Application of artificial intelligence technologies at substantiation of effective control algorithms for the electrical engineering complex of urban electric transport traction electrical equipment

Full Text

ВВЕДЕНИЕ

С 2023 г. Правительство РФ совместно с Министерством транспорта реализуют программу Комплексного развития городского электрического транспорта (ГЭТ). Работа идет в рамках федерального проекта «Развитие общественного транспорта» национального проекта «Безопасные качественные дороги». На модернизацию ГЭТ до 2030 г. планируется направить более 310 млрд рублей. В рамках программы предусматривается строительство и реконструкция 620 км трамвайных путей, 11 депо и 97 тяговых подстанций, поставка 646 трамвайных вагонов, не менее 284 электробусов, установка не менее 100 зарядных станций и др. [1].

Инициативы Правительства РФ, направленные на развитие городского электрического транспорта, полностью соответствует мировым тенденциям «возрождения» в больших городских агломерациях систем общественного транспорта на основе электрической тяги.

Активная государственная поддержка направлена, в первую очередь, на стимулирование отечественного производителя, что обеспечит снижение импорта готовых технических решений и предотвращение отставания технологического уровня производства от зарубежных аналогов [2]. Для модернизации и развития существующей системы общественного ГЭТ необходимо производство перспективных моделей контактного ГЭТ с новым тяговым электрооборудованием (ТЭО), разработанных с учетом требований к повышению комфортности (плавный пуск и высокие динамические характеристики, повышенная автономность хода, низкопольность транспортного средства (ТС) и др.) и энергетической эффективности перевозок (снижение массы ТС, применение асинхронного электропривода, внедрение энергосберегающих систем управления тяговым приводом, систем рекуперации и др.).

Также необходимо отметить, что в рамках программы Комплексного развития ГЭТ планируется реализация проекта по созданию цифровой платформы по управлению общественным транспортом, которая позволит контролировать весь процесс пассажироперевозок, осуществлять диспетчерское управление и мониторинг пассажиропотока, планировать маршруты и т.д. [1]. Данный проект соответствует целям и задачам Стратегического направления развития в области цифровой трансформации транспортной отрасли Российской Федерации до 2030 года, при решении которых особое внимание уделяется цифровизации пассажирских перевозок и цифровизации управления транспортным комплексом с применением технологий искусственного интеллекта (ИИ) [3].

Кроме того, к основным направлениям цифровой трансформации транспортной отрасли относятся задачи повышения уровня технологического развития и декарбонизации транспортного комплекса, а также цифровизации ТС, для решения которых активно ведутся разработки, связанные с беспилотным общественным электротранспортом [3]. В настоящее время успешно тестируются модели беспилотных электробусов, разработанные ПАО “КАМАЗ” (КАМАЗ-1221 “ШАТЛ”) и ООО “Волгабас Робо Лаб” (платформа “MatrЁshka”). На 2023-2024 гг. анонсированы запуски беспилотных трамваев в городах Москва, Санкт-Петербург, Казань. Усть-Катавский вагоностроительный завод, входящий в состав госкорпорации «Роскосмос», объявил о начале сборки первого полностью беспилотного отечественного трамвая.

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, систем управления и др. [4], основанных на технологиях ИИ, перечень которых для применения в транспортной отрасли по видам транспорта и процессов утвержден Реестром технологий ИИ в транспортной отрасли [5].

Задачи беспилотного управления трамвайным транспортом на основе технологий ИИ появились как следующий этап развития систем автоведения рельсового электроподвижного состава, активно применяемых на железной дороге. При этом эксплуатация ГЭТ имеет ряд особенностей, характеризующихся технологией пассажирских перевозок в городской среде, которые предопределяют высокую эффективность внедрения систем интеллектуального управления.

Подвижной состав ГЭТ работает на заданном маршруте согласно утвержденному расписанию движения, основным документом для составления которого служит наряд, разрабатываемый на основе материалов обследования пассажиропотока, хронометражных измерений времени на пробег и пропускной способности узлов дорожной сети и определяющий число ТС на маршруте, их среднюю эксплуатационную скорость, наибольший допустимый интервал и др. [6]. В течение рабочей смены водитель, как правило, закрепленный за конкретным ТС выполняет несколько рейсов по заданному маршруту движения, что позволяет набрать большой массив данных, характеризующих режимы движения ТС в реальных условиях эксплуатации, для интеллектуального анализа.

Все это открывает широкие перспективы для внедрения систем интеллектуального управления ГЭТ, основными задачами которых является повышение качества пассажироперевозок при кардинальной минимизации ДТП и экономии энергоресурсов. Внедрение таких технологий ИИ как «системы помощи водителю» и «прогнозирование дорожной обстановки» позволит реализовывать алгоритмы эффективного управления электротехническим комплексом ТЭО городского электротранспорта, определяющие рациональные режимы вождения ТС, что приведет к улучшению эксплуатационных показателей ГЭТ, а также существенной экономии электроэнергии, расходуемой на тягу (см., например, [7, 8]). Все вышесказанное определяет актуальность совершенствования технологии технического зрения, сбора и обработки потоков данных о параметрах движения, интеллектуального анализа информации на основе нейронных сетей и т.д.

ОПРЕДЕЛЕНИЕ СТРУКТУРЫ И ПАРАМЕТРОВ АЛГОРИТМА ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ЭЛЕКТРОТЕХНИЧЕСКИМ КОМПЛЕКСОМ ТЯГОВОГО ЭЛЕКТРООБОРУДОВАНИЯ ГОРОДСКОГО ЭЛЕКТРОТРАНСПОРТА

Расчеты эффективных алгоритмов работы электротехнического комплекса ТЭО с применением нейронных сетей используются 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 рациональных режимов вождения наземного рельсового ГЭТ предполагает возникновение ряда несоответствий, предопределяющих их низкую 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 количество участков с ограничением скорости и др.

Таким образом, требуется разработка и обучение нейросетевых моделей для определения параметров алгоритмов эффективного управления электротехническим комплексом 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 транспортного средства в условиях реальной эксплуатации ГЭТ, а также выбор и обоснование состава параметров входного и выходного слоев.

Рассмотрим некоторые аспекты применения нейронных сетей для обоснования алгоритмов эффективного управления электротехническим комплексом ТЭО городского электротранспорта.

Согласно ГОСТ 19350–74 “Электрооборудование электрического подвижного состава. Термины и определения” выделяют следующие режимы работы ТЭО, соответствующие режимам движения ТС (см. Рис. 1): тяговый режим (с различной степенью возбуждения тягового электродвигателя (ТЭД)) и режимам торможения (рекуперативный, реостатный). Указанным режимам соответствуют характерные режимы работы ТЭД, являющихся основным элементом ТЭО (см. Рис. 1, а).

Согласно ГОСТ 2582–2013 “Машины электрические вращающиеся тяговые. Общие технические условия” для ТЭД характерны режимы работы: продолжительный (S₁), кратковременный (S₂), повторно-кратковременный (S₃). Особенностью эксплуатации ТС ГЭТ являются короткие перегоны и частые пуски ТЭД, а, следовательно, преобладание режимов S₂ и S₃. Основными параметрами этих режимов является соотношение продолжительности режимов под нагрузкой (тяга или торможение) и без нагрузки (выбег или остановка) (см. Рис. 1).

Рис. 1. Характерные для ГЭТ режимы работы ТЭО (а)

$t_{\text{р}i}{t}_{\text{т}i}$ – продолжительность тягового режима (разгона) и время начала торможения на i-м перегоне; $V_{\text{р}i}{V}_{\text{т}i}$ – максимальная скорость разгона и скорость начала торможения ТС на i-м перегоне, ${\omega }_{\text{р}i}{\omega }_{\text{т}i}$ – угловая скорость вала ТЭД в конце разгона и начале торможения ТС на i-м перегоне соответственно, $T_{\text{х}i}$ – время хода на i-м перегоне; $v_i\left(t\right)$, $I_{\text{ТС}i}\left(t\right)$ – кривые скорости и потребляемого тока ТС; $I_{\text{ТЭД}i}\left(t\right)$ – ток, потребляемый ТЭД; $n_{\text{ТЭД}}$ - число ТЭД в составе ТЭО ТС; $D_{\text{к}}$ – диаметр колеса ТС, μ – коэффициент передачи редуктора

Fig. 1.  Typical for urban electric transport modes of traction electrical equipment (a)

$t_{\text{р}i}{t}_{\text{т}i}$ – duration of traction mode (acceleration) and braking start time at the i-th distance; $V_{\text{р}i}{V}_{\text{т}i}$ – maximum acceleration speed and braking start speed of the vehicle at the i-th distance, ${\omega }_{\text{р}i}{\omega }_{\text{т}i}$ – angular speed of the traction motor shaft at the end of acceleration and beginning of braking of the vehicle at the i-th distance, respectively; $T_{\text{х}i}$ – travel time at the i-th distance; $v_i\left(t\right)$, $I_{\text{ТС}i}\left(t\right)$ – speed and current consumption curves of the vehicle; $I_{\text{ТЭД}i}\left(t\right)$ – current consumed by the traction motor; $n_{\text{ТЭД}}$ – number of traction motors; $D_{\text{к}}$ – wheel diameter of the vehicle, μ – gearbox transfer coefficient

Под алгоритмом эффективного управления электротехническим комплексом ТЭО ТС будем понимать определенную последовательность переключения режимов работы ТЭО, выполняемую водителем в соответствии с технологией эксплуатации ГЭТ, обеспечивающую минимальный расход электроэнергии на тягу ТС, при движении на заданном маршруте по установленному расписанию. В качестве параметров, однозначно определяющих выбранную последовательность режимов работы ТЭО при движении ТС на i-м перегоне, будем использовать значения: продолжительности тягового режима (разгона) $t_{\text{р}i}$, c; времени начала торможения $t_{\text{т}i}$, с; времени хода $T_{\text{х}i}$, с; максимальной скорости разгона $V_{\text{р}i}$, км/ч; скорости начала торможения ТС $V_{\text{т}i}$, км/ч (см. Рис. 1, а, б). Для оценки энергетических показателей работы ТЭО целесообразно выбрать величину удельного расхода электроэнергии (УРЭ) $A_{\text{уд}}$, кВт*ч/т*км, затрачиваемой на тягу ТС. Условимся, что реализуемый при движении ТС на i-м перегоне заданной длины алгоритм управления электротехническим комплексом ТЭО принимается эффективным (рациональным) если УРЭ $A_{\text{уд рац}}$ по значению меньше УРЭ, задаваемого в качестве нормы $A_{\text{уд н}}$ для данного участка пути.

Водитель ТС, посредством органов управления задает структуру и параметры алгоритма приключения режимов работы ТЭО, таким образом формируя режимы движения ТС (см. Рис. 1, а, б). Выбор водителя, предопределенный его опытом и квалификацией, формируется под влиянием множества эксплуатационных факторов, характеризующих реальные дорожные условия и технологию перевозочного процесса. Исследование этих факторов, оценка характера их влияния на режимы движения ТС, поиск адекватных теоретических и вероятностных моделей их взаимосвязи с параметрами режимов работы ТЭО является актуальной научной задачей, решение которой позволит существенно повысить качество набора данных для обучения искусственных нейронных сетей.

Для определения эксплуатационных факторов, влияющих на режимы работы ТЭО, автором ранее предложена модель управляемого движения ТС, являющегося в общем случае результатом преобразования, передачи и использования электрической энергии и информации в производственно-технической системе ГЭТ. Теоретическое обоснование модели, а также ее математическая интерпретация представлена в серии работ [11, 12]. Необходимо отметить, что управляемое движение ТС в данном случае рассматривается как реализация последовательности режимов работы ТЭО, заданной определенным алгоритмом управления, реализуемым водителем в соответствии с технологией эксплуатации и задачами производственного процесса ГЭТ.

За основу предложенной модели принята концепция “уровней построения движения”, используемая академиком Д.Е. Охоцимским в работах по динамике космического полета, робототехнике и мехатронике [13]. Данная концепция, реализует принципы организации работы мозга человека при выполнении спортивных, трудовых и других движений, которые были изучены и сформулированы выдающимся советским физиологом и биомехаником Н.А. Бернштейном в его научном труде «О построении движений» [14].

Такой подход при изучении управляемого движения ТС ГЭТ соответствует современным тенденциям заимствования биологических аналогий при исследовании работы сложных технических систем. Следует отметить, что прототипом искусственных нейронных сетей, предлагаемых в данной работе и активно применяющихся во многих технологиях ИИ, утвержденных для транспортной отрасли, являются именно биологические нейронные сети человеческого мозга [5].

РЕЗУЛЬТАТЫ

На основании предложенной модели было проведено компьютерное моделирование режимов работы ТЭО с использованием детерминированных и стохастических моделей, характеризующих априорные данные о различных эксплуатационных факторах, выраженных такими физическими параметрами как: напряжение контактной сети $U_{\text{кс}}$, интервал следования ТС J, количество включения ТЭО на перегоне $n_{\text{вкл}}$, длина перегона L, масса ТС $m_{\text{тс}}$ и др. Это позволило идентифицировать уровень и направленность стохастических связей эксплуатационных и энергетических параметров процесса управляемого движения ТС и режимов работы ТЭО. Для наглядного представления результатов построена графическая корреляционная плеяда для статистических факторов  (Рис. 2).

Рис. 2. Корреляционная плеяда взаимосвязей факторов, влияющих на формирование управляемого движения, полученная на основании компьютерного моделирования

Сила корреляционной связи (значение коэффициента корреляции r)

---- заметная                      сильная                 --··- очень сильная

($\mathrm{0,5}\le r<\mathrm{0,7}$)                 ($\mathrm{0,7}\le r<\mathrm{0,9}$)                ($\mathrm{0,9}\le r<1$)

Fig. 2. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of computer modeling

Correlation strength (value of correlation coefficient r)

---- high moderate             high                       --··- very high

($\mathrm{0,5}\le r<\mathrm{0,7}$)                ($\mathrm{0,7}\le r<\mathrm{0,9}$)                ($\mathrm{0,9}\le r<1$)

В ходе анализа результатов моделирования использовались методы статистического анализа, реализованные в прикладной компьютерной программе STATISTICA [15].

Описание статистических факторов и соответствующих им физических параметров, характеризующих условия эксплуатации ТС, представлены в Табл. 1.

Таблица 1. Факторы, характеризующие условия эксплуатации ТС

Table 1. Factors that characterize the vehicle operating conditions

Для подтверждения результатов компьютерного моделирования были проведены комплексные экспериментальные исследования эксплуатационных режимов ТС в различных городах России (Москва, Волгоград, Самара, Уфа, Пермь, Казань, Набережные Челны, Новочеркасск) с типовыми схемами маршрутной сети (радиальная, радиально-кольцевая, прямоугольная и свободная). Это позволило получить репрезентативную статистическую выборку, характеризующую параметры режимов работы ТЭО ТС, соответствующих технологическому процессу городских пассажироперевозок на действующих маршрутах в реальных производственных условиях ГЭТ [16].

Дальнейший статистический анализ результатов экспериментального исследования подтвердил корреляционные связи между основными факторами, определяющими режимы эксплуатации ТС городского электрического транспорта и параметрами режимов работы электротехнического комплекса ТЭО. Результаты представлены на Рис. 3 в виде корреляционной плеяды взаимосвязей факторов X₁-X₂₂.

Описание статистических факторов и соответствующих им физических параметров, характеризующих режимы движения ТС и работы тягового электрооборудования представлены в Табл. 2.

Рис. 3. Корреляционная плеяда взаимосвязей факторов, влияющих на формирование управляемого движения, полученная на основании экспериментальных исследований

Сила корреляционной связи (значение коэффициента корреляции r)

--·-- умеренная            ---- заметная                   сильная

($\mathrm{0,3}\le r<\mathrm{0,5}$)                ($\mathrm{0,5}\le r<\mathrm{0,7}$)             ($\mathrm{0,7}\le r<\mathrm{0,9}$)

Fig. 3. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of experimental studies

Correlation strength (value of correlation coefficient r)

--·-- moderate               ---- high moderate          high

($\mathrm{0,3}\le r<\mathrm{0,5}$)                ($\mathrm{0,5}\le r<\mathrm{0,7}$)             ($\mathrm{0,7}\le r<\mathrm{0,9}$)

Таблица 2. Факторы, характеризующие процесс реализации управляемого движения

Table 2. Factors that characterize the process of building a controlled movement of the vehicle

^*При многократных включениях ТЭО учитывается суммарная продолжительность работы в соответствующих режимах

Числовые значения коэффициентов парных корреляций статистических факторов  и величины удельного расхода электроэнергии , затрачиваемой на тягу ТС, представлены в виде матрицы на Рис. 4. При этом результаты компьютерного моделирования расположены ниже главной диагонали, результаты реального экспериментального исследования – выше.

Рис. 4. Матрица коэффициентов парных корреляций для величины УРЭ $A_{\text{уд}}$ и статистических факторов, определяющих режимы работы ТЭО

Сила корреляционной связи (значение коэффициента корреляции r)

      умеренная                заметная                  сильная                   очень сильная

($\mathrm{0,3}\le r<\mathrm{0,5}$)            ($\mathrm{0,5}\le r<\mathrm{0,7}$)            ($\mathrm{0,7}\le r<\mathrm{0,9}$)           ($\mathrm{0,9}\le r<1$)

Fig. 4. Matrix of pair correlation coefficients for the value of specific power consumption $A_{\text{уд}}$ and statistical factors determining the modes of operation of traction electrical equipment

Correlation strength (value of correlation coefficient r)

      moderate                  high moderate          high                         very high

($\mathrm{0,3}\le r<\mathrm{0,5}$)            ($\mathrm{0,5}\le r<\mathrm{0,7}$)            ($\mathrm{0,7}\le r<\mathrm{0,9}$)           ($\mathrm{0,9}\le r<1$)

Анализ корреляционных плеяд (см. Рис. 2 и 3) и матрицы коэффициентов парных корреляций (см. Рис. 4) показал, что некоторые статистические связи, определяющие влияние эксплуатационных факторов на параметры алгоритмов управления режимами работы ТЭО, выявленные на основе компьютерного моделирования, в реальных условиях эксплуатации ГЭТ проявляются слабее. Также по результатам эксперимента были выявлены связи, не выразившиеся при компьютерном моделировании, которые оказывают влияние на режимы работы ТЭО, что дало возможность внести корректировки в разработанную математическую модель управляемого движения ТС городского электрического транспорта.

Проведенные исследования позволили ограничить избыточность выборки обучающих данных (data set), исключив их нее значения для факторов, характеризующихся «слабой» корреляционной связью (r < 0,3). Кроме того, при формировании состава входного и выходного слоев нейронных сетей рассматривались только параметры, для которых соответствующие статистические факторы характеризовались «заметной» ($\mathrm{0,5}\le r<\mathrm{0,7}$) и «сильной» ($\mathrm{0,7}\le r<\mathrm{0,9}$) корреляционной связью.

Необходимо отметить, что, как правило, нейросетевые модели для определения параметров движения ТС, учитывающие широкий комплекс эксплуатационных факторов, характеризуются сложной архитектурой и значительным количеством скрытых слоев и нейронов. Обладая широкими возможностями обработки информации, такие нейронные сети могут быть склонны к переобучению или требуют существенных временных и аппаратно-программных ресурсов, что является критичным при построении бортовых систем автономного управления, обеспечивающих движение ТС в реальном времени.

Проведенные исследования показывают возможность использования комплекс небольших нейросетевых моделей для решения частных (локальных) задач с ограниченным количеством факторов с последующим их включением в общий (глобальный) алгоритм определения параметров эффективного управления электротехническим комплексом ТЭО ГЭТ.

Рассмотрим алгоритм определения параметров режимов работы ТЭО для трамвайного вагона 71-619К при движении на перегоне заданной длины L. Для некоторого упрощения алгоритма условимся, что сложные перекрестки и участки ограничения скорости на перегоне отсутствуют, план и профиль пути учитывается величиной эквивалентного уклона $i_{\text{э}}$, ⁰/₀₀, а влияние таких факторов, как отклонение напряжения в контактной сети, квалификация водителя, техническое состояние подвижного состава, рельсового пути, отсутствует.

Согласно СНиП 2.05.09-90 «Трамвайные и троллейбусные линии» 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 до 700  (см. Рис. 5). При этом число включений ТЭО на перегоне распределено в следующем соотношении: $n_{\text{вкл}}$ = 1 – 32%; $n_{\text{вкл}}$ = 2 – 46%; $n_{\text{вкл}}$ = 3 – 17%; $n_{\text{вкл}}$ ≥ 4 – 5%. Количество включений ТЭО на перегоне $n_{\text{вкл}}$ ≥ 4, как правило, связано с прохождением неконтролируемых перекрестков или участков с ограничением скорости и может не учитываться.

Таким образом, общий алгоритм может быть реализован на основании трех нейронных сетей для «частных» задач определения параметров эффективного управления электротехническим комплексом ТЭО при количестве включений $n_{\text{вкл}}$ от 1 до 3 на заданном перегоне.

Выбор эффективной архитектуры нейронный сетей осуществлялся с применением модуля Automated Neural Networks программы STATISTICA [17]. В качестве входных параметров для нейросетевой модели при $n_{\text{вкл}}$ = 1 были выбраны следующие эксплуатационные факторы: длина перегона L, м; время хода на перегоне $T_{\text{х}}$, с; масса ТС $m_{\text{ТС}}$, т; значение эквивалентного уклона перегона $i_{\text{э}}$, ⁰/₀₀. Выходом сети являются основные параметры алгоритма управления электротехническим комплексом ТЭО при реализации одного включения на перегоне ($n_{\text{вкл}}$ = 1): продолжительность разгона (тяговый режим) $t_{\text{р}1}$, с при первом включении ТЭО; максимальная скорость разгона $V_{\text{р}1}$, км/ч при первом включении ТЭО; продолжительность торможения (режим торможения) $t_{\text{т}}$, с; скорость начала торможения $V_{\text{т}}$, км/ч; величина УРЭ $A_{\text{уд}}$, 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.

Рис. 5. Распределение значений длин перегонов L, м, характерных для ГЭТ

Fig. 5. Distribution of lengths of distances L, m, typical for urban electric transport

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. Нейронная сеть имеет обучающую и контрольную производительность более 0,85, тестовую – более 0,82 (Рис. 6, а).

Рис. 6. Нейронные сети на основе многослойного персептрона: MLP 4-11-5 (а); MLP 4-6-9-8 (б); MLP 4-12-11-11 (в)

Fig. 6. Neural networks based on multilayer perceptron: MLP 4-11-5 (а); MLP 4-6-9-8 (б); MLP 4-12-11-11 (в)

Число и перечень входных параметров для нейросетевой модели для $n_{\text{вкл}}$ = 2 аналогичны предыдущей модели. Выходом сети кроме 5 параметров, используемых для модели при $n_{\text{вкл}}$ = 1, являются: скорость начала второго включении ТЭО $V_{\text{н}2}$, км/ч, продолжительность разгона $t_{\text{р}2}$, с и максимальная скорость разгона $V_{\text{р}2}$, км/ч при втором включении ТЭО. Наиболее эффективной архитектурой в этом случае обладает сеть  4-6-9-8, 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. 6, б).

Аналогичным образом формируется число и перечень входных и выходных параметров для нейросетевой модели для $n_{\text{вкл}}$ = 3. Выходом сети кроме 8 параметров, используемых для модели при $n_{\text{вкл}}$ = 2 являются: $V_{\text{н}3}$, $t_{\text{р}3}$, $V_{\text{р}3}$. Эффективной архитектурой в этом случая обладает сеть MLP 4-12-11-11, имеющей обучающую и контрольную производительность более 0,78, тестовую – более 0,76 (см. Рис. 6, в).

Общий алгоритм определения параметров эффективного управления электротехническим комплексом ТЭО для трамвайного вагона 71-619К при движении на перегоне заданной длины, реализованный с применением нескольких нейросетевых моделей на основе многослойных персептронов разных уровней сложности представлен на Рис. 7.

Рис. 7. Общий алгоритм определения параметров эффективного управления электротехническим комплексом ТЭО

Fig. 7. General algorithm for determining the parameters of effective control of the traction electrical equipment electrical complex

Особенностью предложенного алгоритма является его реализация на относительно «простых» нейронных сетях, но с разным числом и составом промежуточных слоев и количеством нейронов на выходном слое. При этом, чем сложнее архитектура используемой алгоритмом нейросетевой модели, тем меньше вероятность ее применения при расчете параметров эффективного управления электротехническим комплексом ТЭО, что позволяет обеспечить высокую скорость вычислений.

Для учета более широкого комплекса эксплуатационных факторов, характеризующих технологический и производственный процессы ГЭТ, целесообразно увеличить количество нейронных сетей в структуре алгоритма. Также возможно применение нейросетевых моделей более сложной архитектуры и с большим количеством скрытых слоев и нейронов. Все это сделает предложенный алгоритм более сложным и потребует дополнительных вычислительных и временных ресурсов, но существенно повысит точность расчета.

Необходимо отметить, что особенностью применяемого в исследовании модуля Automated Neural Networks программы STATISTICA является возможность создания исходного системного кода нейросетевой модели в виде файла на языках C, C++, C# или Java [17]. Это позволило разработать и обучить комплекс нейронных сетей для различных частных случаев управляемого движения ТС ГЭТ и интегрировать их итоговый системный код в общую программу расчета параметров алгоритма эффективного управления электротехническим комплексом ТЭО [18].

ЗАКЛЮЧЕНИЕ

Реализуемая Правительством РФ комплексная программа цифровизации транспортной отрасли предполагает внедрение в систему городских пассажирских перевозок беспилотного (интеллектуального) общественного электротранспорта. Это потребует от отечественных производителей ГЭТ создания рекомендательных систем эффективного управления электротехническим комплексом ТЭО транспортных средств на основе технологий искусственного интеллекта.

Использование нейросетевого моделирования в системах поддержки принятия решений («системы помощи водителю») требует проведения комплексного исследования технологического процесса управляемого движения ТС общественного электрического транспорта. Указанное обстоятельство необходимо для обоснования эффективной архитектуры нейронных сетей и подготовки для их обучения адекватного набора данных (dataset), соответствующего реальным условиям эксплуатации ГЭТ.

Представленные в работе результаты компьютерного моделирования и экспериментальных исследований отображают характер и степень стохастических взаимосвязей между эксплуатационными и энергетическими факторами, характеризующими управляемое движение ТС, а также параметрами алгоритмов эффективного управления электротехническим комплексом ТЭО. Это позволило сформировать достаточно полный, но не избыточный набор данных (dataset) для обучения нескольких искусственных нейронных сетей, с достаточно высокой точностью определяющих параметры эффективного управления ТЭО для «частных» случаев реализации движения ТС на заданном перегоне. Полученные нейросетевые модели характеризуются эффективной архитектурой, обусловленной применением современных методов и алгоритмов анализа, реализованных в модуле Automated Neural Networks прикладной программы STATISTICA. На основе полученных нейросетевых моделей разработан общий алгоритм определения параметров эффективного управления электротехническим комплексом ТЭО ТС, обеспечивающий высокую оперативность расчетов и их адекватность реальным эксплуатационным значениям, характерным для наземного рельсового общественного электротранспорта.

Результаты работы могут представлять интерес для разработчиков высокоавтоматизированного городского электрического транспорта и интеллектуальных систем «помощи водителю».

Авторы заявляют, что настоящая статья не содержит каких-либо исследований с участием людей в качестве объектов исследований.

The authors state that this article does not contain any studies involving human subjects.

About the authors

Aver E. Aukhadeev

Author for correspondence.
Email: auhadeev.ae@kgeu.ru
ORCID iD: 0000-0002-7191-4550
SPIN-code: 2902-4661

Candidate of Technical Sciences, Associate Professor

References

Supplementary files

Supplementary Files

Action

1. JATS XML

Download

2. Fig. 1.  Typical for urban electric transport modes of traction electrical equipment (a)

Download (301KB)

Indexing metadata

3. Fig. 2. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of computer modeling

Download (1MB)

Indexing metadata

4. Fig. 3. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of experimental studies

Download (1MB)

Indexing metadata

5. Fig. 4. Matrix of pair correlation coefficients for the value of specific power consumption  and statistical factors determining the modes of operation of traction electrical equipment

Download (2MB)

Indexing metadata

6. Fig. 5. Distribution of lengths of distances L, m, typical for urban electric transport

Download (325KB)

Indexing metadata

7. Fig. 6. Neural networks based on multilayer perceptron: MLP 4-11-5 (а); MLP 4-6-9-8 (б); MLP 4-12-11-11 (в)

Download (389KB)

Indexing metadata

8. Fig. 7. General algorithm for determining the parameters of effective control of the traction electrical equipment electrical complex

Download (147KB)

Indexing metadata