刚性接触网-受电弓载流磨损性能的试验研究

梅桂明

doi:10.3969/j.issn.0258-2724.20200432

刚性接触网-受电弓载流磨损性能的试验研究

doi: 10.3969/j.issn.0258-2724.20200432

梅桂明

西南交通大学牵引动力国家重点实验室，四川成都 610031

基金项目: 国家重点研发计划（2016YFB1200401-102B）

详细信息

作者简介:
梅桂明（1974—），男，副研究员，研究方向为弓网动力学及磨损，E-mail：13880068468@163.com

中图分类号: TH117.1；U264.34
计量
- 文章访问数: 450
- HTML全文浏览量: 386
- PDF下载量: 35
- 被引次数: 24
出版历程
- 收稿日期: 2020-06-27
- 修回日期: 2020-10-28
- 网络出版日期: 2020-12-15
- 刊出日期: 2020-12-15

Experimental Study on Wear Performance of Rigid Catenary-Pantograph System with Direct Current

MEI Guiming

State Key Laboratory of Traction Power，Southwest Jiaotong University，Chengdu 610031，China

摘要

摘要:
为了认识刚性接触网系统接触线和受电弓滑板异常摩耗的机理、提高刚性接触网系统摩擦元件的使用寿命，根据地铁刚性接触网系统的工作条件，使用环-块式载流摩擦磨损试验机，对刚性接触网系统的载流摩擦磨损性能进行了试验研究. 试验电流为0、400 A （DC），滑动速度为60 km/h，接触法向力为30 N，滑动距离为900 km. 在试验过程中测量了弓网之间的滑动摩擦因数、滑板磨损量、滑板温度、电弧电流和电压等参数，计算了滑板的磨损率和电弧能量. 试验结果表明：试验得到的滑板磨损率与实际地铁线路刚性接触网滑板的磨损率接近；直流电流对滑板的磨耗和温度有严重的影响，有电流时（400 A）滑板磨损率和温度分别是无电流时滑板磨损率和温度的53.0倍和7.4倍；引起滑板严重磨耗的原因主要是电弧烧蚀和黏着磨损.
- 磨损 /
- 电接触 /
- 刚性接触网 /
- 接触线 /
- 受电弓滑板
Abstract:
In order to understand the abnormal wear mechanism of the contact wire and the pantograph strip in the rigid catenary system, and to improve the service life of its friction elements, tests were carried out on the current-carrying friction and wear performance of the rigid catenary system with a block-on-ring current-carrying friction and wear tester. The test parameters were set as: the test current of 0, 400 A (DC), sliding speed of 60 km/h, the contact normal force of 30 N, and sliding distance of 900 km. During the tests, the sliding friction coefficient between the pantograph strip and catenary wire, the wear volume and the temperature of the pantograph strip, arc current and voltage were measured, and the wear rate of the pantograph strip and arc energy were calculated. The test results show that the tested wear rate of the pantograph strip is close to the one for actual subway lines. The DC current has a serious impact on the wear and temperature of the pantograph strip. The wear rate and temperature of the pantograph strip with DC 400 A are about 53.0 times and 7.4 times higher than those without electric current, respectively. The serious wear of the pantograph strip is mainly caused by arc ablation and adhesive wear.
- wear /
- electric contact /
- rigid catenary /
- contact wire /
- pantograph strip

HTML全文

随着无人驾驶技术的发展，未来道路上的智能网联车（connected automated vehicle，CAV）将逐渐普及. 但最新研究表明^[1]，预计2045年道路上L4级别的CAV渗透率仅能达到24.8%. 因此，未来很长一段时间内，道路上将普遍呈现由常规车（regular vehicle，RV）、网联人工驾驶车（connected vehicle，CV）和CAV组成的混合交通流. 网联车（CV和CAV）能够提供海量的车辆轨迹数据，而这些数据蕴含了丰富的时空交通信息，是交通状态估计的基础数据之一. 但由于RV无法提供自身的轨迹数据，在智能网联环境下全样本车辆轨迹数据仍难以获得. 因此，如何利用已有的轨迹数据来重构所有车辆的轨迹具有重要的意义^[2].

近年来，有许多学者对车辆轨迹重构问题进行了探讨，主要为基于经典交通流理论和基于统计概率模型的方法. 这些方法按轨迹重构数据来源可分为三大类：定点检测器、移动检测器和多源数据. Coifman^[3]基于双线圈检测器数据和交通流理论，通过在时空图中估计路段行程时间重构车辆轨迹. Rao等^[4]利用车牌识别数据构建了一种车辆路径重构方法，进一步可基于路径对交通网络的历史OD （original-destination）进行估计. Hao等^[5]、Wan等^[6]、Shan等^[7]基于概率论的思想，分别采用随机模型、期望最大化算法（expectation-maximum，EM）及最大似然估计，从微观角度重构浮动车任意相邻采样点之间的运动轨迹. Li等^[8]提出了基于K最近邻回归算法利用不完整轨迹来扩充轨迹样本量. Xie等^[9]基于修正的交通信号配时方案、车辆通过时间和车辆行程时间构建微观仿真环境，实现了对干道车辆轨迹重构. Mehran等^[10]通过融合秒级浮动车数据、音视频数据（audio video interleaved，AVI）及信号控制参数，提出了一种基于变分理论城市干道车辆运行轨迹估计方法，并利用东京一条包含五个交叉口的单行道实测数据进行了方法验证和误差分析. 唐克双等^[11]通过融合视频和定点检测器流量数据，基于交通流理论和交通仿真思想，构建了一种不依赖高频浮动车数据，适用于多车道的轨迹重构方法. 综上分析可知，现有研究均能够对车辆轨迹数据进行有效重构，但均只考虑了人工驾驶环境，未考虑未来智能网联混合交通流的情况. 随着智能网联技术的发展，CAV除了能提供自身轨迹数据外，还能通过感知设备（摄像头和雷达）提供自身一定范围内的车辆轨迹数据. 因此，CAV采集的移动传感数据将会给轨迹重构提供一种新的思路. 如何充分考虑混合交通流环境下不同车辆类型提供的数据，构建全样本车辆轨迹重构模型，是未来CAV环境下车辆轨迹重构亟待解决的关键问题.

为解决该问题，本文拟研究混有RV、CV和CAV的混合交通流全样本车辆轨迹重构方法. 充分利用CAV和CV提供的轨迹数据信息，提出基于跟驰特性的混合交通流轨迹重构模型，并通过仿真试验验证模型在不同交通流密度和CAV渗透率条件下的合理性与有效性.

1. 跟驰特性分析

在本文研究中，不考虑车辆换道的影响，选取较为简单的场景来阐述轨迹重构思想. 在微观交通流分析中，一般采用跟驰模型描述车辆之间的跟驰行为. 该模型认为当前车辆是否加减速与本身速度、前后车速度差和位置差有关. 因此，在已知部分轨迹的情况下，采用该模型可分析相邻轨迹中存在其他车辆轨迹的可能性.

跟驰模型主要可分为五种类型：刺激反应模型、安全间距模型、社会力模型、优化速度模型和低阶线性模型^[12]，均可作为本文轨迹重构的基础模型. 而作为社会力模型的一种，智能驾驶员模型（intelligent driver model，IDM）能够很好地描述熟练驾驶员的驾驶习惯，应用范围更广. 因此，本文以IDM为例描述车辆之间的跟驰特性，如式（1）所示.

$\begin{split} & {a_p}\left( t \right) = {a_{\rm{M}}}\left[ {1 - {{\left( {\dfrac{{{v_p}\left( t \right)}}{{{v_{\rm{f}}}}}} \right)}^\delta } - } \right. \\&\quad \left. {{{\left( {\dfrac{{{s_0} + T{v_p}\left( t \right) + \dfrac{{{v_p}\left( t \right)\left[ {{v_p}\left( t \right) - {v_{p - 1}}\left( t \right)} \right]}}{{2\sqrt {{a_{\rm{M}}}b} }}}}{{{x_{p - 1}}\left( t \right) - {x_p}\left( t \right)}}} \right)}^2}} \right] \end{split},$

(1)

式中： ${a_p}(t)$ 为时刻t车辆 $p$ 的加速度； ${v_{\rm{f}}}$ 为期望速度； ${a_{\rm{M}}}$ 为最大加速度；T为安全车头时距； $b$ 为舒适减速度的绝对值； ${s_0}$ 为最小停车间距； ${v_p}(t)$ 为时刻t车辆 $p$ 的速度； ${x_p}(t)$ 为时刻t车辆 $p$ 的位置； $\delta$ 为加速度指数（一般取4）.

2. 基于IDM的车辆状态估计

2.1 数据环境分析

本文研究的混合交通流中有三种类型的车辆：RV、CV和CAV. 其中，CAV除提供自身的轨迹数据外，还可通过感知设备获取周围一定范围内的车辆位置和状态信息，因此，能提供周围一定范围内车辆的轨迹数据. 混合交通流中不同车辆组成如图1所示. CAV探测范围内的车辆信息均可采集，不论是RV还是CV. CV由于不具备感知设备，所以只能提供自身的轨迹数据. 而RV由于其不具备或未打开联网功能，所以既不能提供自身的轨迹数据，也不能提供周围车辆的轨迹数据.

图 1 混合交通流中不同车辆组成

Figure 1. Composition of different types of vehicles in mixed traffic flow

下载: 全尺寸图片幻灯片

从以上分析可知，在该混合交通流环境下，主要需要对CAV探测范围之外的RV进行轨迹重构. 混合交通流轨迹时空图如所示. CAV两辆（CAV1、CAV2），CV三辆（CV1、CV2、CV3）；将阴影区域A中前一辆CAV探测到的最后一辆车记为 ${{\rm{V}}_{n - 1}}$ ，后面一辆CV记为 ${{\rm{V}}_n}$ ；红色虚线表示CAV轨迹；蓝色点线表示CV轨迹；黑色实线表示RV轨迹；阴影区域A和B即为需要重构轨迹的区域. 在跟驰模型中，本车的跟驰行为主要与前车有关，即前车的轨迹直接影响本车的轨迹. 以阴影区域A为例，若区域A中无其他车辆， ${{\rm{V}}_n}$ 会跟随 ${{\rm{V}}_{n - 1}}$ ，本车 ${{\rm{V}}_n}$ 与前车 ${{\rm{V}}_{n - 1}}$ 构成跟驰行为，可采用跟驰模型进行描述. 但若区域A中还存在未被观测的RV，则本车 ${{\rm{V}}_n}$ 用跟驰模型计算的加速度会与实际加速度存在较大差异. 因此，构建轨迹重构模型试图寻找区域A内的最佳轨迹条数，来实现这种差异的最小化.

图 2 混合交通流轨迹时空图

Figure 2. Spatio-temporal diagram of mixed traffic flow trajectories

下载: 全尺寸图片幻灯片

CV提供的轨迹数据可分为是否在CAV的检测范围内. 当CV在CAV的检测范围内，如图2中的CV1和CV3，这两辆车的轨迹可直接由CAV观测，故该车提供的数据有无对整个模型的求解没有影响. 当CV不在CAV检测范围内时，如图2中的CV2，此时需要利用该轨迹和CAV提供的轨迹重构阴影区域A和B中的车辆轨迹.

2.2 估计插入车辆的速度

车辆时空轨迹示意如所示，图中： ${A_1}{\text{,}} {A_2}{\text{,}}\cdots{\text{,}} {A_k}$ 为时空区域； $k$ 为时间总步数； $\Delta t$ 为时间步长； ${x_n}\left( {\Delta t} \right)$ 为 $\Delta t$ 时 ${{\rm{V}}_n}$ 的位置. 考虑到交通流稳定时，前后车的速度差别较小. 因此，第k个时空区域 ${A_k}$ 中车辆 ${{\rm{V}}_n}$ 的速度 $v_n$ 的估计如式（2）所示^[13].

图 3 车辆轨迹示意

Figure 3. Schematic diagram of vehicle trajectories

下载: 全尺寸图片幻灯片

$\begin{split} & v_n = \frac{{d\left( {{A_k}} \right)}}{{T\left( {{A_k}} \right)}} =\\ &\quad \frac{{ {{x_{n - 1}}\left( {t + \Delta t} \right) - {x_{{{n}} - 1}}(t)} + {{x_{{n}}}\left( {t + \Delta t} \right) - {x_{{n}}}(t)} }}{{2\Delta t}} \end{split},$

(2)

式中： $d\left( {{A_k}} \right)$ 和 $T\left( {{A_k}} \right)$ 分别为区域 ${A_k}$ 的位置差和时间差.

由于插入的RV在区域 ${A_k}$ 中，因此，该车在时刻 $k\Delta t$ 的速度可以用区域 ${A_k}$ 的速度 $v\left( {{A_k}} \right)$ 进行估计.

2.3 估计插入车辆的位置

在任意时刻，插入车辆的位置都需满足与前后车之间的安全间距. 因此，将V_n前插入的第i辆车记为 ${{\rm{V}}_{n,i}}$ ， ${{\rm{V}}_{n,i}}$ 的位置x_n，i只能出现在一定的区间范围内，如式（3）所示.

${x_n}\left( t \right) + {s_0} + l \leqslant {x_{n{\text{,}}i}}\left( t \right) \leqslant {x_{n - 1}}\left( t \right) - {s_0} - l,$

(3)

式中：l为车身长度.

当获得插入车辆的速度和可能位置区间后，可将 ${{\rm{V}}_{n,i}}$ 和 ${{\rm{V}}_n}$ 分别作为前车和后车，而 ${{\rm{V}}_{n,i}}$ 插入位置 ${x_{n,i}}\left( t \right)$ 会对后车 ${{\rm{V}}_n}$ 产生影响，这种影响会反映到后车的加速度上. 因此，可以根据IDM代入式（1）计算 ${{\rm{V}}_n}$ 的加速度 ${{\hat a}_n}\left( {{x_{n,i}}\left( t \right)} \right)$ .

当 ${x_{n,i}}\left( t \right)$ 在可行域内取不同的值时， ${{\rm{V}}_n}$ 会得到不同的加速度. 而当估计加速度 ${\hat a_n}\left( {{x_{n,i}}(t)} \right)$ 与实际加速度 ${a_n}\left( t \right)$ 最接近时，对应的 ${x_{n,i}}\left( t \right)$ 即为要插入车辆 ${{\rm{V}}_{n,i}}$ 的位置.

因此，可构建目标函数求得最优的插入车辆位置，同时考虑到车辆不同时刻的位置即为车辆的轨迹，可选用 ${{\rm{V}}_n}$ 的实际加速度和估计加速度之间均方根误差最小为优化目标，如式（4）所示.

$\min \sqrt {\frac{1}{k}{{\sum\limits_{t = 0}^{k\Delta t} {\left[ {{{\hat a}_n}\left( {{x_{n,i}}(t)} \right) - {a_n}\left( t \right)} \right]^2} }}}.$

(4)

综上，该优化模型的目标函数为式（4），约束条件为 ${{x_{n,i}}}$ 和 ${{\hat a}_n}( {{x{_{n,i}(t)}}})$ ，为典型的非线性优化模型，可用MATLAB自带的函数直接进行求解.

3. 基于IDM的车辆轨迹重构

由第2节的分析可知，得出插入车辆后，可由模型计算其插入的位置和速度. 因此，车辆轨迹重构模型即为需要寻找已知轨迹中间未知轨迹的数量，插入车辆轨迹示意如图4所示. 当插入车辆数已知时，可采用第2节中的方法依次求得每辆插入车辆轨迹的具体位置和速度. 考虑到车辆之间的最小安全间距，插入车辆数m的最大可能取值为N，如式（5）所示.

图 4 插入车辆轨迹示意

Figure 4. Schematic diagram of inserted vehicle trajectories

下载: 全尺寸图片幻灯片

$\begin{split} & N = {\rm{ent}}\left( {\rm{min}} \left\{ {\dfrac{{{x_{n - 1}}\left( 0 \right) - {x_n}\left( 0 \right)}}{{{s_0} + l}},\dfrac{{x_{n - 1}}\left( {\Delta t} \right) - {x_n}\left( {\Delta t} \right)}{{{s_0} + l}},}\cdots, \right. \right. \\ &\quad \left. \left. { \dfrac{{{x_{n - 1}}\left( {k\Delta t} \right) - {x_n}\left( {k\Delta t} \right)}}{{{s_0} + l}}}\right\}\right) . \\[-20pt] \end{split}$

(5)

在车辆 ${{\rm{V}}_n}$ 和车辆 ${{\rm{V}}_{n - 1}}$ 之间依次插入的m辆车( ${{\rm{V}}_{n,1}},{{\rm{V}}_{n,2}},\cdots,{{\rm{V}}}_{n,m}$ ）， ${{\rm{V}}_{n,m}}$ 为距离 ${{\rm{V}}_n}$ 最近的车辆，即为 ${{\rm{V}}_n}$ 的前车. 插入m辆车后，类比式（2），可粗略估计 ${{\rm{V}}_{n,m}}$ 的速度和位置分别如式（6）、（7）所示.

${v_{n,m}}\left( t \right) = {v_n}\left( t \right) - \frac{{ {{v_n}\left( t \right) - {v_{n - 1}}\left( t \right)} }}{{ {m + 1} }},$

(6)

${x_{n,m}}\left( t \right) = {x_n}\left( t \right) - \frac{{{{x_n}\left( t \right) - {x_{n - 1}}\left( t \right)} }}{{{m + 1} }}.$

(7)

在估计插入的速度和位置后，可重构 ${{\rm{V}}_{n,m}}$ 的轨迹. 根据IDM由 ${{\rm{V}}_{n,m}}$ 的轨迹可求出 ${{\rm{V}}_n}$ 的加速度. 插入m辆RV后代入式（1）可计算 ${{\rm{V}}_n}$ 的理论加速度.

此处，选用 ${{\rm{V}}_n}$ 加速度的均方根误差作为衡量标准，则均方根误差最小时对应的 $m$ 即为最佳插入的车辆数，如式（8）所示.

$\mathop {{\rm{arg min}}}\limits_m \sqrt {\frac{1}{k}{{\sum\limits_{t = 0}^{k\Delta t} {\left[ {{{\hat a}_n}\left( {{x_{n,i}}(t)} \right) - {a_n}\left( t \right)} \right]^2} }}}.$

(8)

因此，该问题也为一个非线性优化问题，目标函数为式（8），约束条件为式（1）、（6）、（7）. 综上，当确定最佳插入车辆数量以后，可采用第2节中的方法对每一插入车辆轨迹进行精确地重构.

4. 数值仿真分析

4.1 仿真参数设置

为验证模型的有效性，基于IDM设计元胞自动机进化规则，模拟单车道高速公路交通流运行规律. 所有车辆之间跟驰行为均用IDM描述^[14-15]. 仿真路段长度1000 m，元胞长度0.1 m，仿真时间1000 s，仿真步长1 s. 为使仿真数据更趋向于真实数据，在仿真过程给车辆设置随机减速模拟真实道路上的车流运行状况.

本文共设计两种基准试验方案，第一种方案是将CAV的渗透率恒定为8%，CV渗透率恒定为20%，改变试验中的交通流密度，研究不同交通流密度对模型的影响. 第二种方案将交通流密度设定为70 辆/km，改变CAV和CV的渗透率，研究不同渗透率对模型的影响. 本文IDM的参数^[16]取值为： ${s_0}$ =2 m， ${a_{\rm{M}}}$ =1 m/s²， $T$ =1.5 s， $b$ =2 m/s²， $l$ =4.5 m.

4.2 交通流密度的影响

为研究道路上交通流密度对本文模型结果的影响，将CAV和CV的渗透率分别设定为8%和20%. 首先，可基于仿真试验获取路段的流量-密度-速度关系如图5所示.

图 5 流量-密度-速度关系

Figure 5. Relationship between volume，density and speed of traffic flow

下载: 全尺寸图片幻灯片

由图5可知：仿真路段中的最佳密度为40 辆/km，即当交通流密度大于40 辆/km时，路段上的车辆开始出现拥挤；当交通流密度大于70 辆/km时，车辆的平均速度低于20 km/h，而高速公路中很少出现车辆速度小于20 km/h的情况. 因此，为研究本文模型在不同交通状态下的重构效果，此处将交通流密度设为20、30、40、50、60、70 辆/km. 为避免随机因素的影响，同一交通流密度下采用不同的随机种子进行仿真和轨迹重构，取其平均值作为最终结果. 轨迹重构图像示例如图6所示. 不同交通流密度条件下求得的插入车辆数如表1所示.

图 6 交通流密度为60辆/km时轨迹时空图

Figure 6. Spatio-temporal diagram of the trajectories when traffic flow density is 60 veh/km

下载: 全尺寸图片幻灯片

由表1可知：当交通流密度小于等于40 辆/km时，会出现插入的车辆数小于实际车辆数；而当交通流密度大于40 辆/km时，则出现插入的车辆数大于实际车辆数. 从百分比误差来看，当出现拥堵前，随着交通流密度的增加，模型求得的插入车辆数的误差逐渐减小，插入辆数的百分比误差也逐渐减小；当出现拥堵后，随着交通流密度的增加，模型求得的插入车辆数的误差逐渐增加，插入辆数的百分比误差也逐渐增大. 分析可知，开始拥堵之前，大多数车辆自由行驶，且车辆之间相互干扰较少，所以误差较大. 开始拥堵后，当两辆车之间插入的车辆数较大时，模型求得的插入车辆数会产生一定的误差. 随着交通流密度的增大，车辆之间的间距逐渐减小，出现两辆车之间插入的车辆数较大的情况增多，故插入辆数的误差逐渐增大.

表 1 不同交通流密度条件下插入车辆数估计

Table 1. Estimation of the numbers of inserted vehicles under different traffic densities

交通流密度/ （辆•km⁻¹）	CAV/ 辆	插入车辆/辆	实际车辆/辆	插入误差/辆	插入误差百分比/%
20	2	5.80	6.40	0.60	9.38
30	2	14.05	13.80	0.35	2.54
40	3	15.80	16.05	0.25	1.56
50	4	21.75	21.38	0.31	1.50
60	5	27.85	25.75	2.10	8.16
70	6	31.40	27.25	4.30	15.78
注：表中插入车辆数为多次仿真试验的平均值，因此会出现不是整数的情况；插入误差百分比为插入辆数的误差与实际插入车辆数的百分比.

下载: 导出CSV

| 显示表格

当交通流密度小于60 辆/km时，本文模型求得的插入车辆数的误差小于1辆，误差小于10%. 综上分析可知，本文模型求得的插入车辆数较为准确，适用于高速公路的各种交通状态.

为进一步评估本文模型的轨迹插入效果，选用每一时刻插入车辆的实际和估计位置之间的平均绝对误差（MAE，e_MAE）、平均绝对百分比误差（MAPE，e_MAE）和均方根误差（RMSE，e_MAE）表征重构轨迹的准确性，分别如式（9）～（11）所示.

${e_{\rm{MAE}}} = \frac{1}{k}\sum\limits_{t = 0}^{k\vartriangle t} {\left| {\hat x(t) - x(t)} \right|},$

(9)

${e_{\rm{MAPE}}} = \frac{1}{k}\sum\limits_{t = 0}^{k\Delta t} {\left| {\frac{{\hat x(t) - x(t)}}{{x(t)}}} \right|}\; \times \; {100{\text{%}} },$

(10)

${e_{\rm{RMSE}}} = \sqrt {\frac{1}{k}\sum\limits_{t = 0}^{k\Delta t} {{{\left[ {\hat x(t) - x(t)} \right]}^2}} },$

(11)

式中： $\hat x(t)$ 为插入车辆的估计位置； $x(t)$ 为插入车辆的实际位置.

根据式（9）～（11），可得不同交通流密度下的误差值，如表2所示. 由表2可知：当交通流密度为20 辆/km时，由于需要插入的车辆数过少，所以重构轨迹车辆位置的平均绝对误差相较其他密度较高. 当交通流密度大于20 辆/km时，重构轨迹车辆位置的误差随着交通流密度的增大而增加，但变动幅度不大. 在不同的交通流密度条件下，重构轨迹车辆位置的平均绝对误差的平均值为12.97 m，平均绝对百分比误差的平均值为0.37%，均方根误差的平均值为19.55 m. 从整体上来说，本文模型在不同交通流密度下重构轨迹车辆位置的误差较为稳定.

表 2 不同交通流密度条件下轨迹重构误差

Table 2. Trajectory reconstruction error under different traffic density conditions

交通流密度/ （辆•km⁻¹）	CAV/ 辆	MAE/ m	MAPE/ %	RMSE/ m
20	2	15.02	0.36	18.28
30	2	11.90	0.29	14.30
40	3	12.14	0.31	18.68
50	4	12.30	0.35	20.39
60	5	13.09	0.42	22.19
70	6	13.39	0.52	23.47
平均值		12.97	0.37	19.55

下载: 导出CSV

| 显示表格

4.3 CAV和CV渗透率的影响

CAV和CV提供的数据作为模型的已知数据，研究其渗透率对模型结果的影响尤为重要.

4.3.1 CAV渗透率的影响

为研究不同CAV渗透率对模型结果的影响，将交通流密度设为70 辆/km，CV渗透率设为20%. CAV的检测范围设为100 m. 若车辆在道路上均匀分布，则CAV检测范围包含7辆车. 但考虑到车辆的随机分布和感知设备的误差，此处假设CAV能记录检测范围内车辆数为6. 将CAV渗透率分别设置为4%、6%、8%、10%、12%和14%，研究不同渗透率下的车辆轨迹重构效果，其中，插入车辆数估计误差如表3所示，轨迹重构结果示例如图7所示.

表 3 不同渗透率条件下插入车辆数估计

Table 3. Estimation of the numbers of inserted vehicles under different CAV penetration rates

CAV 渗透率/%	CAV/辆	插入车辆/辆	实际车辆/辆	插入误差/辆	插入误差百分比/%
4	3	45.50	38.70	6.80	17.57
6	4	41.50	35.20	5.80	16.48
8	6	31.40	27.25	4.30	15.78
10	7	29.44	25.44	4.00	15.72
12	8	26.80	23.20	3.60	15.52
14	10	19.60	17.00	2.60	15.29

下载: 导出CSV

| 显示表格

图 7 CAV渗透率为14%时轨迹时空图

Figure 7. Spatio-temporal diagram of the trajectories when CAV penetration rate is 14%

下载: 全尺寸图片幻灯片

由表3可知：当道路上的交通流密度为70 辆/km时，随着CAV渗透率的增加，需要插入的车辆数减少，轨迹重构的难度减小，求出的插入车辆数的误差和百分比误差均逐渐减小；当渗透率只有4%的情况下，模型也能够较好地估计插入轨迹的数量. 因此，本文模型在未来不同渗透率环境下均能很好应用. 进一步，可计算重构轨迹车辆位置误差如表4所示.

表 4 CAV不同渗透率条件下轨迹重构误差

Table 4. Trajectory reconstruction error under different CAV penetration rates

CAV渗透率/%	CAV/辆	MAE/m	MAPE/%	RMSE/m
4	3	16.76	0.68	33.77
6	4	15.69	0.63	28.95
8	6	13.39	0.52	23.47
10	7	12.98	0.51	21.86
12	8	12.23	0.49	19.90
14	10	10.45	0.42	16.45

下载: 导出CSV

| 显示表格

由表4可知：当道路上的交通流密度为70 辆/km时，随着CAV渗透率的增加，重构轨迹车辆位置的误差逐渐减小，即本文模型的准确性逐渐提高. 以MAE为例，当CAV的渗透率在4%～8%范围内时，平均每增加一辆CAV，平均绝对误差减小1.12 m. 当CAV的渗透率在8%～14%范围内时，平均每增加一辆CAV，平均绝对误差减小0.73 m. 因此，当CAV渗透率大于8%时，平均绝对误差趋于稳定.

4.3.2 CV渗透率的影响

将交通流密度设为70 辆/km，CAV渗透率设为8%，研究CV渗透率为16%、18%、20%、22%、24%时轨迹重构结果，如表5所示.

表 5 CV不同渗透率轨迹重构结果

Table 5. Reconstruction results of different CV penetration rates

CV 渗透率/%	CV/辆	插入误差/辆	插入误差百分比/%	MAE/m	MAPE/ %	RMSE/ m
16	11	5.40	0.18	17.46	0.69	32.43
18	13	4.33	0.16	13.98	0.55	24.27
20	14	4.30	0.16	13.39	0.52	23.47
22	15	4.20	0.15	12.93	0.52	21.50
24	17	3.80	0.14	11.50	0.48	19.11

下载: 导出CSV

| 显示表格

由表5可知：随着CV渗透率的提高，插入辆数的误差逐渐减小，插入数量的百分比误差也逐渐减小，即轨迹重构效果不断提升. 此外，车辆位置的误差也越小，即轨迹重构的准确性有所提高.

为研究CAV和CV渗透率对试验结果的影响，以CAV渗透率为横轴，CV渗透率为纵轴，绘制均方根误差热力图，如图8所示.

图 8 均方根误差热力图

Figure 8. Heat map of RMSE

下载: 全尺寸图片幻灯片

由图8可知：均方根误差趋势为随着CAV或CV渗透率的提高，轨迹重构效果逐渐变好. 但与CV渗透率相比，CAV渗透率对结果的影响更大. 分析可知，增加一辆CAV能够获得道路上多辆车的轨迹数据，而增加一辆CV，只能获取该车的轨迹数据. 因此，当CAV渗透率较高时，已知轨迹的车辆较多，此时CV对试验结果的影响较小.

5. 结　论

1）在出现拥堵前，随着交通流密度的增加，本文模型求得的插入车辆数的误差逐渐减小；而在出现拥堵后，随着交通流密度的增加，本文模型求得的插入车辆数的误差逐渐增大.

2）本文模型重构轨迹车辆位置的平均绝对误差在不同的交通流密度条件下均在可接受范围内，即本文模型在不同的交通流密度下均能较为准确地重构所有车辆的轨迹.

3）重构轨迹的准确性随着CAV和CV渗透率的增加而提高. 与CV渗透率相比，CAV渗透率对结果的影响更大. 且当CAV渗透率较低时，本文模型也能较好地重构所有车辆的轨迹.

本文证明了基于跟驰特性的车辆轨迹重构模型的有效性，但选取的场景简单，仅研究了单车道高速公路车辆轨迹重构模型，未来将结合换道模型，研究智能网联环境下多车道车辆轨迹重构模型.

致谢：西南交通大学综合交通大数据应用技术国家工程实验室交大数科创新中心项目（JDSKCXZX202003）和重庆交通大学重庆市交通运输工程重点实验室开放课题（2018TE01）的资助.

图 1 试验机

Figure 1. Test machine

下载: 全尺寸图片幻灯片

图 2 接触线-滑板摩擦副的温度测量结果

Figure 2. Measured temperature of contact wire-strip pair

下载: 全尺寸图片幻灯片

图 3 摩擦因数随滑动距离的变化

Figure 3. Variation of friction coefficient against sliding distance

下载: 全尺寸图片幻灯片

图 4 滑板磨损率随滑动距离的变化

Figure 4. Variation of wear rate against sliding distance

下载: 全尺寸图片幻灯片

图 5 滑板的最高温度随滑动距离的变化

Figure 5. Variation of strip temperature against sliding distance

下载: 全尺寸图片幻灯片

图 6 电弧能量随滑动距离的变化

Figure 6. Variation of arc energy against sliding distance

下载: 全尺寸图片幻灯片

图 7 滑板和接触线的磨痕形貌

Figure 7. Surface topography of strip and wire scars

下载: 全尺寸图片幻灯片

图 8 滑板磨痕的SEM和EDS分析

Figure 8. SEM photograph and EDS analysis of strip scar

下载: 全尺寸图片幻灯片

表 1 接触线的化学成份和物理性能

Table 1. Physical parameters and chemical compositions of contact wire

成份质量分数/%

铜 > 99.70
银 0.10
氧 < 0.03
杂质 < 0.03
密度/ （g•cm⁻³） 8.96
硬度/HB 90

下载: 导出CSV

表 2 滑板材料的化学成份和物理性能

Table 2. Chemical compositions and physical parameters of strip

成份质量分数/%

铜 24.49
碳 71.62
杂质 3.89
密度/（g•cm⁻³） 2.30
硬度/HS 100

下载: 导出CSV

参考文献(22)

[1]	王剑. 地铁刚性接触悬挂弓网磨耗问题研究[J]. 都市快轨交通,2012,25(4): 59-62. doi: 10.3969/j.issn.1672-6073.2012.04.015 WANG Jian. Discussion on pantograph-catenary abrasion of metro rigid overhead catenary system[J]. Urban Rapid Rail Transit, 2012, 25(4): 59-62. doi: 10.3969/j.issn.1672-6073.2012.04.015
[2]	陈显志,陈建君,杨波. 减小架空刚性悬挂接触网弓网磨耗的措施[J]. 现代城市轨道交通,2013,10(1): 21-24. doi: 10.3969/j.issn.1672-7533.2013.01.006 CHEN Xianzhi, CHEN Jianjun, YANG Bo. Measures on reducing wear of pantograph and contact wire of overhead rigid suspension catenary[J]. Modern Urban Transit, 2013, 10(1): 21-24. doi: 10.3969/j.issn.1672-7533.2013.01.006
[3]	周成尧,刘畅. 北京地铁6号线受电弓滑板异常磨耗研究[J]. 铁道机车车辆,2019,39(增刊1): 51-54. ZHOU Chengyao, LIU Chang. Research for abnormal wear of pantograph in Beijing subway line 6[J]. Railway Locomotive & Car, 2019, 39(S1): 51-54.
[4]	蒋灵君. 刚性接触网线路车辆碳滑板异常磨耗分析[J]. 现代城市轨道交通,2011,8(3): 43-45. doi: 10.3969/j.issn.1672-7533.2011.03.014 JIANG Lingjun. Analysis of abnormal wear of carbon strips of a rigid catenary-pantograph system[J]. Modern Urban Transit, 2011, 8(3): 43-45. doi: 10.3969/j.issn.1672-7533.2011.03.014
[5]	WEI X K, MENG H F, HE J H, et al. Wear analysis and prediction of rigid catenary wire and pantograph strip for railway system[J]. Wear, 2020, 442/443: 203118.1-205118.15. doi: 10.1016/j.wear.2019.203118
[6]	SIMARRO M, POSTIGO S, CABRERA J A, et al. A procedure for validating rigid catenary models using evolutionary techniques[J]. Computers and Structures, 2020, 228: 106145.1-106145.10. doi: 10.1016/j.compstruc.2019.106145
[7]	胡艳,董丙杰,黄海,等. 碳滑板电滑动温升及其对滑板磨损影响的试验研究[J]. 摩擦学学报,2015,35(6): 677-683. HU Yan, DONG Bingjie, HUANG Hai, et al. Experimental study on the temperature rise of a carbon strip and its influence on the wear performances of the carbon strip[J]. Tribology, 2015, 35(6): 677-683.
[8]	ZHANG Y Y, ZHANG Y Z, DU S M, et al. Tribological properties of pure carbon strip affected by dynamic contact force during current-carrying sliding[J]. Tribology International, 2018, 123: 256-265. doi: 10.1016/j.triboint.2017.12.032
[9]	MEI G M, FU W M, CHEN G X, et al. Effect of high-density current on the wear of carbon sliders against Cu-Ag wires[J]. Wear, 2020, 452/453: 203275.1-203275.7. doi: 10.1016/j.wear.2020.203275
[10]	HU Y, CHEN G X, ZHANG S D, et al. Comparative investigation into the friction and wear behaviours of a Cu-Ag contact wire/carbon strip and a pure copper contact wire/carbon strip at high speeds[J]. Wear, 2017, 376/377: 1552-1557.
[11]	杨红娟,胡艳,陈光雄. 受电弓滑板载流磨损机理演变过程试验研究[J]. 西南交通大学学报,2015,50(1): 77-83. doi: 10.3969/j.issn.0258-2724.2015.01.012 YANG Hongjuan, HU Yan, CHEN Guangxiong. Experimental study on evolution of wear mechanism of contact strip with electric current[J]. Journal of Southwest Jiaotong University, 2015, 50(1): 77-83. doi: 10.3969/j.issn.0258-2724.2015.01.012
[12]	吴晓光,张红波,尹健,等. PF/CNTs-Cu复合材料的制备及其载流摩擦磨损机理研究[J]. 摩擦学学报,2018,38(3): 334-341. WU Xiaoguang, ZHANG Hongbo, YIN Jian, et al. Preparation and current carrying wear properties of PF/CNTs-Cu composites[J]. Tribology, 2018, 38(3): 334-341.
[13]	丁涛,何宏高,陈光雄,等. 弹性条件下浸金属碳/不锈钢载流摩擦磨损性能[J]. 西南交通大学学报,2009,44(4): 558-563. doi: 10.3969/j.issn.0258-2724.2009.04.015 DING Tao, HE Honggao, CHEN Guangxiong, et al. Frictionand wear behavior of copper-impregnated metalized carbon strip sliding against stainless steelwith electrical currentunder elastic condition[J]. Journal of Southwest Jiaotong University, 2009, 44(4): 558-563. doi: 10.3969/j.issn.0258-2724.2009.04.015
[14]	CHEN G X, YANG H J, ZHANG W H, et al. Experimental study on arc ablation occurring in a contact strip rubbing against a contact wire with electrical current[J]. Tribology International, 2013, 61: 88-94. doi: 10.1016/j.triboint.2012.11.020
[15]	BUCCA G, COLLINA A. A procedure for the wear prediction of collector strip and catenary wire in pantograph-catenary system[J]. Wear, 2009, 266: 46-59. doi: 10.1016/j.wear.2008.05.006
[16]	BUCCA G, COLLINA A, MANIGRASSO R, et al. Analysis of electrical interferences related to the current collection quality in pantograph-catenary interaction[J]. Journal of Railand Rapid Transit, 2011, 225: 483-499. doi: 10.1177/0954409710396786
[17]	YANG H J, CHEN G X, ZHANG S D, et al. Effect of the vibration on friction and wear behavior between the carbon strip and copper catenary wire pair[J]. Journal of Engineering Tribology, 2012, 226: 722-728.
[18]	WANG Y A, LI J X, YAN Y, et al. Effect of PV factor on sliding friction and wear of copper-impregnated metallized carbon[J]. Wear, 2012, 289: 119-123. doi: 10.1016/j.wear.2012.04.006
[19]	DING T, CHEN G X, BU J, et al. Effect of temperature and arc discharge on friction and wear behaviors of carbon strips/copper catenary wire in pantograph-catenary systems[J]. Wear, 2011, 271: 1629-1636. doi: 10.1016/j.wear.2010.12.031
[20]	SHANGGUAN B, ZHANG Y Z, XING J D, et al. Comparative study on wear behaviors of metal-impregnated carbon material and C/C composite under electrical sliding[J]. Tribology Transactions, 2010, 53: 933-938. doi: 10.1080/10402004.2010.510622
[21]	KUBO S, KATO K. Effect of arc discharge on wear rate of Cu-impregnated carbon strip in unlubricated sliding against Cu trolley under electric current[J]. Wear, 1998, 216: 172-178. doi: 10.1016/S0043-1648(97)00184-1
[22]	KUBO S, KATO K. Effect of arc discharge on the wear rate and wear mode transition of a copper-impregnated metallized carbon strip sliding against a copper disk[J]. Tribology International, 1999, 32: 367-378.

施引文献

期刊类型引用(13)

1.	何泉鑫，曾子毅，陈光雄，任文娟，赵鹏鹏，董丙杰. 不同表面形貌的接触线对浸金属碳滑板载流摩擦磨损性能的影响. 润滑与密封. 2024(02): 59-66 . 百度学术
2.	刘崧楠，华浩，陈光雄，张峻才，常勇，唐宇. 浸石蜡对碳滑板载流摩擦磨损性能影响研究. 现代城市轨道交通. 2024(02): 124-131 . 百度学术
3.	占栋，高仕斌，于龙. 刚性接触网磨耗动态检测系统视觉标定方法研究. 仪器仪表学报. 2024(07): 99-109 . 百度学术
4.	刘达毅，范杰，董丙杰，李先航，陈光雄. 刚性接触网中浸金属碳滑板在不同法向载荷下的载流摩擦磨损性能. 润滑与密封. 2023(02): 89-94 . 百度学术
5.	陈敏坚，潘高. 受电弓碳滑板异常磨耗分析及应对措施. 电力机车与城轨车辆. 2023(04): 112-116 . 百度学术
6.	邹栋，钟舜聪，耿妍，程尧，莫志刚，徐可佳，宋兵，程斌，张士宇，王志城，华路捷，张亚楠. 城轨交通弓网系统异常磨损现状分析与防治技术研究. 机械工程学报. 2023(10): 152-178 . 百度学术
7.	岳彪，王阳萍，党建武，闵永智，王文润，雍玖. 虚实结合的高速铁路受电弓-接触网仿真交互实验系统设计. 实验技术与管理. 2023(07): 126-133+188 . 百度学术
8.	杨虎，耿星洁. 地铁列车牵引电流对接触网磨耗影响分析. 现代城市轨道交通. 2023(S1): 59-67 . 百度学术
9.	范杰，刘达毅，董丙杰，陈光雄. 地铁刚性弓网系统接触线磨损特性试验研究. 润滑与密封. 2022(06): 45-51 . 百度学术
10.	张继华，薛磊，王智勇. 表面粗糙度对滑动电接触磨损率的影响. 润滑与密封. 2022(07): 77-82 . 百度学术
11.	祁文延，王江文，张士宇，黄仲，卢静，梅桂明. 城市轨道交通受电弓参数敏度分析及优化设计. 噪声与振动控制. 2022(04): 190-195+250 . 百度学术
12.	黄勉，杨冰，肖守讷，魏文波，范新光，龚海勇. 地铁受电弓碳滑板表面载流磨损微观研究. 机车电传动. 2022(04): 133-139 . 百度学术
13.	郗汭，李波，赵志远，袁骞. 基于北京大兴机场线刚性接触网线路的受电弓适应性研究. 大连交通大学学报. 2022(06): 45-49+64 . 百度学术

其他类型引用(11)

附加材料(0)

访问统计

点击查看大图

图(8) / 表(2)

计量

文章访问数: 450
HTML全文浏览量: 386
PDF下载量: 35
被引次数: 24

1. 跟驰特性分析
2. 基于IDM的车辆状态估计
2.1 数据环境分析
2.2 估计插入车辆的速度
2.3 估计插入车辆的位置
3. 基于IDM的车辆轨迹重构
4. 数值仿真分析
4.1 仿真参数设置
4.2 交通流密度的影响
4.3 CAV和CV渗透率的影响
5. 结　论

成份	质量分数/%
铜	> 99.70
银	0.10
氧	< 0.03
杂质	< 0.03
密度/ （g•cm⁻³）	8.96
硬度/HB	90

成份	质量分数/%
铜	24.49
碳	71.62
杂质	3.89
密度/（g•cm⁻³）	2.30
硬度/HS	100

刚性接触网-受电弓载流磨损性能的试验研究

doi: 10.3969/j.issn.0258-2724.20200432

作者简介: 梅桂明（1974—），男，副研究员，研究方向为弓网动力学及磨损，E-mail：13880068468@163.com

计量

出版历程