Россия
Россия
Россия
Россия
Россия
Цель: Выбрать и обосновать методы и алгоритмы машинного обучения с целью построения динамических моделей энергооптимального движения локомотива с поездом в режиме реального времени. Ранее был определен уровень фактического использования систем автоматизации вождения грузовых поездов магистральными грузовыми электровозами постоянного тока, а также выявлены факторы, влияющие на энергооптимальный график исполненного движения поездов. Настоящая статья посвящена новому этапу разработки инновационной технологии по автоматизированному управлению локомотивом с поездом в рамках выполнения проекта по гранту ОАО «РЖД» для молодых ученых на проведение научных исследований, направленных на создание новой техники и технологий для применения на железнодорожном транспорте. Методы: Использовались методы оптимизации в машинном обучении с применением программного обеспечения, предназначенного для моделирования нелинейных динамических систем. Результаты: Было установлено, что для решения задачи определения оптимальной позиции контроллера машиниста путем использования результатов обучений рекуррентной нейронной сети является метод Левенберга — Марквардта. Получены графические зависимости гистограмм ошибок и изменения суммарной среднеквадратической ошибки в процессе обучения искусственной нейронной сети. Практическая значимость: Результаты работы могут быть использованы при разработке аппаратно-программных комплексов, с применением методов и алгоритмов искусственного интеллекта, направленных на повышение энергетической эффективности перевозочного процесса.
Машинное обучение, локомотив, искусственный интеллект, автоматизированное управление, энергооптимальный график движения, энергетическая эффективность
1. Энергетическая стратегия холдинга «Российские железные дороги» на период до 2020 года и на перспективу до 2030 года / Утверждена распоряжением ОАО «РЖД» от 14 декабря 2016 г. № 2537р. — М., 2016. — 76 с.
2. Шубинский И. Б. К оценке безопасности системы автоведения поездов / И. Б. Шубинский, Х. Шебе, Е. Н. Розенберг // Надежность. — 2021. — Т. 21. — № 4. — С. 31–37. — DOI:https://doi.org/10.21683/1729-2646-2021-21- 4-31-37.
3. Сычугов А. Н. Применение машинного обучения для анализа технических характеристик и параметров эксплуатируемого подвижного состава на высокоскоростных железнодорожных магистралях / А. Н. Сычугов // Бюллетень результатов научных исследований. — 2023. — № 2. — С. 171–180. — DOI:https://doi.org/10.20295/2223-9987- 2023-2-171-180.
4. Scheepmaker G. M. Review of energy-efficient train control and timetabling / G. M. Scheepmaker, R. M. P. Goverde, L. G. Kroon // European Journal of Operational Research. — 2017. — Iss. 257(2). — Pp. 355–76. URL: http://dx.doi.org/10.1016/j.ejor.2016.09.044.
5. Wang Y. Optimal trajectory planning for trains — A pseudospectral method and a mixed integer linear programming approach / Y. Wang, B. De Schutter, T. J. J. van den Boom et al. // Transportation Research Part C: Emerging Technologies. — 2013. — Vol. 29. — Pp. 97–114. — URL: http://dx.doi.org/10.1016/j.trc.2013.01.007.
6. Wang X. Intelligent operation of heavy haul train with data imbalance: A machine learning method / X. Wang, S. Li, T. Tang et al. // Knowledge-Based Systems. — 2019. — Vol. 163. — Pp. 36–50. — URL: http://dx.doi.org/10.1016/j. knosys.2018.08.015.
7. Zhang C. Y. Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive / C. Y. Zhang, D. Chen, J. Yin et al. // Advanced Engineering Informatics. — 2016. — Vol. 30(3). Pp. 553– 63. — URL: http://dx.doi.org/10.1016/j.aei.2016.07.004.
8. Zhu F. Accounting for dynamic speed limit control in a stochastic traffic environment: A reinforcement learning approach / F. Zhu, S. V. Ukkusuri // Transportation Research Part C: Emerging Technologies. — 2014. — Vol. 41. — Pp. 30–47. — URL: http://dx.doi.org/10.1016/j.trc.2014.01.014.
9. Истомин С. Г. Текущее состояние и перспективы развития систем энергооптимального управления электровозами 2ЭС6 / С. Г. Истомин, К. И. Доманов, А. П. Шатохин и др. // Вестник Научно-исследовательского института железнодорожного транспорта (Вестник ВНИИЖТ). — 2024. — Т. 83. — № 3. — С. 215–229.
10. Акатьев Я. А. Анализ особенностей алгоритмов машинного обучения в автоматизированных системах вождения / Я. А. Акатьев, А. Р. Латыпов // E-Scio. — 2022. — № 1(64). — С. 641–655.
11. Chopra D. Introduction to Machine Learning / D. Chopra, R. Khurana // Introduction to Machine Learning with Python. — 2023. — Vol. 28. — Pp. 15–29. — URL: http://dx.doi.org/10.2174/9789815124422123010004.
