基于场景识别的城市轻轨车辆载荷在线估算方法

摘要

本发明实施例涉及一种基于场景识别的城市轻轨车辆载荷在线估算方法，包括：全车网络控制器CCU获取车辆闪存FLASH存储器中存储的车辆重量信息，并下发给车辆牵引控制器TCU和车辆制动系统控制器BCU；所述CCU实时检测场景标识信息，根据检测到的场景标识信息确定车辆当前的场景信息；当所述车辆当前的场景信息为正常运营场景时，执行第一估算处理，得到车辆重量更新数据；当所述车辆当前的场景信息为特殊运营场景时，执行第二估算处理，得到车辆重量更新数据；将所述车辆重量更新数据写入FLASH存储器，用以更新FLASH存储器中存储的车辆重量信息。

权利要求

1.一种基于场景识别的城市轻轨车辆载荷在线估算方法，其特征在于，所述方法包括：全车网络控制器CCU获取列车车辆的闪存FLASH存储器中存储的车辆重量信息，并下发给车辆牵引控制器TCU和车辆制动系统控制器BCU ;所述CCU实时检测场景标识信息，根据检测到的场景标识信息确定车辆当前的场景信息；

当所述车辆当前的场景信息为正常运营场景时，执行第一估算处理，得到车辆重量更新数据；

当所述车辆当前的场景信息为特殊运营场景时，执行第二估算处理，得到车辆重量更新数据；

将所述车辆重量更新数据写入FLASH存储器，用以更新FLASH存储器中存储的车辆重量信息；

所述第一估算处理和第二估算处理包括：确定车辆的车门关闭状态和牵引指令信号接收状态；

当车辆的车门关闭状态为关门且接收到牵引指令信号时，CCU的牵引级位参数设定为

100%牵引级位，载荷参数设定为额定载荷AW2；

检测当前车速是否超过第一设定阈值；

当当前车速超过第一设定阈值时，CCU按照设定采样频率采集列车牵引力，并记录车速达到第一车辆速度时的时间为第一采样时间；

当当前车速超过第二设定阈值时，结束对列车牵引力的采集，并记录车速到达第二车辆速度时的时间为第二采样时间；

根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算车辆在第一采样时间到第二采样时间区间内的加速度，并以所采集到的列车牵引力的平均值作为列车牵引力的值；

根据列车静态参数、列车速度、加速度和坡道角度计算车辆重量理论估算值，并以最小二乘法拟合函数对所述车辆重量理论估算值进行补偿，得到所述车辆重量；

其中，在第一估算处理中，所述车辆重量理论估算值的计算具体为：2

m1=(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V))/(k1*a+6.4+0.14*V+g*θ)其中，m1为第一估算处理所得的车辆重量理论估算值，F为列车牵引力，n为车轴数，V为列车速度，N为列车的车厢数量，A为列车截面积，a为加速度，k1为回转质量系数，g为重力加速度，θ为坡道角度；

在第二估算处理中，所述车辆重量理论估算值的计算具体为：2

m2=(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V))/(k1*a+6.4+0.14*V‑θ0*g)其中，m2为第二估算处理所得的车辆重量理论估算值，F为列车牵引力，n为车轴数，V为列车速度， N为列车的车厢数量，A为列车截面积，a为加速度， k1为回转质量系数，g为重力加速度，θ0为预设最大坡道角度。

2.根据权利要求1所述的城市轻轨车辆载荷在线估算方法，其特征在于，所述CCU获取车辆闪存FLASH存储器中存储的车辆重量信息，并下发给TCU和BCU之前，所述方法还包括：接收车辆上电激活信号；

根据所述车辆上电激活信号对车载信号系统ATC、CCU、TCU和BCU进行上电初始化，并将所述FLASH存储器中存储的车辆重量信息初始化为最后一次断电前FLASH存储器中存储的车辆重量信息。

3.根据权利要求1所述的城市轻轨车辆载荷在线估算方法，其特征在于，在第一估算处理中，所述以最小二乘法拟合函数对所述车辆重量理论估算值进行补偿，得到所述车辆重量具体为：

m=m1+f(m1);

其中，m为车辆重量，f(m1) 为正常运营场景下的最小二乘法拟合函数。

4.根据权利要求3所述的城市轻轨车辆载荷在线估算方法，其特征在于，所述最小二乘法拟合函数通过在车辆出厂前根据正常运营场景AW0‑AW3不同载荷下的实际测定数据对公式m=m1+f(m1)进行校准获得。

5.根据权利要求1所述的城市轻轨车辆载荷在线估算方法，其特征在于，在第二估算处理中，所述以最小二乘法拟合函数对所述车辆重量理论估算值进行补偿，得到所述车辆重量具体为：

m=m2+f(m2);

其中，m为车辆重量，f(m2) 为特殊运营场景下的最小二乘法拟合函数。

6.根据权利要求5所述的城市轻轨车辆载荷在线估算方法，其特征在于，所述最小二乘法拟合函数f(m2)通过在车辆出厂前根据正常运营场景AW0‑AW3不同载荷条件下的实际测定数据对公式m=m2+f(m2)进行校准获得。

说明书

基于场景识别的城市轻轨车辆载荷在线估算方法

技术领域

[0001] 本发明涉及轨道交通技术领域，尤其涉及基于场景识别的城市轻轨车辆载荷在线估算方法。

背景技术

[0002] 轻轨是城市轨道建设的一种重要形式，也是当今世界上发展最为迅猛的轨道交通形式，具有运量大、速度快、污染小、能耗少、准点运行、安全性高等优点，作为改善城市交通
现状的有效载体，成为现代化大都市的重要选择。

[0003] 城市轨道车辆客运具有人流量密度高、上客率波动大、轨道基建条件参差不齐等特点，这就要求车辆牵引系统和制动系统需要根据车辆载荷(等同重量)做到牵引力和制动
力的精准控制。通过精准控制，可有效控制车辆启动阶段、控制级位转换阶段、电制动和机
械制动交互配合阶段等运营场景下的行车冲击率，提高乘客的舒适率，最大程度保护无座
和老幼病残孕等特殊乘客，通过精准控制，使车辆牵引力和制动力同车辆载荷之间呈线性
关系，各载荷下车辆的动力性能保持一致，便于无人驾驶、列车自动驾驶(ATO)或人工操作
时精准控制运营图。通过精准控制，可最大化利用轨道粘着条件提高车辆动力性能，尽可能
降低车辆轮对触发空转和滑行的风险。

[0004] 因此，车辆的载荷在轨道交通中发挥着重要的作用，大部分轨道车辆都在转向架上安装有载荷传感器或通过测量空气弹簧高度换算成车辆载荷，车重计算精度高，可实施
监控车辆重量。但隶属于城市轨道交通系统的轻轨车辆，尤其是低地板车辆，受制于地板高
度、成本压力、维护难度等因素，大部分车辆没有配置重量传感器，例如欧洲的多数车型和
国内唐山等几个车辆主机厂的车型等。

[0005] 取消重量传感器后，多数牵引和制动系统不再考虑车辆载荷对动力性能的影响，仅通过司机控制器主手柄级位控制牵引制动力的大小，最大手柄级位对应车辆可发挥的最
大牵引和制动力，类似于电动汽车。这种控制方法简单，但对于轨道交通这类系统存在诸多
缺点：

[0006] 1、上座率时变，车辆动力性能随实际载荷波动较大，ATO驾驶系统或人工操作时难以控制车辆跟随运营线路图，使得准点、精准停车变得困难，频繁发生晚点、冲标、欠标的故
障；

[0007] 2、不能根据载荷调整牵引制动力的变化斜率，车辆冲击率超出限制，旅客舒适度下降，对乘客的人身安全造成威胁；

[0008] 3、无法自适应利用轨道的粘着条件，较大的牵引制动力对应较小的车辆的载荷容易频繁触发空转滑行故障，甚至造成擦轮，使车辆的动力性能衰减。

[0009] 现行的无载荷传感器的轨道车辆车重估算方法较少，通过计算乘客上乘率的方法误差较大，仅有的乘用车车重估计方法不适用于轨道车辆特殊要求，动力学特性上的差异
造成计算误差较大。

[0010] 因此，为解决以上困难，一种满足轨道交通车辆运行场景需求的车辆载荷在线估算方法变得更加迫切。

发明内容

[0011] 本发明的目的是提供一种基于场景识别的城市轻轨车辆载荷在线估算方法，通过深入剖析车辆运用场景，根据不同场景下车辆运行与车辆载荷之间的协同关系，通过提取
场景标识信息，对应不同场景以采用不同的处理策略来模拟有载荷传感器条件下的车辆运
行，基本涵盖了轨道交通系统日常工况，所得结果准确度高，为列车安全、稳定的运行提供
了有力保障。

[0012] 为此，本发明实施例提供了一种基于场景识别的城市轻轨车辆载荷在线估算方法，包括：

[0013] 全车网络控制器CCU获取列车车辆的闪存FLASH存储器中存储的车辆重量信息，并下发给车辆牵引控制器TCU和车辆制动系统控制器BCU；

[0014] 所述CCU实时检测场景标识信息，根据检测到的场景标识信息确定车辆当前的场景信息；

[0015] 当所述车辆当前的场景信息为正常运营场景时，执行第一估算处理，得到车辆重量更新数据；

[0016] 当所述车辆当前的场景信息为特殊运营场景时，执行第二估算处理，得到车辆重量更新数据；

[0017] 将所述车辆重量更新数据写入FLASH存储器，用以更新FLASH存储器中存储的车辆重量信息。

[0018] 优选的，所述CCU获取车辆闪存FLASH存储器中存储的车辆重量信息，并下发给TCU和BCU之前，所述方法还包括：

[0019] 接收车辆上电激活信号；

[0020] 根据所述车辆上电激活信号对车载信号系统ATC、CCU、TCU和BCU进行上电初始化，并将所述FLASH存储器中存储的车辆重量信息初始化为最后一次断电前FLASH存储器中存
储的车辆重量信息。

[0021] 优选的，所述第一估算处理包括：

[0022] 确定车辆的车门关闭状态和牵引指令信号接收状态；

[0023] 当车辆的车门关闭状态为关门且接收到牵引指令信号时，CCU的牵引级位参数设定为100％牵引级位，载荷参数设定为额定载荷AW2；

[0024] 检测当前车速是否超过第一设定阈值；

[0025] 当当前车速超过第一设定阈值时，CCU按照设定采样频率采集列车牵引力，并记录车速达到第一车辆速度时的时间为第一采样时间；

[0026] 当当前车速超过第二设定阈值时，结束对列车牵引力的采集，并记录车速到达第二车辆速度时的时间为第二采样时间；

[0027] 根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算车辆在第一采样时间到第二采样时间区间内的加速度，并以所采集到的列车牵引力的平均值作为列
车牵引力的值；

[0028] 根据列车静态参数、列车速度、加速度和坡道角度计算车辆重量理论估算值，并以最小二乘法拟合函数f(m1)对所述车辆重量理论估算值进行补偿，得到所述车辆重量。

[0029] 进一步优选的，所述根据列车静态参数、速度、加速度和坡道角度计算车辆重量理论估算值具体为：

[0030] m1＝(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V2))/(k1*a+6.4+0.14*V+g*θ)

[0031] 其中，m1为车辆重量理论估算值，F为列车牵引力，n为车轴数，V为列车速度，N为列车的车厢数量，A为列车截面积，a为加速度，k1为回转质量系数，g为重力加速度，θ为坡道角
度。

[0032] 进一步优选的，所述以最小二乘法拟合函数对所述车辆重量理论估算值进行补偿，得到所述车辆重量具体为：

[0033] m＝m1+f(m1)；

[0034] 其中，m为车辆重量，f(m1)为正常运营场景下的最小二乘法拟合函数。

[0035] 进一步优选的，所述最小二乘法拟合函数通过在车辆出厂前根据正常运营场景AW0‑AW3不同载荷下的实际测定数据对公式m＝m1+f(m1)进行校准获得。

[0036] 优选的，所述第二估算处理包括：

[0037] 确定车辆的车门关闭状态和牵引指令信号接收状态；

[0038] 当车辆的车门关闭状态为关门且接收到牵引指令信号时，CCU的牵引级位参数设定为100％牵引级位，载荷参数设定为额定载荷AW2；

[0039] 检测当前车速是否超过第一设定阈值；

[0040] 当当前车速超过第一设定阈值时，CCU按照设定采样频率采集列车牵引力，并记录车速达到第一车辆速度时的时间为第一采样时间；

[0041] 当当前车速超过第二设定阈值时，结束对列车牵引力的采集，并记录车速到达第二车辆速度时的时间为第二采样时间；

[0042] 根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算车辆在第一采样时间到第二采样时间区间内的加速度，并以所采集到的列车牵引力的平均值作为列
车牵引力的值；

[0043] 根据列车静态参数、列车速度、加速度和预设最大坡道角度计算车辆重量理论估算值，并以最小二乘法拟合函数f(m2)对所述车辆重量理论估算值进行补偿，得到所述车辆
重量。

[0044] 进一步优选的，所述根据列车静态参数、速度、加速度和预设最大坡道角度计算车辆重量理论估算值具体为：

[0045] m2＝(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V2))/(k1*a+6.4+0.14*V‑θ0*g)

[0046] 其中，m1为车辆重量理论估算值，F为列车牵引力，n为车轴数，V为列车速度，N为列车的车厢数量，A为列车截面积，a为加速度，k1为回转质量系数，g为重力加速度，θ0为预设
最大坡道角度。

[0047] 进一步优选的，所述以最小二乘法拟合函数对所述车辆重量理论估算值进行补偿，得到所述车辆重量具体为：

[0048] m＝m2+f(m2)；

[0049] 其中，m为车辆重量，f(m2)为特殊运营场景下的最小二乘法拟合函数。

[0050] 进一步优选的，所述最小二乘法拟合函数通过在车辆出厂前根据正常运营场景AW0‑AW3不同载荷条件下的实际测定数据对公式m＝m1+f(m1)进行校准获得。

[0051] 本发明实施例提供的基于场景识别的城市轻轨车辆载荷在线估算方法，通过深入剖析车辆运用场景，根据不同场景下车辆运行与车辆载荷之间的协同关系，通过提取场景
标识信息，对应不同场景以采用不同的处理策略来模拟有载荷传感器条件下的车辆运行，
基本涵盖了轨道交通系统日常工况，所得结果准确度高，为列车安全、稳定的运行提供了有
力保障。

附图说明

[0052] 图1为本发明实施例提供的基于场景识别的城市轻轨车辆载荷在线估算方法流程图；

[0053] 图2为本发明实施例提供的正常运营场景的运营过程示意图；

[0054] 图3为本发明实施例提供的正常运营场景的运营过程示意图；

[0055] 图4为本发明实施例提供的正常运营场景下进行第一估算处理的方法流程图；

[0056] 图5为本发明实施例提供的列车速度对单位阻力的曲线图；

[0057] 图6为本发明实施例提供的列车牵引力曲线图；

[0058] 图7为本发明实施例提供的特殊运营场景下进行第二估算处理的方法流程图。

具体实施方式

[0059] 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。

[0060] 本发明实施例提供了一种基于场景识别的城市轻轨车辆载荷在线估算方法，能够应用于无载荷传感器的轨道车辆车重的在线估算，为列车安全、稳定的运行提供了有力保
障。

[0061] 车辆重量估算与车辆运行状态密切相关，关系到估算过程的切入点、实施策略、计算方法、补偿策略、殊工况处置策略等，因此本发明通过基于场景识别的载荷估算，可最大
程度模拟有重量传感器条件下的车辆运行。

[0062] 通过深入分析城市轨道车辆运行场景，根据工况可划分为城市轻轨车辆运营的过程、场内测试场景、故障救援场景，三种场景组合基本涵盖了轨道交通系统日常的工作内
容。

[0063] 而其中，城市轻轨车辆运营时的过程可如图1所示，采用特征归类的方法又可总结为3个场景：一是车辆载客正常进站出站；二是运营起始和结束后的车辆出入段；三是由上
行(下行)转为下行(上行)线路的车辆折返。

[0064] 车辆载客正常进站出站场景是载荷计算中最重要的工况，车辆载荷更新，牵引和制动系统需要重新适应新的车重，对运营调度专业精准控制运营图和停车精度至关重要，
因此，提高车辆重量的测量精度是该阶段的重要任务。图2示出了这一过程的分解示意图，
从图2可以看出，该阶段有几个重要的场景标识信息：到站信息(含到站ID号)、终点站信息
(终点站ID号)、零速信号、开门信号，这4个信号是车辆到站停车的重要标志信号，通过识别
可准确判断出列车是否到站停车，到站信息和终点站信息将为后面的补偿提供坡道补偿依
据。车辆关门信号、牵引指令和牵引级位标志车辆即将运行，车辆重量更新，在初始级位控
制下车辆启动运行，启动过程同时也是后续车辆重量估算的推演阶段，利用虚拟车重和初
始牵引力下的车辆动力特性估算实际车重，估算完毕后场景结束。

[0065] 以上车辆载客正常进站出站场景即为本发明后文中所说的正常运营场景。

[0066] 车辆出入段场景是指车辆进出停车库、上电启动车辆或断电停车的场景。在车辆进出停车库、上电启动车辆的场景下，上电激活车辆后，司机开关门、车辆发出零速信号是
本场景的场景标识信息，因该场景下无车站信息，无法对重量估算做坡道补偿，且在此场景
下没有乘客，因而本场景对重量估算精度要求不高，保证大坡道不溜车和严重空转滑行即
可。而断电停车场景较为特殊，只有零速信号可识别。因此本场景不需要更新重量。

[0067] 上行(下行)转为下行(上行)线路的车辆折返场景同样因该场景下无车站信息，无法对重量估算做坡道补偿，且在此场景下没有乘客，因而本场景对重量估算精度要求不高。
零速信号、开关门信号是该场景标识信息。

[0068] 场内测试场景包括车辆出厂试验、修程期测试试验、故障修复测试等，一般为AW0空载，但不排除有加载至AW2或AW3重载的可能，所以本场景需要重量估算，防止场内坡道试
验时发生溜车、严重空转滑行故障。场景标识信息是零速停车信号，但对开关门没有要求，
未避免误触发重量估算程序，场内测试停车上电后要求司机强制开关门，因无站点信息无
法对坡道做出补偿，仅保证场内大坡道下不溜车即可。零速信号、开关门信号是该场景标识
信息。

[0069] 故障救援场景下，车辆存在中途清客、救援人员和装备上下车等重量更新的情况，该场景下需要保证车辆坡道启动功能，不溜车，救援时不能存在过度空转。零速信号、开关
门信号、故障检测指令信号是该场景标识信息。

[0070] 通过以上分析可以看出，车辆出入段场景、上行(下行)转为下行(上行)线路的车辆折返场景、场内测试场景、故障救援场景的场景标识信息基本一致，对重量的精度要求不
高，仅保证坡道启动成功、不发生严重空转滑行即可，因此，可统称为特殊运营场景，处理方
式一致。

[0071] 在以上对场景进行说明的情况下，本发明实施例提供的基于场景识别的城市轻轨车辆载荷在线估算方法如图3所示，主要步骤包括：

[0072] 步骤110，全车网络控制器(CCU)获取列车车辆的闪存(FLASH)存储器中存储的车辆重量信息，并下发给车辆牵引控制器(TCU)和车辆制动系统控制器(BCU)；

[0073] 其中，如果车辆的初始状态是未上电的状态，那么，在接收车辆上电激活信号之后，首先会根据车辆上电激活信号对车载信号系统(ATC)、CCU、TCU和BCU进行上电初始化，
并将FLASH存储器中存储的车辆重量信息初始化为最后一次断电前FLASH存储器中存储的
车辆重量信息。

[0074] 列车TCU和BCU会基于接收到的车辆重量信息来进行车辆系统运行控制。

[0075] 步骤120，CCU实时检测场景标识信息，根据检测到的场景标识信息确定车辆当前的场景信息；

[0076] 具体的，各场景的场景标识信息在以上介绍场景时已经进行了说明，这里不再赘述。

[0077] 本发明通过识别场景标识信息判断出车辆工作的场景为正常运营场景还是特殊运营场景，然后针对不同场景采用不同的估算处理机制。

[0078] 本发明的估算处理可在CCU或TCU中进行，最终获得的车辆重量更新数据存储在掉电不易失的CCU或TCU的FLASH存储器当中，使得车辆在上电后能够第一时间获得最后一次
存储的车辆重量数据，防止车辆中途掉电重启后重量偏差过大。

[0079] 步骤130，当车辆当前的场景信息为正常运营场景时，执行第一估算处理，得到车辆重量更新数据；

[0080] 第一估算处理的过程如图4的步骤，具体包括：

[0081] 步骤131，确定车辆的车门关闭状态和牵引指令信号接收状态，当车辆的车门关闭状态为关门且接收到牵引指令信号时执行步骤132；否则继续执行步骤131。

[0082] 步骤132，CCU的牵引级位参数设定为100％牵引级位，载荷参数设定为额定载荷AW2；

[0083] 步骤133，检测当前车速是否超过第一设定阈值；

[0084] 步骤134，当当前车速超过第一设定阈值时，CCU按照设定采样频率采集列车牵引力，并记录车速达到第一车辆速度时的时间为第一采样时间；否则继续执行步骤133。

[0085] 步骤135，检测当前车速是否超过第二设定阈值；

[0086] 步骤136，当当前车速超过第二设定阈值时，结束对列车牵引力的采集，并记录车速到达第二车辆速度时的时间为第二采样时间；否则继续执行步骤135。

[0087] 步骤137，根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算车辆在第一采样时间到第二采样时间区间内的加速度，并以所采集到的列车牵引力的平均
值作为列车牵引力的值；

[0088] 步骤138，根据列车静态参数、列车速度、加速度和坡道角度计算车辆重量理论估算值，并以最小二乘法拟合函数f(m1)对所述车辆重量理论估算值进行补偿，得到车辆重量。

[0089] 其中列车静态参数包括但不限于车轴数，列车的车厢数量，列车截面积，回转质量系数等等。

[0090] 为了便于理解，以一个具体的实现过程进行说明。需要说明的是，以下在估算过程中所用的各项参数，仅为本发明一个优选的具体实施方案中所用的数据，并不用以限定本
发明的范围。本领域技术人员可以根据实际工况和测试条件改变各项具体参数。

[0091] 我们利用轨道车辆的动力学特性估算车重，利用牛顿力学知识计算车辆载荷：

[0092] M*a＝F‑W                                                (公式1)

[0093] 其中，M为含转向架走行部转动惯量的车辆惯性质量，a为车辆加速度，F为列车牵引力，W为车辆阻力。

[0094] 惯性质量是车辆运动时的动态质量：M＝k1*m   (公式2)

[0095] 其中，k1为回转质量系数，m为车辆静态质量(kg)。车辆定型后回转质量系数基本为一确定值，经过动力学相关试验确定，若车辆厂不能提供相关参数，可用经验值k1＝1.1
代替。

[0096] 车辆阻力包括基本阻力、启动阻力、坡道阻力。

[0097] 基本阻力采用标准戴维斯阻力公式：

[0098] W0＝6.4*m0+130*n+0.14m*V+[0.046+0.0065*(N‑1)]*A*V2    (公式3)

[0099] 其中，m为车辆静态质量(*1000kg)，n为车轴数，V为车辆当前速度(km/h)，N为车辆2
数，A为列车截面积(m)。

[0100] 列车启动阻力：

[0101] W1＝k2*m(V＝2～3km/h)   (公式4)

[0102] 其中，k2＝列车启动阻力系数，一般取k2＝5*9.8*10‑3kN/t。启动阻力为克服静态摩擦力的阻力，一般在车速2～3km/h时完全消失。

[0103] 坡道阻力：

[0104] W2＝m*g*sinθ              (公式5)

[0105] 其中，θ为坡道角度，因角度很小，因此公式5可近似为：

[0106] W2＝m*g*θ                 (公式6)

[0107] 一般的城轨线路最大坡道为θ＝35‰，低地板线路最大可达60‰。

[0108] 由公式1～公式6可求解出：

[0109] M*a＝F‑W0‑W1‑W2             (公式7)

[0110] 进一步化简可得：

[0111] m＝(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V2))/(k1*a+6.4+0.14*V+k2+g*θ)(公式8)

[0112] 公式8为车重估算的理想公式，但由于存在车辆动力学非线性、参数设定误差，精度会受影响。为此，需要解决车辆非线性和参数误差问题、启动阻力无法准确计算的问题、
车辆牵引力建立阶段影响问题。

[0113] 启动阻力无法准确计算和车辆牵引力建立阶段影响。基本阻力和启动阻力的阻力曲线如图5，列车牵引力如图6所示：

[0114] 从图5可知，车辆阻力在低速段主要受启动阻力影响(2～3km/h)，高速段启动阻力消失基本和车速呈线性，0～4km/h启动时间约为3s。另外，由图6可知，牵引力未建立阶段逐
渐增加，牵引力完全建立时间t1约为1.5s。为消除启动阻力和牵引力不稳定阶段的影响，列
车重量计算起始点为V>3km/h。公式8变形为：

[0115] m＝(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V2))/(k1*a+6.4+0.14*V+g*θ)

[0116]  ＝m1            (公式9)

[0117] 其中，m1为正常运营场景下车辆重量理论估算值，F为列车牵引力，n为车轴数，V为列车速度，N为列车的车厢数量，A为列车截面积，a为加速度，k1为回转质量系数，g为重力加
速度，θ为坡道角度。

[0118] 考虑由于非线性偏差的影响，公式进一步表达为：

[0119] m＝m1+f(m1)；

[0120] 其中，m为最后估算得到的车辆重量，将用于替换之前记录在FLASH存储器中的车辆重量m，f(m1)为正常运营场景下的最小二乘法拟合函数。

[0121] 由于车辆非线性和参数准确性有偏差，采用最小二乘法拟合函数f(m1)进行补偿，f(m1)为计算重量m1和实际称重的偏差函数，在车辆出厂定型试验时，分别加载至AW0～AW3
载荷对计算公式进行校准，从而获得补偿函数f(m1)，为避免占用过多CPU时间，最小二乘法
最高不超过3阶。

[0122] 以上公式中的加速度a为根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算获得。也就是，根据CCU采样t1和t2时间的时间差，通过公式11计算：a＝(t2‑
t1)/(V(t2)‑V(t1)。

[0123] 在实际实施中，因为考虑在车辆加速过程中车速从静止到3km之间为需要克服静态摩擦阻力阶段，因而选择3Km/h‑5Km/h之间计算加速度。也就是V(t1)＝3Km/h，V(t2)＝5Km/
h。在车辆进入到3Km/h时开始启动计时，到达到5Km/h停止计时，以这一段的时间差和速度
差即可获得车辆的加速度。

[0124] 通过以上过程即可获得正常运营场景下车辆重量更新数据。

[0125] 步骤140，当车辆当前的场景信息为特殊运营场景时，执行第二估算处理，得到车辆重量更新数据；

[0126] 第二估算处理的过程如图7的步骤，具体包括：

[0127] 步骤141，确定车辆的车门关闭状态和牵引指令信号接收状态，当车辆的车门关闭状态为关门且接收到牵引指令信号时执行步骤142；否则继续执行步骤141。

[0128] 步骤142，CCU的牵引级位参数设定为100％牵引级位，载荷参数设定为额定载荷AW2。

[0129] 步骤143，检测当前车速是否超过第一设定阈值；

[0130] 步骤144，当当前车速超过第一设定阈值时，CCU按照设定采样频率采集列车牵引力，并记录车速达到第一车辆速度时的时间为第一采样时间；否则继续执行步骤143。

[0131] 步骤145，检测当前车速是否超过第二设定阈值；

[0132] 步骤146，当当前车速超过第二设定阈值时，结束对列车牵引力的采集，并记录车速到达第二车辆速度时的时间为第二采样时间；否则继续执行步骤145。

[0133] 步骤147，根据第一采样时间、第二采样时间、第一车辆速度、第二车辆速度，计算车辆在第一采样时间到第二采样时间区间内的加速度，并以所采集到的列车牵引力的平均
值作为列车牵引力的值；

[0134] 步骤148，根据列车静态参数、列车速度、加速度和预设最大坡道角度计算车辆重量理论估算值，并以最小二乘法拟合函数f(m2)对所述车辆重量理论估算值进行补偿，得到
车辆重量。

[0135] 上述步骤141‑146所执行的方法与步骤131‑136相同，不再展开说明。

[0136] 不同于正常运营场景的是，在特殊运营场景下，估算系统无法得到坡道信息，为保证车辆在最大下坡时计算的重量满足最大上坡启动或救援的要求，设定预设最大坡道角度
θ0＝‑35‰，在不识别当前坡道信息下加入虚拟重量，所以以上公式9变形为：

[0137] m＝(F‑130*n‑([0.046+0.0065*(N‑1)]*A*V2))/(k1*a+6.4+0.14*V‑0.035*g)

[0138] ＝m2  (公式12)

[0139] 考虑由于非线性偏差的影响，公式进一步表达为：

[0140] m＝m2+f(m2)

[0141] 其中，m2为特殊运营场景下车辆重量理论估算值，f(m2)为特殊运营场景下的最小二乘法拟合函数。最小二乘法拟合函数f(m2)通过在车辆出厂前根据正常运营场景AW0‑AW3
不同载荷条件下的实际测定数据对公式m＝m2+f(m2)进行校准获得。

[0142] 步骤150，将车辆重量更新数据写入FLASH存储器，用以更新FLASH存储器中存储的车辆重量信息。

[0143] 本发明通过以上过程，深入剖析车辆运用场景，根据不同场景下车辆运行与车辆载荷之间的协同关系，创造性提出基于场景识别的载荷计算方法，提取场景标识信息，最大
化模拟有载荷传感器条件下的车辆运行；充分研究了轻轨车辆动力学特性，剖析非线性阻
力的特性、影响范围、影响深度，在全面考虑各项影响因子的条件下提出根据动力学特性反
推的重量计算公式；在计算过程中根据车辆阻力特性和牵引力建立特性，提出了数据采集
和车重计算的最佳切入点，使测量区间位于平稳的线性区间，并且考虑车辆非线性和参数
偏差降低测量精度，提出了基于实际载荷校准的最小二乘法非线性误差补偿方法，实现了
对应不同场景以采用不同的处理策略来模拟有载荷传感器条件下的车辆运行，基本涵盖了
轨道交通系统日常工况，所得结果准确度高，为列车安全、稳定的运行提供了有力保障。

[0144] 专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬
件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。
这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现
不应认为超出本发明的范围。

[0145] 结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器
(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领域
内所公知的任意其它形式的存储介质中。

[0146] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明
的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含
在本发明的保护范围之内。