一种城轨列车ATO控制性能室内仿真测试方法及系统技术方案

本发明专利技术公开一种城轨列车ATO控制性能室内仿真测试方法及系统，涉及城轨列车控制技术领域，方法包括：将列车数据集合及列车所在线路的坡度数据输入至预设的ATO控制性能室内仿真测试模型，以得到列车状态预测数据；将列车状态预测数据和ATO输出的加速度控制模拟量进行关联，并标记生成为仿真测试结果；预设的ATO控制性能室内仿真测试模型包括列车动力学模型和列车运动模型；列车动力学模型基于列车数据集合及列车所在线路的坡度数据，确定列车当前周期预测实际加速度；列车运动模型基于列车当前周期预测实际加速度和列车所在线路，计算列车在下一周期的速度和位置。本发明专利技术提高对于自动驾驶的列车状态预测的正确性。动驾驶的列车状态预测的正确性。动驾驶的列车状态预测的正确性。

【技术实现步骤摘要】
一种城轨列车ATO控制性能室内仿真测试方法及系统


[0001]本专利技术涉及城轨列车控制
，特别是涉及一种城轨列车ATO控制性能室内仿真测试方法及系统。

技术介绍

[0002]在研发新的列车控制算法时需要对控制算法进行大量的仿真验证来调节控制系统的参数。在实际线路上利用列车调整控制算法参数成本过高，而在此之前并没有较为准确的室内仿真平台进行ATO室内仿真测试。这是由于传统的列车动力学建模多为基于动力学原理的建模，列车在实际运行当中存在控制延迟、环境影响以及复杂的轮轨关系，传统的动力学模型和真实的列车之间仍有不可忽略的误差。
[0003]近年来人工智能领域不断发展，从贝叶斯网络到深度学习和强化学习，越来越多的研究将人工智能的技术应用在轨道交通领域。目前深度学习的方法在针对回归问题的预测上表现出了良好的效果。循环神经网络(recurrent neural network，RNN)对时间序列数据作为输入的预测问题有较好的表现，长短时记忆神经网络(long short
‑
term memory，LSTM)在RNN的基础上解决了短期记忆的问题。同时，由于卷积神经网络(convolutional neural network，CNN)可以高效的提取数据中的特征，许多研究将其与RNN相结合以完成更加复杂的任务。
[0004]由于深度学习模型本质上来讲是数据驱动建模，因此模型的预测效果和训练数据有很大的关联。在实际应用当中很难获取各种场景下的数据，尤其是列车异常运行场景下的。因此目前的研究对于列车异常运行场景，即训练集中不存在的运行场景很难做出预测。且在列车正式运行前，很难得到大量的列车真实运行数据或整条线路上的运行数据，即在模型训练阶段存在数据量小且非均衡的问题。

技术实现思路

[0005]本专利技术的目的是提供一种城轨列车ATO控制性能室内仿真测试方法及系统，提高对于自动驾驶的列车状态预测的正确性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种城轨列车ATO控制性能室内仿真测试方法，包括：
[0008]获取当前周期下，列车数据集合及列车所在线路的坡度数据；所述列车数据集合包括列车速度、ATO输出的加速度控制模拟量及列车上一周期的实际加速度；
[0009]将所述列车数据集合及所述列车所在线路的坡度数据输入至预设的ATO控制性能室内仿真测试模型，以得到列车状态预测数据；所述列车状态预测数据包括列车在下一周期的速度和位置；
[0010]将所述列车状态预测数据和所述ATO输出的加速度控制模拟量进行关联，并标记生成为仿真测试结果；
[0011]其中，所述预设的ATO控制性能室内仿真测试模型包括列车动力学模型和列车运
动模型；所述列车动力学模型用于基于所述列车数据集合及所述列车所在线路的坡度数据，确定列车当前周期预测实际加速度；所述列车运动模型用于基于所述列车当前周期预测实际加速度和所述列车所在线路，计算列车在下一周期的速度和位置；
[0012]所述列车动力学模型是基于训练样本集对预设神经网络进行训练得到的；所述训练样本集中每个训练样本包括在任一历史周期下，列车对应的列车速度、ATO输出的加速度控制模拟量、列车上一历史周期的实际加速度、列车所在线路的坡度数据以及列车实际加速度；所述预设神经网络为基于带注意力机制的CNN
‑
BiLSTM神经网络模型。
[0013]可选地，所述预设神经网络包括依次连接的输入层、隐藏层和输出层；
[0014]所述隐藏层包括依次连接的卷积层、池化层、Dropout层、BiLSTM网络层及注意力机制层；
[0015]在所述预设神经网络的训练过程中，所述注意力机制层输出初始预测加速度特征，利用预设损失函数计算所述初始预测加速度特征与训练样本中的列车实际加速度之间的损失值；基于所述损失值，利用反向传播通过导数链式法则计算预设损失函数对隐藏层中各层参数的梯度，并根据梯度进行隐藏层中各层参数的更新。
[0016]可选地，所述BiLSTM网络层包括多个LSTM单元，所述BiLSTM网络层用于：
[0017]将所述Dropout层输出的特征向量作为输入特征，分别以正序和逆序输入到前向网络和后向网络中；
[0018]基于LSTM单元，根据所述输入特征、t
‑
1时刻的LSTM单元的隐藏状态值和细胞状态值通过激活函数计算得出t时刻的隐藏状态值；
[0019]将同一输入特征对应前向网络的LSTM单元的隐藏状态值与对应的后向网络的LSTM单元的隐藏状态值进行拼接，得到输出特征向量。
[0020]可选地，所述注意力机制层用于：
[0021]基于softmax激活函数将所述BiLSTM网络层输出的特征向量归一化为概率分布向量，且各个概率之和为1；
[0022]将所述BiLSTM网络层输出的特征向量与概率分布向量捉对相乘并求和，以得到初始预测加速度特征。
[0023]可选地，所述列车所在线路的坡度数据包括列车所在线路的坡度值、列车所在线路坡段相对于线路逻辑方向的倾斜方向以及列车所在线路的竖曲线半径。
[0024]可选地，所述列车所在线路的坡度数据中，列车所在线路坡段相对于线路逻辑方向的倾斜方向为0
‑
1值；
[0025]其中，列车所在线路坡段相对于线路逻辑方向的倾斜方向为0值时，表明列车所在线路坡段为上坡；列车所在线路坡段相对于线路逻辑方向的倾斜方向为1值时，表明列车所在线路坡段为下坡。
[0026]可选地，方法还包括：
[0027]获取列车运行线路地图数据；所述列车运行线路地图数据包括各运行线路对应的坡度数据以及限速数据；
[0028]将所述列车运行线路地图数据、所述列车当前周期预测实际加速度与所述列车在下一周期的速度和位置进行关联，并反馈至ATO，以得到对应下一周期的ATO输出的加速度控制模拟量。
[0029]为达上述目的，本专利技术还提供了如下技术方案：
[0030]一种城轨列车ATO控制性能室内仿真测试系统，包括：
[0031]列车数据获取模块，用于获取当前周期下，列车数据集合及列车所在线路的坡度数据；所述列车数据集合包括列车速度、ATO输出的加速度控制模拟量及列车上一周期的实际加速度；
[0032]列车状态预测模块，用于将所述列车数据集合及所述列车所在线路的坡度数据输入至预设的ATO控制性能室内仿真测试模型，以得到列车状态预测数据；所述列车状态预测数据包括列车在下一周期的速度和位置；
[0033]仿真结果输出模块，用于将所述列车状态预测数据和所述ATO输出的加速度控制模拟量进行关联，并标记生成为仿真测试结果；
[0034]其中，所述预设的ATO控制性能室内仿真测试模型包括列车动力学模型和列车运动模型；所述列车动力学模型用于基于所述列车数据集合及所述列车所在线路的坡度数据，确定列车当前周期预测实际加速度；所述列车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城轨列车ATO控制性能室内仿真测试方法，其特征在于，方法包括：获取当前周期下，列车数据集合及列车所在线路的坡度数据；所述列车数据集合包括列车速度、ATO输出的加速度控制模拟量及列车上一周期的实际加速度；将所述列车数据集合及所述列车所在线路的坡度数据输入至预设的ATO控制性能室内仿真测试模型，以得到列车状态预测数据；所述列车状态预测数据包括列车在下一周期的速度和位置；将所述列车状态预测数据和所述ATO输出的加速度控制模拟量进行关联，并标记生成为仿真测试结果；其中，所述预设的ATO控制性能室内仿真测试模型包括列车动力学模型和列车运动模型；所述列车动力学模型用于基于所述列车数据集合及所述列车所在线路的坡度数据，确定列车当前周期预测实际加速度；所述列车运动模型用于基于所述列车当前周期预测实际加速度和所述列车所在线路，计算列车在下一周期的速度和位置；所述列车动力学模型是基于训练样本集对预设神经网络进行训练得到的；所述训练样本集中每个训练样本包括在任一历史周期下，列车对应的列车速度、ATO输出的加速度控制模拟量、列车上一历史周期的实际加速度、列车所在线路的坡度数据以及列车实际加速度；所述预设神经网络为基于带注意力机制的CNN
‑
BiLSTM神经网络模型。2.根据权利要求1所述的城轨列车ATO控制性能室内仿真测试方法，其特征在于，所述预设神经网络包括依次连接的输入层、隐藏层和输出层；所述隐藏层包括依次连接的卷积层、池化层、Dropout层、BiLSTM网络层及注意力机制层；在所述预设神经网络的训练过程中，所述注意力机制层输出初始预测加速度特征，利用预设损失函数计算所述初始预测加速度特征与训练样本中的列车实际加速度之间的损失值；基于所述损失值，利用反向传播通过导数链式法则计算预设损失函数对隐藏层中各层参数的梯度，并根据梯度进行隐藏层中各层参数的更新。3.根据权利要求2所述的城轨列车ATO控制性能室内仿真测试方法，其特征在于，所述BiLSTM网络层包括多个LSTM单元，所述BiLSTM网络层用于：将所述Dropout层输出的特征向量作为输入特征，分别以正序和逆序输入到前向网络和后向网络中；基于LSTM单元，根据所述输入特征、t
‑
1时刻的LSTM单元的隐藏状态值和细胞状态值通过激活函数计算得出t时刻的隐藏状态值；将同一输入特征对应前向网络的LSTM单元的隐藏状态值与对应的后向网络的LSTM单元的隐藏状态值进行拼接，得到输出特征向量。4.根据权利要求2所述的城轨列车ATO控制性能室内仿真测试方法，其特征在于，所述注意力机制层用于：基于softmax激活函数将所述BiLST...

【专利技术属性】
技术研发人员：柴铭，刘皓元，刘宏杰，宿帅，吕继东，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：