26316

تحليل و پيش بيني نامنظمي‌هاي هندسي خطوط ريلي با الگوريتم‌هاي يادگيري ماشيني

كارشناسي ارشد

مهندسي صنايع گرايش حمل و نقل ريلي

1397

1400/09/08

دكترمسعود يقيني

راه آهن

استفاده از صنعت ريلي به عنوان يكي از روش‌هاي حمل‌و‌‌‌‌نقل نقش به سزا و موثري در جابه جايي‌ها داشته و به دليل مزيت‌هايي همچون حمل انبوه، ايمني بيشتر، كاهش آلودگي زيست محيطي و غيره هميشه مورد توجه بوده است. افزايش استفاده از اين نوع سيستم حمل‌و‌‌‌‌نقل، نيازمند توجه همه جانبه به مسائل پيرامون اين صنعت است، موضوعاتي همچون برنامه ريزي براي نگهداري‌و‌تعميرات، ايمني در حمل‌و‌‌‌‌نقل وغيره كه باعث بيشتر شدن ميزان بهره وري و در نهايت رضايت استفاده كنندگان از اين نوع حمل‌و‌‌‌‌نقل مي‌گردد. استفاده از تكنيك‌هاي داده‌كاوي مي‌تواند روش مناسبي براي كشف الگوها و پيش‌بيني‌هاي آينده در مورد خطوط‌ريلي باشند. اين پيش‌بيني‌ها و كاوش در داده‌ها باعث مي‌شود تا برنامه ريزي نگهداري‌و‌تعميرات به صورت موثرتري انجام شده و عمليات‌ها الويت بندي و بهينه شوند. علاوه بر كاهش هزينه‌ها، از بروز حوادثي همچون خروج از خط و واژگوني قطار كه از مهم ترين حوادث مي‌باشند نيز جلوگيري مي‌شود. در اين تحقيق از داده‌هاي مربوط به خطوط‌ريلي مسابقه Informs RAS 2015 استفاده شده تا بتوان با تنظيم هشدار بر روي قطارهاي مسافري و باري، نقاط خرابي با الويت كمتر را قبل از تبديل شدن به وضعيت قرمز پيش‌بيني كرد و بازرسي‌هاي دوره اي را به حداقل رساند. در قسمت اول چندين الگوريتم معروف براي پيش‌بيني الويت خرابي استفاده شده تا بتوان بهترين روش براي اين گونه مسائل را شناسايي كرد كه در نتيجه الگوريتم‌هاي مبتني بر درخت با دقت بالايي هر دو كلاس را پيش بيني كرده‌اند. جهت تنظيم هشدار، ابتدا نياز بود تا مهمترين متغيير انتخاب شود كه اين مرحله با روش رگرسيون لجستيك و رگرسيون گام به گام انجام شد و نتيجه آن انتخاب متغير طول خرابي بود. در ادامه متغير انتخاب شده به عنوان ورودي الگوريتم نقاط تغيير قرار گرفت تا نقاط خرابي مستعد شناسايي شود.

1400/12/10

Analysis And Prediction Of Geometric Irregularities Of Railway Lines With Machine Learning Algorithms

11/29/2022 12:00:00 AM

The use of the railway industry as one of the transportation methods has played a crucial and effective role in conveyance and has always been considered due to its advantages such as bulk transportation, greater safety, environmental pollution reduction, etc. Increasing the use of this type of transportation system requires comprehensive consideration to the industry peripheral isuues such as, maintenance planning, transportation safety, etc. that increase productivity and ultimately user satisfaction from this type of transportation. Using data mining techniques can be a good way to discover future patterns and predictions about railroads. These predictions and data exploration make maintenance planning more efficient and operations prioritized and optimized. In addition to reducing costs, accidents such as derailment and train overturning, which are the most important accidents, are also prevented. In this research, the data related to the railway lines of Informs RAS 2015 competition has been used in order to predict the aggravation points by minimizing the alarm on passenger and freight trains and to minimize periodic inspections. In the first part, several well-known algorithms are used to predict the priority of failure in order to identify the best method for such problems. In order to set the alarm, it was first necessary to select an important variable, which was done by logistic regression and stepwise method, and the result was the selection of the failure length variable. The selected variable was then used as the input of the change points algorithm to identify the points that aggravate the geometric failures.

نامنظمي‌هاي هندسي خطوط‌ريلي , نگهداري‌و‌تعميرات , داده‌كاوي , پيش‌بيني , رگرسيون لجستيك , رگرسيون گام به گام , الگوريتم نقاط تغيير

track geometry irregularities , maintenance , data mining , prediction , logistic regression , stepwise regression , change points detection

zahra mohamad ali ghaziyani

masoud yaghini