Малахов Сергей Валерьевич – ассистент кафедры тягового подвижного состава Российской открытой академии транспорта
Москва
Malakhov, Sergey V. – Assistant Lecturer at the Department of Traction Rolling Stock of Russian Open Academy of Transport
Moscow
Капустин Михаил Юрьевич – кандидат технических наук, доцент кафедры тягового подвижного состава, Российской открытой академии транспорта, член Научно- технического совета ОАО «РЖД»
Москва
Kapustin, Mikhail Yu. – Ph.D. (Eng), Associate Professor at the Department of Traction Rolling Stock of Russian Open Academy of Transport, member of the Scientific and Technical Council of JSC Russian Railways
Moscow
Задача ресурсосбережения является актуальной для всех транспортных компаний, и поисками путей её решения занимаются многие мировые сообщества учёных и инженеров. Мировые железнодорожные компании и особенно такие крупные, как «Российские железные дороги», являются большими потребителями энергоресурсов, поэтому экономия этих ресурсов – целевая задача при снижении операционных затрат. Одним из способов достижения поставленной цели может быть применение системы оптимального нормирования энергии на тягу каждого поезда – система оперативного нормирования. Этот способ основывается на моделировании процесса движения за счёт применения метода теории оптимального управления – динамического программирования. В современных условиях развития техники и технологий стала возможна разработка таких систем оперативного нормирования, наделённых важными свой ствами: высокая производительность, многозадачность, точность решения, простота использования и обслуживания. Эти требования накладывают определённые ограничения на архитектуру системы оперативного нормирования. Типовая архитектура системы должна строиться вокруг централизованного узла, который будет выступать в роли решателя и хранилища, узлы для ввода и вывода информации могут быть географически разделены. Метод динамического программирования может быть усовершенствован за счёт использования его в процессе обучения искусственных нейросетей, которые будут формировать не только априорные оценки расхода энергии на тягу, но и апостериорную оценку управления поездом (машинистом или системой автоведения). Также использование искусственных нейросетей позволит непрерывно совершенствовать метод за счёт обучения на накопленном объёме данных реальных поездок, что позволит уточнять нормы расхода энергоресурсов и в дальнейшем качественно планировать затраты. Прототип системы оперативного нормирования разработан на кафедре «Тяговый подвижной состав» Российской открытой академии транспорта Российского университета транспорта, и полученные на нём результаты позволяют утверждать, что выбранный подход к решению проблемы энергосбережения выбран верно.
The task of resource saving is relevant for all transport companies and many world communities of scientists and engineers are engaged in search for ways to solve it. World railway companies, and especially large ones such as Russian Railways, are large consumers of energy resources and the problem of saving is the most urgent for them. One of directions for solving this task can be the use of an optimal energy regulation system for traction of each train – an operational rationing system. Such a task can only be solved by modelling the process of movement through the dynamic programming method. In modern conditions of development of engineering and technology, it has become possible to develop such operational standardization systems endowed with important properties: high performance, multitasking, solution accuracy, ease of use and maintenance. These requirements impose certain restrictions on the architecture of the operational rationing system. Typical system architecture should be built around a centralized node, which will act as a solver and storage, nodes for input and output of information can be geographically separated. The method of dynamic programming can be improved by using it in the process of training artificial neural networks, which will form not only a priori estimates of energy consumption for traction, but also an a posteriori estimate of train control (by a train driver or auto-driving system). Also, the use of artificial neural networks will allow us to continuously improve the method due to training using the accumulated amount of data from real trips, which will allow us to clarify the norms of energy consumption and to plan our costs in the future. The prototype of the operational standardization system was developed at the department of traction rolling stock of Russian Open Academy of Transport of Russian University of Transport and the results obtained allow us to state that the chosen approach to solving the problem of energy saving has been chosen correctly.
The authors declare that there are no conflicts of interest present.