Автоматизированная система определения координаты поезда с самонастройкой решающей функции

Евгений Михайлович Тарасов; Анна Евгеньевна Тарасова

Евгений Михайлович Тарасов Самарский государственный университет путей сообщения https://orcid.org/0000-0003-2717-7343
Анна Евгеньевна Тарасова Самарский государственный университет путей сообщения https://orcid.org/0000-0001-6907-6036

Ключевые слова: рельсовая линия, решающая функция, самонастройка, подстройка, информативные признаки, инвариантность, ошибка вычисления

Аннотация

Введение. Проблема определения координат поезда на участке приближения к переезду сопряжена с воздействием дестабилизирующих факторов на первичный датчик информации – рельсовую линию с распределенными параметрами. Это приводит к ошибке вычисления координат поезда. Цель исследования – разработка и научное обоснование принципа построения системы вычисления координат поезда с самонастройкой решающей функции в условиях воздействия значительных дестабилизирующих факторов на первичный датчик информации.
Материалы и методы. Для решения задачи достоверного определения координат поезда в работе предложен двухфазный принцип формирования решающей функции. На первом этапе с помощью обучающей выборки образов, используя принцип обучения, определяется решающая функция (модель) системы вычисления координат поезда. При вступлении поезда на участок приближения фиксированной длины определяется рассогласование сравнением вычисленной координаты с фиксированной. Далее наступает второй этап – самонастройка коэффициентов решающей функции до достижения требуемой точности.
Результаты исследования. В статье показаны этапы формирования решающей функции двумерными образами, а также разработан и апробирован алгоритм самонастройки решающей функции при воздействии различных дестабилизирующих факторов. С использованием 6 признаков, составляющих векторов тока и напряжения на входе рельсовой линии, получены 6 решающих функций. В качестве аргументов полиномов в них использованы различные сочетания двумерных образов.
Обсуждение и заключение. Результаты исследований подтверждают реализуемость формирования решающей функции и ее самонастройки. Максимальная ошибка вычисления координат у различных сочетаний составляет от 9,97 % (199,34 м) до 4,57 % (91,49 м). Ошибка определения с погрешностью не более 5 % у двух решающих функций удовлетворяет требованиям заблаговременного закрытия переезда, так как в 45-секундном интервале времени для приведения в действие автоматической переездной сигнализации расстояние 100 м преодолевается за 3 секунды, то есть затраченное время составляет всего 3 секунды в 45-секундном интервале.

Биографии авторов

Евгений Михайлович Тарасов, Самарский государственный университет путей сообщения

заведующий кафедрой автоматики, телемеханики и связи на железнодорожном транспорте Самарского государственного университета путей сообщения (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), доктор технических наук, профессор, ORCID https://orcid.org/0000-0003-2717-7343, Researcher ID: C-2505-2018, Scopus ID: 57076210800, tarasov53em@yandex.ru

Анна Евгеньевна Тарасова, Самарский государственный университет путей сообщения

аспирант кафедры автоматики, телемеханики и связи на железнодорожном транспорте Самарского государственного университета путей сообщения (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), ORCID: https://orcid.org/0000-0001-6907-6036, Researcher ID: C-2497-2018, tarasova.ann@list.ru

Литература

1. Machine Learning Methods Based on Probabilistic Decision Tree under the Multi-Valued Preference Environment / W. Zhou [et al.] // Economic Research-Ekonomska Istra?ivanja. 2022. Vol. 35, Issue 1. P. 38–59. URL: https://www.tandfonline.com/doi/citedby/10.1080/1331677X.2021.1875866?scroll=top&needAccess=true (дата обращения: 20.05.2022).

2. Sarker I. H. Machine Learning: Algorithms, Real-World Applications and Research Directions [Электронный ресурс] // SN Computer Science. 2021. Vol. 2, Issue 160. doi: https://doi.org/10.1007/s42979-021-00592-x

3. Boukerche A., Wang J. Machine Learning-Based Traffic Prediction Models for Intelligent Transportation Systems [Электронный ресурс] // Computer Networks. 2020. Vol. 181, Issue 3. doi: https://doi.org/10.1016/j.comnet.2020.107530

4. Security System for Railway Crossings Using Machine Learning / G. Singh [et al.] // 2nd International Conference on Advances in Computing, Communication Control and Networking (ICACCCN) (18–19 December 2020). Noida : IEEE, 2020. P. 135–139. doi: https://doi.org/10.1109/ICACCCN51052.2020.9362976

5. Falahati A., Shafiee E. Improve Safety and Security of Intelligent Railway Transportation System Based on Balise Using Machine Learning Algorithm and Fuzzy System // International Journal of Intelligent Transportation Systems Research. 2022. Vol. 20. P. 117–131. doi: https://doi.org/10.1007/s13177-021-00274-1

6. Тарасов Е. М., Тарасова А. Е. Разработка устройства вычисления скорости подвижной единицы на рельсовом пути // Вестник СамГУПС. 2019. № 1. С. 123–130. URL: https://www.elibrary.ru/item.asp?id=38098897 (дата обращения: 20.05.2022).

7. Zheng Z., Dai S., Xie X. Research on Fault Detection for ZPW-2000A Jointless Track Circuit Based on Deep Belief Network Optimized by Improved Particle Swarm Optimization Algorithm // IEEE Access. 2020. Vol. 8. P. 175981–175997. doi: https://doi.org/10.1109/ACCESS.2020.3025628

8. Parametric Synthesis of a Track Condition Classifier / E. M. Tarasov [et al.] // Russian Electrical Engineering. 2020. Vol. 91, Issue 3. P. 183–185. doi: https://doi.org/10.3103/S1068371220030189

9. Alawad H., Kaewunruen S., An M. Learning from Accidents: Machine Learning for Safety at Railway Stations // IEEE Access. 2020. Vol. 8. P. 633–648. doi: https://doi.org/10.1109/ACCESS.2019.2962072

10. Somogyi Z. Machine Learning Algorithms // The Application of Artificial Intelligence ; Ed. by Z. Somogyi. Cham : Springer, 2021. P. 17–86. doi: https://doi.org/10.1007/978-3-030-60032-7_2

11. Tou J. T., Gonzalez R. C. Pattern Recognition Principles. London-Amsterdam-Dom Mills, Ontario- Sydney-Tokyo. Addison-Wesley Publishing Company, 1974. 378 p. doi: https://doi.org/10.1002/zamm.19770570626

12. Разработка обучаемого классификатора состояний рельсовых линий с многомерными информативными признаками / Д. В. Железнов [и др.] // Труды СПИИРАН. 2017. № 1. С. 32–54. URL: http://proceedings.spiiras.nw.ru/index.php/sp/article/view/3436 (дата обращения: 20.05.2022).

13. Kocbek S., Gabrys B. Automated Machine Learning Techniques in Prognostics of Railway Track Defects // International Conference on Data Mining Workshops (ICDMW) (08–11 November 2019). Beijing : IEEE, 2019. P. 777–784. doi https://doi.org/10.1109/ICDMW.2019.00115

14. Присухина И. В., Борисенко Д. В. Машинная классификация режима работы электрической рельсовой цепи на основе логистической регрессии // Омский научный вестник. 2018. № 6. С. 126–130. doi: https://doi.org/10.25206/1813-8225-2018-162-126-130

15. Борисенко Д. В., Присухина И. В., Лунев С. А. Машинная классификация режима работы электрической рельсовой цепи на основе логистической регрессии // Омский научный вестник. 2018. № 4. С. 67–72. doi: https://doi.org/10.25206/1813-8225-2018-160-67-72

16. Tan H. Machine Learning Algorithm for Classification [Электронный ресурс] // Journal of Physics: Conference Series. 2021 International Conference on Big Data and Intelligent Algorithms (BDIA 2021) (9–11 July 2021). Vol. 1994. Chongqing, 2022. doi: https://doi.org/10.1088/1742-6596/1994/1/012016

17. Supervised Machine Learning: Algorithms and Applications [Электронный ресурс] / Sh. H. Shetty [et al.] // Fundamentals and Methods of Machine and Deep Learning ; Ed. by P. Singh. New York : Wiley, 2022. doi: https://doi.org/10.1002/9781119821908.ch1

18. Golden R. Formal Machine Learning Algorithms // Statistical Machine Learning: A Unified Framework ; Ed. by R. Golden. 1st ed. New York : Chapman and Hall/CRC, 2020. 524 p. doi: https://doi.org/10.1201/9781351051507-3

19. Ray S. A Quick Review of Machine Learning Algorithms // International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon) (14–16 February 2019). Faridabad : IEEE, 2019. P. 35–39. doi: https://doi.org/10.1109/COMITCon.2019.8862451

20. Rakcheeva T. Focal Model in the Pattern Recognition Problem // Advances in Artificial Systems for Medicine and Education II. AIMEE2018 2018. Advances in Intelligent Systems and Computing ; Ed. by Z. Hu, S. Petoukhov, M. He. Vol. 902. Cham : Springer, 2020. P. 127–138. doi: https://doi.org/10.1007/978-3-030-12082-5_12

21. Leurent E., Efimov D., Maillard O.-A. Robust-Adaptive Control of Linear Systems: beyond Quadratic Costs [Электронный ресурс] // ArXiv. 2020. doi: https://doi.org/10.48550/arXiv.2002.10816

22. Zile M. Intelligent and Adaptive Control // Microgrid Architectures, Control and Protection Methods ; Ed. by M. N. Tabatabaei, E. Kabalci, N. Bizon. New York : Springer, 2020. P. 423–446. doi: https://doi.org/10.1007/978-3-030-23723-3_17

23. Girish J., Vasvir V., Girish Ch. Asynchronous Deep Model Reference Adaptive Control [Электронный ресурс] // ArXiv. 2020. doi: https://doi.org/10.48550/arXiv.2011.02920

24. Lopez B. T., Slotine J.-J. E. Universal Adaptive Control of Nonlinear Systems // IEEE Control Systems Letters. 2022. Vol. 6. P. 1826–1830. doi: https://doi.org/10.1109/LCSYS.2021.3133359

25. Theory and Application of Multi-Model Adaptive Control / Zh. Yuzhen [et al.] // Journal of Engineering Science. 2020. Vol. 42, Issue 2. P. 135–143. doi: https://doi.org/10.13374/j.issn2095-9389.2019.02.25.006

26. Разработка обучаемого классификатора состояний с множеством моделей распознавания образов / Е. М. Тарасов [и др.] // Инженерные технологии и системы. 2020. Т. 30, № 4. С. 659–682. doi: https://doi.org/10.15507/2658-4123.030.202004.659-682

27. Тарасов Е. М., Герус В. Л., Тарасова А. Е. Исследование информативности признаков при распознавании состояний рельсовых линий // Вестник Мордовского университета. 2018. Т. 28, № 2. С. 191–206. doi: https://doi.org/10.15507/0236-2910.028.201802.191-206