CC BY
10
© Ившин И.В., Аухадеев А.Э., Jle К.Т.
УДК 621.33
О ПРИМЕНЕНИИ НЕЙРОННЫХ СЕТЕЙ В РАСЧЕТАХ РАЦИОНАЛЬНЫХ РЕЖИМОВ РАБОТЫ ТЯГОВОГО ЭЛЕКТРООБОРУДОВАНИЯ ГОРОДСКОГО ЭЛЕКТРИЧЕСКОГО ТРАНСПОРТА
Ившин И.В., Аухадеев А.Э., Ле К.Т.
Казанский государственный энергетический университет, г. Казань, Россия
auhadeev. ae@kgeu. ru
Резюме: АКТУАЛЬНОСТЬ. В настоящей работе рассмотрены важные аспекты развития беспилотного городского общественного электрического транспорта. ЦЕЛЬ. Исследовать особенности применения нейронных сетей в расчетах рациональных режимов работы тягового электрооборудования городского электрического транспорта. МЕТОДЫ. В работе использованы результаты компьютерного моделирования и экспериментального исследования эксплуатационных режимов трамвайного транспорта, анализ которых позволил идентифицировать уровень и направленность стохастических связей эксплуатационных и энергетических параметров процесса движения и режимов работы тягового электрооборудования. РЕЗУЛЬТАТЫ. Полученные корреляционные модели позволяют обосновать состав параметров входного и выходного слоя нейронных сетей, а также сформировать набор данных (dataset) для их обучения. Предложен алгоритм определения параметров рациональных режимов работы тягового электрооборудования при движении транспортного средства на заданном перегоне, реализованный с применением нейросетевых моделей на основе многослойного персептрона. ЗАКЛЮЧЕНИЕ. Проведенные исследования показали, что применение в расчетах рациональных режимов работы тягового электрооборудования городского электротранспорта комплекса «простых» нейронных сетей позволяет обеспечить высокую скорость и точность вычислений.
Ключевые слова: городской электрический транспорт; беспилотный трамвай; тяговое электрооборудование; расчет рациональных режимов работы; нейронная сеть прямого распространения; многослойный персептрон.
Для цитирования: Ившин И.В., Аухадеев А.Э., Ле К.Т. О применении нейронных сетей в расчетах рациональных режимов работы тягового электрооборудования городского электрического транспорта // Вестник Казанского государственного энергетического университета. 2023. Т. 15. №1 (57). С. 106-116.
APPLICATION OF NEURAL NETWORKS IN RATIONAL MODES CALCULATIONS OF TRACTION ELECTRIC EQUIPMENT OPERATION OF URBAN ELECTRIC
TRANSPORT
IV. Ivshin, AE. Auhadeev, KT. Le
Kazan State Power Engineering University, Kazan, Russia
auhadeev.ae@kgeu.ru
Abstract: RELEVANCE. This paper considers important aspects of the development of unmanned urban public electric transport. THE PURPOSE. Explore the peculiarities of neural networks application in the rational modes calculation of ground municipal electric transport. METHODS In this work are used results of computer modeling and experimental research of operational modes of tram transport are presented which analysis allowed to identify the level and direction of stochastic relationships of operational and energy parameters of the movement process and modes of traction electric equipment operation. RESULTS. The obtained correlation models make it possible to justify the composition of input and output parameters of neural networks as well as to form the dataset for their training. The algorithm of determination of traction electrical equipment rational operation modes parameters at the vehicle movement on a given distance, which is implemented using neural network models based on multilayer
perseptron is presented. CONCLUSION. The conducted research has shown that the use of «simple» neural networks in calculations of rational modes in urban electric transport traction equipment allows for high speed and accuracy of calculations.
Key words: urban electric transport; unmanned tram; traction electric equipment; calculation of rational operation modes; forward distribution neural network; multilayer perceptron.
For citation: Ivshin IV, Auhadeev AE, Le KT. Application of neural networks in rational modes calculations of traction electric equipment operation of urban electric transport. KAZAN STATE POWER ENGINEERING UNIVERSITY BULLETIN. 2023; 15; 1(57):106-116.
Введение (Introduction)
В настоящее время Правительство РФ проводит активную политику, направленную на развитие городского электрического транспорта (ГЭТ). Разработана государственная программа «Развитие транспортной системы», утверждена «Транспортная стратегия Российской Федерации на период до 2030 года», реализуются федеральные пилотные проекты и законодательные инициативы, направленные на развитие ГЭТ. В ряде городов России при государственном софинансировании региональных бюджетов началось обновление парка транспортных средств (ТС) предприятий ГЭТ [1,2].
На отраслевых выставках отечественные производители (ПК «Транспортные системы», Усть-Катавский вагоностроительный завод (УКВЗ), ЗАО «Тролза», ОАО «Уралтрансмаш» и др.) представляют перспективные модели контактного ГЭТ с новым тяговым электрооборудованием (ТЭО), разработанные с учетом требований к повышению комфортности (плавный пуск и высокие динамические характеристики, повышенная автономность хода, низко по льность ТС и др.) и энергетической эффективности перевозок (снижение массы ТС, применение асинхронного электропривода, внедрение энергосберегающих систем управления тяговым приводом, систем рекуперации и др.).
Российские компании ПАО «ГАЗ», ОАО «ЛиАЗ», ПАО «КАМАЗ», Холдинг «БМГ» и др. активно налаживают производство автономного ГЭТ. Электробусы еще не массово, но уже участвуют в перевозке пассажиров в Новосибирске, Санкт-Петербурге, Владивостоке, Тюмени, Липецке, Сочи, Казани. В Москве в 2022 году эксплуатировалось уже свыше 1000 единиц электробусов КамАЗ-6282, ЛиАЗ-6274 и e-CITYMAX 18 более чем на 80 городских маршрутах [3].
Активная государственная поддержка развития ГЭТ направлена на предотвращение отставания технологического уровня производства от зарубежных аналогов, обеспечение снижения импорта готовых технических решений и поддержку отечественного производителя, что актуально, в том числе, и в связи с действием санкций со стороны ряда западных стран и реализуемых правительством РФ мер импортозамещающей политики [4]. В связи с этим отрасль ГЭТ остро нуждается в прорывных научных исследованиях фундаментального и прикладного характера по направлениям, связанным с разработкой перспективных видов электрической тяги, новых типов ТС и ТЭО, интеллектуальных систем управления и др.
Особое внимание уделяется развитию наукоемких технологий в области частично и полностью беспилотных транспортных средств, долю отечественных производителей в котором планируется вывести на уровень 60% к 2035 г. [5]. Активно ведутся разработки, связанные с беспилотным общественным электротранспортом [6]. Результаты разработок беспилотных электробусов уже демонстрировали ПАО «КАМАЗ» (КАМАЗ-1221 «ШАТЛ») и ООО «Волгабас Робо Лаб» (платформа «MatrEshka»). На 2022-2023 годы анонсированы запуски беспилотных трамваев в городах Москва, Санкт-Петербург, Казань. УКВЗ, входящий в состав госкорпорации «Роскосмос», объявил о начале сборки первого полностью беспилотного отечественного трамвая в конце 2022 года.
Системы беспилотного управления трамвайным транспортом на основе технологий искусственного интеллекта появились как следующий этап развития систем автоведения рельсового электроподвижного состава. Совершенствование технологий технического зрения, передачи данных и интеллектуального анализа информации на основе нейронных сетей позволяет полностью отказаться от водителя/машиниста, но требует существенного
© Ившин И.В., Аухадеев А.Э., Jle К.Т.
повышения скорости сбора и обработки потоков данных о параметрах движения и точности расчетов режимов ведения ГЭТ.
Основными задачами систем беспилотного управления общественным транспортом является повышения качества пассажироперевозок при кардинальной минимизации ДТП и экономии энергоресурсов. Внедрение интеллектуального управления и контроля параметров движения позволяет реализовывать рациональные режимы работы ТЭО, определяющие эффективные режимы ведения ТС, что приводит к улучшению эксплуатационных показателей ГЭТ, а также существенной экономии электроэнергии, расходуемой на тягу [7, 8].
Расчеты энергоэффективных режимов работы ТЭО с применением нейронных сетей в настоящее время начали активно использоваться в тяговых расчетах железнодорожного транспорта, что позволило существенно повысить их точность и адекватность реальным условиям эксплуатации [9, 10 и др]. При этом применение полученных нейросетевых моделей для определения эффективных режимов ведения наземного рельсового ГЭТ предполагает возникновение ряда проблем, предопределяющих их невысокую эффективность. Это связано с принципиальным отличием режимов работы ТЭО, определяемых условиями эксплуатации ГЭТ, для которых характерны: короткие перегоны, а, следовательно, частые режимы тяги и торможения ТС; отсутствие движения ТС с установившейся скоростью; остановки на неконтролируемых перекрестках; большое количеством участков с ограничением скорости и др.
Все вышесказанное определяет актуальность разработки и обучения нейросетевых моделей для определения рациональных режимов работы ТЭО, учитывающих специфику технологического и производственного процессов ГЭТ. При этом для определения эффективной архитектуры нейронной сети основными задачами являются подготовка набора данных (dataset), определяющих режимы работы ТЭО в условиях реальной эксплуатации ГЭТ, а также выбор и обоснование состава параметров входного и выходного слоев. Решению этих задач, посвящено исследование авторов в рамках выполняемой научной работы по развитию теории и методов расчета рациональных режимов работы ТЭО городского электрического транспорта.
Материалы и методы (Materials and methods)
В настоящее время выделяют1 следующие режимы работы ТЭО, соответствующие режимам движения ТС (рис. 1): тяговый режим (с различным возбуждением тягового электродвигателя (ТЭД)) и режим торможения (электрический, рекуперативный, реостатный). Этим режимам соответствуют характерные режимы работы ТЭД, являющихся основным элементом ТЭО (рис. 1, а).
Также для ТЭД определяют2 режимы работы: продолжительный (S}). кратковременный (52) и повторно-кратковременный (53). Особенностью эксплуатации ТС ГЭТ являются короткие перегоны и частые пуски ТЭД, а, следовательно, преобладание режимов 52 и 53. Основными параметрами этих режимов является соотношение продолжительности режимов под нагрузкой (тяга или торможение) и без нагрузки (выбег или остановка) (рис. 1).
Таким образом, в качестве основных параметров, однозначно определяющих эксплуатационные характеристики режимов работы ТЭО целесообразно выбрать tpb t.n. Txi, Vpi, VTi (рис. 1, a, 6).
Для оценки энергетических показателей работы ТЭО в ходе исследования была выбрана величина удельного расхода электроэнергии (УРЭ) Аул. к^тч/т-км> затрачиваемой на тягу ТС. Реализуемые при движении ТС на /-м перегоне заданной длины режимы работы ТЭО принимаются рациональными если УРЭ Аул р;ш по значению меньше УРЭ, задаваемого в качестве нормы Ay;l н для данного участка пути.
1 ГОСТ 19350-74. Электрооборудование электрического подвижного состава. Термины и определения. М.: Издательство стандартов, 1975. - 26 с.
2 ГОСТ 2582-2013. Машины электрические вращающиеся тяговые. Общие технические условия. М.: Издательство стандартов, 2013. - 29 с.
а)
тяговый режим:
- полное возбуждение
- нормальное возбуждение
- ослабленное возбуждение
режим торможения:
- электрический
- рекуперативный
- реостатный
I j ^тi j tKl j I ^н i
б) V " Ijc режимы движения ТС: ! \
t
hei — пТЭД' 'тэд( + 'всп i
Р' 2ц
1 2Ц
О
Ti Txi tHi
t
t„i, tTi - продолжительность тягового режима (разгона) и время начала торможения на ;'-м перегоне; ^рь VTl - максимальная скорость разгона и скорость начала торможения ТС на i-ш перегоне, Txi -время хода на г'-м перегоне; vt(t), Ija(t) - кривые скорости и потребляемого тока ТС; /тэдг(^) ~ ток потребляемый ТЭД; пхэд - число ТЭД в составе ТЭО ТС; DK - диаметр колеса ТС, ¡и - коэффициент передачи редуктора
Рис. 1 Характерные для ГЭТ режимы работы Fig. 1 - Typical for urban electric transport modes ТЭО (а) и режимы движения ТС (б) во of traction electrical equipment (a) and modes of взаимосвязи vehicle trafpc (b) in relationship
Источник: составлено автором. Source: compiled by the author.
Для определения эксплуатационных факторов, влияющих на режимы работы ТЭО, авторами предложена модель управляемого движения ТС, являющегося в общем случае результатом преобразования, передачи и использовании электрической энергии и информации в электротехническом комплексе ГЭТ. При этом управляемое движение ТС рассматривается как реализация механической работы последовательности режимов ТЭО, заданных водителем в соответствии с технологией эксплуатации и задачами производственного процесса ГЭТ.
Данная модель основывается на концепции «уровней построения движения», используемой академиком Д.Е. Охоцимским в динамике космического полета, робототехнике и мехатронике [11]. Сама же теория и понятие «построение движения» были предложены выдающимся биомехаником H.A. Бернштейном при изучении организации работы мозга человека при его движении [12]. Такой подход соответствует общепринятым аналогиям, так, например, прототипом искусственной нейронной сети, являются биологические нейронные сети человеческого мозга. Теоретическое обоснование предложенной модели, а также ее математическая интерпретация представлена в серии работ [7, 13, 14].
Результаты (Results)
На основании предложенной модели было проведено компьютерное моделирование режимов работы ТЭО с использованием детерминированных и стохастических моделей, характеризующих априорные данные о различных эксплуатационных факторах, таких, как: напряжение контактной сети UKC, интервал следования ТС /, количество включения ТЭО на перегоне пвкл, длина перегона L, масса ТС тТС и др. Это позволило идентифицировать с доверительной вероятностью 95% уровень и направленность стохастических связей эксплуатационных и энергетических параметров процесса управляемого движения ТС и режимов работы ТЭО. В ходе анализа результатов моделирования использовались методы корреляционно-регрессионного анализа, реализованных в прикладной компьютерной программе STATISTICA [15]. Для наглядности результаты представлены в виде графической корреляционной модели (плеяды) (рис. 2, а).
© Пенам II.В., АухадеевА.Э., Ле К.Т.
ЩШ я
•—Лч^'Л' "-.A '-'Л : Ж ^ / /у /V
a)
Уровни связи:
- 5-fi (связь умеренная); 5-й (связь сильная); — •
--4-й (связь заметная);
6-й (связь очень сильная)
Рис. 2 Корреляционная модель уровней связи 2 - Con-elation model of connection levels of
факторов, влияющих на формирование factors affecting the formation of controlled
управляемого движения, полученная на motion, obtained on the basis of the proposed
основании предложенного алгоритма расчета calculation algorithm (a) and as a result of the
(а) и в результате экспериментального experimental study (b) исследования (б) Источник: составлено автором.Source: compiled by the author.
Наименование факторов, характеризующих условия эксплуатации ТС и факторов, характеризующих режимы движения ТС и работы ТЭО представлены в таблице 1.
Таблица 1 Table 1
Факторы, характеризующие процесс построения управляемого движения ТС Factors that characterize the process of building a controlled movement of the vehicle
факторы, характеризующие условия эксплуатации ТС факторы, характеризующие процесс реализации управляемого движения
Xi Ь - длина перегона х„ a - ускорение разгона ТС
х2 Тх - время хода на перегоне Xl2 b - тормозное замедление ТС
Х3 Ц. - скорость сообщения на перегоне Xi3 Vp - максимальная скорость разгона ТС
х4 ] - интервал следования ТС Xl4 VT - скорость начала торможения ТС
х5 к01 р - коэффициент, учитывающий ограничения скорости на перегоне Х15 tp - время разгона (тяговый режим) ТС
Xis £т - время торможения (тормозной режим) ТС
Х6 £хс - коэффициент составности ТС Xi? пвкл " кол-во включений ТЭО на перегоне
X? кс - коэффициент сложности перегона Xl8 тхс - масса ТС с пассажирами
Х8 кТС - коэффициент технического состояния транспортного средства x19 rjB = tB/Tx- коэффициент выбега ТС, где tB - продолжительность выбега
Х9 кв - коэффициент, учитывающий качество вождения ТС X20 £оп - продолжительность остановки ТС для посадки и/или высадки пассажиров
Хю ки - коэффициент, учитывающий отклонение напряжения в контактной сети от номинального значения X21 густ " установившийся перегрев ТЭД
X22 £пн - продолжительность режима постоянной нагрузки ТЭО ТС
*При многократных включениях ТЭО учитывается суммарная продолжительность работы в соответствующих режимах
Источник: составлено автором.Source: compiled by the author.
Для подтверждения результатов компьютерного моделирования были проведены экспериментальные исследования эксплуатационных режимов ТС в различных городах России (8 городов с типовыми схемами маршрутных систем: Москва, Казань, Самара,
Волгоград, Новочеркасск, Уфа, Пермь, Набережные Челны), что позволило получить репрезентативную статистическую выборку для параметров режимов работы ТЭО ТС, соответствующих технологическому процессу на действующих маршрутах в реальных производственных условиях ГЭТ [16, 17]. Дальнейший статистический анализ результатов экспериментального исследования позволил подтвердить наличие корреляционных связей между основными факторами, определяющими режимы эксплуатации ТС ГЭТ и параметрами режимов работы ТЭО. Результаты представлены в виде корреляционной плеяды (рис. 2,6).
Анализ корреляционных плеяд (рис. 2, а, 6) показал, что некоторые статистические связи, определяющие влияние эксплуатационных факторов на параметры режимов работы ТЭО ГЭТ, выявленные на основе компьютерного моделирования в реальных эксплуатационных условиях проявляются слабее. Также по результатам эксперимента были выявлены связи, не выразившихся при компьютерном моделировании, которые оказывают влияние на режимы работы ТЭО. Все это позволило скорректировать предложенную математическую модель управляемого движения ТС, сформировать набор данных (dataset) для обучения искусственной нейронной сети, определяющей параметры рациональных режимы работы ТЭО, а также обосновать состав параметров входного и выходного слоя.
Проведенные исследования показали, что большие нейросетевые модели для определения параметров режимов работы ТЭО, учитывающие широкий комплекс эксплуатационных факторов, характеризуются сложной архитектурой и значительным количеством скрытых слоев и нейронов. Обладая широкими возможностями обработки информации, такие нейронные сети либо склонны к переобучению, либо требуют существенных временных и аппаратно-программных ресурсов. В связи с этим целесообразно использовать комплекс небольших нейросетевых моделей для решения частных (локальных) задач с ограниченным количеством факторов с возможность их включения в общий (глобальный) алгоритм определения параметров рациональных режимов работы ТЭО.
Рассмотрим алгоритм определения рациональных режимов работы ТЭО для трамвайного вагона 71-619К при движении на перегоне заданной длины L. Для существенного упрощения алгоритма перекрестки и участки ограничения скорости на перегоне отсутствуют, план и профиль пути учитываться величиной эквивалентного уклона /э, %о, влияние таких факторов как отклонение напряжения в контактной сети, квалификация водителя, техническое состояние ТС и др. не учитывается.
Согласно действующим нормативным документам3 при строительстве трамвайных линий расстояние между остановочными пунктами следует принимать: для обычных линий от 400 м до 600 м, для скоростных линий - от 800 м до 1200 м. Исследование реальных условий эксплуатации выявило, что наиболее вероятными для маршрутных систем ГЭТ являются длины перегонов в диапазоне от 300 м до 700 м (рис. 3). При этом число включений ТЭО на перегоне распределено в следующем соотношении: пвкл= 1 - 32%; пвкл= 2 - 46%; пвкл= 3 - 17%; пвкл > 4 - 5%. Количество включений ТЭО на перегоне пвкл > 4 как правило связано с прохождением неконтролируемых перекрестков или участков с ограничением скорости и может не учитываться.
Таким образом, разработанный алгоритм реализуется на основании трех нейронных сетей для частных задач определения рациональных режимов работы ТЭО при числе включения пвкл от 1 до 3 на перегоне заданной длины.
Выбор эффективной архитектуры нейронный сетей осуществляется с применением модуля Automated Neural Networks программы STATISTICA [15]. В качестве входных параметров для нейросетевой модели при пвкл= 1 были выбраны следующие эксплуатационные факторы: длина перегона L, м, время хода на перегоне Ту. с, масса ТС гптс, да, значение эквивалентного уклона перегона ¿э, %0. Выходом сети являются основные параметры режимов работы ТЭО при реализации одного включения на перегоне (пвкл= 1): продолжительность разгона (тяговый режим) tpl, с при первом включении ТЭО; максимальная скорость разгона Vpl, км/ч при первом включении ТЭО; продолжительность торможения (режим торможения) tT, с; скорость начала торможения Ц . км/ч', величина УРЭ V кВт"Ч/т . км. Обучающая выборка составляет 70 % значений, контрольная - 15%, тестовая - 15 % значений. В ходе исследования осуществляется эмпирический подбор и сравнение по критерию среднеквадратической ошибки.
3 СНиП 2.05.09-90 Трамвайные и троллейбусные линии / Госстрой СССР. - М.: ЦИТП Госстроя СССР, 1Э90. - 40 с.
111
ОПвшгтП.В., АухадеевА.Э., Ле KT.
Distribution: Normal
100 200 300 400 500 600 700 800 900 1000 1100 L, m
Рис. 3 Распределение значений длин перегонов Fig. 3 - Distribution of lengths of nms L, m, typical L, м, характерных для ГЭТ for urban electric transport
Источник: составлено автором. Source: compiled by the author.
В результате исследования было установлено, что наиболее эффективной архитектурой обладает сеть MLP 4-11-5. Данная нейросетевая модель представляет собой многослойный персептрон, имеющий 4 нейрона на входном слое, 5 нейронов на выходном слое и 11 нейронов на одном скрытом слое. Активационная функция входного слоя -гиперболическая, выходного слоя - экспонента. Сеть имеет обучающую и контрольную производительность более 0,85, тестовую - более 0,82 (рис. 4, а).
Число и перечень входных параметров для нейросетевой модели для пвкл= 2 аналогичны предыдущей модели. Выходом сети кроме 5 параметров, используемых для модели при nBKJl= 1, являются: скорость начала второго включении ТЭО VH2, продолжительность разгона tp2, с и максимальная скорость разгона Vp2. км/ч при втором включении ТЭО. Наиболее эффективной архитектурой в этом случае обладает сеть MLP 46-9-8, которая представляет собой многослойный персептрон, имеющий 4 нейрона на входном слое, 8 нейронов на выходном слое, 6 и 9 нейронов на первом и втором скрытых слоях соответственно. Модель имеет обучающую и контрольную производительность более 0,82, тестовую - более 0,80 (рис. 4, б).
»о,юна». T—iPtrt »o.i
а) б) в)
Рис. 4 Нейронные сети MLP 4-11-5 (a), MLP 4-6- Fig. 2 - Neural networks MLP 4-11-5 (a), MLP 4-69-8 (S)s MLP 4-12-11-11 (в) 9-8 (6). MLP 4-12-11-11 (в)
Источник: составлено автором. Source: compiled by the author.
Аналогичным образом формируется число и перечень входных и выходных параметров для нейросетевой модели для пвкл= 3. Выходом сети кроме 8 параметров, используемых для модели при пвкл= 2 являются: 7н3, tp3, 7р3. Эффективной архитектурой в этом случая обладает сеть MLP 4-12-11-11. имеющей обучающую и контрольную производительность более 0,78, тестовую - более 0,76 (рис. 4, в).
Алгоритм определения рациональных режимов работы ТЭО для трамвайного вагона 71-619К при движении на перегоне заданной длины, реализованный с применением нейросетевых моделей на основе многослойного персептрона представлен на рисунке 5.
Предложенный алгоритм позволяет обеспечить высокую скорость и точность расчета, за счет использования комплекса «простых» нейронных сетей, учитывающих небольшое количество параметров. При этом согласно разработанному алгоритму (рис. 5.) чем выше сложность модели, тем меньше вероятность ее применения при расчете рациональных режимов работы ТЭО.
В общем случае количество нейросетевых моделей должно быть увеличено для учета большего числа эксплуатационных факторов, что сделает алгоритм расчета более сложным. Это потребует дополнительных вычислительных ресурсов, но при этом точность расчетов будет выше, чем в случае использовании больших нейронных сетей, имеющих сложную архитектуру и значительное количество скрытых слоев и нейронов, необходимых для учета широкого комплекса технологических и производственных параметров.
рациональных режимов работы ТЭО of rational modes of traction electrical equipment
Источник: составлено автором. Source: compiled by the author.
Особенностью модуля Automated Neural Networks программы STATISTICA является возможность создания исходного системного кода нейросетевой модели в виде файла на языках С, С++, С# яш Java [15]. Это позволяет разработать комплекс нейронных сетей для различных частных случаев и интегрировать их системный код в общую программу расчета рациональных режимов работы ТЭО.
Заключение (Conclusions)
Развитие отрасли беспилотного общественного ГЭТ определяет актуальность совершенствования и развития методов расчета рациональных режимов работы ТЭО эксплуатируемого парка ТС на основе технологий искусственного интеллекта. Активно применяемый при этом аппарат нейросетевого моделирования требует организации комплексного исследования процессов построения управляемого движения ГЭТ для обоснования эффективной архитектуры нейронных сетей и подготовки адекватного реальным условиям эксплуатации набора данных (dataset) для их обучения. Результаты проведенного компьютерного моделирования и экспериментального исследования позволили установить уровень и направленность стохастических связей эксплуатационных и энергетических параметров процесса управляемого движения ТС и режимов работы ТЭО, что дало возможность обосновать состав параметров входного и выходного слоя нейронных сетей и ограничить избыточность выборки обучающих данных.
Предложенный подход к применению нейронных сетей в расчетах рациональных режимов работы ТЭО ГЭТ, реализованный на примере алгоритма, использующего комплекс «простых» нейросетевых моделей разного уровня сложности, позволяет повысить оперативность расчётов и их адекватность реальным эксплуатационным значениям.
Литература
1. Транспортная стратегия Российской Федерации на период до 2030 года: [Утверждена распоряжением Правительства РФ 22 нояб. 2008 г. N 1734-р: по состоянию на
ОПвшинII.В., АухадеевА.Э., Ле KT.
12 мая 2018 г.] [Электронный ресурс] Доступно по: http://www.consultant.ru/document/cons_doc_LAW_82617/.
2. Стратегия развития автомобильного транспорта и городского наземного электрического транспорта Российской Федерации на период до 2030 года (Проект) [Электронный ресурс]. Доступно по: https://www.inintrans.ru/file/413547.
3. Тише, чище, быстрее: как электробусы за 5 лет «захватили» Москву -https://5koleso.ru/avtopark/avtobusy/elelitrobus-po-stolichnomu/
4. Приказ Министерства промышленности и торговли РФ от 31 марта 2015 г. N 660 "Об утверждении плана мероприятий по импортозамещению в отрасли транспортного машиностроения Российской Федерации" (с изменениями и дополнениями) [Электронный ресурс]. URL: htlps://base.garant.ru/57427568/.CcbmKa активна на 01.02.2023.
5. Протокол заседания президиума Совета при Президенте РФ по модернизации экономики и инновационному развитию от 16 мая 2016 года [Электронный ресурс]. URL: www.ac.gov.ni/les/ attachment/4843.pdf. Ссылка активна на: 06.02.2023.
6. Пролиско Е.Е, Шуть В.Н. Возможности и перспективы беспилотного городского общественного транспорта // Математические методы в технике и технологиях. 2018. Т.9. С. 16-23.
7. Абдулхаков А.К., Павлов П.П., Аухадеев А.Э., Литвиненко P.C. Особенности построения систем автоматизированного управления движением трамваев // Международный форум KAZAN DIGITAL WEEK - 2021: сб. матер. Казань: ГБУ «НЦБЖД», 2021. С. 20-25.
8. Rylov, Yu. A. Experimental research of operating modes traction electric rolling stock / Yu. A. Rylov, A. E. Aukhadeev, S. I. Solovyeva, A. Yu. Korolkov // Modern Science. - 2017. -№9. -P." 137-140.
9. Малахов C.B. Метод построения адаптивного субоптимального стационарного регулятора движения поезда на основе искусственных нейронных сетей // Вестник Научно-исследовательского института железнодорожного транспорта. 2021. Т. 80. № 1. С. 13-19.
10. Сивицкий Д.А. Анализ опыта и перспектив применения искусственных нейронных сетей на железнодорожном транспорте // Вестник Сибирского государственного университета путей сообщения. 2021. № 2 (57). С. 33-41.
11. Платонов А.К. О построении движений в баллистике и мехатронике // Прикладная механика и управление движением. М: ИПМ им. М.В. Келдыша, 2010. С. 127— 222.
12. Бернштейн Н. А. О построении движений. М: Медгиз, 1947. 234 с.
13. Аухадеев А.Э., Идиятуллин Р.Г., Киснеева JI.П.. Литвиненко P.C., Залялов P.P., Павлов П.П., Аухадеев А.А Программа расчета рациональных режимов работы тягового электрооборудования электроподвижного состава при движении по заданному маршруту с учетом влияния эксплуатационных факторов: а.с. 2019618673 Рос. Федерация / заявитель и патентообладатель ФГБОУ ВПО «КГЭУ». - № 2019617116; заявл. 18.06.2019; опубл. 03.07.2019.
14.Aukhadeev A., Idiyatullin R„ Kisneeva L., et al. Development of the theoiy and methods for calculating the rational operation modes of electric traction equipment of urban electric transport // IOP Conference Series: Materials Science and Engineering. - 2019, - V.643(l), -012027.
15. Боровиков В. П. Популярное введение в современный анализ данных в системе СТАТИСТИКА. М.: Горячая линия - Телеком, 2013. 288 с. ISBN 978-5-9912-0326-5. - EDN SDSJFB.
16. Аухадеев А.Э., Идиятуллин Р.Г., Залялов P.P., Литвиненко P.C., Сафиуллин Б.И., Аухадеев A.A., Рашитова Р.А.База данных основных энергетических и эксплуатационных характеристик производственного процесса трамвайного транспорта: а.с. 2020621735 Рос. Федерация / заявитель и патентообладатель ФГБОУ ВО «КГЭУ». №2020621618; заявл. 18.09.2020; опубл. 23.09.2020.
17. Аухадеев А.Э., Идиятуллин Р.Г., Залялов P.P., Литвиненко P.C., Павлов П.П.. Аухадеев A.A., Тухбатуллина Д.И. База данных основных энергетических и эксплуатационных характеристик производственного процесса троллейбусного транспорта: а.с. 2020621753 Рос. Федерация / заявитель и патентообладатель ФГБОУ ВПО «КГЭУ». № 2020621617; заявл. 18.09.2020; опубл. 28.09.2020
Авторы публикации
Ивишн Игорь Владимирович - др. техн. наук, профессор, проректор по науке и коммерциализации. Казанский государственный энергетический университет.
Аухадеев Авер Эрикович - канд. техн. наук, доцент кафедры «Электротехнические комплексы и системы». Казанский государственный энергетический университет.
Jle Кхак Тхинь - аспирант. Казанский государственный энергетический университет.
References
1. Transportnava strategiya Rossiiskoi Federatsii na period do 2030 goda. Available at: URL: http://www.consultant.ru/document/cons doc LAW 82617/ Accessed to: 2 Feb man 2023.
2. Strategiya raz\'itiya avtomobil'nogo transporta i gorodskogo nazemnogo elektricheskogo transporta Rossiiskoi Federatsii na period do 2030 goda. Available at:. URL: https://www.mintrans.ru/file/413547. Accessed to: 3 February 2023.
3. Tishe, chishche, bystree: как elektrobusy za 5 let «zakhvatili» Mosk\'u. Available at: https://5koleso.ru/avtopark/avtobusv/elektrobus-po-stoliclmomu. Accessed to: 29 January 2023.
4. Prikaz Ministersh'a promyshlennosti i torgovli RF ot 31 marta 2015 goda N 660 «Ob utverzhdenii plana meropriyatii po importozameshchemyu г' otrasli transportnogo mashinostroeniya Rossiiskoi Federatsii» (s izmeneniyami i dopolneniyami) Available at: https://base.garant.ru/57427568/Accessed to:l February 2022.
5. Protokol zasedaniya prezi diurna Soveta pri Prezidente RF po modernizatsii ekonomiki i innovatsionnomu irizvitivii ot 16 maya 2016 goda. Available at: URL: www.ac.gov.ru/les/attachment/4843.pdi. Accessed to:2 August 2022.
6. Prolisko EE, Shut' VN. Vozmozhnosti i perspektivy bespilotnogo gorodskogo obshchestvennogo transporta. Matematicheskie metodvv tekhnike i tekhnologiyakh. 2018;9:16-23.
7. Abdulkliakov AK, Pavlov PP. Aukhadeev AE, et al. Osobennosti postroeniya sistem avtomatizirovaimogo upravleniva dvizheniem tramvaev. Mezhdunarodnyi forum KAZAN DIGITAL WEEK - 2021. Sbornik materialov [International forum KAZAN DIGITAL WEEK -2021. Collected papers], Kazan, 2021, pp. 20-25.
8. Rylov YuA. Aukhadeev AE, Solovyeva SI, et al. Experimental research of operating modes traction electric rolling stock. Modern Science. 2017;9:137-140.
9. Malakhov SV, Kapustm MYu. Metod postroeniya adaptivnogo suboptimal'nogo statsionarnogo regulyatora dvizheniya poezda na osnove iskusstvennykh neironnykh setei. Vestnik Naudmo-issledovatel'skogo instituto zheleznodorozhnogo transporta. 2021;80(1):13-19.
10. Sivitskii DA. Analiz opyta i perspektiv primeneniya iskusstvennykh neironnykh setei na zheleznodorozhnom transporte. Vestnik Sibirskogo gosudarstvennogo universiteta putei soobshcheniya. 2021 ;2 (57):33-41.
11. Platonov AK. O postroenii dvizhenii v ballistike i mekhatronike. Prikladnaya mekhanika i upravlenie dvizheniem< Moscow, M.V. Keldysha Institute of Applied Mechanics Publ. 2010, pp. 127-222.
12. Bemshtein NA. О postroenii ch'izheni. Moscow, Medgiz Publ., 1947, 234 p.
13. Aukhadeev AE, Idiyatullin RG, Kisneeva LN, et al. Programma rascheta ratsional'nykh rezhimov rabotv tvagovogo elektrooborudovaniya elektropodvizhnogo sostava pri dvizhenii po zadannomu marshrutu s uchetom vliyaniya ekspluatatsionnykh faktorov. Patent RF, no. 2019618673,2019.
14. Aukhadeev A. Idiyatullin R, Kisneeva L, et al. Development of the theory and methods for calculating the rational operation modes of electric traction equipment of urban electric transport. IOP Conference Series: Materials Science and Engineering. 2019, issue 643(1), 012027.
15. Borovikov VP. Populvarnoe wedenie v sovremennyi analiz daimvkh v sisteme STATISTIC A. Moscow. Goryachaya liniya. Telekom Publ., 2013, 288 p.
16. Aukhadeev AE, Idiyatullin RG, Zalyalov RR, et al. Baza daimvkh osnovnvkh energeticheskikh i ekspluatatsionnykh kharakteristik proizvodstvennogo protsessa tramvainogo transporta. Patent RF, no. 2020621735,2020.
17. Aukhadeev AE. Idiyatullin RG, Zalyalov RR, et al. Baza dannvkh osnovnvkh energeticheskikh i ekspluatatsionnykh kharakteristik proizvodstvennogo protsessa trolleibusnogo transporta. Patent RF, no. 2020621753, 2020.
© Ившин И.В., Аухадеев А.Э., Ле К.Т.
Authors of the publication Igor' V. Ivshin - Kazan State Power Engineering University, Kazan, Russia. Aver E. Auhadeev - Kazan State Power Engineering University, Kazan, Russia. Thinh K. Le - Kazan State Power Engineering University, Kazan, Russia.
Получено 28.02.2023г
Отредактировано 07.03.2023г
Принято 14.03.2023г.
