Стаття

Отримано 22.01.2025

Доопрацьовано 28.05.2025

Прийнято 20.06.2025

Взято з Том 28, № 1, 2025

Сторінки 145 -160

Gorobchenko, O., Zaika, D., Maliuk, S., Arkhypov, O., & Nevedrov, O. (2025). Research of theoretical basis of implementation of intelligent control systems for locomotive traction transmission. The National Transport University Bulletin: A Scientific and Technical Journal, 28(1), 145-160. https://doi.org/10.32703/2617-9040-2025-45-11

Дослідження теоретичних основ впровадження інтелектуальних систем управління тяговою передачею локомотивів

Олександр Горобченко Денис Заіка Сергій Малюк Олександр Архипов Олександр Неведров

В роботі виконано аналіз існуючих систем автоматизованого управління на основі теорії штучного інтелекту. Дані системи використовують методи нечіткої логіки, штучні нейроні мережі та генетичні алгоритми. Використання даних методів дозволяє створювати більшадаптивні  та  ефективні  системи  управління  в  порівнянні  з  традиційними  методами. Сформовано  основні  напрямки  застосування  методів  штучного  інтелекту  на  залізничному транспорті,  зокрема  в  системах  управління  локомотивами,  та  оптимізації  режимів  руху. Виділено основні етапи розробки моделей на основі штучного інтелекту, включаючи збір даних та  навчання  моделей.  Сформовано  основі  напрямки  моделювання  інтелектуальних  систем. Представлено узагальнений підхід для розробки інтелектуальної системи управління тяговою передачею маневрових локомотивів, який враховує характеристики рухомого складу та умови експлуатації.Для задачі управління пропонується використовувати продукційну модель

залізничний транспорт; рухомий склад; управління; штучний інтелект; метод Мамдані; ризик;тягова електрична передача; безпека
  1. Fernández, P. M., Sanchís, I. V., Yepes, V., & Franco, R. I. (2019). A review of modelling and optimisation methods applied to railways energy consumption. Journal of Cleaner Production, 222, 153-162. https://doi.org/10.1016/j.jclepro.2019.03.037.
  2. Aredah, A., Du, J., Hegazi, M., List, G., & Rakha, H. A. (2024). Comparative analysis of alternative powertrain technologies in freight trains: A numerical examination towards sustainable rail transport. Applied Energy, 356. https://doi.org/10.1016/j.apenergy.2023.122411.
  3. Aredah, A., Fadhloun, K., & Rakha, H. A. (2024). Energy optimization in freight train operations: Algorithmic development and testing. Applied Energy, 364. https://doi.org/10.1016/j.apenergy.2024.123111.
  4. Aredah, A. S., Fadhloun, K., & Rakha, H. A. (2024). NeTrainSim: a network-level simulator for modeling freight train longitudinal motion and energy consumption. Railway Engineering Science, 1-19. https://doi.org/10.1007/s40534-02400331.
  5. Jing, S. H. A. N. G., Yong, L. I. U., & Fan, J. I. A. N. G. (2023). Research and application of locomotive automatic operation technology. Electric Drive for Locomotives, 1, 1–12. https://doi.org/10.13890/j.issn.1000-128X.2023.01.001.
  6. Ткаченко, О. І., & Куліш, С. А. (2024). Проблеми та перспективи впровадження геоінформаційних систем на залізничному транспорті. IT Synergy, (2), 155-169. https://doi.org/10.53920/ITS-2024-2-10.
  7. R. Lakshmi Devi, G. Saravanan, K. Sangeetha, S. Pavithra and S. Thiyagarajan, (2021). Smart Train Accident Detection And Prevention System Using Iot Technology. International Conference on System, Computation, Automation and Networking (ICSCAN), Puducherry, India, 2021, pp. 1-3. https://doi.org/10.1109/ICSCAN53069.2021.9526413. 
  8. Flammini, F., De Donato, L., Fantechi, A., & Vittorini, V. (2022, May). A vision of intelligent train control. In International Conference on Reliability, Safety, and Security of Railway Systems (pp. 192-208). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-031-05814-1_14. 
  9. Liu, Q., Li, N., Tang, H., & Jia, X. (2023). An Analysis of Intelligent Operation and Maintenance for Rail Transit Electric Locomotives. Engineering Advances, 3(3). https://doi.org/10.26855/ea.2023.06.002.
  10. Morin, X., Olsson, N. O., & Lau, A. (2024). Managerial Challenges in Implementing European Rail Traffic Management System, Remote Train Control, and Automatic Train Operation: A Literature Review. Future Transportation, 4(4), 13501369. https://doi.org/10.3390/futuretransp4040065. 
  11. Krawczyk, J. (2021). The era of the unmanned vevicles is coming. Przegląd Nauk O Obronności, 11, pp. 27-42. http://dx.doi.org/10.37055/pno/142494. 
  12. Taguchi, K., & Ishikawa, F. (2021). Experimental Conformance Evaluation on UBER ATG Safety Case Framework with ANSI/UL 4600. In Computer Safety, Reliability, and Security. SAFECOMP 2021 Workshops, (pp. 272-283). Springer International Publishing. https://doi.org/10.1007/978-3-030-83906-2_22. 
  13. Jung H-S, Eschmann F, Schindler C. (2023). Experimental investigation on RFID-odometer-based localization of an automated shunting vehicle. Proceedings of the Institution of Mechanical Engineers, Part F. 238(1), pp. 14-23. https://doi.org/10.1177/09544097231176464.
  14. Wang, Y., Song, W., Zhang, Y., Huang, F., Tu, Z., Li, R., ... & Lou, Y. (2024). Four years of multimodal odometry and mapping on the rail vehicles. Journal of Field Robotics, 41(2), 227-257. https://doi.org/10.1002/rob.22256.
  15. Gorobchenko, O., & Zaika, D. (2022). Review of methods and prospects of using artificial intelligence in railway transport. Innovations and prospects of world science. Springer. pp. 184–192.
  16. Gorobchenko, O., Holub, H., & Zaika, D. (2024). Theoretical basics of the self-learning system of intelligent locomotive decision support systems. Archives of Transport, 71(3), pp. 169–186. https://doi.org/10.61089/aot2024.gaevsp41
  17. Zhou, K., Song, S., Xue, A., You, K., & Wu H. (2022). Smart train operation algorithms based on expert knowledge and reinforcement learning. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 52(2). pp. 716–727. https://doi.org/10.1109/TSMC.2020.3000073\
  18. Gorobchenko, O. & Nevedrov, O. (2020). Development of the structure of an intelligent locomotive DSS and assessment of its effectiveness. Archives of Transport, 56(4), pp. 47–58. https://doi.org/10.5604/01.3001.0014.5517
  19. Gorobchenko, O., & Zaika, D. (2024). Creation of a model of automated traction control of shunting locomotives by using artificial intelligence methods. Transport Systems and Technologies, (44), pp. 8–26. https://doi.org/10.32703/2617-9059-2024-44-1  
  20. Li, X., Zhu, M., Zhang, B., Wang, X., Liu, Z., & Han, L. (2024). A review of artificial intelligence applications in highspeed railway systems. High-speed Railway, 2(1), pp. 11-16. https://doi.org/10.1016/j.hspr.2024.01.002
  21. Herpratiwi, H., Maftuh, M., Firdaus, W., Tohir, A., Daulay, M. I., & Rahim, R. (2022). Implementation and Analysis of Fuzzy Mamdani Logic Algorithm from Digital Platform and Electronic Resource. TEM Journal, 11(3), pp. 1028-1033. https://doi.org/10.18421/TEM113-06  
  22. Zadeh, L. A. (2023). Fuzzy logic. In Granular, Fuzzy, and Soft Computing. New York: NY: Springer US. https://doi.org/10.1007/978-3-642-27737-5_234 
  23. Kaczorek, M., & Jacyna, M. (2022). Fuzzy logic as a decision-making support tool in planning transport development. Archives of Transport, 61(1). 51–70. https://doi.org/10.5604/01.3001.0015.8154  
  24. Ciani, L., Guidi, G., Patrizi, G., & Galar, D. (2021). Improving Human Reliability Analysis for railway systems using fuzzy logic. IEEE Access, (9). 128648–128662. DOI: 10.1109/ACCESS.2021.3112527
  25. Alnuman, H. H., Gladwin, D. T., Foster, M. P., & Ahmed, E. M. (2022). Enhancing energy management of a stationary energy storage system in a DC electric railway using fuzzy logic control. International Journal of Electrical Power & Energy Systems, (142). 108345. https://doi.org/10.1016/j.ijepes.2022.108345 
  26. Rodriguez, R., Trovão, J. P. F., & Solano, J. (2022). Fuzzy logic-model predictive control energy management strategy for a dual-mode              locomotive.            Energy    Conversion            and          Management,       (253).      115111. https://doi.org/10.1016/j.enconman.2021.115111
  27. Eckert, J. J., Pavani Teodoro, Í., Valente Lopes, M., Wu, Q., & Santos, A. A. (2024). Multi-objective optimization of electro-pneumatic braking process with fuzzy logic control for heavy haul railway applications. International Journal of Rail Transportation, 1–20.  https://doi.org/10.1080/23248378.2024.2338837 
  28. Apriyanto, R. A. N., & Samudra, D. I. (2022). Perbandingan Simulasi Kontrol Kecepatan Kereta Api Dengan Logika Fuzzy Metode Mamdani dan Sugeno. Telekontran: Jurnal Ilmiah Telekomunikasi, Kendali dan Elektronika Terapan, 10(1), pp. 18-29. https://doi.org/10.34010/telekontran.v10i1.7238.
  29. Wang, L., Han, M., Li, X., Zhang, N., & Cheng, H. (2021). Review of classification methods on unbalanced data sets. IEEE Access, (9). 64606–64628. https://doi.org/10.1109/ACCESS.2021.3074243  
  30. Zhang, D., Mohammed, S., & Calvi, A. (2021). Fuzzy logic systems for transportation engineering. Journal of Intelligent & Fuzzy Systems, 41(4), 4705–4712. https://doi.org/10.3233/JIFS-189957 
  31. Herpratiwi, H., Maftuh, M., Firdaus, W., Tohir, A., Daulay, M. I., & Rahim, R. (2022). Implementation and Analysis of Fuzzy Mamdani Logic Algorithm from Digital Platform and Electronic Resource. TEM Journal, 11(3), 1028–1033. https://doi.org/10.18421/TEM113-06  
  32. Gorobchenko, O., Zaika, D., Holub, H., & Kulbovskyi, I. (2024). Development of an intelligent control model for a maneuvering locomotive using the Mamdani method. Innovations and Prospects of World Science. Proceedings of the I International Scientific and Practical Conference: Current Trends in Scientific Research Development, Boston, USA, August 22–24, 2024 (pp. 70–77).
  33. Kacimi, M. A., Guenounou, O., Brikh, L., Yahiaoui, F., & Hadid, N. (2020). New mixed-coding PSO algorithm for a selfadaptive and automatic learning of Mamdani fuzzy rules. Engineering Applications of Artificial Intelligence, 89. https://doi.org/10.1016/j.engappai.2019.103417  

https://doi.org/10.32703/2617-9040-2025-45-11