Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení

Abstract

Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.

This doctoral thesis elaborates possibilities of automatic train type identification in railway S&C using accelerometer data. Current state-of-the-art was considered, including requirements stated by research projects such as S-Code, In2Track or Turnout 4.0. Conducted experiments considered different architectures of artificial neural networks (ANN) and statistically evaluated multiple use case scenarios. The resulting accuracy reached up to 89.2% for convolutional neural network (CNN), which was selected as a suitable baseline architecture for further experiments. High generalization capability was observed as models trained on data from one location were able to classify locomotive types in the other location. Further experiments evaluated the effect of signal filtering and denoising. Evaluation of allocated memory and processing time for pre-trained models proved feasibility for in-situ application with regard to hardware restrictions. Due to a limited amount of available accelerometer data, distribution grid power demand data were utilized for further refinement of the proposed CNN architecture. Deep multi-layer architecture with regularization techniques such as dropout or batch normalization provides state-of-the-art performance for time series classification problems. Class activation mapping (CAM) allowed an explanation of decisions made by the neural network. Presented results proved that train type identification directly in the S&C is possible. The CNN was selected as optimal architecture for this task due to high classification accuracy, automatic filtration, and pattern recognition capabilities, allowing for the incorporation of the end-to-end learning strategy. Moreover, direct on-site application of pre-trained models is feasible with respect to limitations of in-situ hardware. This thesis contributes to understanding the train type identification problem and provides a solid theoretical background for future research.