。

15、作为一可选实施例，所述采集所述自动空气制动系统中的列车管、副风缸及制动缸的实际压力变化数据作为训练数据，包括：

16、采集所述自动空气制动系统中的列车管的实际压力变化数据形成用于训练所述列车管子模型的第一训练数据；

17、采集所述自动空气制动系统中的副风缸的实际压力变化数据形成用于训练所述副风缸子模型的第二训练数据；

18、采集所述自动空气制动系统中的制动缸的实际压力变化数据形成用于训练所述制动缸子模型的第三训练数据。

19、作为一可选实施例，所述采集所述自动空气制动系统中的列车管的实际压力变化数据形成用于训练所述列车管子模型的第一训练数据，包括：

20、采集所述自动空气制动系统中机车、各车辆对应的列车管的压力随时间进行变化的变化数据以及各车辆与机车间的距离作为所述第一训练数据；

21、其中，基于所述第一训练数据训练后的所述列车管子模型能够分别预测对应各车辆的列车管压力变化。

22、作为一可选实施例，所述采集所述自动空气制动系统中的副风缸的实际压力变化数据形成用于训练所述副风缸子模型的第二训练数据，包括：

23、基于所述列车管子模型输出的对应各车辆的列车管压力变化数据，以及各车辆的副风缸响应所述列车管的压力变化而产生的副风缸压力变化数据作为所述第二训练数据，所述车辆的副风缸压力变化与对应的列车管压力变化正相关；

24、其中，基于所述第二训练数据训练后的所述副风缸子模型能够分别预测对应各车辆的副风缸压力变化。

25、作为一可选实施例，所述副风缸用于调节对应车辆的制动缸的风压变化；

26、所述采集所述自动空气制动系统中的制动缸的实际压力变化数据形成用于训练所述制动缸子模型的第三训练数据，包括：

27、基于所述副风缸子模型输出的对应各车辆的副风缸压力变化数据，以及各车辆的制动缸响应所述副风缸压力变化而产生的制动缸压力变化数据作为所述第三训练数据；

28、其中，基于所述第三训练数据训练后的所述制动缸子模型能够分别预测对应各车辆的制动缸压力变化。

29、本发明另一实施例同时提供一种自动空气制动系统的风压预测装置，所述自动空气制动系统包括对应列车机车的机车制动系统和对应列车各节车辆的车辆基础制动系统，所述机车制动系统用于将对应不同运行信号的风量通过列车管输送至各所述车辆基础制动系统，进而控制各车辆运行，所述车辆基础制动系统包括依次连接的副风缸、制动缸及闸瓦制动装置，所述装置包括：

30、构建模块，用于构建所述自动空气制动系统的模型架构；

31、采集模块，用于采集所述自动空气制动系统中的列车管、副风缸及制动缸的实际压力变化数据作为训练数据；

32、训练模块，用于根据所述训练数据训练所述模型架构，得到用于预测所述列车管、副风缸及制动缸的压力变化的仿真模型；

33、预测模块，用于通过所述仿真模型对所述自动空气制动系统进行风压预测。

34、基于上述实施例的公开可以获知，本发明实施例具备的有益效果包括无需确定列车的制动管摩擦、阀滑动摩擦和孔摩擦等复杂时变、非线性参数，仅考虑制动系统中风缸的相互作用，即仅采集列车的列车管、副风缸及制动缸的实际压力变化就可以构建自动空气制动系统的仿真模型，以用于快速准确地预测列车管、副风缸及制动缸的风压变化，也即实现自动空气制动系统的风压预测，降低了现有的关于列车的仿真模型的构建难度，同时提升了模型的计算效率和精度。

35、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

36、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。