Машинное обучение научили точнее рассчитывать движение грузовых поездов: расхождение по времени — менее минуты

«Наш алгоритм позволит разрабатывать оптимальные стратегии управления железнодорожными составами, адаптированные к конкретным условиям — состоянию путей, загрузке состава, рельефу местности. В перспективе такие системы помогут железным дорогам экономить электроэнергию и продлить срок службы поездов, что особенно важно для дальних грузовых перевозок», — пояснил доцент Омского государственного университета путей сообщения Станислав Истомин. Его слова приводит пресс-служба РНФ.

Россия входит в число стран с самой протяжённой железнодорожной сетью в мире, значительная часть которой электрифицирована. Железные дороги обеспечивают интенсивные пассажирские и грузовые перевозки, требующие больших затрат энергии. Поэтому оптимизация режимов движения поездов — одно из направлений повышения эффективности железнодорожного транспорта.

Расход электроэнергии зависит не только от массы состава и характеристик локомотива, но и от множества внешних условий: профиля пути, подъёмов и спусков, сопротивления движению, погодных факторов и выбранной скорости. Алгоритмы управления могут учитывать эти параметры и рассчитывать режим движения так, чтобы сократить энергопотребление без нарушения графика.

Однако традиционные методы, основанные преимущественно на физических моделях, не всегда достаточно точно описывают реальные условия эксплуатации. На результат влияют особенности конкретного состава, состояние инфраструктуры и факторы, которые трудно полностью учесть в теоретических расчётах.

Чтобы повысить точность прогнозирования, исследователи объединили физические уравнения движения с машинным обучением. Для обучения модели использовали данные более чем о 1500 реальных поездках грузовых составов с электровозами на различных участках Западно-Сибирской железной дороги.

На основе этих данных алгоритм научился оценивать сопротивление движению при разных режимах работы поезда, включая составляющие, которые сложно предсказать с помощью одних лишь теоретических моделей. Это позволило точнее рассчитывать движение состава по заданному маршруту. По сообщению РНФ, расхождение между расчётным и фактическим временем движения не превышало одной минуты, а качество расчётов повысилось на 10–15%.

Следующий этап — проверка алгоритма в реальных условиях эксплуатации на российских железных дорогах. Именно там предстоит выяснить, насколько хорошо модель переносит результаты обучения на новые маршруты, другие составы и меняющиеся погодные условия.

При этом повышение точности расчёта времени движения ещё не означает автоматически такого же сокращения энергопотребления или износа оборудования: эти эффекты необходимо отдельно подтвердить эксплуатационными испытаниями. Если алгоритм действительно позволит экономить электроэнергию и беречь подвижной состав, насколько быстро железные дороги смогут внедрить его в системы управления движением — и кто должен доказать экономический эффект: разработчики модели или операторы, которые будут её использовать?

Источник: https://tass.ru/nauka/28209489