[x]
Hibás azonosító vagy jelszó!

Elfelejtette jelszavát?

Sínek világa

Rovatok 2015-től

Rovatok

Szerzői segédlet

A Sínek Világa folyóirat szerzőinek összeállított szempontok és segédlet.

Tovább »

Archívum / 2021 / 2. szám

A cikk szerzője:

Nagy Richárd egyetemi tanársegéd
Széchenyi István Egyetem

A vágánygeometria romlási modelljének összehasonlító elemzése

2021 / 2. szám | Új megoldások
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 tanulási szakasz előkészítéséhez létre kellett hoznom egy eljárást, ami felépíti az adott vonal minősítőszámaiból az X mátrixot, azt az adatbázist, amin a neurális háló tanul. Összesen 4985 sort sikerült felépíteni az X mátrixba. Majd az első, tanulási idősíkon kívül eső SAD-számokból az y célvektort is definiálnom kellett. Az 1. táblázatból jól látható az X mátrix felépítése, míg a neurális hálóm topológiáját a 3. ábra mutatja.
Miután felépítettem az X mátrixot és az y célvektort, programoznom kellett a neurális hálós elemzést MATLAB-ban. A 4. ábrán látható topológia szerint futott a tanulási folyamat.


Három tanulási algoritmus közül lehet választani:

  • Levenberg–Marquardt [12, 13],
  • Bayesian-szabályozás,
  • skálázott konjugált gradiens.

Ezen algoritmusok közül az egyik leghatékonyabb módszer a Levenberg–Marquardt-eljárás, amelyet eredetileg Levenberg (1944), majd Marquardt (1963) a nemlineáris paraméterek legkisebb négyzetes becslésére javasolt. A módszer kiválóan alkalmazható neurális hálózat súlyainak beállítására és egyéb optimalizációs problémákra.
A tanulási eljárás eredményét az 5. ábrán látható hibahisztogramon, a tanulási és a tesztszakasz adatainak illeszkedését a 6. ábrán mutatom be.

3. ábra. Neurális háló topológiája

4. ábra. MATLAB MNH topológiája

5. ábra. A neurális háló tanulási eljárásának hibahisztogramja
A következő lépésként, a kapott neurális hálót felhasználva, elkezdtem az összes 500 m-es szakasz előrejelzését fél évről fél évre kiszámítani, és az eredményeket a 3. táblázatba gyűjtöttem, mind a hat másik modellel együtt.

6. ábra. A neurális háló regressziós illeszkedése a tanulási, tesztelési szakaszon külön-külön és egyben

A cikk folytatódik, lapozás:« Előző12345Következő »

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.
Oldal nyomtatása A cikkhez még nem szóltak hozzá - Új hozzászólás
A hozzászólások megtekintéséhez vagy új hozzászólás írásához be kell jelentkeznie!
Sínek Világa A Magyar Államvasútak Zrt. pálya és hídszakmai folyóirata
http://www.sinekvilaga.hu | ©