Application of artificial intelligence technologies at substantiation of effective control algorithms for the electrical engineering complex of urban electric transport traction electrical equipment

Cover Page

Cite item

Full Text

Abstract

Background. Studies on the current state and development trends of urban ground public electric transportation in Russia highlight the urgent need for innovative technologies. These innovations should focus on designing and operating new types of rolling stock, traction electrical equipment, and promising types of electric traction. At the same time, special attention should be paid to building autonomous control systems for electric transportation using artificial intelligence technologies.

Aim. This study aims to explore the application of neural networks to develop algorithms for effectively controlling the electrical engineering complex of traction electrical equipment in urban ground rail electric transport.

Materials and Methods. The research utilized data from studies on the traction electrical equipment modes of rolling stock. These studies were conducted through both computer simulations and field experiments under real operating conditions of urban electric transport using different control algorithms. By applying probability theory and mathematical statistics, the analysis identified the correlations between operational and energy parameters of rolling stock movement and the operational mode of its traction electrical equipment.

Results. The identified correlation dependencies informed the design of an effective network architecture, including its size and complexity, as well as the composition of their training samples. This led to the development of an original, simplified algorithm for determining effective control parameters for the electrical complex of traction electrical equipment during the movement of a vehicle on a given section of track.

Conclusion. The research concluded that using “simple” neural networks for calculating the parameters of effective control of traction electrical equipment operation modes in urban electric transport provides higher speed and sufficient accuracy compared to complex neural network models. These results are valuable for developers of intelligent control systems for streetcar transportation.

About the authors

Aver E. Aukhadeev

Kazan State Power Engineering University

Author for correspondence.
Email: auhadeev.ae@kgeu.ru
ORCID iD: 0000-0002-7191-4550
SPIN-code: 2902-4661

Candidate of Technical Sciences, Associate Professor

Russian Federation, Kazan

References

  1. Urban electric transport is being modernized in 10 Russian regions [internet] Ministry of Transport of the Russian Federation; 2023. [cited 15.07.2024]. Available from: https://mintrans.gov.ru/press-center/news/10762
  2. Order of the Ministry of Industry and Trade of the Russian Federation № 660 of 31 March 2015. “Ob utverzhdenii plana meropriyatij po importozameshheniyu v otrasli transportnogo mashinostroeniya Rossijskoj Federacii”. [cited 06.08.2024]. Available from: https://base.garant.ru/57427568/ (In Russ).
  3. Order of the Government of the Russian Federation №3097-r of 3 November 2023. «Ob utverzhdenii strategicheskogo napravleniya v oblasti cifrovoj transformacii transportnoj otrasli Rossijskoj Federacii do 2030 goda». [cited 15.07.2024]. Available from: https://mintrans.gov.ru/documents/2/12953 (In Russ).
  4. Prolisko EE, Shut VN. Opportunities and prospects of unmanned urban public transportation. Matematicheskie metody` v texnike i texnologiyax. 2018;9:16–23. (In Russ).
  5. Register of artificial intelligence technologies in the transport industry [internet] Ministry of Transport of the Russian Federation; 2024. [cited 15.07.2024]. Available from: https://mintrans.gov.ru/documents/10/13491
  6. Troitskaya NA, Chubukov AB. Unified transportation system. Moscow: Academia; 2018. (In Russ).
  7. Abdulkhakov AK, Pavlov PP, Litvinenko RS. Features of building systems of automated tramway traffic control. In: International Forum “KAZAN DIGITAL WEEK – 2021”; 2021 Sep 21–24; Kazan. Collection of materials. Part 1. Kazan; 2021;20–25. (In Russ.)
  8. Rylov YuA, Solovyeva SI, Korolkov AYu. Experimental research of operating modes traction electric rolling stock. Modern Science. 2017;(9):137–140. (In Russ).
  9. Malakhov SV, Kapustin MYu. Method of building an adaptive suboptimal stationary train motion regulator based on artificial neural networks. Vestnik Nauchno-issledovatel’skogo instituta zheleznodorozhnogo transporta. 2021;80(1):13–19. (In Russ). EDN: VTGPTM doi: 10.21780/2223-9731-2021-80-1-13-19
  10. Sivitskiy DA. Analysis of experience and prospects of application of artificial neural networks on railway transport. Vestnik Sibirskogo gosudarstvennogo universiteta putej soobshcheniya. 2021;(2):33–41. (In Russ).
  11. Certificate of registration of computer program RUS № 2019618673 / 03.07.2019. Byul. № 7. Aukhadeev AE, Idiyatullin RG, Kisneeva LN, et al. Programma rascheta racional’nyh rezhimov raboty tyagovogo elektrooborudovaniya elektropodvizhnogo sostava pri dvizhenii po zadannomu marshrutu s uchetom vliyaniya ekspluatacionnyh faktorov. (In Russ).
  12. Aukhadeev AE, Litvinenko RS, Kisneeva LN, Tukhbatullina DI. Toward the development of the theory of traction electrical equipment of urban electric transport. Elektrotekhnicheskie i informacionnye kompleksy i sistemy. 2019; 15(4):12–18. (In Russ). EDN: XMUJDE doi: 10.17122/1999-5458-2019-15-4-12-18
  13. Platonov AK. About motion construction in ballistics and mechatronics. Prikladnaya mekhanika i upravlenie dvizheniem. 2010:127–222. (In Russ).
  14. Bernstein NA. On the construction of movements. Moscow: Medgiz; 1947. (In Russ).
  15. Borovikov VP. Popular introduction to modern data analysis in Statistica. Moscow: Goryachaya liniya – Telekom; 2013. (In Russ).
  16. Certificate of database registration RUS № 2020621735/ 23.09.20. Buyl. № 10. Aukhadeev AE, Idiyatullin RG, Zalyalov RR, et al. Database of the main energy and operational characteristics of the production process of tramway transport. (In Russ). EDN: XMRUNI
  17. Borovikov VP editor. Neural Networks. Statistica Neural Networks: Methodology and Technologies of Modern Data Analysis / 2nd ed. Moscow: Goryachaya liniya – Telekom; 2008. (In Russ).
  18. Certificate of registration of computer program RUS № 2023661296/ 03.05.2023. Byul. № 6. Aukhadeev AE, Litvinenko RS, Le KT, et al. Programma opredeleniya racional`ny`x rezhimov raboty` tyagovogo e`lektrooborudovaniya nazemnogo gorodskogo e`lektricheskogo transporta na osnove gruppy` nejronny`x setej pryamogo rasprostraneniya. (In Russ). EDN: IRQGIA

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1.  Typical for urban electric transport modes of traction electrical equipment (a)

Download (301KB)
Indexing metadata
3. Fig. 2. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of computer modeling

Download (1MB)
Indexing metadata
4. Fig. 3. The correlation pleiad of interrelations of factors influencing the formation of controlled motion, obtained on the basis of experimental studies

Download (1MB)
Indexing metadata
5. Fig. 4. Matrix of pair correlation coefficients for the value of specific power consumption  and statistical factors determining the modes of operation of traction electrical equipment

Download (2MB)
Indexing metadata
6. Fig. 5. Distribution of lengths of distances L, m, typical for urban electric transport

Download (325KB)
Indexing metadata
7. Fig. 6. Neural networks based on multilayer perceptron: MLP 4-11-5 (а); MLP 4-6-9-8 (б); MLP 4-12-11-11 (в)

Download (389KB)
Indexing metadata
8. Fig. 7. General algorithm for determining the parameters of effective control of the traction electrical equipment electrical complex

Download (147KB)
Indexing metadata

Copyright (c) 2024 Aukhadeev A.E.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

link to the archive of the previous title

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».