26422

تحليل داده راه آهن با استفاده از شبكه عصبي با رويكرد اينترنت اشيا

كارشناسي ارشد

مهندسي صنايع

1397-1400

21/12/1400

محمدرضا محمدعليها

مهندسي صنايع

از بين سيستم هاي حمل و نقلي ، راه آهن اقتصادي ترين و ايمن ترين ابزار جابه جايي بار و مسافر محسوب مي شود كه ترافيك را كاهش داده و حداقل آلودگي را براي محيط زيست به دنبال دارد.تعدادي از ايستگاه هاي راه آهن در كشور ما بيشتر داراي كاربرد باربري هستند و كمتر كاربرد مسافرتي دارند . امروزه اكثرا در مكان هاي خدماتي نظير راه آهن ، جمع آوري داده از اهميت بالايي برخوردار است. تحقيق روي اين داده ها و به دست اوردن نتايج و الگوهاي مفيد در رابطه با ايستگاه ها از دلايل استفاده از اين داده هاست. اما حجم زياد داده هاي خام و پيچيدگي بالاي آن ها ، مشكلي است كه مانع رسيدن به نتايج قابل قبول و مورد اعتماد مي شود. اين قطارها اكثرا باري هستند و براي انتقال محصولات استفاده مي شوند. يكي از مشكلات در ايستگاه هاي راه آهن ازدحام و تراكم بارها و قطارهاست كه در روند جا به جايي و بارگيري اختلال ايجاد مي كند و كيفيت كار را كم مي كند. همچنين اين مشكلات مي توانند از ميزان جريان بين ايستگاه ها بكاهد و هزينه ها را افزايش دهد. پس در اين زمينه با چهار چالش مهم روبه رو هستيم: 1- ارتباط بين ايستگاه ها 2- ازدحام در ايستگاه ها 3 – تاخير در ايستگاه ها 4- كيفيت عملكرد در ايستگاه ها مهم ترين عامل در اين مورد ، ازدحام است كه تاثير زيادي روي ارتباط و كيفيت عملكرد (نسبت ورودي به خروج - زمان و يا هزينه) مي گذارد.در اين پايان نامه، رابطه اي بين اين عوامل مذكوز و تاثير آن ها در زمان بندي حركت قطارها با هدف يافتن الگوي تخليه بار قطارها در زمان هاي مشخص و متناسب سازي آن با نايزمندها و ظرفيت ايستگاه ها مي باشد. در حجم زياد اطلاعات، مي توان با استفاده از تكنيك هاي داده كاوي و يادگيري ماشين ، آن ها را يافت و بهبود داد. به دليل تعداد زياد قطارها، واگن ها ، زمان هاي گوناگون رسيدن به ايستگاه ، جدايي از ايستگاه ، زمان توقف ، زمان تاخير ، تاخير ثانويه و ... نياز به يك سيستم خودكار براي كاهش هزينه ها و بهبود طبقه بندي قطارها احساس مي شود. در اين پايان نامه از رويكرد هاي اينترنت اشيا براي ايجاد سيستمي هوشمند كه پس از يافتن روابط، آن ها را به طور منظم با توجه به برنامه روزانه حركت قطارها و تاخيرات آن ها ، برنامه زمانبندي مشخصي براي حركت، بارگيري و تخليه به ما ارائه دهد، استفاده شده است. به عنوان خروجي تحليل هاي آماري و آزمون هاي فرض آماري، تمامي متغيرهاي مناسب براي پيش بنيي و شناخت ميزان مناسب تناژ تخليه به دست آمده است كه عبارتند از: "تعداد واگن ورودي، تعداد واگن باقيمانده از قبل، تعداد ديزل در هر روز، ضريب تاثير هر واگن، تعداد واگن تخليه شده، و متغير ايجاد شده موجودي واگن در هر روز". خروجي روش هاي پيش بيني يادگيري ماشين، يادگيري عميق و انتخاب ويژگي ها با دقت پيش بيني 91 درصدي ميزان تناژ تخليه در هر روز، بر روي بستر اينترنت اشيا تعريف شده و با استفاده از سنسور هاي فاصله و اطلاعات ثبت شده در آن ها منجر به ايحاد يكي سيستم اينترنت اشيا مي شود كه در نهايت از آن در سيستم هاي خبره پشتيبان تصميم گيري استفاده مي شود.

1401/01/28

Railway data analysis using a neural network with IoT approach

3/12/2023 12:00:00 AM

Among the transportation systems, the railway is the most economical and safest means of transporting cargo and passengers, which reduces traffic and minimizes pollution for the environment. A number of railway stations in our country more They have freight usage and less travel usage. Today, data collection is of great importance in most service locations such as railways. Research on this data and obtain useful results and patterns in relation to stations are the reasons for using this data. But the large volume of raw data and their high complexity is a problem that prevents acceptable and reliable results. These trains are mostly freight and are used to transport goods, so the railway stations are connected to the ports. In these ports, loading is done and then it is transported by rail all over the country. One of the problems in railway stations is congestion and congestion of loads and trains, which disrupts the process of moving and loading, and reduces the quality of work and we move away from optimal conditions. These problems can also weaken the connection of this railway station with other stations, reduce the flow between stations and increase costs. So, we face four important challenges in this regard: 1 - Communication between stations 2- Congestion at stations 3- Delay at stations 4- Quality of performance at stations. The most important factor in this case is congestion, which has a great impact on communication and performance quality (input to output ratio - time or cost) and finding a relationship between these factors in a large amount of information, it is very difficult to use Data mining and machine learning techniques found and improved them. The use of new techniques and tools can provide a different perspective than what has been described by statistical techniques by railway safety operators. Therefore, with new data mining methods, we can have better choices in scheduling and scheduling trains due to their delays. Due to the large number of trains, wagons, different arrival times at the station, separation from the station, stop time, delay time, secondary delay, etc., the need for an automated system to reduce costs and improve train classification is felt. IoT approaches can also be used to create an intelligent system that, after finding relationships, regularly provides them with a specific schedule for moving, loading, and unloading trains according to their daily train schedule and delays.

اينترنت اشيا , هوش مصنوعي , راه آهن , تحليل داده

Arman Behnam

Mohammadreza Mohammadaliha