论文部分内容阅读
重载列车重量大、编组长,线路条件复杂,司机驾驶过程中工况切换频繁,不当的牵引或制动将增大列车纵向冲击力,甚至发生脱钩的危险。在长大下坡道处,司机需采用循环制动的方式施加空气制动控制列车速度,再充风时间不足将导致列车失去制动力,给列车安全运营埋下隐患。在重载列车编组方式、运行交路和载重等都相对固定的条件下,迫切需要在列车控制方式上做出优化,代替司机控制实现自动驾驶。本文以朔黄铁路为研究背景,通过分析SS4G型机车的列车运行数据发现,不同工况下运行数据比例严重失衡。针对此非均衡特性,引入机器学习领域的分类方法,设计非均衡数据驱动的重载列车空气制动以及牵引/电制动智能控制模型,实现列车智能驾驶。主要工作包括如下:(1)基于随机森林算法实现重载列车运行数据特征降维。数据标准化处理后,搭建随机森林模型对重载列车运行数据的特征进行学习,量化不同特征在智能控制中的重要性,采用序列后向消除方式提取备选特征集实现特征降维。(2)基于Adaboost算法实现重载列车空气制动智能控制。通过比较C4.5与CART两种决策树算法对数据集的预测效果确定Adaboost基分类器类型;鉴于重载列车运行数据中,施加空气制动类别的数据严重不足而引起的非均衡特性,从训练样本子集的抽取方式以及投票权重两方面对Adaboost算法实现优化,使其对空气制动预测的F1-Measure值提升0.0439,高精度实现空气制动智能控制。(3)基于支持向量机SVM算法实现重载列车牵引和电制动智能控制。通过为多数类和少数类分配不同的惩罚因子C+和C_,实现对非均衡数据分类的优化;引入核函数将数据集映射到高维使其线性可分,比较多项式核函数与RBF核函数在不同场景的性能差异,结合列车运行速度生成动态更新因子,进而连接两种核函数构建混合核函数对算法实现优化,提升模型对数据的辨识度。(4)搭建重载列车动力学模型实现智能控制模型验证。结合重载列车控制策略输出特性以及列车运行数据搭建重载列车动力学模型,引用朔黄铁路神池南站到肃宁北站区间408km线路数据,仿真重载列车运行场景。通过比较本文智能控制模型与司机驾驶结果,从速度、空气制动再充风时间等方面验证模型控制的安全性,从驾驶时间验证模型准时性,从工况切换次数验证模型输出的合理性,从而证明本文重载列车智能控制模型的正确性。