Применение технологий искусственного интеллекта при обосновании алгоритмов эффективного управления электротехническим комплексом тягового электрооборудования городского электротранспорта

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Исследования современного состояния и тенденций развития городского наземного общественного электрического транспорта в России показывают, что данная отрасль нуждается в прорывных инновационных технологиях в области проектирования и эксплуатации новых типов подвижного состава, тягового электрооборудования и перспективных видов электрической тяги. При этом особое внимание необходимо уделять вопросам построения систем автономного управления электрическим транспортом на основе технологий искусственного интеллекта.

Цель. Исследовать особенности применения нейронных сетей для обоснования алгоритмов эффективного управления электротехническим комплексом тягового электрооборудования городского наземного рельсового электротранспорта.

Материалы и методы. Использовались результаты исследования режимов работы тягового электрооборудования подвижного состава, которые были получены на основе компьютерного и натурного эксперимента для реальных условий эксплуатации городского электрического транспорта, при различных алгоритмах управления. Анализ полученных данных, проведенный с использованием методов теории вероятности и математической статистики, позволил выявить направленность и силу корреляционных связей между эксплуатационными и энергетическими параметрами движения подвижного состава и режимами работы его тягового электрооборудования.

Результаты. Выявленные корреляционные зависимости использовались для обоснования эффективной архитектуры (размер и сложность) нейронных сетей, а также состава их обучающих выборок, на основании которых разработан оригинальный упрощенный алгоритм определения параметров эффективного управления электротехническим комплексом тягового электрооборудования при движении транспортного средства на заданном участке пути.

Заключение. Проведенные исследования выявили, что применение для вычисления параметров алгоритмов эффективного управления режимами работы тягового электрооборудования городского электрического транспорта на основе комплекса “простых” нейронных сетей может обеспечить более высокую скорость при достаточной точности, чем использование сложных нейросетевых моделей. Результаты работы могут представлять интерес для разработчиков систем интеллектуального управления трамвайным транспортом.

Об авторах

Авер Эрикович Аухадеев

Казанский государственный энергетический университет

Автор, ответственный за переписку.
Email: auhadeev.ae@kgeu.ru
ORCID iD: 0000-0002-7191-4550
SPIN-код: 2902-4661

кандидат технических наук, доцент

Россия, Казань

Список литературы

  1. Urban electric transport is being modernized in 10 Russian regions [internet] Ministry of Transport of the Russian Federation; 2023. [cited 15.07.2024]. Available from: https://mintrans.gov.ru/press-center/news/10762
  2. Order of the Ministry of Industry and Trade of the Russian Federation № 660 of 31 March 2015. “Ob utverzhdenii plana meropriyatij po importozameshheniyu v otrasli transportnogo mashinostroeniya Rossijskoj Federacii”. [cited 06.08.2024]. Available from: https://base.garant.ru/57427568/ (In Russ).
  3. Order of the Government of the Russian Federation №3097-r of 3 November 2023. «Ob utverzhdenii strategicheskogo napravleniya v oblasti cifrovoj transformacii transportnoj otrasli Rossijskoj Federacii do 2030 goda». [cited 15.07.2024]. Available from: https://mintrans.gov.ru/documents/2/12953 (In Russ).
  4. Prolisko EE, Shut VN. Opportunities and prospects of unmanned urban public transportation. Matematicheskie metody` v texnike i texnologiyax. 2018;9:16–23. (In Russ).
  5. Register of artificial intelligence technologies in the transport industry [internet] Ministry of Transport of the Russian Federation; 2024. [cited 15.07.2024]. Available from: https://mintrans.gov.ru/documents/10/13491
  6. Troitskaya NA, Chubukov AB. Unified transportation system. Moscow: Academia; 2018. (In Russ).
  7. Abdulkhakov AK, Pavlov PP, Litvinenko RS. Features of building systems of automated tramway traffic control. In: International Forum “KAZAN DIGITAL WEEK – 2021”; 2021 Sep 21–24; Kazan. Collection of materials. Part 1. Kazan; 2021;20–25. (In Russ.)
  8. Rylov YuA, Solovyeva SI, Korolkov AYu. Experimental research of operating modes traction electric rolling stock. Modern Science. 2017;(9):137–140. (In Russ).
  9. Malakhov SV, Kapustin MYu. Method of building an adaptive suboptimal stationary train motion regulator based on artificial neural networks. Vestnik Nauchno-issledovatel’skogo instituta zheleznodorozhnogo transporta. 2021;80(1):13–19. (In Russ). EDN: VTGPTM doi: 10.21780/2223-9731-2021-80-1-13-19
  10. Sivitskiy DA. Analysis of experience and prospects of application of artificial neural networks on railway transport. Vestnik Sibirskogo gosudarstvennogo universiteta putej soobshcheniya. 2021;(2):33–41. (In Russ).
  11. Certificate of registration of computer program RUS № 2019618673 / 03.07.2019. Byul. № 7. Aukhadeev AE, Idiyatullin RG, Kisneeva LN, et al. Programma rascheta racional’nyh rezhimov raboty tyagovogo elektrooborudovaniya elektropodvizhnogo sostava pri dvizhenii po zadannomu marshrutu s uchetom vliyaniya ekspluatacionnyh faktorov. (In Russ).
  12. Aukhadeev AE, Litvinenko RS, Kisneeva LN, Tukhbatullina DI. Toward the development of the theory of traction electrical equipment of urban electric transport. Elektrotekhnicheskie i informacionnye kompleksy i sistemy. 2019; 15(4):12–18. (In Russ). EDN: XMUJDE doi: 10.17122/1999-5458-2019-15-4-12-18
  13. Platonov AK. About motion construction in ballistics and mechatronics. Prikladnaya mekhanika i upravlenie dvizheniem. 2010:127–222. (In Russ).
  14. Bernstein NA. On the construction of movements. Moscow: Medgiz; 1947. (In Russ).
  15. Borovikov VP. Popular introduction to modern data analysis in Statistica. Moscow: Goryachaya liniya – Telekom; 2013. (In Russ).
  16. Certificate of database registration RUS № 2020621735/ 23.09.20. Buyl. № 10. Aukhadeev AE, Idiyatullin RG, Zalyalov RR, et al. Database of the main energy and operational characteristics of the production process of tramway transport. (In Russ). EDN: XMRUNI
  17. Borovikov VP editor. Neural Networks. Statistica Neural Networks: Methodology and Technologies of Modern Data Analysis / 2nd ed. Moscow: Goryachaya liniya – Telekom; 2008. (In Russ).
  18. Certificate of registration of computer program RUS № 2023661296/ 03.05.2023. Byul. № 6. Aukhadeev AE, Litvinenko RS, Le KT, et al. Programma opredeleniya racional`ny`x rezhimov raboty` tyagovogo e`lektrooborudovaniya nazemnogo gorodskogo e`lektricheskogo transporta na osnove gruppy` nejronny`x setej pryamogo rasprostraneniya. (In Russ). EDN: IRQGIA

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Характерные для ГЭТ режимы работы ТЭО (а)

Скачать (301KB)
Метаданные
3. Рис. 2. Корреляционная плеяда взаимосвязей факторов, влияющих на формирование управляемого движения, полученная на основании компьютерного моделирования

Скачать (1MB)
Метаданные
4. Рис. 3. Корреляционная плеяда взаимосвязей факторов, влияющих на формирование управляемого движения, полученная на основании экспериментальных исследований

Скачать (1MB)
Метаданные
5. Рис. 4. Матрица коэффициентов парных корреляций для величины УРЭ  и статистических факторов, определяющих режимы работы ТЭО

Скачать (2MB)
Метаданные
6. Рис. 5. Распределение значений длин перегонов L, м, характерных для ГЭТ

Скачать (325KB)
Метаданные
7. Рис. 6. Нейронные сети на основе многослойного персептрона: MLP 4-11-5 (а); MLP 4-6-9-8 (б); MLP 4-12-11-11 (в)

Скачать (389KB)
Метаданные
8. Рис. 7. Общий алгоритм определения параметров эффективного управления электротехническим комплексом ТЭО

Скачать (147KB)
Метаданные

© Аухадеев А.Э., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».