№68-16

Дослідження динамічних сигналів одноплатформних залізничних ваг

І.Ю. Колисниченко

1 Національний технічний університет «Дніпровська політехніка», Дніпро, Україна

Coll.res.pap.nat.min.univ. 2022, 68:174-183

https://doi.org/10.33271/crpnmu/68.174

Full text (PDF)

АНОТАЦІЯ

Мета. Використовуючи експериментальні дані, отримані з існуючих систем, встановлених на підприємствах України, необхідно провести дослідження над емпіричними даними та отримати алгоритм апроксимації проїзду вагону, завдяки якому можна отримати апроксимуючі функції для кожного типу візка вагону та автозчеплення, які використовуються на території країни та відновити дані проїзду рухомих об’єктів через ваги з мінімальною похибкою для подальшого використання отриманих результатів у побудові системи ідентифікації вагонів на основі машинного навчання.

Методи досліджень. Для апроксимації даних, отриманих з існуючої системи зважування та ідентифікації різних типів рухомих об’єктів через одноплатформні залізничні ваги у русі, пропонується використання числових методів, а саме наближення до експериментальних даних функцією Гевісайда.

Програмне забезпечення, завдяки якому проводяться розрахунки написано на мові програмування Python з використанням бібліотеки numPy.

Результати. Використавши числові методи вдалось отримати алгоритм апроксимації проїзду автозчеплень для різних комбінацій візків та візків вагонів окремо.

Завдяки нормалізації даних датчиків за часом, вдалось уникнути залежності кінцевих результатів від швидкості проїзду вагону, висловивши у процентному співвідношенні залежність перебування осей вагону на ваговій платформі, що дало змогу ідентифікувати різні типи вагонів, з однаковою осністю, але різними  характеристиками (база вагону, база візку), використовуючи співвідношення часу перебування осей на ваговій платформі.

Наукова новизна. Новизна полягає в отриманні алгоритму апроксимації експериментальних даних проїзду залізничних візків та автозчеплень через одноплатформні ваги, який можна використовувати як генератор dataset-ів, наближених до реальних даних проїзду залізничного складу, для їх подальшого використання у навчання моделей машинного навчання.

Практичне значення. Підвищення точністі ідентифікації залізничних рухомих об’єктів, класифікувавши їх не лише за кількістю осей, а й за типом, опираючись на його унікальні габаритні характеристики зменшує похибки зважування та час простою підприємства, що сприяє збільшенню кількості зважених рухомих залізничних об’єктів.

Ключові слова: ваги, вагова платформа, залізничний вагон, функція Гевісайда, апроксимація, оцінка похибки, ідентифікація, Python, динаміка

Перелік посилань

  1. Sekuła, K., Wiącek, D., & Motylewski, J. (2018). In-motion rail scales as a component of the railway bridge diagnostic system. Scientific Journal of Silesian University of Technology. Series Transport, 101, 203–213.
    https://doi.org/10.20858/sjsutst.2018.101.18
  2. Yanik, A., & Higgins, C. (2019). Reliability analysis of oregon bridges using WIM (weigh-in-motion) data. El-Cezeri Fen ve Mühendislik Dergisi.
    https://doi.org/10.31202/ecjse.577400
  3. Hajializadeh, D., Žnidarič, A., Kalin, J., & OBrien, E. J. (2020). Development and testing of a railway bridge weigh-in-motion system. Applied Sciences, 10(14), 4708.
    https://doi.org/10.3390/app10144708
  4. Способ взвешивания железнодорожных объектов (2010). (Патент Россия № RU2390735C1).
  5. Zhang, W., Li, C.-l., Di, X.-f., Chen, M., & Tao, S. (2017). Research on automotive dynamic weighing method based on piezoelectric sensor. MATEC Web of Conferences, 139, 00203.
    https://doi.org/10.1051/matecconf/201713900203
  6. Lunys, O., Dailydka, S., Steišūnas, S., & Bureika, G. (2016). Analysis of freight wagon wheel failure detection in lithuanian railways. Procedia Engineering, 134, 64–71.
    https://doi.org/10.1016/j.proeng.2016.01.040
  7. Kolysnychenko, I., & Tkachov, V. (2021). A Polynomial approximation of dynamic signals of single platform railway scales. Electrical Engineering and Power Engineering, (2), 44–52.
    https://doi.org/10.15588/1607-6761-2021-2-5
  8. VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data (D. Schanafelt, Ред.). O’Reilly Media.
  9. Мазуров, Б. Т., & Падве, В. А. (2017). Метод наименьших квадратов (статика, динамика, модели с уточняемой структурой). Весник СГУГиТ, 22(2), 22–35.