轨道电客车A-A连挂智能测试车研制及制动系统研究
The Research and Development of the A-A Coupled Intelligent Testing Train for Electric Multiple Units and the Study of Its Braking System
DOI: 10.12677/mos.2025.142157, PDF, HTML, XML,    科研立项经费支持
作者: 谷朋飞, 张轩雄, 沈 拓, 罗云龙:上海理工大学光电信息与计算机工程学院,上海
关键词: 轨道电客车智能测试车制动系统车钩Electric Multiple Unit Intelligent Test Vehicle Braking System Couple
摘要: 本研究聚焦于轨道电客车制动系统性能的全面评估。当前,轨道电客车制动系统性能测试通常采用驾驶电客车或救援车与待测试电客车连挂进行测试的方式,此方式耗时耗力,且调车过程中涉及高昂的人工成本、能源消耗及复杂的多工种协调,限制了检修效率。基于对当前测试方式的深入分析,本文设计了一套兼备公铁两用功能的智能测试车系统,旨在高效且准确地评估轨道电客车的停放制动与紧急制动性能。相较于当前的测试方式,本方案测试效率提升50%,经济成本减少了62.57%,为轨道电客车制动系统的测试提供的新的途径。本研究解决了当前测试方法在资源消耗、周期长等方面的问题,实现了测试过程的自动化与数据处理的实时化,具有一定实际应用意义,未来有望在轨道交通的安全保障与效率提升方面发挥作用。
Abstract: This study focuses on the comprehensive evaluation of the performance of the braking system of electric railcars. Currently, the performance testing of railcar braking systems is typically carried out by coupling the test railcar with a driving electric railcar or a rescue vehicle. This method is time-consuming and labor-intensive, involving high labor costs, energy consumption, and complex multi-job coordination during shunting, which limits maintenance efficiency and cost control. Based on an in-depth analysis of the current testing methods, this paper designs an intelligent testing vehicle system with both railway and highway capabilities, aimed at efficiently and accurately evaluating the parking brake and emergency brake performance of electric railcars. Compared with the current testing methods, this solution improves testing efficiency by 50%, reduces economic costs by 62.57%, and provides a new approach for testing the braking system of electric railcars. This research addresses issues such as resource consumption and long testing cycles in current methods, enabling automation in the testing process and real-time data processing. It holds practical significance and is expected to play a role in improving safety and efficiency in railway transportation in the future.
文章引用:谷朋飞, 张轩雄, 沈拓, 罗云龙. 轨道电客车A-A连挂智能测试车研制及制动系统研究[J]. 建模与仿真, 2025, 14(2): 350-360. https://doi.org/10.12677/mos.2025.142157

1. 引言

随着城市化步伐的加快,城市轨道交通凭借其大运量、准时高效、节能环保等特点,成为缓解城市交通压力、优化居民出行条件的重要工具[1] [2]。轨道电客车作为城市轨道交通系统的核心组成部分,其性能和安全性直接关系到整个系统的运行效率和乘客的出行安全。然而,在长时间且复杂多变的环境条件共同作用下,电客车的A-A连挂[3]、制动[4]、通信[5]及牵引[6]等核心功能面临着潜在的风险与挑战。

在致力于优化地铁电客车年度检修流程的过程中,对A-A连挂测试的当前作业模式进行深入审视与革新变得尤为关键。当前,A-A连挂测试的方式在国内外都是一致的,经过多年的发展未有相应的改变,既驾驶一台电客作为辅助车与待测试电客车进行A-A连挂作业。当两车的车钩[7]连接在一起时,辅助电客车主风管中的压缩空气经由车钩传送到待测电客车,再接入其制动系统,以完成对待测电客车制动功能的测试。测试一端完成后进行分钩操作,再重新安排调车至待测电客车的另一端进行相同功能的测试,如图1所示。

Figure 1. The physical image of the electric railcar A-A coupling

1. 电客车A-A连挂实物图

原有的测试方式过于繁琐,不仅耗时费力,且在调车过程中伴随着显著的人工成本、能源消耗,并需要多工种之间的紧密协调,这严重限制了检修效率的提升与成本的有效控制。

为了有效解决上述问题,并推动A-A连挂作业向高效化、智能化的方向发展,对原有测试方式进行改善已难以满足预期效果。鉴于此,本研究从实际应用需求出发,创新性地研发了一款集公路与铁路两用功能于一体的智能测试车。智能测试车搭载着可便捷移动的车钩装置,并内置了供风系统,以确保电客车制动系统性能测试的顺利、高效执行。

2. 智能测试车设计

智能测试车的整体框架设计核心在于实现调用的便捷性和结构的轻量化,这与体积庞大的电客车形成鲜明的对比。在车体构造上,不同于电客车需要的特质材料,测试车只选用了高强度的钢性材料,以确保车身具备足够的结构强度。至于车底结构,其设计确保了车辆在钢轨上平稳运行,无需顾虑电客车中繁复的动力分配、传动系统以及悬挂系统等复杂因素。鉴于测试车的主要功能是对电客车的制动性能进行测试,因此无需考虑车厢布局和乘客舱设计,这一设计为车辆节省了大量的空间。在车头与车尾设计、电气系统与供电配置、安全性设计以及振动与噪音控制等关键领域,测试车均采用了精简策略,去除了电客车中诸如紧急出口与疏散系统、受电工装置、能源回收装置以及震动隔离噪音控制模块等多余组件。最终,智能测试车整车重量仅为800千克,不足电客车单节车厢的重量,不仅极大地缩减了测试车在测试场地所占用的空间,更在高效、智能地测试作业中展现了卓越的性能。

2.1. 结构设计

智能测试车整体设计采用坚固的框架结构,其走行部具有走行功能和承载能力,稳固地承载着电气箱、蓄电池、车钩等关键部件,这些部件均被安装在走行部的框架之上[8] [9]。车身外形则由轻便且易于调整的彩钢整流罩[10]塑造而成,不承担结构载荷,且为车辆的外观定制提供了极大的灵活性。车钩位于智能测试车一端,另一端安装蓄电池等较重的部件,达到确保车辆的重心稳定,如图2所示。

Figure 2. Structure diagram of the smart testing vehicle

2. 智能测试车结构图

车钩部分,智能测试车采用标准的全自动车钩,配备了先进的电子钩头,满足与电客车进行连挂试验的要求。为进一步减轻车辆的整体重量,本研究在标准车钩的基础上进行了精简设计:去除了车钩的伸缩杆,缩短了车钩的整体长度;同时,也去除了电子钩头上的防尘罩驱动气缸,减少了车身的整体体积。车钩沿用标准的内嵌卡槽半圆形抱箍固定到L型槽钢支架,车钩的高度可根据需要进行自动调节,其初始设定的中轴线距离轨面高度为720 mm,满足电客车连挂要求[11]。系统采用电池供电方式。伸缩杆通过电动推杆实现收放操作,并在到达指定位置后向走行驱动电机发送位置反馈信号,以确保安全联锁机制的有效运行。系统还配备了紧急停止按钮,能够在发生故障时进行安全导向。

测试车使用线控底盘(具有远程控制和自动化驾驶功能的车辆底盘系统),能够实现前后移动和左右转向操作。线控底盘的转向机制主要分为阿克曼转向[12]和差速转向[13]两类。鉴于本研究实际应用场景,选用阿克曼转向线控底盘。该底盘采用后轮驱动,并配备前轮与后轮双转向系统,最大转角可达30˚,能够轻松应对平交道口2.5米宽度范围内的复杂转向挑战,确保车辆能够精准地对正轨道,实现顺利落轨。

2.2. 控制状态设计

智能测试车的核心线控部件包括线控转向总成、线控制动总成、电机驱动系统、外置电磁刹车、整车VCU (Vehicle Control Unit底盘域控制器) [14]以及远距遥控装置。在构建整车线控系统的基础上,本文进行了VCU的功能设计与程序编程,如图3所示。

Figure 3. Power-on state flowchart

3. 开机状态流程图

当车辆从断电状态转换到上电状态时,VCU会在最初的5秒内启动全面的车辆自检程序,这一步骤旨在验证线控转向和线控制动两大关键部件的工作状态。若自检结果显示一切正常,车辆将自动切换至人工驾驶模式;反之,若自检失败,VCU会通过USERCAN [15]发出自检失败及超时警报,并同步激活双闪灯以警示驾驶员[16]

为了弥补底盘缺乏方向盘、油门踏板、制动踏板及档位杆等传统操控部件的不足,引入了远距离遥控器作为替代,实现对车辆的控制。该遥控器集成了转向、制动、油门、档位选择及驾驶模式切换选择等多种控制功能,满足了车辆操控的所有需求。

智能测试车的底盘系统设计了四种控制模式,依次为人工驾驶模式、遥控驾驶模式、USERCAN协议指令控制模式(即自动驾驶控制模式)以及紧急制动模式[17]

2.3. 底层CAN网络与USERCAN网络设计

图4所示的CAN网络架构中,通过VCU有效的将车辆底层与控制层CAN网络隔离,确保了系统的层次分明与数据安全。车辆底层设置成私有CAN,保护车身内部通信数据的安全与完整性。其中包括转向系统、制动系统及机驱动系统等部件。

Figure 4. Full vehicle CAN network design diagram

4. 整车CAN网络设计图

为了区分并适应不同底层CAN网络的通信需求,系统采用了多路底层CAN网络节点的设计。其中CAN1为标准500 K帧频率,CAN2为拓展500 K帧频率。将CAN0节点设置成为USERCAN对外输出可定制的CAN协议报文,不必在众多底层线控部件中寻找可用报文。在CAN0节点接入遥控器节点,实现与USERCAN的PC端口并行的车辆控制端口。

3. 研究方案

A-A连挂智能测试车的制动系统,由一系列核心组件构建而成,包括测试平台电路、车控电路、遥控器、大容量电池组以及测试软件。该系统集车辆无线控制、A-A连挂测试以及测试过程的全自动记录功能于一体,展现了高度的集成化与智能化。借助其集成的车载设备,该系统能够完成多项测试任务,如列车停放制动试验与列车紧急制动功能试验等,还进一步提升了列车运行的安全性与可能性,如图5所示。

3.1. 硬件设计

智能测试车制动系统的硬件设计分为五个部分,分别为触控电脑、控制/采集模块、车用继电器、电磁阀及数字压力变送器,整体硬件设计图如图6所示。

3.2. 气路设计

在使用智能测试车对轨道电客车的紧急制动性能进行测试时,需要对轨道电客车的风管压力进行测量。

图7所示,在气路结构设计中,为简化与空压机之间的连接,主风管配备了自锁式快接接头。这一设计不仅提升了安装效率,还确保了连接的稳固性与密封性,为后续测试奠定了基础。在车钩对接完成后,重载连接器能够自动伸出,实现无缝且便捷地对接,便利了测试准备阶段的工作。

Figure 5. System architecture diagram of the smart testing vehicle

5. 智能测试车系统架构图

Figure 6. System hardware design diagram

6. 系统硬件设计图

测试结束或需要解除车钩连接时,通过电磁阀1,重载连接器能够平稳地收回,整个操作过程高度自动化,大幅减少了人工干预的需求,有效提高了测试工作的效率和安全性。在主风管上集成了高精度的压力变送器,能够实时、准确地捕捉并记录制动过程中主风管内部的压力变化数据。为了进一步提升测试流程的自动化程度,本设计通过电磁阀2控制车钩的自动解钩操作。在接收到相应的指令后,能够准确地执行解钩动作,无需人工参与,不仅提高了测试效率,还避免了因人为操作不当可能引发的安全隐患。

Figure 7. Brake system pneumatic circuit diagram

7. 制动系统气路设计图

3.3. 软件设计

A-A连挂测试车在触控电脑上配置有专用的作业引导系统软件,该系统具备自检功能,能够实时显示车辆速度与系统状态,还具备在电气回路中执行制动操作、解钩操作以及电气回路状态检测的能力。系统总体软件设计过程如图8所示:

① 首先,初始化系统的各个模块,并完成通讯设置,为后续的各项操作奠定基础;

② 接着,确认试验的准备工作是否就绪,包括信息录用、确认我方车辆的状态以及确认对方车辆的状态,确保双方车辆均处于良好的测试准备状态;

③ 然后,采集连挂后的车钩状态信息,确保车钩连接正确且稳定;

④ 紧接着,对我方和己方车辆停放制动施加/缓解状态信息进行采集并确认;

⑤ 随后,对我方和己方车辆的风管压力大小进行采集并显示,确认车辆是否处于紧急制动/缓解状态;

⑥ 在连挂测试结束后,再次采集车钩状态信息,确保车钩已经正确分离;

⑦ 最后,将试验过程中采集到的数据整理成报表。

除此之外,引导系统还融入了连挂测试过程监护功能,确保了操作流程的规范化。系统自备电气回路制动与解钩状态的采集功能,能够精准记录相关数据。在试验结束后,系统能够自动生成详细的报表,便利了作业监管工作。

Figure 8. System software flowchart

8. 系统软件流程图

4. 实验

采用遥控器来替代人工操作,实现智能测试车安全地上轨。同时,对待测电客车的所有功能测试均通过触控电脑来完成操作和记录,既提升了测试的便捷性,又确保了测试数据的准确性和可追溯性。

图9所示,在试验准备阶段,首先在触控电脑的操作界面上填写待检测车辆的车号、连挂车厢的编号以及测试员信息,以完成试验前的必要信息录入。在确保我方车辆与对方车辆的状态均无误且符合测试要求后进入测试。

Figure 9. Smart test vehicle system operation guide diagram

9. 智能测试车系统作业引导图

首先进行连挂试验。在此过程中,使用遥控器操控智能测试车,以3公里/小时的安全速度缓缓接近并与电客车进行连挂作业。连挂成功后,我方车辆的车钩指示灯与待检测车辆连挂端的司机室车钩指示灯随即亮起,表明连接状态良好。同时,车钩指示器呈现为与车钩中心线平行状态。随后,通过操作智能测试车对轨道上的电客车进行试拉操作,如图10所示。整个过程中智能测试车能安全的对智能测试车进行试拉作业。

Figure 10. Intelligent test vehicle coupling/testing pull diagram

10. 智能测试车连挂/试拉图

试拉完成后,随即进入停放制动试验环节。操作智能测试车施加停放制动,同时待测电客车进行升弓作业,为接下来的测试做好准备。

首先点击智能测试车车辆操作界面上的“停放制动缓解”按键,此时,智能测试车停放制动缓解指示灯亮起绿色,同时待测电客车停放制动缓解灯亮起,表明已完成己车停放制动缓解试验。接着,点击智能测试车车辆操作界面上的“停放制动施加”按键,此时智能测试车的停放制动施加指示灯亮起绿色,同时待测电客车停放制动施加灯亮起,表明以完成己车停放制动施加试验。随后,在待测电客车的连挂端按下停放制动缓解按钮,智能测试车的停放制动缓解指示灯再次亮起绿色,而待测电客车的停放制动施加灯熄灭,停放制动缓解灯则亮起,表示电客车连挂端的停放制动缓解试验已成功通过。

紧接着,在待测电客车的连挂端按下停放制动施加按钮,智能测试车的停放制动施加指示灯依旧保持绿色,而待测电客车的停放制动缓解灯熄灭,停放制动施加灯亮起,表明电客车连挂端停放制动施加试验以完成。最后,采用相同的操作步骤,完成了电客车非连挂断停放制动缓解/施加试验。

测试结果表明智能测试车能够完成对轨道电客车的停放制动试验。

随后进行安全环路试验。关闭待测电客车的空调及照明,按下智能测试车操作界面的“紧急制动施加”按键,智能测试车和待测电客车连挂端和非连挂端风管压力显示分别为260 kPa、265 kPa和265 kPa,满足风管压力260 ± 20 kPa,完成己车紧急制动施加试验。按下智能测试车操作界面的“紧急制动缓解”按键,紧急制动缓解指示灯变绿,完成紧急制动缓解试验。待测电客车连挂/非连挂端紧急制动施加/缓解试验同上。最后进行结构,完成本次试验,如图11所示。

Figure 11. Intelligent test vehicle braking system test diagram

11. 智能测试车制动系统测试图

当前使用电客车进行A-A连接测试,从提出申请、车厂调度排列进路到完成全部测试作业,耗时5小时,牵涉多个工种多专业协调,费时费力。本质上是因为缺乏合适的连挂试验测试设备而直接使用电客车作为测试设备,过多占用了电客车的上线运营时间,还增加了电客车过多的折旧和磨耗。本方案研究的智能测试车从提出申请到完成全部测试只需2.5小时,效率提升了50%,具有一定的实用性。

电客车单列造价约4000万元人民币,按寿命周期15年,每年运行时间约200天即4800小时,用于A-A连挂试验的使用时间为6小时/年,每条地铁线路配属50辆列车进行估算,A-A连挂试验项目电客车年均使用成本为16.7万元/年。本研究设计的智能测试车单台造价约为50万元人民币,寿命周期8年,按全寿命周期成本分析,平均使用成本仅为6.25万元/年。测试车较电客车A-A连挂试验成本降低62.57%,具有一定的经济性,对比见表1

Table 1. Comparison of performance between EMU and intelligent testing train

1. 轨道电客车与智能测试车效果对比

电客车

测试车

(电客车 − 测试车)/电客车 × 100%

每次测试时间/小时

5

2.5

50%

每年测试成本/万元

16.7

6.25

62.57%

5. 结束语

本文依据轨道电客车制动系统性能测试的严格标准,设计了一套集公铁两用功能于一体的智能测试车及其制动系统。该系统融合了制动模块、数据采集模块及信息显示模块等多个核心组件,完成了制动系统各模块的硬件设计及相应的软件系统,最终实现了智能测试车的实体构建。在实际应用中,智能测试车能够成功替代传统电客车执行A-A连挂试验,无需额外调用另一列电客车作为配合。测试车具备自主行驶能力,省去了车厂复杂的排列折返调车进路步骤,简化了操作流程,缩短了试验的准备周期。

通过智能测试车的研发,A-A连挂试验效率提升了50%,成本降低62.57%,现有A-A连挂试验耗时长、占用资源多等问题可得到显著改善,释放了电客车的被占用时间。相较于当前的测试方式,本文提出的测试方式具有显著的优势,但仍存在进一步提升的空间,未来将通过持续优化设计和技术革新,达到更高的性能标准和更广泛的应用前景。

基金项目

国家重点研发计划(2022YFB4300501);上海市科委课题(23DZ2204900)。

参考文献

[1] Lu, K., Han, B., Lu, F. and Wang, Z. (2016) Urban Rail Transit in China: Progress Report and Analysis (2008-2015). Urban Rail Transit, 2, 93-105.
https://doi.org/10.1007/s40864-016-0048-7
[2] Han, B., Yang, Z., Yu, Y., et al. (2021) Statistical Analysis of Urban Rail Transit Operations in the World in 2021: A Review. Urban Rapid Rail Transit, 34, 5-11.
[3] Wu, Q., Ge, X., Han, Q. and Liu, Y. (2023) Railway Virtual Coupling: A Survey of Emerging Control Techniques. IEEE Transactions on Intelligent Vehicles, 8, 3239-3255.
https://doi.org/10.1109/tiv.2023.3260851
[4] Frilli, A., Meli, E., Nocciolini, D., Pugi, L. and Rindi, A. (2016) Energetic Optimization of Regenerative Braking for High Speed Railway Systems. Energy Conversion and Management, 129, 200-215.
https://doi.org/10.1016/j.enconman.2016.10.011
[5] Huang, T., Wang, B., Qiao, N., Wang, H., Zhao, J. and Wang, Q. (2024) Model-Driven Study of Intelligent Passenger Information System for Urban Rail Transit. In: Lecture Notes in Electrical Engineering, Springer, 153-160.
https://doi.org/10.1007/978-981-99-9319-2_18
[6] Hu, H., Liu, Y., Li, Y., He, Z., Gao, S., Zhu, X., et al. (2023) Traction Power Systems for Electrified Railways: Evolution, State of the Art, and Future Trends. Railway Engineering Science, 32, 1-19.
https://doi.org/10.1007/s40534-023-00320-6
[7] Zhou, X., Cheng, S., Yu, T., Zhou, W., Lin, L. and Wang, J. (2023) Research on the Air Brake System of Heavy Haul Trains Based on Neural Network. Vehicle System Dynamics, 62, 2035-2053.
https://doi.org/10.1080/00423114.2023.2273866
[8] Zhang, Z., Cao, S. and Ruan, C. (2018) Statistical Linearization Analysis of a Hydropneumatic Suspension System with Nonlinearity. IEEE Access, 6, 73760-73773.
https://doi.org/10.1109/access.2018.2884245
[9] Yin, Y., Rakheja, S. and Boileau, P. (2018) Multi-Performance Analyses and Design Optimisation of Hydro-Pneumatic Suspension System for an Articulated Frame-Steered Vehicle. Vehicle System Dynamics, 57, 108-133.
https://doi.org/10.1080/00423114.2018.1453079
[10] Jain, J.K. and Sonia, P. (2022) Recent Trends in Welding Polymers and Polymer—Metal Hybrid Structures. Light Weight Materials: Processing and Characterization, 2022, 39-71.
[11] Soliman, M., Siemons, J., Kochems, J., Alshrafi, W., Shamshoom, J., Heberling, D., et al. (2019) Automatic Train Coupling: Challenges and Key Enablers. IEEE Communications Magazine, 57, 32-38.
https://doi.org/10.1109/mcom.2019.1800942
[12] Patel, S., Rawat, R., et al. (2021) Study of Steering System for an Electric Trike-Ackerman Steering. In: Smart Innovation, Systems and Technologies, Springer, 9-18.
https://doi.org/10.1007/978-981-16-2857-3_3
[13] Kuslits, M. and Bestle, D. (2020) Multiobjective Performance Optimisation of a New Differential Steering Concept. Vehicle System Dynamics, 60, 73-95.
https://doi.org/10.1080/00423114.2020.1804598
[14] Mazzilli, V., De Pinto, S., Pascali, L., Contrino, M., Bottiglione, F., Mantriota, G., et al. (2021) Integrated Chassis Control: Classification, Analysis and Future Trends. Annual Reviews in Control, 51, 172-205.
https://doi.org/10.1016/j.arcontrol.2021.01.005
[15] Bansal, R. and Dubey, A.K. (2024) Communication Protocols Used for Industrial Automation. In: Computational Intelligence in the Industry 4.0, CRC Press, 73-94.
https://doi.org/10.1201/9781003479031-4
[16] Wu, T.T. and Liu, W.S. (2022) Effectiveness of Remote-Control Cars and Authentic Learning in Strengthening Creative Thinking and Problem-Solving Abilities. Educational Technology & Society, 25, 163-181.
[17] Mazzilli, V., De Pinto, S., Pascali, L., Contrino, M., Bottiglione, F., Mantriota, G., et al. (2021) Integrated Chassis Control: Classification, Analysis and Future Trends. Annual Reviews in Control, 51, 172-205.
https://doi.org/10.1016/j.arcontrol.2021.01.005