Rovatok 2015-től
Rovatok
- Bemutatkozás »
- Fejlesztés beruházás »
- Informatika »
- Korszerűsítés »
- Környezetvédelem »
- Közlekedésbiztonság »
- Közlekedéstörténet »
- Kutatás »
- Megemlékezés »
- Méréstechnika »
- Mérnöki ismeretek »
- Minőségbiztosítás »
- Szabályzatok »
- Technológia »
- Egyéb »
Szerzői segédlet
A Sínek Világa folyóirat szerzőinek összeállított szempontok és segédlet.
Tovább »A vágánygeometria romlási modelljének összehasonlító elemzése
Felmerülhet a kérdés, hogy az előrejelzéseknek mekkora a szórása, mivel egy jobb átlagot hozó, de jelentősen nagyobb szórással rendelkező modell nem mondható jobb becslésnek. Így megvizsgáltam az előrejelzések szórását fél évekre lebontva, s ennek eredményeit a 9–11. ábra mutatja. Jól látható, hogy az előrejelzés szórásai között nincs szignifikáns különbség.
A 7. ábrán láthatóan bizonyítást nyert a 60. számú (Pécs–Gyékényes-) vasútvonal példáján, hogy a Vaszary-féle romlási egyenlet a vasúti vágány geometriai romlásának leírására alkalmas, ugyanakkor a romlás előrejelzésére nem a legpontosabb modell. Olyan eljárást kell keresni, amely a pályaállapot változásának előrejelzését a mai kor eszközeivel megbízhatóbb módon modellezi. Az itt bemutatott új modellt (mesterséges neurális hálózat) segítségül hívva belátható, hogy jelentősen jobb eredményeket ad az eddigi modelleknél. Ennek köszönhetően a vonal geometriai romlásának az átlagos előrejelzési hibáját az exponenciális előrejelzés hibájának 38%-ára tudtam csökkenteni, míg a modell abszolút hibája 27% alatti marad a 9. előre jelzett fél év esetében is.
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.
Ha szeretne rendszeresen hozzájutni a legfrisebb számokhoz, fizessen elő a folyóiratra.