27941

ارائه مدل داده محور مبتني بر يادگيري براي ماشين هوشمند قطعات پر مصرف در واگن‌هاي باري

كارشناسي ارشد

مهندسي راه آهن - ماشين‌هاي ريلي

1398

1401/08/29

دكتر داوود يونسيان

راه آهن

در جامعه‌ي كنوني، حمل و نقل ريلي يكي از عوامل مهم و حياتي است كه در رشد و توسعه‌ي روزافزون اقتصاد كشورها، نقش بسزايي داشته است. از اين سو، شركت‌هاي حمل و نقل ريلي همواره در تلاش هستند تا علاوه بر افزايش ظرفيت خطوط ريلي، خرابي ناوگان را به حداقل برسانند. از سوي ديگر، دانش تحليل مهندسي اين اهم را به اثبات رسانده است كه هر قطعه‌ي مصرفي،با توجه به شرايطي كه در آن قرار دارد، فرسايش آن‌ها متغير است. علاوه بر آن، توقف ناگهاني ناوگان ريلي بخاطر امور تعمير و نگهداري از جمله تعويض قطعات فرسايشي، مي‌تواند در عملكرد شركت‌هاي حمل و نقل ريلي تاثير بسزايي داشته باشد. با توجه به مطالب فوق، با بكارگيري هوش مصنوعي در اين صنعت، مخصوصا حوزه‌ي يادگيري ماشين و در كنار آن هوشمند سازي برنامه تعمير و نگهداري واگن‌ها، اين امكان را فراهم مي‌سازد تا عيوب پرتكرار و پر هزينه را مشخص كند و از وقوع احتمالي آن‌ها، به موقع جلوگيري شود. پژوهش پيش رو شامل دو بخش است. بخش جمع‌آوري داده‌ها و بخش كد نويسي. در بخش جمع آوري داده‌ها سعي بر آن شده است كه شرايط مسير و اطلاعات‌ سِيْر واگن‌هاي باري استخراج و از آن‌ها به عنوان اطلاعات ورودي يادگيري ماشين در نظر گرفته شود و بخش كد نويسي هم، نوع خرابي و تعداد قطعات مورد نياز، با توجه به شرايط مسير و اطلاعات‌ سِيْر واگن‌هاي باري، به عنوان خروجي در نظر گرفته شود. لازم به ذكر است كه خروجي‌هاي مورد نظر با استفاده از الگوريتم‌هاي يادگيري ماشين استخراج خواهد شد. در تحقيق انجام شده، براي انجام محاسبات مورد نظر، از بين هفت الگوريتم انتخاب شده فقط سه الگوريتم جنگل تصادفي، رگرسيون خطي و گرادينت بوستر رگرسيون بيشترين دقت (%9/99) در يادگيري داشتند كه بخاطر همين، از الگوريتم‌هاي مذكور در بخش پيشبيني مقدار نيز استفاده گرديدند. همچنين در بررسي دقت الگوريتم‌هاي انتخاب شده در پيشبيني داده‌ها، مشخص گرديد كه كمترين دقت برابر %458/76 و بيشترين دقت برابر با %159/90 مي‌باشد.

1401/12/10

Presenting a data-driven model based on learning for the intelligent machine of high consumption parts in freight wagons

11/20/2023 12:00:00 AM

In today's society, rail transportation is one of the important and vital factors that has played a significant role in the growing and developing economies of countries. From this point of view, rail transport companies are always trying to minimize the breakdown of the fleet in addition to increasing the capacity of rail lines. On the other hand, the knowledge of engineering analysis has proved that every consumable part, according to the conditions in which it is located, their erosion is variable. In addition, the sudden stoppage of the rail fleet due to maintenance, including the replacement of worn parts, can have a significant impact on the performance of rail transport companies. According to the above, by using artificial intelligence in this industry, especially in the field of machine learning, and along with it, the intelligentization of the maintenance and repair program of wagons, it makes it possible to identify the most frequent and expensive defects and their possible occurrence. be prevented in time. The upcoming research consists of two parts. Data collection section and coding section. In the data collection section, an attempt has been made to extract the route conditions and information of freight wagons and consider them as input information for machine learning, and in the coding section, the type of failure and the number of required parts, according to the conditions The route and information of freight wagons should be considered as output. It should be noted that the desired outputs will be extracted using machine learning algorithms. In the conducted research, to perform the desired calculations, out of the seven selected algorithms, only three random forest algorithms, linear regression and gradient booster regression had the highest accuracy (99.9%) in learning. amount were also used. Also, in checking the accuracy of the selected algorithms in data prediction, it was found that the lowest accuracy is 76.458% and the highest accuracy is 90.159%.

يادگيري ماشين , تعمير و نگهداري , واگن باري , پيشبيني خرابي , خرابي چرخ و محور

Machine learning , maintenance , freight wagon , failure prediction , Wheelset failure

Muhammad Nasrollahi Najaf Abadi

Dr. D.Younesian