目前,重载货运以其在运送大宗货物上高效率、低成本的巨大优势,成为铁路运输规模经济和集约化经营的典范,具有重要的社会和经济效益。鉴于重载列车自身特点和线路的复杂性,司机人工驾驶难度很大。随着列车牵引重量的增加以及行车密度的加大,研究重载列车智能驾驶方法成为亟待解决的问题。当不同机车类型和编组方式的重载列车在线路上往返运行时,车载记录系统会实时地记录下大量反映重载列车运行状态和司机人工驾驶方法的真实数据。古人云:以铜为镜可以正衣冠,以史为镜可以知兴衰,以人为镜可以明得失。对于重载列车驾驶而言,以列车运行相关数据为镜,挖掘司机驾驶经验、揭示数据特征、预测控制规律并基于机器学习的方法来设计智能驾驶算法,能够有效地改善司机的劳动强度,保证不同编组的重载列车安全、平稳、准时地运行。本文以朔黄重载铁路为实际应用背景,研究适合朔黄重载铁路线路条件和运输组织方式的重载列车智能驾驶方法。首先,基于从现场采集司机人工驾驶不同编组重载列车的实时运行数据以及线路静态数据,建立深度网络对重载列车运行数据的特征进行学习,从而去除数据中的冗余信息,将数据由高维约简到低维,以提高智能算法的效率,减轻计算负担。在此基础上,根据重载列车的驾驶特点,分别面向空气制动离散控制量以及牵引力和电制动力连续控制量设计相应的机器学习算法,实现对于不同控制量的智能控制。针对两万吨重载组合列车中不同机车的协同控制问题,将重载组合列车抽象为由不同单元列车组成的智能体。以减小重载列车运行过程中的纵向冲击力为优化目标,使用随机动态优化模型对施加或缓解空气制动的时机以及减压量的决策问题进行建模,并基于近似动态规划(Approximate Dynamic Programming,ADP)方法进行求解,从而获得重载列车在长大下坡运行的最佳控制策略。论文的主要创新点如下:1.在对重载列车运行数据组成和特点进行深入分析的基础上,提出了重载列车运行数据预处理和特征学习方法。数据特征学习方法基于栈式自编码器网络,能够在不使用先验知识的情况下,有效去除列车往返运行数据中的冗余信息,从而自动学习得到数据的有效特征。针对重载列车运行易受外部环境影响及列车模型不确定性特点,设计了基于增量特征学习的数据特征在线学习方法,提高特征学习算法的适应性。2.提出了 EMKD(EasyEnsemble for Multi-class with KNN based Denoising)算法来解决重载列车空气制动智能控制问题。该方法利用EasyEnsemle.M1算法来改善不同空气制动减压量数据样本的不平衡程度,采用AdaBoost.M1集成学习算法克服单一的分类器泛化能力的不足,同时设计了基于距离加权K近邻的降噪(K-Nearest Neighbor based Denoising,KD)算法,去除空气制动少数类样本中存在的噪声数据,进一步改善智能控制算法的精度。3.提出了基于最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)回归模型的重载列车牵引力和电制动力智能控制方法,并采用多群体协同进化粒子群算法来解决LSSVM模型中正规化参数γ和核函数参数σ的智能搜索问题。在此基础上,将基于LSSVM的智能驾驶算法与EMKD算法相结合,并分别用来控制重载列车的牵引力、电制动力和空气制动减压量,从而实现重载列车的智能驾驶。4.针对单元列车与组合列车在驾驶方式的不同,提出了面向重载组合列车中不同机车空气制动协同控制的智能驾驶算法。该方法将重载组合列车抽象为由不同单元列车组成的智能体,使用随机动态优化模型对不同单元列车的空气制动协同控制问题进行建模,以减小重载组合列车在长大下坡道上运行过程中的纵向冲击力为优化目标,充分考虑了充放风时间等约束条件以及模型误差和环境干扰所带来的不确定性。在求解方法上,基于ADP思想设计了 VFA-FBLTM(Value Function Approximation with fixed Bounded Lookup Table Maintenance)算法,对标准近似值函数算法进行了改进,通过限定lookup表的规模来缩减内存空间和循环次数,从而提高算法运行效率。