ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ КЛАСИФІКАЦІЇ КОЛИВАНЬ РУХОМОГО СКЛАДУ
DOI:
https://doi.org/10.26906/SUNZ.2024.4.064Ключові слова:
штучні нейронні мережі, Growing Neural Gas, GNG, Growing When Required, GWR, залізничний транспорт, аналіз коливань поїздаАнотація
У роботі розглянуто актуальну сьогодні проблему підвищення максимальної швидкості залізничного транспорту, обмеження та перешкоди на шляху її вирішення і можливості подолання цих перешкод. Окремо розглянуто можливість підвищення максимальної швидкості поїзда на тих ділянках залізничного шляху, де це допустимо. Для реалізації цієї можливості актуальною є задача виявлення, аналізу та класифікації коливань, які виникають під час руху поїзда. Проведено огляд досліджень, присвячених використанню нейронних мереж у суміжних предметних галузях. За результатами аналізу досліджень пропонується для виконання поставленої задачі використовувати модифікацію нейронної мережі Growing Neural Gas – Growing When Required (GWR), яка є оптимальною для виконання задачі аналізу та класифікації коливань поїзду та має можливість донавчатися без пошкодження раніше засвоєної інформації. Розроблено структуру нейронної мережі GWR. Представлено алгоритм роботи нейронної мережі GWR.Завантаження
Посилання
Заковоротный А. Ю. Синтез автоматизированной системы управления подвижным составом на основе геометрической теории управления и нейронных сетей [Электронный ресурс] : дис. ... д-ра техн. наук: спец. 05.13.07 / Александр Юрьевич Заковоротный ; науч. консультант Дмитриенко В. Д. ; Нац. техн. ун-т “Харьков. политехн. ин-т”. – Харьков, 2017. – 433 с. – Библиогр.: с. 326 – 358. – рус.
Deep convolutional neural networks for detection of rail surface defects / S. Faghih-Roohi, S. Hajizadeh, A. Núñez, R. Babuska, B. De Schutter // 2016 International joint conference on neural networks (IJCNN). IEEE. 2016. С. 2584–2589.
Carboni, M., Crivelli, D., 2020. An acoustic emission based structural health monitoring approach to damage development in solid railway axles. Int. J. Fatigue 139, 105753.
Lee, J.S., Hwang, S.H., Choi, I.Y., Kim, I.K., 2018. Prediction of track deterioration using maintenance data and machine learning schemes. J. Transp. Eng. A Syst. 144 (9), 04018045.
Khouzani, A.H.E., Golroo, A., Bagheri, M., 2017. Railway maintenance management using a stochastic geometrical degradation model. J. Transp. Eng. A Syst. 143 (1), 04016002.
Заковоротный А. Ю. Моделирование и оптимизация процессов управления движением дизель-поездов / В.Д. Дмитриенко, А.Ю. Заковоротный / [монография]. – Харьков: Изд. центр «HTMT», 2013. – 248 с.
Fritzke, B. (1995). A growing neural gas network learns topologies. In G. Tesauro, D. S. Touretzky, & T. K. Leen (Eds.), (pp. 625–632). Advances in Neural Information Processing Systems 7 (NIPS’94), Cambridge: MIT Press.
Marsland, S., Shapiro, J., & Nehmzow, U. (2002). A self-organising network that grows when required. Neural Networks, 15, 1041–1058.
