ЗАСТОСУВАННЯ МЕТОДУ КЛАСИФІКАЦІЇ ДАНИХ ТА НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ЗАВАДОСТІЙКОСТІ РЕЙКОВОГО КОЛА

Ключові слова: тональне рейкове коло, класифікація, інтелектуальний аналіз даних, завадостійкість, нейронні мережі, база даних.

Анотація

У статті запропонована оптимізація існуючого пристрою підвищення завадостійкості тональних рейкових кіл. За рахунок того, що сигнальний струм у тональному рейковому колі являє собою сигнал тональної частоти, модульований імпульсами, то завдяки розмиканню тракту передачі тонального рейкового кола на вході колійного приймача під час інтервалів між імпульсами сигнального струму можна захистити колійний приймач від впливу на нього завад. Для врахування часу затримки на проходження сигналу з виходу колійного генератора на вхід колійного приймача у пристрої підвищення завадостійкості передбачена лінія затримки. Але час проходження сигнального струму у тракті тонального рейкового кола може коливатись залежно від його параметрів роботи. Для урахування цих коливань та підвищення ефективності виключення завад в інтервалах між імпульсами корисного сигналу запропонований метод адаптивного управління лінією затримки, який дозволить адаптувати параметр часу затримки залежно від довжини рейкової лінії, несучої частоти сигналу, опору ізоляції та частоти модулюючого сигналу. Завдяки вирішенню задачі класифікації даних, що містять інформацію щодо впливу параметрів роботи тонального рейкового кола на час проходження сигналу, було обрано оптимальну структуру моделі на основі нейронних мереж, яка реалізує метод адаптивного управління лінією затримки.

Посилання

ЛІТЕРАТУРА

Гаврилюк В.И., Щека В.И., Мелешко В.В. Испытания новых типов подвижного состава на электромагнитную совместимость с устройствами сигнализации и связи // Наука и прогресс транспорта. Вестник Днепропетровского национального университета железнодорожного транспорта. 2015. №5 (59). С.7-15.

V. Havryliuk, Model of Propagation of Traction Current Harmonics from Trains to a Track Circuit Receiver // 2021 Asia-Pacific International Symposium on Electromagnetic Compatibility (APEMC), 2021, pp. 1-4, doi: 10.1109/APEMC49932.2021.9597152.

K. B. Park, J. Y. Park, M. S. Jang, M. S. Lim, and S. H. Kim. A study on the internal modeling of track circuit (UM71-C) on HSL // Proceedings of. KIEE Conf. Korean Inst. Electr. Eng., 2006, pp. 1130–1131.

A. Debiolles, L. Oukhellou, P. Aknin, and T. Denoeux. Track circuit automatic diagnosis based on a local electrical modelling // Proceedings of WCRR, Jun. 2006, pp. 4–8.

Z. Zheng, S. Dai and X. Xie, Research on Fault Detection for ZPW-2000A Jointless Track Circuit Based on Deep Belief Network Optimized by Improved Particle Swarm Optimization Algorithm // IEEE Access, vol. 8, pp. 175981-175997, 2020, doi: 10.1109/ACCESS.2020.3025628

V. Havryliuk. ANFIS Based Detecting of Signal Disturbances in Audio Frequency Track Circuits // 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC), 2020, pp. 1-6, doi: 10.1109/SAIC51296.2020.9239127.

T. de Bruin, K. Verbert and R. Babuška. Railway Track Circuit Fault Diagnosis Using Recurrent Neural Networks // IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 3, pp. 523-533, March 2017, doi: 10.1109/TNNLS.2016.2551940

Z. W. Huang, X. Y. Wei, Z. Liu. Fault diagnosis of railway track circuits using fuzzy neural network. J. China Railway Soc., 2012, vol. 34, no. 11, pp. 54–59. doi: 10.3969/j.issn.1001-8360.2012.11.009

Zanwu Huang, Shaobin Li, and Xueye Wei. Analysis of temperature impact on audio frequency track circuits using linear regression model / AIP Conference Proceedings 1834, 020019 (2017). doi: https://doi.org/10.1063/1.4981558

V. Havryliuk. Audio Frequency Track Circuits Monitoring Based on Wavelet Transform and Artificial Neural Network Classifier // 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), 2019, pp. 491-496, doi: 10.1109/UKRCON.2019.8879833.

W. B. Zhu, X. M. Wang. Research on fault diagnosis of railway jointless track circuit based on combinatorial decision tree // J. China Railway Soc., 2018, vol. 40, no. 7, pp. 74–79. doi: 10.3969/j.issn.1001-8360.2018.07.011

Zhang M. Railway track circuit fault diagnosis based on support vector machine with particle swarm optimization // 2013 International Conference on Electrical, Control and Automation Engineering, 1-2 dec. 2013. Lancaster: DEStech Publications, 2013. 662p.

Dong W. Fault diagnosis for compensating capacitors of jointless track circuit based on dynamic time warping // Mathematical Problems in Engineering. New York: Hindawi Publishing Corporation. Vol. 2014. P.2-13.

Саяпіна І.О.. Удосконалення методів і засобів підвищення завадостійкості тональних рейкових кіл: дис. … канд. техн. наук : 05.22.20 / УкрДУЗТ. Харків, 2017. 160 с

Саяпина И.А. Моделирование характеристик передачи сигналов тональной рельсовой цепи // Збірник наукових праць Української державної академії залізничного транспорту. Харків: УкрДАЗТ, 2012. Вип.134. С.173-181.

Саяпина И.А. Проверка модели рельсовой цепи на адекватность // Інформаційно-керуючі системи на залізничному транспорті: науково-технічний журнал. Харків: УкрДАЗТ, 2013. Вип. 4(101). С.31-36.

Levenberg, K. A. Method for the Solution of Certain Problems in Least Squares // Quarterly of Applied Mathematics. USA:Brown University, 1944.Vol. 2. P. 164-168.

Ranganathan A. The Levenberg-Marquardt Algorithm // Tutoral on LM Algorithm, 2004. P.1-5.

Foresee F.D., Hagan M.T. Gauss-Newton Approximation To Bayesian Learning // Proceedings of the International Joint Conference on Neural Networks. San Jose CA: Institute of Electrical and Electronics Engineers, 1997. P. 1930-1935.

REFERENCES

V.I. Havryliuk, V.I. Shcheka, V.V. Meleshko (2015). Ispytaniya novykh tipov podvizhnogo sostava na elektromagnitnuyu sovmestimost' s ustroystvami signalizatsii i svyazi [Tests of new types of rolling stock for electromagnetic compatibility with signaling and communication devices]. Nauka i progress transporta. Vestnik Dnepropetrovskogo natsional'nogo universiteta zheleznodorozhnogo transporta [Science and progress of transport. Bulletin of the Dnepropetrovsk National University of Railway Transport], 5(59). 7-15.

V. Havryliuk, (2021). Model of Propagation of Traction Current Harmonics from Trains to a Track Circuit Receiver. 2021 Asia-Pacific International Symposium on Electromagnetic Compatibility (APEMC). 1-4. doi: 10.1109/APEMC49932.2021.9597152.

K. B. Park, J. Y. Park, M. S. Jang, M. S. Lim, and S. H. Kim, (2006). A study on the internal modeling of track circuit (UM71-C) on HSL. Proceedings of. KIEE Conf. Korean Inst. Electr. Eng., 1130–1131.

A. Debiolles, L. Oukhellou, P. Aknin, and T. Denoeux, (2006). Track circuit automatic diagnosis based on a local electrical modelling. Proceedings of WCRR, 4–8.

Z. Zheng, S. Dai and X. Xie, (2020). Research on Fault Detection for ZPW-2000A Jointless Track Circuit Based on Deep Belief Network Optimized by Improved Particle Swarm Optimization Algorithm. IEEE Access, 8, 175981-175997. doi: 10.1109/ACCESS.2020.3025628

V. Havryliuk (2020). ANFIS Based Detecting of Signal Disturbances in Audio Frequency Track Circuits. 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC), 1-6. doi: 10.1109/SAIC51296.2020.9239127.

T. de Bruin, K. Verbert and R. Babuška (2017). Railway Track Circuit Fault Diagnosis Using Recurrent Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, 28(3), 523-533. doi: 10.1109/TNNLS.2016.2551940

Z. W. Huang, X. Y. Wei, Z. Liu (2012). Fault diagnosis of railway track circuits using fuzzy neural network. J. China Railway Soc., 34, 11, 54–59. doi: 10.3969/j.issn.1001-8360.2012.11.009

Zanwu Huang, Shaobin Li, and Xueye Wei (2017). Analysis of temperature impact on audio frequency track circuits using linear regression model. AIP Conference Proceedings 1834, 020019 doi: https://doi.org/10.1063/1.4981558

V. Havryliuk (2019). Audio Frequency Track Circuits Monitoring Based on Wavelet Transform and Artificial Neural Network Classifier. 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), 491-496, doi: 10.1109/UKRCON.2019.8879833

W. B. Zhu, X. M. Wang (2018). Research on fault diagnosis of railway jointless track circuit based on combinatorial decision tree. J. China Railway Soc., 40, 7, 74–79. doi: 10.3969/j.issn.1001-8360.2018.07.011

Zhang M. (2013). Railway track circuit fault diagnosis based on support vector machine with particle swarm optimization. 2013 International Conference on Electrical, Control and Automation Engineering. Lancaster: DEStech Publications, 662.

Dong W. (2014). Fault diagnosis for compensating capacitors of jointless track circuit based on dynamic time warping. Mathematical Problems in Engineering. New York: Hindawi Publishing Corporation, .2-13.

I.O. Saiapina (2017). Improvement of methods and means to increase audio frequency track circuits noise immunity. Thesis of PhD Kharkiv, 160. [in Ukrainian]

I. Saiapina (2012). Modelirovaniye kharakteristik peredachi signalov tonal'noy rel'sovoy tsepi [Modeling the Signaling Characteristics of a Tone Track Circuit]. Zbirnyk naukovykh pratsʹ Ukrayinsʹkoyi derzhavnoyi akademiyi zaliznychnoho transportu [Collection of scientific works of the Ukrainian State Academy of Railway Transport], 134, 173-181.[in Russian]

I. Saiapina (2013). Proverka modeli rel'sovoy tsepi na adekvatnost' [Validation of the track circuit model for adequacy]. Informatsiyno-keruyuchi systemy na zaliznychnomu transporti [Information and control systems for railway transport], 4(101), 31-36. [in Russian]

Levenberg, K. A. (1944) Method for the Solution of Certain Problems in Least Squares. Quarterly of Applied Mathematics, 2. 164-168.

Ranganathan A. (2004) The Levenberg-Marquardt Algorithm. Tutoral on LM Algorithm, 1-5.

Foresee F.D., Hagan M.T. (1997) Gauss-Newton Approximation To Bayesian Learning. Proceedings of the International Joint Conference on Neural Networks. San Jose CA: Institute of Electrical and Electronics Engineers, 1930-1935.

Опубліковано
2022-06-28
Розділ
Інформаційні, телекомунікаційні та ресурсозберігаючі технології