[发明专利]一种小样本深度迁移学习的列车应急自走行控制方法

权利要求书

1.一种小样本深度迁移学习的列车应急自走行控制方法，其特征在于：所述控制方法涉及的硬件包括地面列控中心、牵引供电站、车载应急驾驶控制模块、单目标模块、多目标模块、判断模块和车载储能装置；所述牵引供电站与地面列控中心通信连接，所述地面列控中心与车载应急驾驶控制模块通信连接，所述单目标模块、多目标模块和判断模块三者均与所述车载应急驾驶控制模块连接，所述车载储能装置与所述车载应急驾驶控制模块连接；所述车载应急驾驶控制模块能实时获取列车的行驶特征量；

所述单目标模块、多目标模块和判断模块三者分别包括一个LSTM深度学习模型，所述单目标模块和多目标模块二者对应的LSTM深度学习模型均能以所述行驶特征量作为输入特征量进行计算并输出列车速度曲线特征量和列车运行档位特征量；所述判断模块对应的LSTM深度学习模型能以应急走行距离作为输入特征量进行计算，并输出列车完成应急走行距离所需的预测能耗特征量；所述应急走行距离为列车故障停车点到终端折返线或待避线的走行距离；

所述单目标模块中的LSTM深度学习模型采用单目标数据训练获取，所述多目标模块中的LSTM深度学习模型采用多目标数据训练获取，所述判断模块中的LSTM深度学模型采用多目标数据训练获取；所述单目标数据为以能耗为目标的应急自行走驾驶数据，所述多目标数据为以能耗、运行准点率、乘坐舒适度和停车精度为目标的应急自行走驾驶数据；

所述控制方法包括：

当列车在行驶过程中由于牵引供电故障停车时，

一）牵引供电站生成供电故障信号，并将所述供电故障信号发送给地面列控中心；

二）地面列控中心收到供电故障信号后即计算列车应急走行距离，然后将供电故障信号和应急走行距离数据发送给车载应急驾驶控制模块；

三）车载应急驾驶控制模块收到供电故障信号后即将所述应急走行距离数据传输给判断模块；同时，车载应急驾驶控制模块从车载储能装置获取剩余电能，并将所述剩余电能数据传输给判断模块；

四）判断模块将应急走行距离数据作为输入特征量，获取预测能耗特征量，然后将所述预测能耗与所述剩余电能比较：如果，则生成电能充裕判定信号，然后判断模块将电能充裕判定信号传输给车载应急驾驶控制模块，进入步骤五A）；如果≦，则生成电能紧张判定信号，然后判断模块将电能紧张判定信号传输给车载应急驾驶控制模块，进入步骤五B）；

五A）车载应急驾驶控制模块收到电能充裕判定信号后实时将所述行驶特征量数据传输给多目标模块，多目标模块对所述行驶特征量数据进行处理生成列车速度曲线特征量和列车运行档位特征量数据，然后多目标模块将列车速度曲线特征量和列车运行档位特征量数据传输给车载应急驾驶控制模块，车载应急驾驶控制模块根据列车速度曲线特征量和列车运行档位特征量控制列车运行；

五B）车载应急驾驶控制模块收到电能紧张判定信号后实时将所述行驶特征量数据传输给单目标模块，单目标模块对所述行驶特征量数据进行处理生成列车速度曲线特征量和列车运行档位特征量，然后单目标模块将列车速度曲线特征量和列车运行档位特征量数据传输给车载应急驾驶控制模块，车载应急驾驶控制模块根据列车速度曲线特征量和列车运行档位特征量控制列车运行。

2.如权利要求1所述的小样本深度迁移学习的列车应急自走行控制方法，其特征在于：所述行驶特征量包括：列车当前所处的位置、列车工况转换点的位置、列车当前位置点之前的历史平均速度、列车在当前采样点的运行速度、列车在当前位置点所处坡度值、列车在当前位置点所处坡度段起始位置、列车在当前位置点所处坡度段的终止位置、列车当前位置点距当前坡度段结束的剩余长度、列车当前位置点所处坡度段的平均速度、列车当前位置点所处的最大限速值、列车当前位置点所处最大限速值的起始位置、列车当前位置点所处最大限速值的终止位置、列车应急自走行时间、列车型号、列车长度和列车重量。

3.如权利要求1或2所述的小样本深度迁移学习的列车应急自走行控制方法，其特征在于：所述单目标模块和多目标模块二者的LSTM深度学习模型均通过方法一训练获取；所述判断模块的LSTM深度学习模型通过方法二训练获取；

所述方法一包括：

1）将列车在仿真实验中获取的应急自行走驾驶数据的集合作为源域；将列车在真实工作环境中获取的应急自行走驾驶数据的集合作为目标域；

2）设置两个LSTM网络，将源域作为第一LSTM网络的训练数据集对第一LSTM网络进行训练，然后将更新后的第一LSTM网络的权重和偏置迁移到第二LSTM网络中，然后将目标域作为第二LSTM网络的训练数据集对第二LSTM网络进行训练；将第一LSTM网络的输出序列记为源域输出特征序列，将第二LSTM网络的输出序列记为目标域输出特征序列；

3）利用最大均值差异MMD对源域输出特征序列和目标域输出特征序列进行领域适应处理，得到优化目标域特征序列；

4）将优化目标域特征序列输入全连接层，再将全连接层的输出分别作为Softmax层和BP层的输入，Softmax层对输入数据进行处理输出列车运行档位特征量，BP层对输入数据进行处理输出列车速度曲线特征量；

所述方法二包括：

步骤a）、b）和c）分别与所述步骤1）、2）和3）相同；

d）将优化目标域序列输入全连接层，再将全连接层的输出作为BP层的输入， BP层对输入数据进行处理输出预测能耗特征量。