Текущее состояние и перспективы развития систем энергооптимального управления электровозами 2ЭС6

Введение. Предметом исследования являются текущее состояние и перспективы развития систем энергооптимального вождения поездов грузовыми магистральными электровозами постоянного тока 2ЭС6. Анализ влияния современных тенденций в области энергосбережения и улучшения эффективности использования тяговых энергетических ресурсов на железнодорожном транспорте на тягу поездов показал, что в настоящее время малоисследованными остаются режимы ведения поезда, построенные на методах и алгоритмах машинного обучения и искусственного интеллекта. Основной целью исследования является определение уровня фактического использования систем автоматизации вождения грузовых поездов на участках Урало-Сибирского железнодорожного полигона и его влияние на энергооптимальный график исполненного движения поездов.

Материалы и методы. При решении поставленных задач в работе были использованы основные положения теории тяги поездов, понятия теории автоматизированного управления и диагностики электроподвижного состава, а также статистические методы обработки данных.

Результаты. Сформулирована гипотеза о том, что интеллектульно-адаптивная система поддержки управления подвижным составом с применением методов и алгоритмов машинного обучения и искусственного интеллекта позволит снизить значения удельного расхода электроэнергии локомотивами. Показано, что наиболее целесообразным для построения динамических моделей энергооптимального движения локомотива в режиме реального времени для интеллектуально-адаптивной системы поддержки управления подвижным составом с применением методов и алгоритмов машинного обучения и искусственного интеллекта является использование данных из автоматизированного рабочего места регистратора параметров движения и автоведения грузового локомотива, так как именно эти данные содержат точные значения географических координат, что позволяет синхронизировать измерения по различным поездкам на определенном участке.

Обсуждения и заключение. Применение настраиваемой искусственной рекуррентной нейронной сети на долгой краткосрочной памяти при разработке новых или усовершенствовании уже существующих методов энергоэффективного управления тяговым подвижным составом с поездом позволит модернизировать используемые на локомотивах регистраторы параметров движения. Разработанный авторами алгоритм может лечь в основу создания принципиально новой интеллектульно-адаптивной системы поддержки управления подвижным составом с применением методов и последовательностей машинного обучения и искусственного интеллекта. Дальнейшие исследования будут направлены на разработку технологии построения динамических моделей энергооптимального движения локомотива с поездом в режиме реального времени.

1. Худорожко М. В., Елисеев И. А., Стельмашенко А. В. Система, обеспечивающая вождение соединенных поездов одной локомотивной бригадой // Вестник Института проблем естественных монополий: Техника железных дорог. 2024. № 1 (65). С. 28–31. EDN: https://elibrary.ru/kuikgx.

2. Худорожко М. В., Елисеев И. А., Стельмашенко А. В. Реализация технических решений для вождения соединенного поезда одной локомотивной бригадой (САУ-ОП) // Наука 1520 ВНИИЖТ: Загляни зa горизонт: сб. материалов II Междунар. конф., Москва, 24–25 августа 2023 г. М.: Научно-исследовательский институт железнодорожного транспорта, 2023. С. 304–310. EDN: https://elibrary.ru/aodtgv.

3. Система АВ-РТ: курс на беспилотные технологии / М. В. Худорожко [и др.] // Локомотив. 2020. № 2 (758). С. 11–13. EDN: https://elibrary.ru/ywxtad.

4. Елисеев И. А., Хазов М. С., Худорожко М. В. Оперативное определение фактического коэффициента сцепления колес локомотива с рельсами // Актуальные вопросы развития железнодорожного транспорта: материалы Всерос. науч.-практ. конф. к 75-летию аспирантуры Научно-исследовательского института железнодорожного транспорта, Москва, 5 июня 2019 г. М.: РАС, 2019. С. 151–159. EDN: https://elibrary.ru/pvzysp.

5. Елисеев И. А. Повышение энергоэффективности процесса управления электровозом посредством оперативного уточнения сил тяги и электрического торможения: автореф. дис. ... канд. техн. наук: 05.22.07. М., 2013. 26 с. EDN: https://elibrary.ru/sioirj.

6. Жебрак Л. М., Елисеев И. А. Методика оперативного уточнения действующей силы тяги локомотива на поезд // Вестник Научно-исследовательского института железнодорожного транспорта. 2012. № 4. С. 38–42. EDN: https://elibrary.ru/pbeumr.

7. Елисеев И. А. Тенденции развития систем автоведения // Совершенствование электрооборудования тягового подвижного состава: сб. науч. тр. ОАО «ВНИИЖТ» / под ред. В. А. Кучумова, Н. Б. Никифоровой. М.: Интекст, 2011. С. 38–45. EDN: https://elibrary.ru/spiqit.

8. Жебрак Л. М., Елисеев И. А. Постановка задачи оперативного уточнения действующей на поезд силы тяги в процессе движения // Перспективные задачи развития железнодорожного транспорта: сб. ст. молодых ученых и аспирантов ВНИИЖТ. М.: Интекст, 2010. С. 35–39. EDN: https://elibrary.ru/tajeur.

9. Елисеев И. А. Стохастическая модель силы тяги локомотива // Вестник Научно-исследовательского института железнодорожного транспорта. 2010. № 4. С. 30–33. EDN: https://elibrary.ru/mvcrxt.

10. Елисеев И. А., Худорожко М. В., Жебрак Л. М. Метод оценки переменных с минимальной дисперсией // Мир транспорта. 2009. Т. 7, № 1 (25). С. 28–32. EDN: https://elibrary.ru/jybizh.

11. Инновационный проект «Эльбрус» / Л. А. Мугинштейн [и др.] // Железнодорожный транспорт. 2013. № 12. С. 18–25. EDN: https://www.elibrary.ru/rmtbfp.

12. Полигонные технологии движения поездов по графикам на основе автоматизированной системы «Эльбрус» / Л. А. Мугинштейн [и др.] // Железнодорожный транспорт. 2015. № 3. С. 13–19. EDN: https://elibrary.ru/tkirfp.

13. Мугинштейн Л. А., Виноградов С. А., Ябко И. А. Энергооптимальный тяговый расчет движения поездов // Железнодорожный транспорт. 2010. № 2. С. 24–29. EDN: https://elibrary.ru/oyseib.

14. Мугинштейн Л. А., Илютович А. Е., Ябко И. А. Энергооптимальные методы управления движением поездов: сб. науч. тр. ОАО «ВНИИЖТ». М., 2012. С. 79. EDN: https://elibrary.ru/qnxwzz.

15. Мугинштейн Л. А., Илютович А. Е., Ябко И. А. Энергооптимальный тяговый расчет движения поезда // Вестник Научноисследовательского института железнодорожного транспорта. 2013. № 6. С. 3–13. EDN: https://elibrary.ru/tolgrr.

16. Современная методология технического нормирования расхода топливно-энергетических ресурсов локомотивами на тягу поездов / Л. А. Мугинштейн [и др.]. М.: ВМГ-Принт, 2014. 144 с. EDN: https://elibrary.ru/vtzsnn.

17. Юренко К. И. Исследование методов оптимизации режимов ведения поезда с использованием интеллектуальной имитационной модели // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование (ИСУЖТ-2018): тр. Седьмой науч.-техн. конф., Москва, 14 ноября 2018 г. М.: Научно-исследовательский и проектноконструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте, 2018. С. 236–240. EDN: https://elibrary.ru/sqsndv.

18. Cuéllar M., Delgado M., Pegalajar M. An application of nonlinear programming to train recurrent neural networks in time series prediction problems. In: Chen C.-S., Filipe J., Seruca I., Cordeiro J. (eds) Enterprise Information Systems VII. Dordrecht: Springer; 2007. р. 95–102. https://doi.org/10.1007/978-1-4020-5347-4_11.

19. Zhuang N., Qi G.-J., Kieu T. D., Hua K. A. Rethinking the Combined and Individual Orders of Derivative of States for Differential Recurrent Neural Networks. ACM Transactions on Multimedia Computing, Communications, and Applications. 2019;15(3):1-21. https://doi.org/10.1145/3337928.