A cikk szerzője:

Nagy Richárd egyetemi tanársegéd
Széchenyi István Egyetem

A vágánygeometria romlási modelljének összehasonlító elemzése

A cikk a vasúti pálya geometriai romlási modelljeinek elemző vizsgálatával foglalkozik. Bemutat négy, egyszerűbb előrejelző alapmodellt, valamint egy lineáris és egy exponenciális regressziós modellt. Ezt követően a szerző a modellekkel készített előrejelzéseket összehasonlítja a mesterséges neurális hálózatot használó előrejelző modellel. Az eljárás célja annak bemutatása, hogy az eddig használt modellek közül van olyan, amit nagyon korlátozott kereteken belül tarthatunk alkalmasnak előrejelzésre és leírásra, van olyan, amelyik az állapot leírására tágabb keretek között is alkalmas, míg van olyan, amely az előrejelzéseket illetően a legpontosabb eredményeket szolgáltatja.

A kutatásom célja az volt, hogy az FMK-004 felépítményi mérőkocsi által szolgáltatott 500 m-es szakaszokhoz tartozó mérő- és minősítőszámok alapján validáljam vagy megdöntsem a napjainkban nagyon divatos, a mesterséges intelligenciát segítségül hívó algoritmusoknak az előrejelző képességét. Olyan módon tegyem ezt, ahogy a nemzetközi publikációkban is csak nagyon ritkán közlik az azonos szakaszoknak más-más modellen lefuttatott eredményeit és azok összehasonlítását. E cikk megírásához több modellt vizsgáltam és építettem fel, így lehetőségem volt a modelleket alaposabban is összehasonlítani. Ezzel szemben a publikált eljárásokat [1–6] az esetek többségében a cikkek alapján nem lehet reprodukálni. A közölt információk sok esetben hiányosak, vagy ha az eljárás leírása pontos is, az adatok, amelyekkel futtatták a modellt, nem elérhetők. Három szerzővel [7–9] is megkíséreltem felvenni a kapcsolatot, hogy összehasonlítás céljából adatokat kérjek, de szellemi jogra és adattulajdonjogra hivatkozva nem tudtak küldeni sem adatot, sem eljárást, sem programot.

Felmerült kérdések

Az első fontos kérdés az volt, hogy a külföldi szerzők modelljeit át lehet-e ültetni hazai környezetbe és azok reprodukálhatók-e? Foglalkozni kellett azzal, hogy milyen alapmodelleket építsek fel, és milyen modelleket érdemes összehasonlításra bemutatni? Hogyan lehet megoldani, hogy a modellek valós adatokkal történő validálás segítségével összehasonlíthatók legyenek? Milyen programmal készüljön el a neurális hálózat, milyen hálózatot építsek, hány rejtett neuronnal, milyen tanulási algoritmust alkalmazzak, milyen illeszkedés az, ami már kielégítő, de még nem túl specifikus?
Ahogy már említettem, az optimalizáció a neurális hálók esetében kulcskérdés. Röviden, a teljesség igénye nélkül, bemutatom modellem illeszkedési rendellenességeit, amely segítségével belátható, hogy az sem jó feltétlenül, ha egy modell túl jól illeszkedik a leírandó adatokra. A bemutatásnál és leírásnál segítségül hívom Altrichter Mesterséges intelligencia elektronikus almanach című könyvét [10].
 „Egy determinisztikus, felügyelt tanulást végző algoritmus bemenetként megkapja az ismeretlen függvény bizonyos bemeneti értékekhez tartozó válaszait, feladata az ismeretlen függvény – vagy ahhoz nagyon közel álló leképezés – előállítása. Formálisan azt mondjuk, hogy egy minta nem más, mint egy (x, f[x]) értékpár, ahol x a bemeneti érték, míg f(x) az x-re alkalmazott függvény kimeneti értéke. Adott az f-re vonatkozó minták egy halmaza, ennek alapján határozzunk meg egy h függvényt, amely közelíti f-et. A h függvényt hipotézisnek nevezzük. A tanulás nehézsége elvi szempontból abban áll, hogy nem könnyű egy adott h függvényről megmondani, hogy jól közelíti-e f-et. Egy jó hipotézis jól általánosít, azaz jó becslést kapunk a még nem látott mintákra is. Ez az induktív következtetés alapproblémája. A problémát már évszázadok óta kutatják.”
Az 1. ábrán az alábbi esetek láthatók:
a) amikor (x, f[x]) értékpárok és egy velük konzisztens lineáris hipotézis látható;
b) ugyanazokkal az adatokkal konzisztens hetedfokú polinom;
c) adathalmaz pontosan illeszkedő hatodfokú polinommal, illetve közelítő lineáris illesztéssel;
d) egyszerű szinuszos illesztés ugyanazokra az adatokra.

1. ábra. Azonos minták, különböző közelítési eljárások

Előrejelző modellek bemutatása

Négy egyszerű modellt készítettem alapnak, majd két regressziós közelítésűt és végül egy mesterséges neurális hálózattal előrejelzőt. Az alacsonyabb rendű modellekkel azért érdemes összehasonlítást végezni, mert lehetséges olyan eset is, amikor az új, magasabb rendű modell kevésbé hozza azt az eredményt, mint amit szerettek volna a megalkotói.
Jelen esetben az alapmodellek megmutatják, hogy képesek az előrejelzésre, van olyan bonyolultabb modell, amit ezek az alapmodellek egyértelműen „legyőznek”. Ugyanakkor le lehet őket is győzni, sőt le is kell összetettebb rendszerekkel, ami elvárható egy jól optimalizált modelltől. E fejezet mind a két esetre hoz példát.

Alapmodellek

Mind a négy alapmodell lineáris és alacsonyrendűnek tekinthető, de kontrollnak tökéletesen megfelelnek, sőt olyan modell is lesz a négyből, ami kifejezetten jól jelzi előre a vágány geometriai romlását.

Alapmodell – I.

(1),

amelyben a következő (n+1-dik) SAD vágánygeometriai minősítő számértéket úgy számítja, hogy az utolsó (n-edik) SAD-értékhez hozzáadja az utolsó és az első SAD-érték különbségének és a köztük lévő fél évek számának a hányadosát.

Alapmodell – II.

(2),

amelyben a következő SAD-értéket úgy számítja, hogy az utolsó SAD-értékhez hozzáadja az utolsó SAD és azt megelőző SAD-érték különbségét.

Alapmodell – III.

(3),

amelyben a következő SAD-értéket úgy számítja, hogy az utolsó SAD-értékhez hozzáadja az utolsó és az azt megelőző SAD-értékek különbségének felét és hozzáadja az azokat megelőző SAD-érték és azt megelőző érték különbségének a felét.


Alapmodell – IV.

(4),

amelyben a következő SAD-értéket úgy számítja, hogy a megelőző SAD-értékhez hozzáadja a meglévőt megelőző 4. SAD-értéktől számítva az utolsó meglévő SAD-értékig az összes egymás melletti SAD-értékek különbségének negyedét.

A cikk folytatódik, lapozás:12345Következő »

Irodalomjegyzék

  • [1] Wen M, Li R, Salling KB. Optimization of preventive condition-based tamping for railway tracks. European Journal of Operational Research Elsevier BV 2016;252(2):455-65. DOI: 10.1016/j.ejor.2016.01.024.
  • [2] Mishra M, et al. Particle filter-based prognostic approach for railway track geometry. Mechanical Systems and Signal Processing. Elsevier Ltd. 2017;96:226-38. DOI: 10.1016/j.ymssp.2017.04.010.
  • [3] Chiachío J, et al. A knowledge-based prognostics framework for railway track geometry degradation. Reliability Engineering and System Safety 2019;181:127-41. DOI: 10.1016/j.ress.2018.07.004.
  • [4] Lasisi A, Attoh-Okine N. Principal components analysis and track quality index: A machine learning approach. Transportation Research Part C: Emerging Technologies. Elsevier 2018;91:230-48. DOI: 10.1016/j.trc.2018.04.001.
  • [5] Xin T, et al. Grey-system-theory-based model for the prediction of track geometry quality. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit 2016;230(7):1735-44. DOI: 10.1177/0954409715610603.
  • [6] Quiroga L, Schneider E. Modelling of high speed rail geometry aging as a discrete-continuous process. 2010
  • [7] Jia C, et al. Track irregularity time series analysis and trend forecasting. Discrete Dynamics in Nature and Society, 2012. DOI: 10.1155/2012/38785
  • [8] Andrade AR, Teixeira PF. Hierarchical Bayesian modelling of rail track geometry degradation. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit 2013;227(4):364-75. DOI: 10.1177/0954409713486619.
  • [9] Sharma S, et al. Data-driven optimization of railway maintenance for track geometry. Transportation Research Part C: Emerging Technologies. Elsevier 2018;90:34-58. DOI: 10.1016/j.trc.2018.02.019.
  • [10] Altrichter, et al. Mesterséges intelligencia elektronikus almanach. 2006
  • [11] Csaji BC. Approximatino with artiificial Neural Networks. 2001
  • [12] Levenberg K. A method for the solution of certain non-linear problems in least squares. Quarterly of Applied Mathematics 1944;2(2):164-8.
  • [13] Marquardt DW. An Algorithm for Least-Squares Estimation of Nonlinear Parameters. Journal of the Society for Industrial and Applied Mathematics 1963;11(2):431-41.
A teljes cikket megtalálja a folyóirat 2021 / 2. számában.
Ha szeretne rendszeresen hozzájutni a legfrisebb számokhoz, fizessen elő a folyóiratra.
A hozzászólások megtekintéséhez vagy új hozzászólás írásához be kell jelentkeznie!
Sínek Világa A Magyar Államvasútak Zrt. pálya és hídszakmai folyóirata
http://www.sinekvilaga.hu | ©