简介这份资源面向铁路交通工程、机车车辆与列车动力学方向的学习者与研究人员围绕列车牵引曲线这一核心问题提供从线路参数到运行性能的完整计算思路。压缩包共2个文件包含1个docx文档与1个m脚本整体约15KB文档侧重牵引曲线计算方法与实例分析脚本可用于模拟计算S-V、S-P、S-T等曲线。资源重点讨论在给定线路坡度、曲线半径、限速等条件下列车速度与牵引力、功率、时间之间的对应关系并延伸至起动加速、坡道牵引、制动控速与能耗评估等场景帮助读者理解机车功率配置与运行时刻优化的依据。目前已有357人学习下载适合希望把理论公式落到可运行代码与案例文档中的读者参考。1. 从 train.zip 说起列车牵引曲线到底在算什么拿到一个叫train.zip的压缩包里面是列车运行数据标题里还挂着「列车牵引」「牵引曲线」很多人第一反应是「这不就是画条速度-时间曲线吗」。真上手才发现牵引曲线不是一条线而是一族线不同载重、不同坡道、不同限速、不同手柄级位下列车能跑成什么样全靠这族线约束。它解决的是「给定线路和车这趟车该怎么开、能开多快、能耗多少」的问题是列车牵引计算、运行仿真、能耗评估、自动驾驶ATO曲线规划的共同底座。适合做轨道交通仿真、能耗优化、驾驶策略研究的工程师也适合手里已经有一份运行数据、想把它变成可用模型的开发者。train.zip这种命名通常意味着里面是逐秒或逐毫秒的运行记录牵引曲线要做的就是从这些记录里把「牵引力—速度—加速度」的关系反推出来再正着用回去。2. 牵引曲线背后的物理量从列车受力到曲线形态2.1 牵引力、阻力、制动力三力平衡列车纵向运动就是一个牛顿第二定律的工程版本。牵引工况下合力等于牵引力减去基本阻力和附加阻力惰行工况下合力只剩负的阻力制动工况下再叠加制动力。写成可计算的形式a (F_traction - F_resist - F_brake) / (M * (1 gamma))其中M是列车质量gamma是回转质量系数常见取值 0.060.10动车组取小值、机车牵引取大值。基本阻力通常用 Davis 公式拟合F_resist A B*v C*v^2A是滚动阻力项B是机械阻力项C是空气阻力项。这三个系数不是拍脑袋来的是从惰行试验数据里最小二乘拟合出来的。附加阻力里最要命的是坡道附加阻力单位坡道千分数i对应i * g * M / 1000的力隧道附加阻力则和隧道长度、阻塞比有关工程上常用经验系数放大基本阻力。牵引力本身不是常数它受牵引特性曲线约束低速区恒牵引力中速区恒功率高速区牵引力随速度平方衰减。所以牵引曲线画出来低速段是斜向上的加速度中速段加速度开始掉高速段基本贴着阻力线走。2.2 从 train.zip 里的运行数据反推牵引特性如果train.zip里是逐秒的time, speed, position, traction_level, brake_level这类字段反推牵引力的思路是先对速度做差分得到加速度再用三力平衡反解牵引力。关键坑在于原始速度数据往往带噪声直接差分会把噪声放大成剧烈抖动的加速度。常见做法是先做滑动平均或 Savitzky-Golay 滤波再差分。import pandas as pd import numpy as np from scipy.signal import savgol_filter # 读取 train.zip 解压后的运行记录假设是 csv df pd.read_csv(train_run.csv) # 按时间排序去重 df df.sort_values(time).drop_duplicates(time).reset_index(dropTrue) # 速度单位统一成 m/s假设原始是 km/h v df[speed_kmh].to_numpy() / 3.6 t df[time].to_numpy() # Savitzky-Golay 滤波窗口取奇数polyorder 一般 2 或 3 v_smooth savgol_filter(v, window_length11, polyorder2) # 中心差分求加速度 a np.gradient(v_smooth, t) # 只保留牵引工况牵引级位大于 0 且制动级位为 0 mask (df[traction_level] 0) (df[brake_level] 0) df_traction pd.DataFrame({ v: v_smooth[mask], a: a[mask], level: df[traction_level][mask] })这段代码的逻辑是滤波压噪声差分得加速度再用工况掩码把牵引段单独拎出来。参数上window_length太小滤波不够、太大把真实的加速度变化也抹平11 到 21 之间试polyorder取 2 能保留加速度的二次变化趋势取 3 更贴合但更容易过拟合。如果train.zip里没有级位字段只能靠加速度正负和速度变化趋势粗分工况精度会打折。2.3 牵引特性曲线的分段拟合拿到「速度—牵引力」散点后按速度分段拟合。低速段用常数中速段用F P / v恒功率高速段用F k / v^2或直接查表插值。分段点不是固定的取决于车型。工程上更稳的做法是直接对散点做单调递减的样条插值避免分段点选错导致曲线不连续。from scipy.interpolate import PchipInterpolator # 按速度分箱取每箱牵引力中位数抗离群点 df_traction[v_bin] (df_traction[v] * 2).round() / 2 # 0.5 m/s 一箱 grouped df_traction.groupby(v_bin)[a].median().reset_index() grouped grouped.sort_values(v_bin) # 用 PCHIP 保单调插值避免普通三次样条过冲 f_traction_curve PchipInterpolator(grouped[v_bin], grouped[a])PCHIP 的好处是保单调不会在数据稀疏区插出负牵引力这种物理上不可能的结果。分箱宽度 0.5 m/s 是个经验值数据密可以取 0.2数据稀就取 1.0。拟合完一定要画图肉眼检查尤其是低速段和分段过渡区那里最容易出玄学。3. 用 train.zip 跑通一条牵引曲线的完整流程3.1 数据清洗时间戳、单位、缺失值三件事train.zip解压后第一件事不是建模是看数据长什么样。时间戳是否单调、速度单位是 km/h 还是 m/s、位置是累计里程还是 GPS 经纬度、有没有整段缺失。时间戳回跳通常意味着多圈数据拼接或设备重启必须切段处理。速度单位搞错会让后面所有力都差 3.6 倍这种翻车现场我见过不止一次。# 检查时间戳单调性 dt np.diff(df[time]) if (dt 0).any(): print(存在非正时间间隔需切段, np.where(dt 0)[0]) # 缺失值处理短缺口线性插值长缺口直接切段 df[speed_kmh] df[speed_kmh].interpolate(methodlinear, limit5) df df.dropna(subset[speed_kmh, time]).reset_index(dropTrue)limit5表示最多连续插 5 个点超过就认为是真缺失不硬插。这一步不做后面差分出来的加速度会出现尖刺拟合出的牵引曲线在对应速度点会鼓一个包。3.2 工况识别牵引、惰行、制动怎么分没有级位字段时用加速度和速度的符号组合判工况加速度为正且速度增牵引加速度接近零且速度基本不变惰行或匀速加速度为负制动或惰行下坡。有级位字段就直接用但要注意级位为 0 不等于惰行有些车级位 0 是空挡有些是电制动准备位得看车型手册。# 无级位字段时的粗分工况 a_thresh 0.05 # m/s^2小于这个认为加速度可忽略 conditions [ (a a_thresh), (a -a_thresh), ] choices [traction, brake] df[mode] np.select(conditions, choices, defaultcoast)阈值 0.05 m/s² 是经验值数据噪声大就提到 0.1数据干净可以降到 0.02。这个阈值直接决定牵引段样本量太严样本少拟合不稳太松把惰行混进来曲线会偏低。3.3 曲线拟合与验证留出法看外推能力拟合完不能只看训练误差要按速度分段留出验证。低速段样本多高速段样本少如果高速段全用来训练外推时曲线会飘。常见做法是按速度分层抽样每层留 20% 做验证。from sklearn.model_selection import train_test_split # 按速度分层保证高速段也有验证样本 df_traction[v_strata] pd.cut(df_traction[v], bins10, labelsFalse) train_idx, val_idx train_test_split( df_traction.index, test_size0.2, stratifydf_traction[v_strata], random_state42 )验证指标不只看 RMSE还要看曲线在高速段的单调性和是否出现负值。RMSE 小但曲线在 200 km/h 以上翘起来说明过拟合了低速段噪声这种曲线拿去算能耗会偏乐观。4. 牵引曲线落地时的避坑与排查4.1 现象拟合出的牵引力在低速段为负原因通常是原始数据里混入了制动段或惰行段工况识别阈值没卡住。解决把工况识别阈值调严并检查制动级位字段是否被误读为 0。如果数据里确实有再生制动回馈低速段牵引力为负可能是真实的电制动需要单独标注工况。4.2 现象加速度曲线在固定时间间隔出现周期性尖刺原因多半是速度传感器量化误差或数据采样率与差分步长不匹配。解决先确认采样周期是否均匀不均匀就重采样到固定步长再差分均匀但仍有尖刺加大 Savitzky-Golay 窗口或改用中值滤波先去掉脉冲噪声。4.3 现象不同趟次的牵引曲线差异巨大原因可能是载重不同、坡道不同或司机手柄操作习惯不同。解决按载重和线路坡度分段建模不要指望一条曲线打天下。如果train.zip里没有载重和坡度字段至少按线路区段切分同一区段内曲线才可比。4.4 现象曲线在高速段外推时发散原因是高速段样本太少拟合模型自由度太高。解决高速段改用物理约束更强的模型比如强制F P/v形式只拟合功率P一个参数或者直接设牵引力上限超过就截断。4.5 现象能耗计算结果比实测低一截原因通常是忽略了辅助用电、再生制动回收率和传动效率。解决在牵引力做功基础上乘传动效率加上辅助功率对时间的积分再生制动按回收率打折。这几个系数不标定能耗模型只能看趋势不能看绝对值。5. 把牵引曲线用起来从单条曲线到驾驶策略牵引曲线拟合完只是第一步真正值钱的是拿它做驾驶策略优化。一个具体技巧是把牵引曲线和线路坡度、限速一起做成「速度-位置」走廊然后在走廊里找能耗最小的手柄序列。常见做法是动态规划或庞特里亚金极小值原理工程上更常用的是离散化后跑 Dijkstra 或 A*状态是位置和速度边权是能耗。# 简化版离散速度-位置网格用动态规划找最小能耗 import numpy as np v_grid np.arange(0, 80, 1.0) # m/s s_grid np.arange(0, 5000, 50) # m INF 1e12 dp np.full((len(s_grid), len(v_grid)), INF) dp[0, 0] 0.0 for i in range(len(s_grid) - 1): for j, v in enumerate(v_grid): if dp[i, j] INF: continue for j2, v2 in enumerate(v_grid): ds s_grid[i1] - s_grid[i] # 用平均速度估算所需时间 v_avg max((v v2) / 2, 0.1) dt ds / v_avg # 牵引力查曲线阻力用 Davis 公式 f_t float(f_traction_curve(min(v2, v_grid[-1]))) f_r 2000 50 * v2 2.0 * v2**2 energy max(f_t - f_r, 0) * v2 * dt if dp[i, j] energy dp[i1, j2]: dp[i1, j2] dp[i, j] energy这段代码是骨架实际用要加限速约束、坡度修正和制动约束。参数上速度网格 1 m/s、位置网格 50 m 是精度和计算量的折中线路长就加大位置步长。f_traction_curve就是前面拟合出来的曲线直接调用。跑完回溯路径得到的就是一条能耗较优的速度曲线。我自己的习惯是每拟合完一条牵引曲线先拿它跑一遍已知的能耗数据做闭环验证误差超过 10% 就回头查数据清洗和工况识别而不是急着调模型。牵引曲线这东西数据质量决定上限模型只决定你能不能摸到上限。希望帮到你。本文还有配套的精品资源点击获取