|
DOI: 10.14489/vkit.2023.06.pp.021-028
Платонов Е. Н., Кобилов М. Т.
МОДЕЛИ ПРОГНОЗИРОВАНИЯ ДЕГРАДАЦИИ ГЕОМЕТРИИ ЖЕЛЕЗНОДОРОЖНОГО ПУТИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
(с. 21-28)
Аннотация. Техническое обслуживание железнодорожного пути всегда отличалось сложностью как по причине ответственности с точки зрения обеспечения безопасности движения поездов, так и по причине высокой трудоемкости рабочих процессов и непрерывного планирования работ. Для обеспечения безопасности движения поездов осуществляется диагностика и мониторинг состояния всех элементов железнодорожного пути. Состояние рельсовой колеи – один из основных параметров, влияющих на безопасность и бесперебойность движения поездов. Отступления и неисправности в геометрии рельсовой колеи приводят как к ограничению скоростей, так и к полному закрытию пути для движения поездов. Несвоевременное устранение неисправности может приводить к более серьезным последствиям. Для автоматизации процесса устранения неисправностей можно использовать модели обнаружения и диагностики, основанные на данных. Для решения этой задачи были использованы современные методы решения задач классификации для табличных данных, собранных специальными путеизмерительными средствами. Основой для решения задачи послужили системы автоматизированного создания моделей машинного обучения, которые позволяют существенно упростить обучение и настройку моделей машинного обучения, а также их внедрение в производственную среду. Решение задачи по прогнозированию деградации геометрии железнодорожного пути имеет важное значение для системы принятия решений по ремонту и обслуживанию пути.
Ключевые слова: задача классификации; дефекты железнодорожного пути; геометрия рельсовой колеи; AutoML.
Platonov E. N., Kobilov M. T.
MODELS FOR FORECASTING RAILROAD TRACK GEOMETRY DEGRADATION USING MACHINE LEARNING METHODS
(рр. 21-28)
Abstract. Railroad track maintenance has always been complex, both because of its responsibility in terms of ensuring the safety of train traffic, and because of the high labor intensity of work processes and continuous work planning. Diagnostics and monitoring of all elements of the railroad track is carried out to ensure the safety of train traffic. One of the main parameters affecting the safety and uninterrupted movement of trains is the condition of the track. Deviations and malfunctions in rail track geometry lead to both speed limitation and complete closure of the track for train traffic. Failure to correct faults in a timely manner can often lead to more serious consequences. The main parameters of track geometry have a significant impact on the smoothness of train movement and the risks of derailment of rolling stock. Therefore, monitoring and control of these parameters is a priority task to ensure the stable operation of railroads. To automate this process, data-driven fault detection and diagnosis models can be used. To solve the problem, we used modern methods of solving classification problems for tabular data collected by special track-measuring tools. Automated machine learning model generation systems served as the basis for solving the problem. These systems make it much easier to train and configure machine learning models, as well as to implement them in a production environment. The practical significance of this work is that the solution of the problem of predicting track geometry degradation can be considered as part of the decision-making system for track repair and maintenance.
Keywords: Classification problem; Track defects; Track geometry; AutoML.
Е. Н. Платонов (Московский авиационный институт (национальный исследовательский университет), Москва, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
М. Т. Кобилов (Московский физико-технический институт (национальный исследовательский университет), Долгопрудный, Россия)
E. N. Platonov (Moscow Aviation Institute (National Research University), Moscow, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
M. T. Kobilov (Moscow Institute of Physics and Technology, Dolgoprudny, Russia)
1. Data-Driven Optimization of Railway Maintenance for Track Geometry / S. Sharma, Y. Cui et al. // Transportation Research Part C Emerging Technologies. 2018. V. 90(4). P. 34 – 58.
2. Alahakoon S., Sun Y. Q., Spiryagin M., Cole C. Rail Flaw Detection Technologies for Safer, Reliable Transportation: a Review // Journal of Dynamic Systems Measurement and Control. 2017. V. 140(2). P. 020801.
3. Soleimanmeigouni I., Ahmadi A., Kumar U. Track Geometry Degradation and Maintenance Modelling: a Review // Proceedings of the Institution of Mechanical Engineers Part F Journal of Rail and Rapid Transit. 2018. V. 232(1). P. 73 – 102.
4. Berggren E. G., Li M. X. D., Spännar J. A New Approach to the Analysis and Presentation of Vertical Track Geometry Quality and Rail Roughness // Wear. 2008. V. 265(9). P. 1488 – 1496.
5. Li M. X. D., Berggren E. G., Berg M., Persson I. Assessing Track Geometry Quality Based on Wavelength Spectra and Track-Vehicle Dynamic Interaction // Vehicle System Dynamics. 2008. V. 46(1). P. 261 – 276.
6. Распоряжение ОАО «РЖД» № 436/р от 28.02.2020 г. «Об утверждении Инструкции по оценке состояния рельсовой колеи путеизмерительными средствами и мерам по обеспечению безопасности движения поездов».
7. Зензинов Б. Н., Ромен Ю. С., Криволапов М. В. Актуализация критериев оценки состояния пути по данным путеизмерительных средств // Вестник Научно-исследовательского института железнодорожного транспорта. 2022. Т. 81, № 4. С. 318 – 329.
8. Liao Y., Han L., Wang H., Zhang H. Prediction Models for Railway Track Geometry Degradation Using Machine Learning Methods: A Review // Sensors. 2022. V. 22(19). P. 7275.
9. Севостьянов А. А., Величко Д. В. Влияние изменений в оценке состояния геометрии рельсовой колеи на характер планирования работ по текущему содержанию // Молодая наука Сибири. 2022. Т. 13, № 3.
10. Платонов Е. Н., Просвирин К. В. Прогнозирование дефектов верхнего строения железнодорожного пути методами машинного обучения // Вестник компьютерных и информационных технологий. 2022. Т. 19, № 2. C. 8 – 18.
11. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Switzerland: Springer, 2019.
12. LightAutoML: AutoML Solution for a Large Financial Services Ecosystem / A. Vakhrushev, A. Ryzhkov, D. Simakov et al. [Электронный ресурс]. URL: https://arxiv.org/abs/2109.01528 (дата обращения: 20.04.2023).
13. Olson R. S., Moore J. H. TPOT: A Tree-Based Pipeline Optimization Tool for Automating. Automated Machine Learning // Automated Machine Learning. The Springer Series on Challenges in Machine Learning. 2019. P. 151 – 160.
14. Chi W., Wu Q., Weimer M., Zhu E. FLAML: A Fast and Lightweight AutoML Library // Proceedings of Machine Learning and Systems. 2021. V. 3. P. 434 – 447.
15. PyCaret: An Open Source, Low-Code Machine Learning Library in Python [Электронный ресурс]. URL: https://www.pycaret.org (дата обращения: 20.04.2023).
16. Focal Loss for Dense Object Detection / T. Y. Lin, P. Goyal, R. Girshick et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. V. 42(2). P. 318 – 327.
17. Luque A., Carrasco A., Martín A., de las Heras A. The Impact of Class Imbalance in Classification Performance Metrics Based on the Binary Confusion Matrix // Pattern Recognition. 2019. V. 91. P. 216 – 231.
1. Sharma S., Cui Y. et al. (2018). Data-Driven Optimization of Railway Maintenance for Track Geometry. Transportation Research Part C Emerging Technologies, Vol. 90 (4), pp. 34 – 58.
2. Alahakoon S., Sun Y. Q., Spiryagin M., Cole C. (2017). Rail Flaw Detection Technologies for Safer, Reliable Transportation: a Review. Journal of Dynamic Systems Measurement and Control, Vol. 140 (2).
3. Soleimanmeigouni I., Ahmadi A., Kumar U. (2018). Track Geometry Degradation and Maintenance Modelling: a Review. Proceedings of the Institution of Mechanical Engineers Part F Journal of Rail and Rapid Transit, Vol. 232 (1), pp. 73 – 102.
4. Berggren E. G., Li M. X. D., Spännar J. (2008). A New Approach to the Analysis and Presentation of Vertical Track Geometry Quality and Rail Roughness. Wear, Vol. 265 (9), pp. 1488 – 1496.
5. Li M. X. D., Berggren E. G., Berg M., Persson I. (2008). Assessing Track Geometry Quality Based on Wave-length Spectra and Track-Vehicle Dynamic Interaction. Vehicle System Dynamics, Vol. 46 (1), pp. 261 – 276.
6. Russian Railways Decree No. 436/r “On Approval of the Instructions for Assessing the State of the Rail Gauge with Track Measuring Instruments and Measures to Ensure Train Traffic Safety”. (2020). [in Russian language]
7. Zenzinov B. N., Romen Yu. S., Krivolapov M. V. (2022). Updating the criteria for assessing the state of the track according to the data of track measuring equipment. Vestnik Nauchno-issledovatel'skogo instituta zheleznodorozhnogo transporta, Vol. 81 (4), pp. 318 – 329. [in Russian language]
8. Liao Y., Han L., Wang H., Zhang H. (2022). Prediction Models for Railway Track Geometry Degradation Using Machine Learning Methods: A Review. Sensors, Vol. 22 19.
9. Sevost'yanov A. A., Velichko D. V. (2022). Influence of changes in the assessment of the state of the geometry of the rail track on the nature of the planning of work on the current content. Molodaya nauka Sibiri, Vol. 13 (3). [in Russian language]
10. Platonov E. N., Prosvirin K. V. (2022). Prediction of track structure defects by machine learning methods. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, Vol. 19 (2), pp. 8 – 18. [in Russian language] DOI: 10.14489/vkit.2022.02.pp.008-018
11. Hutter F., Kotthoff L. Vanschoren J. (2019). Automated Machine Learning. Switzerland: Springer.
12. Vakhrushev A., Ryzhkov A., Simakov D. et al. LightAutoML: AutoML Solution for a Large Financial Services Ecosystem. Available at: https://arxiv.org/abs/2109.01528 (Accessed: 20.04.2023).
13. Olson R. S., Moore J. H. (2019). TPOT: A Tree-Based Pipeline Optimization Tool for Automating. Automated Machine Learning. Automated Machine Learning. The Springer Series on Challenges in Machine Learning, pp. 151 – 160.
14. Chi W., Wu Q., Weimer M., Zhu E. (2021). FLAML: A Fast and Lightweight AutoML Library. Proceedings of Machine Learning and Systems, Vol. 3, pp. 434 – 447.
15. PyCaret: An Open Source, Low-Code Machine Learning Library in Python. Available at: https://www.pycaret.org (Accessed: 20.04.2023).
16. Lin T. Y., Goyal P., Girshick R. et al. (2020). Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 42 (2), pp. 318 – 327.
17. Luque A., Carrasco A., Martín A., de las Heras A. (2019). The Impact of Class Imbalance in Classification Performance Metrics Based on the Binary Confusion Matrix. Pattern Recognition, Vol. 91, pp. 216 – 231.
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2023.06.pp.021-028
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2023.06.pp.021-028
and fill out the form
.
|
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»