14781

مطالعه روي رويكردهاي پيش بيني خطا در قطار پرسرعت

1402

دكتر حسن نادري

دكتر بهروز مينائي

قطارهاي پرسرعت (HST) بهترين شكل حمل و نقل مدرن هستند زيرا ايمن و قابل اعتماد هستند. اگر بخشي از يكي از اين سيستم‌ها به طور غيرمنتظره‌اي از كار بيفتد، مي‌تواند باعث تأخيرهاي پرهزينه، خطرات ايمني و آسيب زيادي به اعتبار شركت شود. روش‌هاي سنتي تعمير و نگهداري، مانند روش‌هاي واكنشي و مبتني بر برنامه، هميشه براي الگوهاي خطاي پيچيده، غيرمعمول و ظريفي كه در عمليات HST ظاهر مي‌شوند، كار نمي‌كنند. اين سمينار يك چارچوب مبتني بر هوش مصنوعي را پوشش داد كه از داده‌هاي لاگ تشخيصي براي پيش‌بيني نقص در HSTها استفاده مي‌كند. اين سمينار بر دو مدل كه با هم كار مي‌كنند تمركز دارد: جنگل تصادفي (RF) براي پيش‌بيني ساختاريافته مبتني بر ويژگي و شبكه‌هاي حافظه كوتاه‌مدت بلند مدت (LSTM) براي مدل‌سازي توالي. SHAP (توضيحات افزايشي SHApley) براي آسان‌تر كردن درك و قابل اعتمادتر كردن خروجي‌هاي مدل استفاده مي‌شود. اين سمينار يك تكنيك كامل را براي همه چيز، از پردازش لاگ‌ها گرفته تا شناسايي توالي‌ها و ارزيابي مدل‌ها با استفاده از معيارهايي مانند امتياز F1 و AUC-ROC شرح مي‌دهد. اين تحقيق با فراهم كردن امكان يافتن زودهنگام و واضح عيوب، از حركت به سمت نگهداري پيشگيرانه، ايمن و مقرون به صرفه در شبكه‌هاي ريلي پرسرعت پشتيباني مي‌كند.

6/10/2025 12:00:00 AM

86847

1404/04/11

A study on Fault Prediction Approaches in High - Speed Train

واژه‌هاي كليدي: قطار پرسرعت، نگهداري پيش‌بينانه، لاگ‌هاي تشخيصي، LSTM، جنگل تصادفي، هوش مصنوعي قابل توضيح (SHAP)

Keywords: High-Speed Train, Predictive Maintenance, Diagnostic Logs, LSTM, Random Forest, Explainable AI (SHAP)