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 0.06～0.10，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(drop=True) # 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_length=11, polyorder=2) # 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(method="linear", limit=5) df = df.dropna(subset=["speed_kmh", "time"]).reset_index(drop=True)limit=5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, default="coast")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"], bins=10, labels=False) train_idx, val_idx = train_test_split( df_traction.index, test_size=0.2, stratify=df_traction["v_strata"], random_state=42 )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[i+1] - 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[i+1, j2]: dp[i+1, 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
