CN114323706A - 一种列车ato控车故障检测方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及一种列车ATO控车故障检测方法、装置、设备及介质，该方法包括以下步骤：步骤S1、建立ATO控车内部预测模型；步骤S2、建立列车运行时的虚拟阻力模型；步骤S3、使用卡尔曼滤波估计虚拟阻力；步骤S4、基于直方图技术统计无故障时虚拟阻力分布；步骤S5、对列车运行时的虚拟阻力估计值进行滑动平均；步骤S6、当虚拟阻力平均值异常时给出ATO控车预警。与现有技术相比，本发明具有能够实时地从ATO角度对列车运行过程中牵引(制动)单元故障做出预警，同时能够定量给出故障等级等优点。

Description

一种列车ATO控车故障检测方法、装置、设备及介质

技术领域

本发明涉及城市轨道交通领域，尤其是涉及一种用于城市轨道交通的列车ATO控车故障检测方法、装置、设备及介质。

背景技术

城市轨道交通是城市公共交通的骨干，承载着相当规模客流量的运送功能。尤其是在高峰时段，车载ATO***的可用性对信号***的整体运营效率有很大影响。根据现场运营反馈，ATO控车时不可避免地遇到各种类型故障，比如在列车牵引过程中出现部分牵引单元重启现象，如果不能及时地对控车过程中的异常现象做出预警并采取相应措施，会造成列车紧急制动等后果，严重影响了线路的运营效率。

车载ATP目的是严格预防危险，保证安全，而车载ATO除了满足安全需求外，还有可用性、运营效率的需求，需要尽量贴着安全曲线运行，尽最大能力让列车可靠运行，把乘客安全、高效地送到目的地，这是ATO的控车原则。因此当车辆牵引或者制动单元出现部分故障时，除非ATP申请紧急制动，否则ATO都不应该在区间停车，而是尽量让列车运行到站台再进行后续处理。

因此如何来实现车载ATO***能够实时地检测出影响ATO控车的故障，不仅要对控车故障做出预警，还要能够检测出故障等级，为后续ATO控车调整提供依据，增强控车舒适度及可用性，就成为需要解决的技术问题。

发明内容

为解决上述实际应用问题，本发明提供了一种列车ATO控车故障检测方法、装置、设备及介质。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种列车ATO控车故障检测方法，该方法包括以下步骤：

步骤S1、建立ATO控车内部预测模型；

步骤S2、建立列车运行时的虚拟阻力模型；

步骤S3、使用卡尔曼滤波估计虚拟阻力；

步骤S4、基于直方图技术统计无故障时虚拟阻力分布；

步骤S5、对列车运行时的虚拟阻力估计值进行滑动平均；

步骤S6、当虚拟阻力平均值异常时给出ATO控车预警。

作为优选的技术方案，所述的步骤S1具体为：

所述ATO控车内部预测模型用一阶时延模型来描述，连续***模型的参数公式如(1)所示：

其中，M(s)是ATO输出控制等级μ(t)的拉氏变换表达式，F(s)是ATO控车内部预测模型加速度f(t)的拉氏变换表达式，K是稳态增益，T是***响应时间，τ是***纯延时；

引入零阶保持器，对上述连续***时延模型进行Z变换，车载ATO的控制周期是T_A，得到ATO软件使用的内部预测模型，如公式(2)所示：

f_k＝alpha*f_k-1+K*(1-alpha)*μ_k-n-1 (2)

其中，f_k是ATO控车内部预测模型加速度f(t)的离散表达式，μ_k-n-1是输出控制等级μ(t)的离散表达式，alpha是离散时间常数，计算公式如下：

alpha＝exp(-T_A/T) (3)

n是控制周期的整数倍纯延时，计算公式如下：

n＝floor(τ/T) (4)

其中floor()运算的含义是向下取整，下标k、k-1和k-n-1表示ATO控制时刻，省略了控制周期T_A。

作为优选的技术方案，所述的稳态增益K是静态参数，用来描述不同牵引制动等级与列车加速度之间的稳态映射关系，列车模型中的T和τ是动态过程参数。

作为优选的技术方案，所述的步骤S2具体为：

建立列车动力学方程，计算公式如下；

f(t)+g(t)+r(t)＝a(t) (5)

其中f(t)是ATO控车内部预测模型加速度，g(t)是列车车身范围由于重力作用引起的等效坡度加速度，r(t)是列车运行过程中的虚拟阻力加速度，a(t)是列车加速度。

为简化计算，认为每个时刻的虚拟阻力值是恒定的，把速度v(t)和虚拟阻力r(t)作为状态变量，因此有如下公式，

其中

表示列车加速度a(t)，

是阻力的变化率；

按照ATO控制周期进行离散化，得到如下状态空间形式表示的方程，

其中u_k表示预测模型加速度和坡度加速度之和，T_A为车载ATO的控制周期，v_k表示估计的列车速度，r_k表示估计的虚拟阻力。

作为优选的技术方案，所述的步骤S2中的虚拟阻力是一个平衡量，用于补偿列车实际响应与模型的差异及测量噪声的影响。

作为优选的技术方案，所述的步骤S2中的虚拟阻力在一定程度上反应了ATO控车状态，其数值异常表明ATO控车出现了不可控的因素。

作为优选的技术方案，所述的步骤S3具体为：

先建立动态过程模型及测量过程模型，动态过程模型如公式(8)所示，

x_k＝Ax_k-1+Bu_k-1+w_k (8)

其中，

x_k是状态向量，

v_k表示估计的列车速度，r_k表示估计的虚拟阻力，

A是状态转移矩阵，

T_A为车载ATO的控制周期，

B是控制输入矩阵，

u_k-1表示k-1时刻的预测模型加速度和坡度加速度之和，

w_k是过程噪声向量，

ω₁表示估计速度噪声，ω₂表示估计虚拟阻力噪声。

测量过程模型如公式(9)所示，

z_k＝Hx_k+υ_k (9)

其中，

z_k表示测量到的列车速度，

H表示测量矩阵，H＝[1 0]，

υ_k表示测量噪声。

基于卡尔曼滤波算法的估计过程如公式(10)所示，

其中，

x_k表示状态向量，

表示预估状态向量，

P表示状态向量的误差协方差矩阵，初始取值为二维单位矩阵，

表示预估状态向量的误差协方差矩阵，

Q表示过程噪声协方差矩阵，这里Q取值

R表示测量噪声方差，这里R取值0.2，

K表示卡尔曼增益，

I_2×2表示二维单位矩阵，

A′、H′分别表示状态转移矩阵A和测量矩阵H的转置矩阵。

通过公式(10)的计算，从含有噪声的、存在建模不确定因素的动力学模型计算结果中获得相对平稳的、能够反映列车控车异常状态的虚拟阻力。

作为优选的技术方案，所述的步骤S4具体为：

首先统计列车无故障运行记录，对虚拟阻力估计值使用直方图技术获得相应的频率分布，再基于核密度估计方法获得虚拟阻力的概率密度函数，最后得到列车正常运行时的虚拟阻力阈值。

作为优选的技术方案，所述的步骤S5中的滑动平均计算如下：

其中

表示估计虚拟阻力的滑动平均值，m是滑动窗口周期，r_k-j表示k-j时刻的虚拟阻力估计值。

作为优选的技术方案，所述的步骤S6具体为：

对滑动平均之后的虚拟阻力估计值进行判断，当估计的虚拟阻力结果超出正常阈值的设定倍数时，说明虚拟阻力平均值出现异常，ATO控车状态没有达到预期状态，ATO控车出现故障了。

根据本发明的第二方面，提供了一种列车ATO控车故障检测装置，该装置包括：

内部预测模型构建模块，用于建立ATO控车内部预测模型；

虚拟阻力模型构建模块，用于建立列车运行时的虚拟阻力模型；

虚拟阻力估计模块，用于使用卡尔曼滤波估计虚拟阻力；

虚拟阻力分布统计模块，用于基于直方图技术统计无故障时虚拟阻力分布；

滑动平均计算模块，用于对列车运行时的虚拟阻力估计值进行滑动平均；

ATO控车预警模块，用于当虚拟阻力平均值异常时给出ATO控车预警。

根据本发明的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的方法。

与现有技术相比，本发明具有以下优点：

1、本发明能够实时地从ATO角度对列车运行过程中牵引(制动)单元故障做出预警，同时能够定量给出故障等级；

2、本发明采用离线学习与在线运行检测相结合的手段进行ATO控车故障检测，该方法可以在车载嵌入式ATO软件中快速、实时地运行。

3、本发明在离线学习阶段，基于直方图技术统计无故障时虚拟阻力分布，获得非常精确的虚拟阻力阈值。

4、本发明能够对ATO控车过程中出现的各种预期及非预期故障，通过虚拟阻力的折合计算给出ATO控车预警信息，为列车后续ATO调整提供依据，增强ATO控车的可靠性。

附图说明

图1是本发明城市轨道交通列车ATO控车***的结构示意图；

图2是本发明列车ATO控车故障检测方法的流程示意图；

图3是本发明列车ATO控车故障检测装置的结构示意图；

图4是本发明城市轨道交通列车ATO控车运行过程中受力示意图；

图5是本发明城市轨道交通列车ATO无故障运行后基于直方图技术的虚拟阻力概率分布示意图；

图6是本发明城市轨道交通列车ATO在线运行时控车故障检测结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

列车自动运行功能由车载信号***和车辆***协作完成，车载信号***可以从轨旁设备获取线路实时状况，计算宏观层面的列车控制命令，车辆***处于相对微观的层面，用于协调各节车厢牵引、制动单元的控制。图1是列车ATO控车***主要设备的结构示意图，车载信号***主要包括ATP、ATO和VIOM子***，其中ATP负责列车的安全防护功能，ATO负责列车的自动驾驶功能，VIOM负责信号***的输入输出功能；车辆***主要包括中央控制单元CCU、牵引单元TCU、制动单元BCU以及机械执行部件，如牵引电机、空气制动机等等。

根据上述分析，列车ATO控车过程中可能会出现各种非预期故障，这些故障的可能原因有车辆牵引、制动单元故障，车辆响应延时漂移，或者VIOM输出故障等等。为避免列车运行过程中由于各种非预期故障造成紧急停车现象，需要对ATO控车过程中的运行状态进行监控，给出ATO控车预警，为后续ATO控车调整提供依据，增强控车舒适度及可用性。通过如下技术手段实现ATO控车故障检测，如图2所示，本发明列车ATO控车故障检测方法，该方法包括以下步骤：

步骤S1、建立ATO控车内部预测模型；

步骤S2、建立列车运行时的虚拟阻力模型；

步骤S3、使用卡尔曼滤波估计虚拟阻力；

步骤S4、基于直方图技术统计无故障时虚拟阻力分布；

步骤S5、对列车运行时的虚拟阻力估计值进行滑动平均；

步骤S6、当虚拟阻力平均值异常时给出ATO控车预警。

本发明建立列车控制命令的预测模型，结合列车加速度和车身范围内线路信息，基于卡尔曼滤波算法计算列车虚拟阻力，基于直方图技术统计无故障时虚拟阻力分布，对列车运行时的虚拟阻力估计值进行滑动平均，当检测到虚拟阻力平均值异常时给出ATO控车预警。

1、建立ATO控车内部预测模型

由于列车是一个大惯性时延***，ATO控车命令需要在若干时间之后才能被车辆响应，为了能够实时地检测ATO控车故障，有必要建立ATO控车内部预测模型。基于列车的牵引(制动)性能测试曲线，建立相关模型，包括列车牵引模型，列车电制动模型，列车机械制动模型，其运动学模型可以用一阶时延模型来描述，连续***模型的参数公式如(1)所示：

其中，M(s)是ATO输出控制等级μ(t)的拉氏变换表达式，F(s)是ATO控车内部预测模型加速度f(t)的拉氏变换表达式，K是稳态增益，T是***响应时间，τ是***纯延时。列车模型中稳态增益K是静态参数，用来描述不同牵引制动等级与列车加速度之间的稳态映射关系，列车模型中的T和τ是动态过程参数。

引入零阶保持器，对上述连续***时延模型进行Z变换，车载ATO软件的控制周期是T_A，得到ATO软件使用的内部预测模型，如公式(2)所示：

f_k＝alpha*f_k-1+K*(1-alpha)*μ_k-n-1 (2)

其中，f_k是ATO控车内部预测模型加速度f(t)的离散表达式，μ_k-n-1是输出控制等级μ(t)的离散表达式，alpha是离散时间常数，计算公式如下：

alpha＝exp(-T_A/T) (3)

n是控制周期的整数倍纯延时，计算公式如下：

n＝floor(τ/T) (4)

其中floor()运算的含义是向下取整，这里下标k、k-1和k-n-1表示ATO控制时刻，省略了控制周期T_A。

2、建立列车运行时的虚拟阻力模型

列车在轨道上运行受机车牵引/制动力、坡度及阻力影响，如图4所示，由于列车是个延时响应***，当前时刻输出的牵引/制动命令需要经过一定时延才真正作用到列车上，因此采用ATO控车内部预测模型加速度表示当前作用在列车上的单位质量牵引力。列车通过编码里程计、应答器以及存储的电子线路地图，可以获得定位信息、速度信息及线路坡度等信息，列车动力学方程如公式(5)所示，

f(t)+g(t)+r(t)＝a(t) (5)

其中f(t)是ATO控车内部预测模型加速度，g(t)是列车车身范围由于重力作用引起的等效坡度加速度，r(t)是列车运行过程中的虚拟阻力加速度，a(t)是列车加速度。通常，真实阻力指的是轮轨黏着阻力、弯道阻力和速度相关的风阻，这里使用虚拟阻力，其含义除了表示真实阻力，还包含了建模不精确因素，表示定位偏差、坡度定测误差等等。为平衡公式(5)，把模型误差等不确定因素统一归纳到虚拟阻力这个变量。比如列车响应延时参数发生漂移，那么最终计算的虚拟阻力会出现异常。

为简化计算，认为每个时刻的虚拟阻力值是恒定的，把速度v(t)和虚拟阻力r(t)作为状态变量，因此有如下公式(6)，

其中

表示列车加速度a(t)，

是阻力的变化率。

按照ATO控制周期进行离散化，得到如下状态空间形式表示的方程(7)，

其中u_k表示预测模型加速度和坡度加速度之和，T_A为车载ATO的控制周期，v_k表示估计的列车速度，r_k表示估计的虚拟阻力。

3、使用卡尔曼滤波(Kalman)估计虚拟阻力

为了克服建模不精确因素及测量噪声对虚拟阻力估计的影响，采用卡尔曼滤波算法。卡尔曼滤波算法是一种最优自回归估计算法，尽管存在过程噪声、测量噪声，但是基于对整个动态过程的先验知识，通过噪声参数的适当配置，可以估计出比较准确的虚拟阻力，从而能够准确地反映出控车过程中存在的牵引/制动单元故障或者模型参数漂移。为了使用卡尔曼滤波算法估计参考速度及参考加速度，先建立动态过程模型及测量过程模型，动态过程模型如公式(8)所示，

x_k＝Ax_k-1+Bu_k-1+w_k (8)

其中，

x_k是状态向量，

v_k表示估计的列车速度，r_k表示估计的虚拟阻力，

A是状态转移矩阵，

B是控制输入矩阵，

u_k-1表示k-1时刻的预测模型加速度和坡度加速度之和，

w_k是过程噪声向量，

ω₁表示估计速度噪声，ω₂表示估计虚拟阻力噪声。

测量过程模型如公式(9)所示，

z_k＝Hx_k+υ_k (9)

其中，

z_k表示测量到的列车速度，

H表示测量矩阵，H＝[1 0]，

υ_k表示测量噪声。

基于卡尔曼滤波算法的估计过程如公式(10)所示，

其中，

x_k表示状态向量，

表示预估状态向量，

P表示状态向量的误差协方差矩阵，初始取值为二维单位矩阵，

表示预估状态向量的误差协方差矩阵，

Q表示过程噪声协方差矩阵，这里Q取值

R表示测量噪声方差，这里R取值0.2，

K表示卡尔曼增益，

I_2×2表示二维单位矩阵，

A′、H′分别表示状态转移矩阵A和测量矩阵H的转置矩阵。

通过公式(10)的计算，可以从含有噪声的、存在建模不确定因素的动力学模型计算结果中获得相对平稳的、能够反映列车控车异常状态的虚拟阻力。

4、基于直方图技术统计无故障时虚拟阻力分布

为了能够实时地应用虚拟阻力估计值来判断列车控车状态，需要先统计学习列车在无故障运行时的虚拟阻力概率分布模型。如图5所示，统计了大量的列车无故障运行记录，对虚拟阻力估计值使用直方图技术获得相应的频率分布，再基于核密度估计方法获得虚拟阻力的概率密度函数，最后得到列车正常运行时的虚拟阻力阈值。这里需要明确的是，估计的虚拟阻力其实反映了控车预期状态与列车实际状态之间的差异，受建模不确定等因素影响，其数值有正有负，总体上以负值居多，也符合实际情况。

5、列车在线运行时的ATO控车故障检测

基于学***均，如公式(11)所示。

其中

表示估计虚拟阻力的滑动平均值，m是滑动窗口周期，r_k-j表示k-j时刻的虚拟阻力估计值。

对滑动平均之后的虚拟阻力估计值进行判断，当估计的虚拟阻力结果超出正常阈值的设定倍数时，说明虚拟阻力平均值出现异常，ATO控车状态没有达到预期状态，ATO控车出现故障了。如图6所示，列车在区间运行过程中，由于未知原因在某个时间段列车二分之一的牵引单元复位重启，整车牵引力丢失一半，使得列车实际加速度只有期望值的一半，此时可根据检测出的ATO控车故障信号给出控车预警，为后续ATO控车调整提供依据。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

如图3所示，本发明列车ATO控车故障检测装置，该装置包括：

内部预测模型构建模块100，用于建立ATO控车内部预测模型；

虚拟阻力模型构建模块200，用于建立列车运行时的虚拟阻力模型；

虚拟阻力估计模块300，用于使用卡尔曼滤波估计虚拟阻力；

虚拟阻力分布统计模块400，用于基于直方图技术统计无故障时虚拟阻力分布；

滑动平均计算模块500，用于对列车运行时的虚拟阻力估计值进行滑动平均；

ATO控车预警模块600，用于当虚拟阻力平均值异常时给出ATO控车预警。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。

设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元执行上文所描述的各个方法和处理，例如方法S1～S6。例如，在一些实施例中，方法S1～S6可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S1～S6的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S1～S6。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种列车ATO控车故障检测方法，其特征在于，该方法包括以下步骤：

步骤S1、建立ATO控车内部预测模型；

步骤S2、建立列车运行时的虚拟阻力模型；

步骤S3、使用卡尔曼滤波估计虚拟阻力；

步骤S4、基于直方图技术统计无故障时虚拟阻力分布；

步骤S5、对列车运行时的虚拟阻力估计值进行滑动平均；

步骤S6、当虚拟阻力平均值异常时给出ATO控车预警。

2.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S1具体为：

所述ATO控车内部预测模型用一阶时延模型来描述，连续***模型的参数公式如(1)所示：

其中，M(s)是ATO输出控制等级μ(t)的拉氏变换表达式，F(s)是ATO控车内部预测模型加速度f(t)的拉氏变换表达式，K是稳态增益，T是***响应时间，τ是***纯延时；

引入零阶保持器，对上述连续***时延模型进行Z变换，车载ATO控制周期是T_A，得到ATO软件使用的内部预测模型，如公式(2)所示：

f_k＝alpha*f_k-1+K*(1-alpha)*μ_k-n-1 (2)

其中，f_k是ATO控车内部预测模型加速度f(t)的离散表达式，μ_k-n-1是输出控制等级μ(t)的离散表达式，alpha是离散时间常数，计算公式如下：

alpha＝exp(-T_A/T) (3)

n是控制周期的整数倍纯延时，计算公式如下：

n＝floor(τ/T) (4)

其中floor()运算的含义是向下取整，下标k、k-1和k-n-1表示ATO控制时刻，省略了控制周期T_A。

3.根据权利要求2所述的一种列车ATO控车故障检测方法，其特征在于，所述的稳态增益K是静态参数，用来描述不同牵引制动等级与列车加速度之间的稳态映射关系，列车模型中的T和τ是动态过程参数。

4.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S2具体为：

建立列车动力学方程，计算公式如下；

f(t)+g(t)+r(t)＝a(t) (5)

其中f(t)是ATO控车内部预测模型加速度，g(t)是列车车身范围由于重力作用引起的等效坡度加速度，r(t)是列车运行过程中的虚拟阻力加速度，a(t)是列车加速度；

为简化计算，认为每个时刻的虚拟阻力值是恒定的，把速度v(t)和虚拟阻力r(t)作为状态变量，因此有如下公式，

其中

表示列车加速度a(t)，

是阻力的变化率；

按照ATO控制周期进行离散化，得到如下状态空间形式表示的方程，

其中u_k表示预测模型加速度和坡度加速度之和，T_A为车载ATO的控制周期，v_k表示估计的列车速度，r_k表示估计的虚拟阻力。

5.根据权利要求1或4所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S2中的虚拟阻力是一个平衡量，用于补偿列车实际响应与模型的差异及测量噪声的影响。

6.根据权利要求1或4所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S2中的虚拟阻力在一定程度上反应了ATO控车状态，其数值异常表明ATO控车出现了不可控的因素。

7.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S3具体为：

先建立动态过程模型及测量过程模型，动态过程模型如公式(8)所示，

x_k＝Ax_k-1+Bu_k-1+w_k (8)

其中，

x_k是状态向量，

v_k表示估计的列车速度，r_k表示估计的虚拟阻力，

A是状态转移矩阵，

T_A为车载ATO的控制周期，

B是控制输入矩阵，

u_k-1表示k-1时刻的预测模型加速度和坡度加速度之和，

w_k是过程噪声向量，

ω₁表示估计速度噪声，ω₂表示估计虚拟阻力噪声；

测量过程模型如公式(9)所示，

z_k＝Hx_k+υ_k (9)

其中，

z_k表示测量到的列车速度，

H表示测量矩阵，H＝[1 0]，

υ_k表示测量噪声；

基于卡尔曼滤波算法的估计过程如公式(10)所示，

其中，

x_k表示状态向量，

表示预估状态向量，

P表示状态向量的误差协方差矩阵，初始取值为二维单位矩阵，

表示预估状态向量的误差协方差矩阵，

Q表示过程噪声协方差矩阵，这里Q取值

R表示测量噪声方差，这里R取值0.2，

K表示卡尔曼增益，

I_2×2表示二维单位矩阵，

A′、H′分别表示状态转移矩阵A和测量矩阵H的转置矩阵；

通过公式(10)的计算，从含有噪声的、存在建模不确定因素的动力学模型计算结果中获得相对平稳的、能够反映列车控车异常状态的虚拟阻力。

8.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S4具体为：

首先统计列车无故障运行记录，对虚拟阻力估计值使用直方图技术获得相应的频率分布，再基于核密度估计方法获得虚拟阻力的概率密度函数，最后得到列车正常运行时的虚拟阻力阈值。

9.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S5中的滑动平均计算如下：

其中

表示估计虚拟阻力的滑动平均值，m是滑动窗口周期，r_k-j表示k-j时刻的虚拟阻力估计值。

10.根据权利要求1所述的一种列车ATO控车故障检测方法，其特征在于，所述的步骤S6具体为：

对滑动平均之后的虚拟阻力估计值进行判断，当估计的虚拟阻力结果超出正常阈值的设定倍数时，说明虚拟阻力平均值出现异常，ATO控车状态没有达到预期状态，ATO控车出现故障了。

11.一种列车ATO控车故障检测装置，其特征在于，该装置包括：

内部预测模型构建模块，用于建立ATO控车内部预测模型；

虚拟阻力模型构建模块，用于建立列车运行时的虚拟阻力模型；

虚拟阻力估计模块，用于使用卡尔曼滤波估计虚拟阻力；

虚拟阻力分布统计模块，用于基于直方图技术统计无故障时虚拟阻力分布；

滑动平均计算模块，用于对列车运行时的虚拟阻力估计值进行滑动平均；

ATO控车预警模块，用于当虚拟阻力平均值异常时给出ATO控车预警。

12.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～10中任一项所述的方法。

Images