Россия
Устойчивость систем железнодорожной автоматики, использующих автоматическую локомотивную сигнализацию как средство интервального регулирования движения поездов, может быть повышена за счет применения алгоритмов машинного обучения. Известный алгоритм идентификации кодовых сигналов локомотивной сигнализации имеет ряд недостатков, которые обусловлены циклическим характером идентифицируемых сигналов и необходимостью цикловой синхронизации перед процедурой идентификации. Это существенно усложняет техническую реализацию, а также требования к вычислительным ресурсам известного алгоритма. В этой статье предлагается усовершенствованный алгоритм идентификации кодовых сигналов, передаваемых по рельсовым цепям в процессе движения поездов, не требующий цикловой синхронизации. Для решения проблемы цикловой синхронизации предложено идентификацию кодового сигнала выполнять по амплитудному спектру Фурье его предварительно выделенной огибающей. Такое решение стало возможно за счет инвариантности амплитудного спектра Фурье огибающей кодового сигнала относительно сдвига кодового сигнала во временной области на произвольное количество цифровых отсчетов. В качестве метода машинного обучения в статье рассмотрена искусственная нейронная сеть с упрощенной, по сравнению с предыдущими аналогами, архитектурой. При идентификации задействована трехслойная нейронная сеть с полными соединениями между слоями. Также в работе исследованы ограничения предложенного метода машинной идентификации, обусловленные отказом от фазового спектра огибающей обрабатываемого кодового сигнала. В статье продемонстрировано действие усовершенствованного метода машинной идентификации на реальных сигналах, зафиксированных в эксплуатируемых рельсовых линиях. Полученные результаты свидетельствуют об адекватности предложенной методики идентификации сигналов автоматической локомотивной сигнализации систем интервального регулирования движения поездов.
машинное обучение, преобразование Фурье, автоматическая локомотивная сигнализация, корреляционный анализ, импульсные помехи, рельсовая линия, рельсовая цепь
1. Розенберг Е.Н., Абрамов А.А., Батраев В.В. Интервальное регулирование движения поездов // Железнодорожный транспорт. - 2017. - №9. - С. 19-24.
2. Гумаров А.Г. Способы модуляции и их применение на железнодорожном транспорте. // Теория и практика современной науки - 2020. - №5. - С. 143-154.
3. Пультяков А.В., Скоробогатов М.Э. Системный анализ устойчивости работы систем автоматической локомотивной сигнализации // Современные технологии. Системный анализ. Моделирование. - 2018. - №1. - С. 79-89.
4. Юсупов Р.Р. О корреляционной дешифрации кодовых комбинаций сигнала АЛСН. // Наука и образование транспорту. - 2020. - №1. - С. 143-154.
5. Пат. 165420 (РФ). Приемное устройство автоматической локомотивной сигнализации / В.Б. Леушин, Р.Р. Юсупов, К.Э. Блачев, 2016
6. Пат. 2314223 (РФ). Способ дешифрирования сигналов автоматической локомотивной сигнализации и устройство для его реализации / М.Д. Рабинович, Б.Д. Никифоров, А.Н. Соколов, А.Э. Правдолюбов, Ю.А. Кравцов, 2005
7. Пат. 2618616 (РФ). Устройство подавления импульсных помех на входе локомотивного приемника АЛС / И.А. Аргунов, Н.Ю. Вихрова, Е.В. Горенбейн, Е.Н. Розенберг, 2017
8. Пат. 2517631 (РФ). Приемное устройство автоматической локомотивной сигнализации / В.С. Лочехин, 2014
9. Присухина И.В., Борисенко Д.В. Машинная классификация сигналов числового кода в электротехнических системах локомотивной сигнализации // Омский научный вестник. - 2019. - № 4 (166). - С. 39-47.
10. Демьянов В.В., Пультяков А.В., Скоробогатов М.Э., Алексеенко В.А. Методика определения порогового значения отношения сигнал/помеха для систем автоматической локомотивной сигнализации // Автоматика на транспорте - 2020. - №2. - С. 149-164.
11. Присухина, И. В., Борисенко Д.В., Лунев С.А. Имитационная модель электрического кодового сигнала в российских системах интервального регулирования движения поездов на основе рельсовых цепей // Труды СПИИРАН. - 2019. - Т18. - №5. - С. 1212-1238.
12. Smith S.W. Digital signal processing: a practical guide for engineers and scientists. London, England: Newnes, 2013. 650 p.
13. Oppenheim A., Schafer R. Discrete-time signal processing. London, England: Pearson, 2009. 1144 p.
14. A library for computing the discrete Fourier transform. Available at: http://www.fftw.org (accessed: 06.09.202021) (In English)
15. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, Massachusetts, USA: MIT Press, 2016. 775 p.
16. Hastie T. The elements of statistical learning. NY: Springer, 2009. 745 p
17. Bishop C. M. Pattern recognition and machine learning. New York, USA: Springer, 2011. 738 p.
18. Mitchel T. M. Machine learning. NY: McGraw-Hill Science, 1997. 432 p.
19. Тюрин С.В. Резервированный мажоритарный элемент // Вестник Пермского национального исследовательского университета. Электротехника, информационные технологии, системы управления - 2018. - №27. - С. 139-152.
