Разработка программно-аппаратного комплекса поддержки принятия решений по режимам эксплуатации контактной сети с помощью машинного обучения
DOI:
https://doi.org/10.17213/0136-3360-2022-4-125-130Ключевые слова:
контактная сеть, мониторинг, диагностика, машинное обучение, классификацияАннотация
Рассмотрены особенности работы и функциональная схема программно-аппаратного комплекса поддержки принятия решений по режимам эксплуатации контактной сети с применением технологии машинного обучения. Предлагаемый комплекс осуществляет сбор, накопление и обработку информации о техническом состоянии объектов наблюдения, а также дает рекомендации оперативно-техническому персоналу для принятия продуктивных решений (снижение скорости движения на участке, усиление готовности обслуживающего персонала и т.д.). Работа комплекса представлена на примере определения натяжения проводов контактной сети с помощью диагностических сенсоров и модели дерева решений для классификации цифровых отпечатков. Обучение математической модели классификации проведено в MATLAB Classification Learner на массиве виброускорений проводов контактной сети, смоделированном конечно-элементной моделью при различных вариантах натяжения. Предлагаемый программный комплекс может быть интегрирован в аналогичные системы диагностики и контроля работы электрооборудования с целью поддержки принятия решений персоналом сферы электроэнергетики.
Библиографические ссылки
Huang X., Sun Q., Han X. An on-line monitoring method of temperature of conductors and fittings based on GSM SMS and Zigbee // In: 3rd IEEE conference on industrial electronics and applications. 2008. P. 1522 – 1527.
Navika P., Ronnquista A., Stichelba S. A wireless railway catenary structural monitoring system / P. Navika // Norwegian Case Studies in Structural Engineering. 2016. № 6, pp. 22–30.
Sicat CMS Catenary monitoring system for overhead contact line systems. Siemens AG. 2010. 8 p.
Программный комплекс блока диагностики состояния контактной сети / Г.Р. Ермачков, А.С. Голубков, А.Н. Смердин // Свидетельство о регистрации программы для ЭВМ RU 2019619507, 18.07.2019. Заявка № 2019618346 от 09.07.2019.
Клюев С.Г., Трунов Е.Е. Проблемы обучения глубоких нейронных сетей для обнаружения угроз нарушения безопас-ности в сетях с динамической топологией / С. Г. Клюев // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 1(32). DOI 10.26102/2310-6018/2021.32.1.012.
Паранин А.В., Ефимов Д.А. Разработка модели динамики взаимодействия высокоскоростной контактной подвески и твердотельного токоприемника с учетом колебаний вагона и износа токосъемных пластин // Влияние надежности устройств электроснабжения на работу транспорта: Сборник научных трудов Всероссийской научно-технической конференции, посвя-щенной 60-летию кафедры "Электроснабжение транспорта", Екатеринбург, 18–19 апреля 2019 года / Под научной редакцией А.А. Ковалева, составитель И.А. Баева. Екатеринбург: Уральский государственный университет путей сообщения, 2020. С. 46 – 52.
MATLAB (version 2019a). Mathworks. https://www.mathworks.com/help/stats/classificationlearner-app. html (дата обра-щения 10.05.2022).
Carrizosa E., Molero-Río C. & Romero Morales D. Mathematical optimization in classification and regression trees. TOP 29, 5–33 (2021). https://doi.org/10.1007/s11750-021-00594-1 (дата обращения 10.05.2022).
Sambasivan R., Das S. Classification and regression using augmented trees. [Электронный ресурс] Int J Data Sci Anal 7, 259–276 (2019). URL: https://doi.org/10.1007/s41060-018-0146-6 (дата обращения 10.05.2022).
Олейник А.А., Гофман Е.А., Субботин С. А. Метод кластеризации данных на основе деревьев решений // Искус-ственный интеллект. 2012. № 1. С. 229 – 236.