ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ЭНЕРГООПТИМАЛЬНОГО ДВИЖЕНИЯ ПОЕЗДА
Аннотация и ключевые слова
Аннотация (русский):
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.

Ключевые слова:
Машинное обучение, локомотив, искусственный интеллект, автоматизированное управление, энергооптимальный график движения, энергетическая эффективность
Список литературы

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.

Войти или Создать
* Забыли пароль?