[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 validálási folyamat

Azért választottam ennek az eljárásnak a vizsgálatára a 60. számú vonalat, mert ez az a vonal, ahol a leghosszabb munkáltatás nélküli 500 m-es szakaszok vannak. Így fel tudtam állítani olyan validálási modellt, aminek működtetése valódi értékekkel történik. Az eljárás a következő lépésekből áll: A 60. számú vasútvonal olyan 500 m-es szakaszainak SAD-adatsorát gyűjtöttem ki, ahol legalább hét vagy több beavatkozásmentes fél év található, ezeket lehet látni az „Eredeti” megnevezésű sorokban.

7. ábra. Az összes modell hibája négyzetes középértékének alakulása a mérési fél évek függvényében

8. ábra. A három legjobb előrejelzésre képes modell összehasonlítása

A négy alapmodell szerinti előrejelzések a „Primitív_1, …_2, …_3, …_4” sorokban vannak. Ugyanígy a regressziós illeszkedési vizsgálatok lineáris és exponenciális eredményei a „Reg., illetve_lineáris” és a Reg., illetve_exponenciális” sorokban láthatók, a neurális hálóval számítottak pedig a „Neurális” sorban. Minden sor alatt látható a négyzetes hiba értéke, ami a valós és a számított érték különbségének a négyzete.
Majd a 9. számú képlettel kiszámítottam a 60. számú vonal modellhibájára jellemző négyzetes középértéket:

(9)

Az eredményeket a 2. táblázatban mutatom be.
A 8–11. ábrákon bemutatom grafikonon is az előrejelzések négyzetes középértékei nagyságának alakulását a fél évek előrehaladásának függvényében.


Jól látható, hogy a neurális hálózat előrejelzése az, ami magasan jobb eredményt mutat a másik hat modellnél.
Az ábrákat összevetve látható, hogy a 6. fél évnél az alapmodell 4 és a lineáris regresszió egy kicsivel kedvezőbb eredményt mutat, mint a neurális hálózat. Ennek oka az, hogy a 6. fél évig alulról becsüli a valós értékeket, majd a 6. fél év után felülről közelíti azt.

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 | ©