一种单编组列车制动智能化级联试验系统

摘要

本发明公开一种单编组列车制动智能化级联试验系统，属于半实物仿真技术领域。特征是，为了实现级联控制策略，构建一个由级联编组构成的单编组列车制动试验平台和上位机软件平台，包括：一、级联编组：所述级联编组由一台执行器控制器、两台制动执行器和一套制动气路结构和数据采集模块构成；二、上位机软件平台的设计：所述上位机软件平台用于配置空气制动机参数、级联的编组数量、试验工况基本试验参数。根据级联循环控制策略，可以实现利用现有的单编组列车制动试验平台，通过M次的级联试验完成M辆编组列车制动性能测试。

权利要求

1.一种单编组列车制动智能化级联试验系统，特征是，为了实现级联控制策略，构建一个由级联编组构成的单编组列车制动试验平台和上位机软件平台，包括：一、级联编组

所述级联编组由一台执行器控制器、两台制动执行器和一套制动气路结构和数据采集模块构成；

所述级联编组的输入是上位机软件平台传输过来的控制模型，输出是数据采集模块采集到的气压数据，将级联编组的输出传输给上位机软件平台；

所述执行器控制器与上位机软件平台通过时间敏感网络(TSN)总线连接；

所述执行器控制器实现对制动执行器的控制；

所述两台制动执行器与执行器控制器电气连接；

所述两台制动执行器分别搭建在制动气路结构的前端和尾端，并通过气路连接；其中头部制动执行器根据控制模型进行实时的控制；尾部制动执行器负责向大气充排气来模拟其级联尾车向后续编组列车充排气的情况；

所述制动气路结构，与制动执行器通过气路连接，与数据采集模块通过时间敏感网络(TSN)总线连接；

所述制动气路结构包括5个气压传感器，5个气压传感器分别搭建在列车管前端、列车管尾端、副风缸、制动缸、加速缓解风缸上；

所述数据采集模块，与上位机软件平台通过时间敏感网络(TSN)总线连接；

所述数据采集模块对气压传感器信号的同步实时采集，将压强模拟信号传输给上位机软件平台；

所述级联编组，为了完成对M辆编组列车的制动性能测试需要进行M次级联试验；

二、上位机软件平台的设计

所述上位机软件平台用于配置空气制动机参数、级联的编组数量、试验工况基本试验参数；根据所述基本试验参数的配置，确定相应条件下的制动理论模型，将该制动理论模型传输给第一次级联试验中的级联编组；

所述上位机软件平台内嵌一个神经网络模型；所述神经网络模型，用于将上一次级联试验中级联编组传输过来的气压数据作为输入，输出下一次级联试验中级联编组的控制模型；

所述上位机软件平台用于向级联编组传输控制模型；

级联试验的过程为下列步骤1)‑2)：

1)上位机软件平台确定控制模型传输给级联编组中的执行器控制器；

2)执行器控制器根据接收到的控制模型，控制制动执行器，完成当前级联编的制动性能测试；

所述控制模型，其中第1次级联试验的控制模型为，根据上位机中基本试验参数的配置，从而确定的相应条件下的制动理论模型，将该制动理论模型作为控制模型；第k(2≤k≤M)次级联试验的控制模型为，将第k‑1次级联试验中的输出传输给上位机软件平台，利用已经训练好的神经网络模型得到本次级联试验的控制模型；

通过所述的单编组列车制动试验平台，实现级联循环控制策略，整个控制流程为下列步骤1)‑4)：

1)通过上位机软件平台确定试验基本参数；

2)完成一次级联试验；

3)将制动气路结构恢复至原始气压状态，消除上一次级联试验过程中对列车的影响；

4)判断是否完成了M次级联试验，若完成则结束级联循环控制，若未完成，将级联编组的输出传输给上位机软件，重复步骤2)‑4)；

根据上述级联循环控制策略，实现利用现有的单编组列车制动试验平台，通过M次的级联试验完成M辆编组列车制动性能测试。

说明书

一种单编组列车制动智能化级联试验系统

技术领域

[0001] 本发明属于半实物仿真技术领域。技术背景技术

[0002] 重载运输代表了铁路货物运输领域的先进生产力,是众多国家的追求目标以及发展方向，具有重要的战略意义。我国重载运输发展历经20多年，无论从牵引质量及重载线路规模均有了很大提高，为保证国家重点物资运输特别是煤炭运输做出了巨大贡献。近年来，随着重载运输的不断发展，在铁路货运量稳定提高的同时，对货运列车的性能要求，特别是货运列车制动系统的性能也提出了更高的要求。

[0003] 货运列车制动系统是决定货运列车性能的主要系统之一，它控制着货运列车的减速及停车性能，决定着货运列车的运行安全。为了使货运列车制动系统的性能能够满足重载运输不断向前动态发展的需求，需要对现有的货运列车制动系统进行进一步的研究。

[0004] 目前，对货运列车制动系统性能的研究主要是通过现场线路测试以及定制试验台测试这两种方法，而这两种方法均存在这不足之处。首先，现场的线路试验测试会损耗大量的人力物力资源，而且有可能占用已经运营的路线。其次，室内搭建 1：1的定置试验台虽然试验成本要低于现场线路测试，但对于大长编组列车的试验而言仍需要大量的硬件结构，而且编组数量过于固定，无法继续扩展编组长度。显然，这两种对制动系统性能的研究方法已经无法完全满足重载运输的发展需求。为了解决传统方法对货运列车制动性能研究的成本高、周期长等问题，本专利提出一种基于级联控制策略的单编组列车制动试验平台，利用级联控制策略实现仅用单编组列车完成任意长编组列车的制动系统性能的研究。

[0005] 目前已有的货运列车制动性能半实物仿真系统，为了实现对多辆编组列车的制动性能测试，通常需要搭建多套列车的制动气路结构(由列车管相连)，一台执行器控制器，上位机平台，一台制动执行器。上位机平台有制动理论模型，上位机平台设定好空气制动机的工作参数。

[0006] 本领域“制动理论模型”：是一个气压随时间变化的曲线，用来模拟空气制动机的工作特性。曲线对应的公式中各个参数值的不同，表征着不同的空气制动机的工作特性。

[0007] 测试工作时，基于上位机上制动理论模型和设定的参数，执行器控制器据此控制制动执行器的工作，通过一次试验完成整个制动性能测试。如果通过系统的性能测试得到的试验数据符合制动性能的，则表示目前上位机平台上设置的理论模型是合理的，从而可验证该参数下的空气制动机的设计是合理的。

[0008] 依赖搭建多套列车的制动气路结构，显然，对货运列车制动性能研究的成本高、周期长。

发明内容

[0009] 本发明的目的在于构建一种基于级联控制策略的单编组列车制动试验系统，通过级联控制策略实现利用单编组列车的制动试验平台完成对任意M(M≥2)辆编组列车的制动系统性能的研究。

[0010] 技术方案：

[0011] 一种单编组列车制动智能化级联试验系统，特征是，为了实现级联控制策略，需要构建一个由级联编组构成的单编组列车制动试验平台和上位机软件平台，包括：

[0012] 一、级联编组；

[0013] 所述级联编组由一台执行器控制器、两台制动执行器和一套制动气路结构和数据采集模块构成；

[0014] 所述级联编组的输入是上位机软件平台传输过来的控制模型，输出是数据采集模块采集到的气压数据，将级联编组的输出传输给上位机软件平台；

[0015] 所述执行器控制器与上位机软件平台通过时间敏感网络(TSN)总线连接；

[0016] 所述执行器控制器可采用NI‑9265模拟输出模块，实现对制动执行器的控制；

[0017] 所述两台制动执行器，与执行器控制器通过电气连接；

[0018] 所述两台制动执行器分别搭建在制动气路结构的前端和尾端，并通过气路连接；其中头部制动执行器根据控制模型进行实时的控制；尾部制动执行器负责向大气充排气来模拟其级联尾车向后续编组列车充排气的情况；

[0019] 所述制动气路结构，与制动执行器通过气路连接，与数据采集模块通过时间敏感网络(TSN)总线连接；

[0020] 所述制动气路结构包括5个气压传感器，5个气压传感器分别搭建在列车管前端、列车管尾端、副风缸、制动缸、加速缓解风缸上；

[0021] 所述数据采集模块，与上位机软件平台通过时间敏感网络(TSN)总线连接；

[0022] 所述数据采集模块采用NI‑9263模拟输入模块，用以对气压传感器信号的同步实时采集，将压强模拟信号传输给上位机软件平台；

[0023] 所述级联编组，为了完成对M辆编组列车的制动性能测试需要进行M次级联试验。

[0024] 二、上位机软件平台的设计

[0025] 所述上位机软件平台用于配置空气制动机参数、需要级联的编组数量、试验工况等基本试验参数；根据所述基本试验参数的配置，确定相应条件下的制动理论模型，将该制动理论模型传输给第一次级联试验中的级联编组；

[0026] 所述上位机软件平台内嵌一个神经网络模型；所述神经网络模型，用于将上一次级联试验中级联编组传输过来的气压数据作为输入，输出下一次级联试验中级联编组的控制模型；

[0027] 所述上位机软件平台用于向级联编组传输控制模型；

[0028] 所述级联试验的过程为下列步骤1)‑2)：

[0029] 1)上位机软件平台确定控制模型传输给级联编组中的执行器控制器；

[0030] 2)执行器控制器根据接收到的控制模型，控制制动执行器，完成当前级联编的制动性能测试；

[0031] 所述控制模型，其中第1次级联试验的控制模型为，根据上位机中基本试验参数的配置，从而确定的相应条件下的制动理论模型，将该制动理论模型作为控制模型；第k(2≤k≤M)次级联试验的控制模型为，将第k‑1次级联试验中的输出传输给上位机软件平台，利用已经训练好的神经网络模型得到本次级联试验的控制模型；

[0032] 通过所述的单编组列车制动试验平台，实现级联循环控制策略，整个控制流程为下列步骤1)‑4)：

[0033] 1)通过上位机软件平台确定试验基本参数。

[0034] 2)完成一次级联试验；

[0035] 3)将制动气路结构恢复至原始气压状态，消除上一次级联试验过程中对列车的影响；

[0036] 4)判断是否完成了M次级联试验，若完成则结束级联循环控制，若未完成，将级联编组的输出传输给上位机软件，重复步骤2)‑4)

[0037] 根据上述级联循环控制策略，可以实现利用现有的单编组列车制动试验平台，通过M次的级联试验完成M辆编组列车制动性能测试。

附图说明

[0038] 图1是单编组列车制动智能化级联试验系统连接图

[0039] 图2为制动气路结构组成图(为现有技术)；

[0040] 图3是单编组列车级联4辆编组列车试验流程图

[0041] 图4是级联循环控制流程图

[0042] 图5为总体执行过程流程图

[0043] 图6为级联曲线预测网络结构图

[0044] 图7为修正模型过程示意图

[0045] 图8为级联预测网络模型自动更新流程图

具体实施方式

[0046] 以下结合附图和实例，对发明进行进一步详细的解说，有利于更好理解本发明方法技术方案。

[0047] 实施例1

[0048] 为了实现级联控制策略，需要构建一个由上位机软件平台和级联编组构成的单编组列车制动试验平台，图1所示，包括：

[0049] 级联编组；

[0050] 上位机软件平台；

[0051] 一、级联编组的设计

[0052] 所述级联编组由一台执行器控制器、两台制动执行器和一套制动气路结构和数据采集模块构成；

[0053] 所述级联编组的输入是上位机软件平台传输过来的控制模型，输出是数据采集模块采集到的气压数据，将级联编组的输出传输给上位机软件平台；

[0054] 所述执行器控制器与上位机软件平台通过时间敏感网络(TSN)总线连接；

[0055] 所述执行器控制器可采用NI‑9265模拟输出模块，实现对制动执行器的控制；

[0056] 所述两台制动执行器，与执行器控制器通过电气连接；

[0057] 所述两台制动执行器分别搭建在制动气路结构的前端和尾端，并通过气路连接；其中头部制动执行器根据控制模型进行实时的控制；尾部制动执行器负责向大气充排气来模拟其级联尾车向后续编组列车充排气的情况；

[0058] 所述制动气路结构，与制动执行器通过气路连接，与数据采集模块通过时间敏感网络(TSN)总线连接；

[0059] 所述制动气路结构为现有技术，是由列车管、制动缸、副风缸、加速缓解风缸、分配阀以及5个气压传感器等构成，各个风缸和列车管之间通过压力阀口连接；

[0060] 其中5个气压传感器，分别搭建在列车管前端、列车管尾端、副风缸、制动缸、加速缓解风缸上；该气压传感器可采用西门子SIMENS的PCM300压力传感器；

[0061] 所述数据采集模块，与上位机软件平台通过时间敏感网络(TSN)总线连接；

[0062] 所述数据采集模块采用NI‑9263模拟输入模块，用以对气压传感器信号的同步实时采集，将压强模拟信号传输给上位机软件平台；

[0063] 将数据采集模块和执行器控制器都放置于NI cDAQ‑9185机箱中，其本身支持时间敏感网络TSN协议，可以实现数据的同步输入输出；

[0064] 所述级联编组，为了完成对M辆编组列车的制动性能测试需要进行M次级联试验。

[0065] 二、上位机软件平台的设计

[0066] 实施过程中，上位机软件平台可基于NI公司的LabVIEW平台进行相关功能的开发；

[0067] 所述上位机软件平台用于配置空气制动机参数、需要级联的编组数量、试验工况等基本试验参数；根据所述基本试验参数的配置，确定相应条件下的制动理论模型(这部分属于现有技术)，将该制动理论模型传输给第一次级联试验中的级联编组；例如：设置级联的编组数量M，确定做什么类型的试验，包括初充气、常用制动、制动缓解、紧急制动等基本工况。

[0068] 所述上位机软件平台内嵌一个神经网络模型；所述神经网络模型，用于将上一次级联试验中级联编组传输过来的气压数据作为输入，输出下一次级联试验中级联编组的控制模型；

[0069] 所述上位机软件平台用于向级联编组传输控制模型；

[0070] 三、级联循环控制策略的实现

[0071] 编组列车级联M辆编组列车以单编组列车级联4辆编组列车为例，图2为单编组列车级联4辆编组列车试验流程图级联试验流程图，从图中可以看出为了实现通过单车级联实现4辆编组列车的制动工况需要进行四次的级联试验，第一次级联试验，级联编组作为实际的 4编组列车的第一辆车进行试验；第二次级联试验，级联编组作为实际的4编组列车的第二辆车进行试验；以此类推直至完成4编组列车的试验。而较之传统实际4编组列车的试验情况，第2,3,4编组列车的气压变化都是因为自然作用规律发生，而在本发明级联过程中，其级联模拟的2,3,4编组列车的气压变化规律也变成人为仿真模拟真实情况产生。

[0072] 所述一次级联试验的过程为下列步骤1)2)：

[0073] 上位机软件平台传输控制模型给级联编组中的执行器控制器；

[0074] 执行器控制器根据接收到的控制模型，控制制动执行器，完成当前级联编的制动性能测试；

[0075] 所述控制模型，其中第1次级联试验的控制模型为，根据上位机中基本试验参数的配置，从而确定的相应条件下的制动理论模型，将该制动理论模型作为控制模型(这一部分属于现有技术)；第k(2≤k≤M)次级联试验的控制模型为，将第 k‑1次级联试验中的输出传输给上位机软件平台，利用已经训练好的神经网络模型得到本次级联试验的控制模型；所述第k‑1次级联试验中的输出是由尾部制动执行器负责向大气充排气来模拟该k‑1级联尾车向后续k编组列车充排气的情况，并由数据采集模块将采集来的气压数据通过上位机软件平台喂入神经网络模型，由神经网络模型预测输出下一次级联试验中级联编组的控制模型；

[0076] 如此，通过构建的单编组列车制动试验平台，实现级联循环控制策略，整个控制流程为下列步骤1)‑4)：

[0077] 1)通过上位机软件平台确定试验基本参数。

[0078] 2)完成一次级联试验；

[0079] 3)将制动气路结构恢复至原始气压状态，消除上一次级联试验过程中对列车的影响；

[0080] 4)判断是否完成了M次级联试验，若完成则结束级联循环控制，若未完成，将级联编组的输出传输给上位机软件，重复步骤2)‑4)；

[0081] 根据上述级联循环控制策略，可以实现利用现有的单编组列车制动试验平台，通过M次的级联试验完成M辆编组列车制动性能测试。

[0082] 实施例2

[0083] 在级联控制的过程中除首次级联外均需要使用采集模块在前一次级联试验中采集的数据并结合制动理论的公式计算下一轮级联列车管前端气压的变化公式，以此获取下一次级联试验的控制模型。但是由于制动模型理论的局限性，公式计算结果和实际结果存在一些的误差，特别是多次级联之后误差累积，不能满足半实物仿真试验所需达到的精度要求从而难以通过级联控制的策略开展长编组的制动试验。

[0084] 本实施例2在实施例1构建的平台基础上，进一步研发创新完成：

[0085] 通过建立级联气压时间序列预测神经网络模型对级联过程中下一次级联的列车管前端曲线数据进行预测，以此对制动理论模型的计算公式进行修正，提高试验的精度。

[0086] 为了达到以上目的，本实施例2采用的技术方案是：

[0087] 在实施例1的试验平台基础上更新上位机软件平台：

[0088] 软件平台增加制动试验数据库、级联气压时间序列预测模型、数据预处理和拟合气压公式的功能。软件平台根据不同功能的运行时间不同分为模型训练和试验两部分。

[0089] 所述软件平台模型训练部分在非试验阶段运行，功能包括数据预处理、训练预测模型、数据库数据上传和预测模型自动优化。

[0090] 所述软件平台模型训练部分在试验阶段运行，功能包括制动理论模型获取与计算、数据预处理、调用预测模型、公式拟合、控制信号生成、实时数据获取和数据图表及公式显示。

[0091] 所述列车制动试验数据库用于存储试验数据，前期收集大量标准试验平台的非级联数据用于构建级联数据集，用以训练级联预测网络。

[0092] 所述列车制动试验数据库，在每次完成级联试验后会从上位机软件平台接收本次试验数据并更新数据集。

[0093] 所述级联气压时间序列预测模型，用以实现在两次级联过程中通过输入当前轮次级联尾车的气压时间序列数据实现给出下一轮联编组首车的气压时间序列数据的功能。

[0094] 所述级联气压时间序列预测模型通过专用于时间序列处理的神经网络结构进行构建，搭建多层网络模型。

[0095] 所述数据预处理功能在训练、调用预测模型前都需要运行以处理原始数据使其数据格式和预测模型的输入数据格式一致。

[0096] 所述拟合气压公式功能，能够将预测模型输出的一维气压时间序列拟合成压力值 P与时间t的公式。

[0097] 所述整体运行过程包括：

[0098] 1)数据预处理

[0099] 收集现场线路试验和非级联试验中采集的不同工况试验数据并上传到列车制动数据库中，对气压数据进行预处理：对长段的数据进行筛选和截取，统一序列的长度，构建级联数据集。

[0100] 2)搭建和训练级联预测网络模型

[0101] 基于神经网络搭建级联气压时间序列预测网络模型，网络模型功能为输入前一辆车的列车管尾端气压时间序列，预测输出后一辆车的列车管前端气压时间序列，作为对比结果来对制动理论模型计算结果的公式进行修正。训练数据集使用上一步构建的级联数据集，在上位机软件平台中存储训练完成的网络模型脚本。

[0102] 3)对列车的级联编组气压进行预测。

[0103] 完成一轮级联试验后，软件平台对前一轮级联试验中采集的列车管尾端气压时间序列进行预处理，作为训练好的级联预测网络模型的输入，计算得到预测的下一编组列车管前端气压时间序列。

[0104] 4)根据所需修正精度对预测曲线公式进行拟合

[0105] 软件平台根据制动理论模型公式计算下一次级联列车管前端的气压变化公式，并展开为时间序列与级联预测模型的结果作差，对误差曲线按照实际需求进行拟合，处理后得到修正后的气压公式。

[0106] 5)预测模型自动更新

[0107] 试验结束上位机软件平台将本次试验采集的新试验数据上传到到数据库中，自动整理更新数据集并使用更新后的数据集对级联预测网络进行训练，若取得更好的训练结果则同步更新保存的预测模型脚本。

[0108] 根据上述运行流程，可以实现利用改装的单编组列车试验台和预测模型，对制动理论模型的公式进行修正，减小级联的实验误差，避免因级联造成误差累积，难以开展大编组列车试验的情况。

[0109] 以下进一步详细说明实施例2，包括六个部分。

[0110] 一、基于实施例1的试验平台进行上位软件平台更新：

[0111] 所述软件平台除实施例1中的功能外，增加制动试验数据库、级联气压时间序列预测模型、数据预处理和拟合气压公式的功能。

[0112] 所述软件平台根据不同功能的运行时间不同分为模型训练和试验两部分。

[0113] 所述制动试验数据库存储前期收集现场线路试验和非级联试验中采集的不同编组、不同工况条件下的试验数据，构建级联预测网络训练数据集；级联试验结束后数据也会由软件平台上传到数据库中并更新数据集。

[0114] 所述级联气压时间序列预测模型，通过长短时记忆网络LSTM模型实现，输入数据与输出数据均为一维气压时间序列。

[0115] 所述数据预处理功能，在训练、调用预测模型前运行以处理原始数据使其数据格式和预测模型的输入数据格式一致。

[0116] 所述拟合气压公式功能，能够将预测模型输出的一维气压时间序列拟合成压力值 P与时间t的公式。

[0117] 二、数据的预处理

[0118] 数据预处理在非试验阶段训练级联预测模型前和试验阶段调用预测模型前两个阶段进行。

[0119] 所述非试验阶段数据预处理是在训练级联预测网络之前，对数据库中级联数据集的预先操作；试验阶段预处理是在试验过程中调用预测模型获取预测结果之前对输入数据的预先操作。

[0120] 数据预处理分为：

[0121] (1)时间归一化

[0122] 由于硬件条件限制，数据集中的气压序列时间间隔并不完全一致，需要对数据进行时间归一化，保留原始数据的时间至小数点后一位。

[0123] (2)重复值均值化

[0124] 时间归一化会造成部分时间间隔较短的数据在0.1s内的时间标签相同，需要进行重复值均值化，将归一化后时间标签相同的数据计算平均值后作为该时间点的数据值。

[0125] (3)升采样

[0126] 经过时间归一化和重复值均值化处理仍旧会产生相邻数据条之间的时间间隔不为0.1s的情况，再采用线性插值的方法进行升采样，将气压数据的时间间隔统一至0.1s。

[0127] (4)数值归一化

[0128] 数值归一化公式为：

[0129]

[0130] 其中data_scaled为气压值归一化的结果，X为待处理的原始数值，XMAX和Xmin为当前列的最大值和最小值，归一化的结果将[0,500]的气压数据映射到[0,1]。axis＝0 表示是当前一列中的数据。

[0131] (5)数据筛选

[0132] 数据处理完成后对数据进行清洗和筛选，只截择每辆车充气和排气部分的列车管前端和尾端的数据。

[0133] 由于气压数据类型的限制——气压序列时间跨度度较长但可扩展的有效的特征向量空间有限，网络模型输出的结果在也是单一维度的时间序列，若增加特征维度会极大增加训练成本且预期效果也不会很理想，因此在输入序列的特征维度上只采用表示气压值的1维特征，构造长度为530，时间间隔为0.1s、总时间为53s 的时间序列，并以此为标准维护数据集。

[0134] (6)划分训练集和测试集

[0135] 输入数据X为第M辆车的列车管尾端气压序列，数据标签Y为第M+1辆车的列车管前端气压序列。对初充气、排气、多级制动等不同工况下的数据进行分类整理。以70％和30％的比例从上述数据中随机划分训练数据集和测试数据集，此步仅非试验阶段预处理需要。

[0136] X、Y:530＊1的向量。

[0137] 三、级联气压时间序列预测模型构建与调参

[0138] 预测模型网络结构采用专用于时间序列处理的LSTM网络模型，通过Pytorch设计多层的LSTM网络。

[0139] LSTM网络模型构建：

[0140] 长短期记忆网络LSTM是一种特殊的RNN，与普通RNN相比增加了门控，主要通过遗忘、输入、输出三个门控逻辑实现。解决了传统RNN在进行长序列训练时会导致梯度爆炸的问题，因此特别适合用来处理列车制动平台采集的长序列气压数据。门控的作用在于决定遗忘和记忆哪些信息。

[0141] LSTM网络数据的前向传播分为三步：

[0142] (1)遗忘门

[0143] LSTM网络传播的第一步是决定从cell中丢弃哪些旧信息，让哪些旧信息继续通过，这个过程由遗忘门实现。输入上一步隐藏层状态ht‑1和当前输入xt，输出0‑1 之间的数值张量，表示让上一个cell通过信息的比重。公式为：

[0144] ft＝σ(Wf·[ht‑1,xt]+bf)

[0145] σ：sigmoid激活函数,将x映射到(0,1)

[0146]

[0147] ht‑1：上一时刻的LSTM层输出，530＊N＊4张量

[0148] Xt：当前时刻Lstm层输入,[530＊N＊1]张量

[0149] Wf、bf：计算遗忘门张量ft的参数张量

[0150] ft：遗忘门，决定上一时刻Cell状态参数张量Ct‑1的保留值的张量。

[0151] (2)更新门

[0152] 第二步是决定让哪些新信息加入到cell中，由输入门完成，包括三个步骤：一是和上一步一样由sigmoid层决定哪些新信息可以保留，二是通过一个tanh 层生成备选的更新内容 三是将旧细胞Ct‑1更新为Ct，，具体公式为：

[0153] it＝σ(Wi·[ht‑1,xt]+bi)

[0154]

[0155]

[0156] Wi、bi：计算更新门张量it的参数张量

[0157] it：更新门，决定当前时刻Cell的临时状态 的更新值

[0158] 当前时刻Cell的临时状态参数张量

[0159] Wc、bc：计算Ct的参数张量

[0160] tanh:另一激活函数，将x映射到(‑1,1)

[0161]

[0162] Ct：综合遗忘门遗忘Ct‑1部分值和更新门更新 部分值后获得的当前时刻Cell最终状态张量。

[0163] (3)输出门

[0164] 第三步由输出门产生细胞的输出状态，利用新的控制参数产生输出，分为两步：一是使用sigmoid函数计算输出比例，二是把当前cell通过tanh的值与输出比例相乘，得到输出结果，公式为：

[0165] ot＝σ(Wo[ht‑1,xt]+bo)

[0166] ht＝ot*tanh(Ct)

[0167] Wo、bo：计算更新门ot的参数张量

[0168] Ot:输出门，根据Ct计算当前时刻输出值的张量

[0169] ht：LSTM层当前时刻的输出值，530＊N＊4张量

[0170] 所述本发明构建的LSTM网络的构成如图6所示，输入数据维度为530＊N＊1，隐藏层采用多层的LSTM结构，每层包含若干个LSTM单元，相邻层的LSTM单元之间采用全连接，后接一层线性全连接层，输出维度为530＊N＊1的序列，其中N 为训练数据的Batch Size。

[0171] 所述输入数据前向传播经过三层LSTM后扩展为n维序列，n为隐藏层的LSTM 细胞数，再通过一层线性层降维，最后的输出结果为1维时间序列。

[0172] 所述预测网络模型损失函数设置为均方误差

[0173]

[0174] yi:实际的气压值

[0175] 网络预测得到的气压值

[0176] n:序列长度

[0177] MSE：均方误差

[0178] 所述优化器设置为Adam，结合了AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长，更新参数过程为：

[0179] 计算当前梯度：

[0180]

[0181] θt‑1:未更新的参数张量

[0182] gt：根据未更新参数计算的梯度

[0183] 计算梯度动量，mt初始值为0：

[0184] mt＝β1mt‑1+(1‑β1)gt

[0185] mt：当前梯度动量

[0186] mt‑1：前一时刻的梯度动量

[0187] β1：动量更新权重参数(0‑1)

[0188] 计算梯度平方的指数移动平均数，v0初始值为0：

[0189]

[0190] vt：当前梯度平方指数移动平均数

[0191] vt‑1：梯度平方指数移动平均数

[0192] β2：梯度平方指数移动平均数更新权重参数(0‑1)

[0193] 对mt和vt进行偏差纠正，降低偏差对训练初期的影响：

[0194]

[0195]

[0196] mt、vt的修正量

[0197] 修正参数，等于β1、β2

[0198] 更新参数：

[0199]

[0200] θt：更新后的参数值

[0201] α：学习率(单次更新参数的参考值)

[0202] ε：防止分母为0添加的极小值

[0203] LSTM网络模型调参：

[0204] 设置初始学习率，Dropout概率，迭代最大次数，Batch Size等参数。将训练数据输入网络进行训练，反复调整learning rate、batch size、LSTM层数和单层的 LSTM细胞个数使得训练后损失函数MSE的值达到最小，并利用测试数据集检测神经网络的预测效果。LSTM网络训练完成后，保存训练好的网络模型以便之后进行调用。

[0205] 所述LSTM网络网络结构和最优参数如下：

[0206] 学习率 Dropout 最大迭代次数 Batch Size 隐藏层结构 损失函数1e‑3 0.5 1500 20 4*3 9e‑4

[0207] Droupout:训练时网络后续层抛弃前一层数据的概率

[0208] 最大迭代次数：损失函数收敛的训练次数

[0209] Batch Size：等于N，即单次训练输入数据的数量

[0210] 隐藏层结构：4为一层LSTM网络的Cell数，3为隐藏层LSTM网络的层数损失函数：即上文的MSE

[0211] 四、调用预测模型

[0212] 级联预测模型在训练完成后，以存有预测模型参数的python脚本的格式保存在上位机软件平台中，以供进行级联试验时调用。

[0213] 所述调用预测模型之前需要先对前一次级联采集的气压时间序列数据进行上文所述预处理，再利用labview调用预测模型的python脚本将预处理后的气压数据作为输入，经过LSTM网络前向传播计算后得到预测的气压时间序列。

[0214] 所述预处理前的原始序列和预测输出序列均以数组的形式保存在上位机软件平台中。

[0215] 所述调用预测模型为在进行级联试验时，完成当前一次的级联试验后，将数据采集模块在本次级联中采集的气压数据经过预处理输入到已经训练好的级联曲线预测网络中，通过LSTM网络前向传播计算得到预测的气压序列。

[0216] 五、制动控制模型的修正

[0217] 上位机软件平台通过调用预测模型获取预测气压序列后，通过下述步骤修正制动控制模型的计算公式

[0218] (1)将前一次级联数据根据制动理论模型计算得到的公式展开为时间序列[0219] (2)将预测气压序列与通过制动理论模型公式展开得到的气压序列作差得到误差序列

[0220] (3)对根据实际需要的精度通过最小二乘法对误差序列进行公式拟合，即求解一*下方程中的函数式s(x)：

[0221]

[0222] ωi：xi处的加权值

[0223] s*(xi)：xi处的拟合值

[0224] f(xi)：xi出的真实值

[0225] m:序列长度

[0226] 可根据试验的实际需要，将误差函数拟合成诸如三次或更高次的多项式函数。将制动理论模型计算的气压公式和误差气压公式相加得到修正后的气压公式，用以计算下一次级联的制动执行器控制信号。

[0227] 六、预测模型的自动更新

[0228] 在进行完成多次制动级联试验，数据库更新了大量新数据后，上位机软件平台会自动更新数据集，并对级联预测模型进行优化。

[0229] 所述更新数据集为对新加入数据库的数据重复一、二中的预处理步骤，添加到原有数据集中，用新数据集对级联气压时间序列预测模型进行训练。

[0230] 所述预测模型优化为使用更新后的训练集后训练预测网络，如果取得了更好的训练结果则软件平台会更新预测模型参数并同步更新保存的预测模型脚本，实现级联预测模型的自动优化。

[0231] 根据上述流程，可以实现利用改装的单编组列车试验台和预测模型，对制动理论模型的公式进行修正，减小级联的实验误差，避免因级联造成误差累积、难以开展大编组列车试验的情况。同时也能通过收集试验数据不断自主优化级联气压时间序列预测模型的预测效果，提高后续试验数据的可信度。