1.一种数据驱动的列车容错追踪控制方法，其特征在于，包括如下步骤：步骤1. 获取列车初始历史运行数据，并利用数据驱动方法结合深度神经网络，对列车初始历史运行数据进行训练提取算子，构建高维空间中的线性动态系统模型；

其中，通过DNN神经网络获取的提升函数，将列车非线性控制模型映射为高维空间中的线性系统，利用动态模式分解方法迭代求解状态空间的(A,B,C)矩阵，以构建初始列车数据驱动线性状态空间模型；A是状态转移矩阵，B是控制输入矩阵，C是状态投影矩阵；

步骤2. 在步骤1获得的列车数据驱动线性状态空间模型的基础上，根据列车可能出现的执行器故障与附加性故障更新列车数据驱动线性状态空间模型，获得具有容错的列车数据驱动线性状态空间模型，将该模型集成到MPC框架中代替列车的故障检测单元；

步骤3. 在ATO系统运行一段时间之后，利用该时间段获取的列车运行数据，通过动态模式分解方法初始化容错控制矩阵 与 ，并建立固定大小列车运行状态数据滑动窗口，根据给定时间窗口内拍摄的一组系统快照，实时递归的更新容错控制矩阵；

步骤4. 针对每一个列车控制周期内，通过列车传感器获取训练所需的状态信息，通过状态信息与前一时刻的容错控制矩阵 递归更新此刻的容错控制矩阵 ，并用其更新用于模型预测控制的列车数据驱动线性状态空间模型；

采用模型预测控制，根据列车的运动目标和约束条件，通过最小化MPC的代价函数获得控制律序列，将控制律序列的第一个元素作为牵引力/制动力来驱动列车；

在列车响应后测量新的状态量，进入下一个周期的计算进行不断的滚动优化。

2.根据权利要求1所述的数据驱动的列车容错追踪控制方法，其特征在于，所述步骤1具体为：首先获取列车运行时ATO系统的历史运行数据信息，包括实际状态信息即速度、位置与控制信息即驱动力/制动力与对应指令百分比，利用历史运行数据信息构成训练集；

神经网络训练的输入为状态信息与控制信息的组合，输出为下一时刻的状态信息；对训练集数据进行预处理和归一化、去噪声操作，以便能完全体现列车非线性动力学信息；

构建一个DNN神经网络，来学习观测函数表现系统特征，设置好训练的时间、批处理量、学习率参数，判断是否达到最大训练时间或训练误差小于设定值后保存网络参数；

得到观测函数后，定义一个有限的可观测向量 为：   (1)

其中， 表示扩展状态， 表示输入序列第一个元素，表示列车状态；

为状态观测函数，表示如下：

   (2)

其中 是由DNN神经网络训练出来的提升函数， 为提升的维度大小；

采用扩展动态模式分解方法计算一个有限维的算子，该算子的近似形式为 ，动态模式分解通过最小化如下代价函数求解最小二乘问题，得到算子的近似封闭估计形式：    (3)

其中 表示koopman算子， 表示算子维度， 表示算子的维度空间， 表示数据集大小， 表示i时刻的列车状态， 表示i的下一时刻的列车状态， 表示的观测函数， 表示 的观测函数， 表示i时刻的系统输出牵引力/制动力；

在上式(3)的优化迭代过程中，得到列车数据驱动线性状态空间模型的状态转移矩阵A和控制输入矩阵B；该列车数据驱动线性状态空间模型的状态投影C通过最小化预测值与实际输出值的平方差来优化，表达形式如下：    (4)

将从列车历史运行数据中获取的数据集描述为：    (5)

   (6)

     (7)

其中， 表示列车状态信息序列， 表示某一刻的状态，各个时刻的状态信息由速度与位置组成； 表示U作用后下一时刻的列车状态信息序列；

表示列车输出牵引力/制动力序列， 表示某一刻的输出牵引力/制动力；

利用上述公式(3)和(4)中的最小二乘问题公式得到：   (8)

其中 、 代表利用观测函数 对数据集中 、进行升维后的数据；

表示 和 构成矩阵的伪逆， 表示 的伪逆，伪逆是非方阵的逆矩阵；

得到列车数据驱动线性状态空间模型的A、B、C各个矩阵后，通过定义，构造列车数据驱动线性状态空间模型如下：   (9)

其中，A是状态转移矩阵，B是控制输入矩阵，C是状态投影矩阵； 是升维后系统的状态变量， ，N是 的维度； 是原始非线性系统状态 的估计值；

， ， 是线性时不变矩阵；

为系统输入，表示列车运行过程中接收到的牵引或制动力， ；其中m表示控制输入的维度，n为列车状态的维度，k是离散时间步长；

该列车数据驱动线性状态空间模型能够用于设计MPC控制器，以获得稳定的控制效果。

3.根据权利要求2所述的数据驱动的列车容错追踪控制方法，其特征在于，所述步骤2具体为：首先获取列车执行器的信息，考虑执行器发生故障，对系统输入建模得到故障输入模型，如公式（10）所示：   (10)

其中 表示执行器故障时等效输入，矩阵 用来表示执行器状态，其定义为：  (11)

矩阵 为对角矩阵， 表示为对应执行器的附加性故障；

矩阵 中每个对角元素值 ，在0和1之间表示对应执行器失效故障的程度，其中0表示完全失效，1表示执行器正常工作；

将公式（10）中的故障输入模型代入步骤1的列车数据驱动线性状态空间模型中，得到具有容错的列车数据驱动线性状态空间模型，公式表达如下：   (12)

   (13)

其中 、 表示升维后系统的k+1、k时刻状态变量， 表示容错控制矩阵。

4.根据权利要求3所述的数据驱动的列车容错追踪控制方法，其特征在于，所述步骤3具体为：将列车系统运行一段 时间的运行数据，构造一个长度为a+1的可观测序列，将可观测序列排列成如下矩阵：   (14)

    (15)

其中， 和 分别表示状态运行数据矩阵和输入序列数据矩阵；

， ， 表示数据在计算时所占权重；

使用动态模式分解EDMD方法，该EDMD方法利用神经网络训练出来的提升函数，将低维状态空间映射到高维空间，在高维空间能够更好的对系统进行动态描述；

EDMD方法首先在每个时间步长k中，通过如下公式：    (16)

通过上式求解最小二乘问题得到，初始化容错控制矩阵 的计算公式如下：   (17)

用上式初始化容错控制矩阵 后，建立数据滑动窗口用于 矩阵的更新；

访问列车运行过程中生成的新数据时，根据给定时间窗口内拍摄的一组系统快照更新矩阵，只更改窗口的第一个和最后一个元素，窗口的其余数据元素只左移一个单位；

定义：

  (18)

  (19)

输入矩阵表示为：

   (20)

更新 ，能够递归的更新 和 ，可观测序列中新的数据 被访问，矩阵下一时刻的 能够递归地用新数据计算。

5.根据权利要求4所述的数据驱动的列车容错追踪控制方法，其特征在于，所述步骤4具体为：计算公式经过简化后，用窗口的列车运行新数据通过如下公式更新：  (21)

其中，a表示为窗口大小，b表示状态下标，u表示输入下标；

  (22)

其中 表示单位矩阵；

  (23)

  (24)

  (25)

  (26)

矩阵 用如下公式进行更新：

  (27)

容错控制矩阵 由两部分组成即 和 ， 表示实际的输入矩阵，表示估计执行器状态的加性项， 视为一个已知的扰动，被输入到MPC控制器中；

在求出容错矩阵 后，获得具有容错的列车数据驱动线性状态空间模型作为MPC控制的模型，随后根据列车运行控制目标，定义MPC优化问题的目标函数和约束条件，分别如公式（28）和公式（29）所示；

  (28)

  (29)

其中，J是目标函数，N表示MPC的预测窗口大小， ，  和  用于惩罚跟踪误差和控制输入变化， 代表参考轨迹， 表示MPC预测轨迹， 表示列车牵引力/制动力变化约束； 表示实际运行轨迹， 表示对实际运行轨迹的升维，、 、 和 分别表示控制输入 及其变化 的最小和最大边界；

通过最小化目标函数J，获取一段时间的最优控制律序列 ， 表示第 个输入量，选取控制律序列中第一个输入量 作为列车的驱动力输入；

待列车控制系统响应后，再次获取状态信息进入下一个周期的计算。

6.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现如权利要求1至5任一项所述的数据驱动的列车容错追踪控制方法。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现如权利要求1至5任一项所述的数据驱动的列车容错追踪控制方法。