Метод построения адаптивного субоптимального стационарного регулятора движения поезда на основе искусственных нейронных сетей

В статье рассмотрена современная методология выполнения синтеза субоптимального регулятора движения поезда с целью энергосбережения. Существующие методы оптимального управления тягой обладают рядом недостатков, главный из которых — отсутствие непосредственного использования в программе управления данных, полученных во время движения поезда. Математические модели, применяемые для решения оптимальной задачи, могут быть использованы корректно только в случае достаточной адекватности. Проверка на адекватность не является частью известных методов теории оптимального управления. Для устранения такого недостатка предлагается использовать метод оптимальных (субоптимальных) тяговых расчетов на основе искусственных нейронных сетей. Он позволяет повысить точность тяговых расчетов, что особенно важно в аспекте рассмотрения экономии энергозатрат, при этом сократив потребность в вычислительных мощностях. При использовании данного метода можно не только достичь результатов, близких к классическому методу Беллмана, но и проводить обучение или верификацию сети на основе зарегистрированных данных. В статье рассматривается процесс создания и обучения искусственной нейронной сети на модельных данных для решения задачи субоптимального управления. В качестве эталонных данных для обучения нейронной сети использовались режимы движения поезда, полученные методом Беллмана. Приведенные сравнительные результаты работы двух методов показывают применимость искусственных нейронных сетей для решения прикладных задач тяги поездов с возможностью непрерывного обучения, в том числе с использованием данных поездок, которые могут быть напрямую включены в обучающую или тестирующую выборку.

1. Оптимизация управления движением поездов: учеб. пособие / Л. А. Баранов [и др.]; под ред. Л. А. Баранова. М.: МИИТ, 2011. 164 с.

2. Ерофеев Е. В. Выбор оптимального режима ведения поезда на АЦВМ с применением метода динамического программирования // Труды МИИТ. 1967. Вып. 228. С. 16–30.

3. Беллман Р., Дрейфус С. Прикладные задачи динамического программирования / пер. с англ. Н. М. Митрофановой; под ред. А. А. Первозванского. М.: Наука, 1965. 458 с.

4. Юренко К. И. Расчет энергооптимальных режимов движения перспективного подвижного состава методом динамического программирования // Известия вузов. Электромеханика. 2013. № 3. С. 78–82.

5. Малахов С. В., Капустин М. Ю. Реализация динамического программирования с учетом эффективного пересчета в бортовой системе // Наука и техника транспорта. 2020. № 2. С. 74–80.

6. Мугинштейн Л. А., Илютович А. Е., Ябко И. А. Энергооптимальные методы управления движением поездов: сб. науч. тр. ОАО «ВНИИЖТ». М.: Интекст, 2012. 80 с.

7. Юренко К. И., Савоськин А. Н., Фандеев Е. И. Исследование оптимальных траекторий движения поезда с учетом случайных факторов // Труды 3­й науч.­техн. конф. «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2014» (Москва, 18 ноября 2014 г.) / ОАО «НИИАС». М., 2014. С. 211–214.

8. Колмогоров А. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Доклады АН СССР. 1957. Т. 114. № 5. С. 953–956.

9. HechtNielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks. San Diego, 1987. Vol. 3. P. 11–13.

10. Хайкин С. Нейронные сети: полный курс. Изд. 2-е, испр. М.; СПб.: Диалектика, 2019. 1104 c.