(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111288826.9 (22)申请日 2021.11.02 (71)申请人 交控科技股份有限公司 地址 100070 北京市丰台区智成北街3号院 交控大厦1号楼1层101室 (72)发明人 张蕾　肖骁　王伟　 (74)专利代理 机构 北京新知远方知识产权代理 事务所(普通 合伙) 11397 代理人 张露薇　赵晓凤 (51)Int.Cl. G06F 30/20(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06F 17/18(2006.01) G06F 16/215(2019.01) (54)发明名称 一种列车制动能力预测方法、 电子设备和计 算机存储介质 (57)摘要 本申请提供一种列车制动能力预测方法、 电 子设备和计算机存储介质， 该方法， 梳理影响列 车制动能力的影响因素； 依托实际线路与车辆， 对影响因素进行现场实验， 获取实验数据； 对实 验数据进行分析， 确定影 响列车制动能力的主要 因素； 基于主要因素建立列车制动能力数学模 型； 基于神经网络对列车制动能力数学模型进行 训练， 得到训练后的列车制动能力数学模型； 根 据训练后的列车制动能力数学模型进行列车制 动能力预测。 本申请所提供的方法， 通过对影响 列车制动能力的影 响因素进行梳理， 依托实际线 路与车辆进行现场实验， 进而建立列车制动能力 数学模型， 根据训练后的列车制动能力数学模型 进行列车制动能力预测， 能够获取更为可靠、 精 确的预测结果。 权利要求书2页 说明书11页 附图1页 CN 113935189 A 2022.01.14 CN 113935189 A 1.一种列车制动能力预测方法， 其特 征在于， 所述方法包括： 梳理影响列车制动能力的影响因素； 依托实际线路与车辆， 对所述影响因素进行现场实验， 获取实验数据； 对所述实验数据进行分析， 确定影响列车制动能力的主 要因素； 基于所述主 要因素建立列车制动能力数 学模型； 基于神经网络对所述列车制动能力数学模型进行训练， 得到训练后的列车制动能力数 学模型； 根据训练后的列车制动能力数 学模型进行列车制动能力预测。 2.根据权利要求1所述的方法， 其特征在于， 所述影响因素包括如下的一种或多种： 车 辆制动系统 因素、 走行部装置因素、 轮轨 接触面因素、 线路因素、 列车运行速度； 所述车辆制动系统因素， 包括如下的一种或多种： 预期制动率、 电控转换阀性能、 中继 阀性能、 制动管径、 电空转换点速度、 制动盘磨损率； 所述走行部装置因素， 包括如下的一种或多种： 轴重、 连接元件、 几何布置、 车轮直径； 所述轮轨 接触面因素， 包括如下的一种或多种： 污染层、 温度、 湿度、 材 料特性、 粗糙度； 所述线路因素， 包括如下的一种或多种： 弯 道曲率、 坡度。 3.根据权利要求1所述的方法， 其特征在于， 所述依托实 际线路与车辆， 对所述影响因 素进行现场实验， 获取实验数据， 包括： 在所述影响因素中选取待评估因素； 确定所述待评估因素的水平； 根据所述待评估因素以及所述待评估因素的水平进行实验设计； 基于所述实验设计制定实验计划； 依托实际线路与车辆， 基于所述实验计划对所述待评估因素进行现场实验， 获取实验 数据。 4.根据权利要求3所述的方法， 其特 征在于， 实验设计中， 坡度为上坡的坡度， 或者， 平 道的坡度， 或者， 下坡的坡度； 湿度为湿轨湿度， 或者， 干 轨湿度； 制动盘磨损率为新车的制动盘磨损率， 或者， 旧车的制动 盘磨损率， 其中， 运行不足1年 的列车为 新车， 运行1年以上的列车为旧车。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述实验数据进行分析， 确定影响 列车制动能力的主 要因素， 包括： 对所述实验数据进行 预处理； 将预处理后的数据划分为数据集和 测试集； 针对数据集和测试集进行回归分析和方差分析， 确定每个影响因素与列车制动能力的 相关性； 根据所述相关性确定主 要因素。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述主要因素建立列 车制动能力 数学模型， 包括： 根据物理规 律与所述主 要因素进行 数据建模， 得到列车制动能力数 学模型。 7.根据权利要求6所述的方法， 其特征在于， 主要因素为： 预期制动率、 制动盘磨损率、权　利　要　求　书 1/2 页 2 CN 113935189 A 2坡度、 湿度、 列车运行速度； 所述列车制动能力数学模型为由所述主要因素、 制动盘磨损率系数、 坡度系数、 湿度系 数、 列车运行速度系数、 各主 要因素间相互作用引起的偏差构成。 8.根据权利要求1所述的方法， 其特征在于， 所述基于神经网络对所述列车制动能力数 学模型进行训练， 得到训练后的列车制动能力数 学模型， 包括： 确定神经网络的结构与参数； 基于所述结构与参数对所述列车制动能力数 学模型进行训练， 得到训练结果； 根据所述训练结果对所述列 车制动能力数学模型进行验证， 若验证结果满足预设的训 练结束条件， 则将当前 的列车制动能力数学模型作为训练后的列车制动能力数学模型； 若 验证结果不满足预设的训练结束条件， 则对所述神经网络的结构与参数， 以及当前 的列车 制动能力数学模型的参数进行优化， 并重复执行基于优化的结构与参数对 所述列车制动能 力数学模型进行训练， 得到训练结果， 根据所述训练结果对所述列车制动能力数学模型进 行验证的步骤， 直至验证结果满足预设的训练结束条件。 9.一种电子设备， 其特 征在于， 包括： 存储器； 处理器； 以及 计算机程序； 其中， 所述计算机程序存储在所述存储器中， 并被配置为由所述处理器执行以实现如 权利要求1 ‑8任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序； 所述计算机程序 被处理器执行以实现如权利要求1 ‑8任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 113935189 A 3