№72-14
Ідентифікація об'єктів на основі даних тензометричних систем з використання методів машинного навчання
І.Ю. Колисниченко1, В.В. Ткачов1
1 Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Coll.res.pap.nat.min.univ. 2023, 72:161-171
https://doi.org/10.33271/crpnmu/72.161
Full text (PDF)
АНОТАЦІЯ
Мета. Для підвищення якості роботи тензометричних систем, використовуючи данні, отримані з тензометричної системи у вигляді епюр проїзду рухомих об’єктів, необхідно провести дослідження над даними тензометричної системи та розробити набір алгоритмів, завдяки яким можна отримати характеристики залізничних вагонів у рухомому складі та провести ідентифікацію залізничних об’єктів з мінімальною похибкою для подальшого використання отриманих результатів у побудові системи ідентифікації та зважування рухомих об’єктів через тензометричні системи.
Методи досліджень. Для побудови системи ідентифікації різних типів рухомих об’єктів через одноплатформні залізничні ваги у русі, пропонується використання методів машинного навчання, а саме нейронні мережі та алгоритми кластеризації.
Програмне забезпечення, яке реалізоване у рамках наукових досліджень написано на мові програмування Python з використанням бібліотек numPy, sklearn, statistics та інших.
Результати. Використавши такі методи машинного навчання, як згорткові нейронні сітки, кластеризація, персептрон та опираючись на довідникові данні залізничних об’єктів, які можуть бути використані на території України, отримано низку алгоритмічних рішень та реалізовано їх у вигляді програмного забезпечення, які ідентифікують тип вагону за такими характеристиками як осність візку, осність вагону, співвідношення бази вагону до довжину вагону між автозчепленями, маса осей.
Використовуючи ваговий коефіцієнт для конкретної тензометричної системи,під час калібрування ваг, отриманозалежність ваги вагону від його типу та маси кожної с осей.
Наукова новизна. Виконавши дослідження над даними проїзду залізничних візків та автозчеплень через одноплатформні ваги встановлено, що категоризувати типи вагонів можна за такими характеристиками, як співвідношення бази вагону до довжини вагону між автозчепленями, осність, вага. Для отримання співвідношення бази вагону до довжини вагону між автозчепленями, необхідно виконати сегментацію та кластеризацію даних наступним чином – базу вагона знаходимо як відстань між серединою двух візків, а довжину вагону між автозчепленями як середину відстані між візками до середини автозчеплення.
Практичне значення. Використовуючи такі методи машинного навчання, як згорткові нейронні сітки, кластеризація, персептронта інше, отримано алгоритмічне рішення обробки даних тензометричних систем, яке дозволяє збільшити точність ідентифікації вагонів, при цьому зменшивши залежність результатів від швидкості проїзду вагонів, що дозволяють підвищити пропускну спроможність ваговимірювальних систем підприємств.
Ключові слова: ваги, вагова платформа, залізничний вагон, кластеризація, ідентифікація, алгоритм, Python, динаміка.
Перелік посилань
1. 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
2. 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
3. Wei, J., Zhang, M., & Qin, L. (2016). Research and Design of vehicle Dynamic Weighing System Based on Piezoelectric Quartz Sensor. Proceedings of the 2015 4th International Conference on Sensors, Measurement and Intelligent Materials.
https://doi.org/10.2991/icsmim-15.2016.227
4. Kirushanth, S., & Kabaso, B. (2020). Design and development of weigh-in-motion using vehicular telematics. Journal of Sensors, 2020, 1–22.
https://doi.org/10.1155/2020/7871215
5. Dong, M., Zhu, F., & Yu, W. (2015). Research on a Dynamic Truck Scale Weighing System for Container. InFirst international conference on information sciences, machinery, materials and energy. Atlantis Press.
https://doi.org/10.2991/icismme-15.2015.21
6. VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data (D. Schanafelt, Ред.). O’Reilly Media.
7. Ye, W. (2020). 80% python in 20 minutes: All you need to start reading and writing python. Independently Published.
8. Romano, F. (2015). Learning python. Packt Publishing, Limited.
9. Beazley, D. (2021). Python distilled. Pearson Education, Limited.
10. Kolysnychenko, I., & Tkachov, V. (2022). Автоматизація процесу ідентифікації динамічних сигналів тензометричних систем з використанням згорткових нейронних мереж. Aerospace Technic and Technology, (4), 99–105.
https://doi.org/10.32620/aktt.2022.4.10
11. Вантажні залізничні вагони. Альбом-довідник, колія 1520 мм. Частина 6.1 - Вагони-Цистерни нафта и нафтопродукти.(n.d.).AGONTA Ltd. – International Freight Forwarder.
12. Вантажні залізничні вагони. Альбом-довідник, колія 1520 мм. Частина 2 - Напіввагони. (n.d.). AGONTA Ltd. – International Freight Forwarder.
13. Вантажні залізничні вагони. Альбом-довідник, колія 1520 мм. Частина 3 - Платформи. (n.d.). AGONTA Ltd. – International Freight Forwarder.
14. Вантажні залізничні вагони. Альбом-довідник, колія 1520 мм. Частина 5 - Хопери. (n.d.). AGONTA Ltd. – International Freight Forwarder.
