基于免疫RBF的列车制动预测模型研究

王娟　朱亚男

摘要：精确可靠的列车制动预测模型对于列车制动控制系统和列车精确停车控制等应用领域意义重大，由于列车制动过程受线路条件、车型自身参数及外界天气环境等客观因素影响，是一个复杂的非线性系统，因此采用免疫RBF神经网络逼近制动系统模型。本文介绍了免疫RBF网络拓扑结构的构建方法，分析了列车制动过程模型，建立了列车制停的免疫RBF网络，并提取实车运行数据进行特征化处理后训练网络从而实现了列车制动的精准预测。经实车数据仿真实验验证，本文建立的列车制停免疫RBF网络性能优越，预测停车位置与实际值吻合率高达96.3%，具有较大应用价值。

关键词：人工免疫系统;RBF网络;列车制动

中图分类号：TP301.6文献标识码：A

Abstract：Accurate and reliable train braking prediction models are of great significance to application fields such as train braking control systems and train accurate parking control.Because the train braking process is affected by objective factors such as line conditions，vehicle model parameters，and external weather conditions，it is a complex Nonlinear system，therefore，an immune RBF neural network is used to approximate the braking system model.This article introduces the construction method of the immune RBF network topology，analyzes the train braking process model，establishes the immune RBF network for train stopping，and extracts the actual train operation data for characterization and then trains the network to realize the train braking precise prediction.The actual vehicle data simulation experiment verifies that the trainstop immune RBF network established in this paper has superior performance，and the predicted parking position coincides with the actual value as high as 96.3%，which has great application value.

Key words：artificial immune system;RBF network;train braking

制动系统是铁道机车车辆的重要组成部分，研究制动系统提高制动性能对铁路行车安全意义重大。列车制动时，是由司机操纵本务机车向其他机车及车辆发送制动命令及风缸风压等信息，各车辆接到命令后，再通过各自空气制动系统协同动作，共同实施制动，所以列车最终制停后的停车位置与司机的操作水平直接相关。随着列车速度的增加，我们对精确停车的要求也不斷增加，恰逢信息技术快速发展，智能驾驶逐渐成为铁路运维方式的全新发展方向，也就是说，在未来，不再依赖人工而是借助智能模型实现全自动的精确停车已成为必然趋势。

因此，研究列车制动预测模型，对于列车制动控制系统及ATO列车停车控制实现精准停车等方面都意义重大。由于列车制动过程受线路条件、车型自身参数及外界天气环境等客观因素影响，是一个复杂的非线性系统，而神经网络能够映射高维函数，非常适合应用于制动预测领域。神经网络中的径向基函数（RadialBasis Function，RBF）神经网络（RBF网络）是一种典型的局部逼近网络模型[1]，能够逼近任意非线性函数。文献[2]作者提出了一种基于免疫机制的RBF网络设计与训练策略，引入人工免疫系统特有的疫苗抽取与接种机理，从而获得了更为优化的网络性能。本文研究列车制动预测模型，并采用列车制动停车前惰性阶段的列车运行数据作为训练数据集，借助免疫RBF网络对列车精准停车模型进行训练，从而实现列车精准停车。