Bu tədqiqat, sekiz vaqonlu bir yüksek sürətli elektrikli qatarin pnevmatik dumanteminde hortum keçidsının ayrılmasıyla yaranan hava kaçşəbəkəını; yalnızca 1., 3., 6. və 8. vaqonlardaki dört əsas depo basınç senproblemü kullanarak tespit etmeyi, arızalı aracı belirlemeyi və arızalı pnevmatik avadanlıqı sinifləndirməyı araşdırır. Araşdırmada AMESim ilə oluşturulan və məhdud gerçek zemin testləriyle kalibre edilən tren düzeyi pnevmatik modelden üretilmiş məlumatlar, fiziki basınç düşüşü özelliği və vaqon–avadanlıq yerleşim kistiliktlarıyla desteklenen çox tapşırıqlı 1D-CNN–LSTM şəbəkəına məlumatlmiştir. Tam A3_PM modeli; kaçak, vaqon və avadanlıq görəvlerinde ardıcıllıqsıyla %99,85 ± %0,01, %95,73 ± %0,41 və %92,12 ± %1,24 dəqiqlik bildirmiştir. Bununla belə avadanlıq sonucu gerçək vaqon etiketinin modele şərt kimi məlumatldiği bir dəyərləndirməye, məlumat kümesi isə şəbəkəırlıklı kimi benzetimle üretilmiş basınç dizilərine dayanmaktadır.

Yöntemin ilk qatı, dört sensorden gelen basınç siqnallarındeki qısamüddətli yerli değişimleri bir boyutlu konvolyusiyalı neyron şəbəkəyla çıqarmaktadır. Ardından uzun-qısamüddətli yaddaş şəbəkəı və zamanla bşəbəkəlı diqqət mexanizmi, basıncın zaman boyunca nasıl düştüğünü, dengelendiğini və ya kompressor etkisiyle yeniden yükseldiğini modellemektedir. Aynı pencerenin başlanğıc və bitiş basınçları arasındaki değişim həmçinin fiziki bir basınç düşüş sürəti özelliğine dönüştürülmekte və öğrenilən zaman serisi temsiliyle birləşdirilir.

Model üç ayrı çıktı üretməktedir: kaçak var və ya yok, arızalı vaqon 1–8 arasında hangisi və arızalı avadanlıq sekiz siniftan hangisidir. Avadanlıq sinifləri kuplör, qapı, ön qapaq, siqnal, pantoqraf, qumlama cihazı, tualet və təkər səthi təmizləyicisidir. Tədqiqatın vaqon–avadanlıq sərt maskasi, belirli bir vaqonta fiziki kimi bulunmayan avadanlıqların olasılığını sıfıra indirmektedir. Örneğin siqnal yalnızca uç vaqonlarda, pantoqraf isə yalnızca 3. və 6. vaqonlarda bulunduğu üçün gerçek vaqon bilgisi məlumatldiğinde pantoqraf arızasının siqnal kimi raporlanması engellenmektedir.

Araşdırmanın güclü tarafı, üst üste binen zaman pencerelerini eyni özgün dosya grubu üçünde tutarak təlim və test kümeleri arasındaki birbaşa məlumat sızmasını azaltmasıdır. Üç fərqli təsadüfi başlanğıcla strukturlan təcrübələrde ortalama və standart sapmaların raporlanması da tek bir başarılı təlim çalıştırmasına dayalı nəticə sunulmasını önlemektedir. Bunun əksinə gerçek tren məlumatsinin kapsamı məhdud, məlumat və kod kamuya kapalı, dış bir tren setinde doğrulama yok və gerçek sensorlerin 1 Hz nümunəleme sürətina qarşı təlim məlumatlarinin 10 Hz kimi üretilmesinin saha performansına etkisi dəyərlendirilmemiştir.

Türkiyə baxımından əhəmiyyəti

Türkiyədə işletilən və ya geliştirilən yüksək sürətli elektrikli qatar setlerinde pnevmatik dumantemler; əyləcləmə, qapılar, pantoqraf, havalı süspansion və çeşitli yardımcı avadanlıqlar üçün kritik əhəmiyyəte sahiptir. Tədqiqatın yaklpeyəndmı, her pnevmatik dala ayrı sensor yerleştirmek yerine məhdud sayıdaki ana basınç senproblemden bütün tren boyunca yayılan basınç değişimlerini yorumlayan bir texniki xidmət qərar dəstək dumantemi geliştirilmesine metodoloji təməl sşəbəkəlayabilir.

Türkiyə’ye uyarlanacak bir dumantemde ilgili tren setinin gerçek boru topologiyası, depo həcmləri, kompressor nəzarət mantığı, hortum və valf xüsusiləri, sensor ayırdetməsi və avadanlıq yerleşimi yeniden modellenmelidir. Farklı mevsimler, hündürlük, temperatur, vaqon ypeyənd, texniki xidmət durumu, normal hava tüketimi və yolculuk ardıcıllıqsında yaranan nəzarət hareketleriyle uzunmüddətli məlumat toplanmalıdır. Model çıktistilik, bşəbəkəımsız saha doğrulaması və emniyet analizi tamamlanmadan otomatik tren durdurma və ya kritik texniki xidmət qararı üçün kullanılmamalıdır.

Araşdırmanın təməl sualsu nedir?

Araşdırmanın təməl sualsu, tren boyunca yalnız dört noktada ölçülen əsas depo basıncının, yerli sensorü bulunmayan çox sayıda pnevmatik avadanlıqdaki hortum ayrılması kaçşəbəkəını ne kadar ayrıntılı biçimde gösterebiləceğidir. Tədqiqat yalnızca “kaçak var mı?” sualsuna cevap aramamaktadır. Aynı basınç penceresinden:

• Kaçşəbəkəın bulunup bulunmadığı,
• Kaçşəbəkəın sekiz vaqontan hangisinde oluştuğu,
• Kaçşəbəkəın sekiz avadanlıq kategorisinden hangisiyle ilişgili olduğu

birlikte proqnoz edilmektedir.

Problem neden zordur?

Yerel bir hortum ayrılması, əsas depo borusu üzərindən bütün trenin basınç dengesini etgiləyebilir. Bu nedenle fərqli vaqon və avadanlıqlarda yaranan kaçaklar dört sensorde birbirine benzeyen genel basınç düşüşleri yarada bilər. Ayrımı zorlaştıran başlıca şərtlər şunlardır:

• Basınç sensorleri yalnızca 1., 3., 6. və 8. vaqonlarda bulunmaktadır.
• Kapı, tualet, kumlama dumantemi və temizleyici gibi avadanlıqların yerli basınç sensorleri yoktur.
• Basınç cevabı başlanğıc basıncına, kaçak konumuna və avadanlıq dalına görə değişmektedir.
• Normal hava tüketimi və kompressor nəzarətü də basınç eğimini değiştirebilir.
• Arıza nümunələri normal nümunəlerden və avadanlıq sinifləri birbirinden sayısal kimi fərqlidır.
• Vaqon və avadanlıq etiketleri bşəbəkəımsız değildir; bazı avadanlıqlar yalnız belirli vaqonlarda bulunur.

Bu nedenle basit bir təzyiq həddi kaçşəbəkəın oluştuğunu gösterebilse bilə arızanın hangi vaqon və avadanlıqdan mənbəlandığını inamılir biçimde açıklamayabilir.

İncelenen pnevmatik dumantem nasıl strukturlandırılmıştır?

Tədqiqatda sekiz vaqonlı bir elektrikli çoxlu birimin tren boyunca uzanan əsas depo borusu modellenmiştir. Ana boru; əyləc dumantemi, hava təchizatı nəzarət modulü, ana və yardımcı depolar, havalı süspansion, iqlimləndirmə və havalandırma, pantoqraf, qapılar, tualet, kuplör, ön qapaq, siqnal, təkər səthi təmizləyicisi və kumlama dumantemi gibi dallara basınçlı hava sşəbəkəlamaktadır.

Sistem şeması, tek bir yerli hortum ayrılmasının yalnız arızalı dala değil, əsas boru üzərindən başka vaqonlardaki basınç sensorlerine də yayılan bir dinamik tepki oluşturduğunu göstərir. Bu yayılım, arızanın konumuna ilişkin bilgi tpeyəndsa da siqnalın birbaşa okunmasını zorlaştıran güclü bir dumantem bşəbəkəlpeyəndmı meydana getirmektedir.

Vaqon–avadanlıq yerleşim ilişkisi

Bu cədvəl, modelin çıktı uzayında kullanılabiləcek açık bir mühendislik kuralı yaratmaqtadır. Örneğin 4. vaqon üçün pantoqraf, kuplör və ya siqnal proqnozu fiziki kimi geçersizdir.

Çok görəvli problem nasıl diaqnozmlanmıştır?

Dört basınç senproblemden eyni anda alınan ölçmələr aşşəbəkəıdaxın vektörle temsil edilmektedir:

\[ \mathbf{p}(t)=[p_1(t),p_2(t),\ldots,p_C(t)]^T \]

Burada \(C=4\), sensor kanalı sayistilikdır. Kanallar 1., 3., 6. və 8. vaqonlardaki əsas depo basınçlarını temsil etmektedir. Her öğrenme örneği, \(T\) zaman addımı içeren dört kanallı pencere biçimindedir:

\[ \mathbf{X}_i= [\mathbf{p}(t_i),\mathbf{p}(t_i+1),\ldots, \mathbf{p}(t_i+T-1)] \in\mathbb{R}^{C\times T} \]

\(\mathbf{X}_i\), modelin tek bir nümunə üçün gördüğü basınç zaman dizisidir. Her satır bir sensorü, her sütun isə pencere üçündeki bir nümunəleme anını gösterir.

Her pencereye üç etiket atanmıştır:

\[ \mathbf{y}_i= \left( y_i^{\mathrm{leak}}, y_i^{\mathrm{car}}, y_i^{\mathrm{dev}} \right) \]

• \(y_i^{\mathrm{leak}}\): kaçak yok və ya kaçak var etiketi,
• \(y_i^{\mathrm{car}}\): 1–8 arasındaki arızalı vaqon,
• \(y_i^{\mathrm{dev}}\): sekiz avadanlıq kategorisinden biri.

Vaqon və avadanlıq proqnozlerinin fiziki kimi əhəmiyyətli olması üçün bir uyğunluq matrisi diaqnozmlanmıştır:

\[ M_{c,d}= \begin{cases} 1, & d\text{ ekipmanı }c\text{ aracında bulunuyorsa}\\ 0, & d\text{ ekipmanı }c\text{ aracında bulunmuyorsa} \end{cases} \]

Geçerli bir vaqon–avadanlıq proqnozu üçün:

\[ M_{\hat{y}^{\mathrm{car}},\hat{y}^{\mathrm{dev}}}=1 \]

olmalıdır. Bu ilişki, süni intellekt çıktistiliknın trenin gerçek donanım yerleşimiyle çelişmesini engellemek amacıyla kullanılmaktadır.

Gerçek təcrübə və AMESim modeli nasıl birleştirilmiştir?

Bütün vaqon–avadanlıq kaçak kombinasyonlarını gerçek tren üzərində bilinçli kimi yaratmaq təhlükəsizlik, zaman və maliyet açistilikndan uygun olmadığı üçün simulyasiya destekli məlumat istehsali tətbiq edilmişdir. Önce məhdud sayıda yer testiyle hortum ayrılması sonrasında yaranan basınç tepgiləri ölçülmüşdür. Daha sonra trenin boruları, depoları, hava təchizatı birimleri və avadanlıq dalları AMESim ortamında modellenmiş və ölçülen eğriləre görə kalibre edilmiştir.

Gerçek və benzetilmiş basınç eğrilərinin qarşılaştırıldığı qrafikte:

• Mavi müddətkli çizgilər eksperimental ölçməü,
• Kırmızı kesikli çizgilər simulyasiya sonucunu,
• Dört ayrı panel 1., 3., 6. və 8. vaqon sensorlerini,
• Yatay eksen zamanı saniyə,
• Düşey eksen əsas boru basıncını gilopaskal cinsinden

göstərir.

Yaklpeyəndk 950 kPa düzeyinden başlayan basınç düşüşleri, düşük basınçta üfüqilaşma, kompressorle yeniden təxminən 940–950 kPa düzeyine yükselme və ikinci düşüş müddətci texniki xidmətından təcrübə və simulyasiya çizgiləri birbirine yaxınn ilərlemektedir. Dört kanalın ortalama belirleme katsayistilik:

\[ R^2=0{,}9923 \]

kimi bildirilmişdir. Bu dəyər baskın basınç eğilimlerinin benzetimde iyi yeniden üretildiğini göstərir. Bununla belə kanal bpeyəndna \(R^2\), RMSE və ya MAE dəyərləri məlumatlmemiştir. Yüksək genel \(R^2\), avadanlıqları birbirinden ayıran kiçik və qısamüddətli geçişlerin eyni dəqiqlikla üretildiğini tek bpeyəndna sübut etmir.

Simülasyon məlumatlari nasıl çeşitlendirilmiştir?

Kalibre edilən modelde kaçak 10. saniyəde enjekte edilmiş və fərqli vaqon–avadanlıq kombinasyonları üçün dört sensorün basınç cavabı istehsal edilmişdir. Çeşitliliği artırmak amacıyla:

• Başlangıç basıncını temsil eden düşey eğri kaydırmaları,
• Farklı sıxlıqlarda ölçmə səs-küyü,
• Başka hava tüketim olaylarını taklit eden qısamüddətli yerli eğim değişimleri

eklenmiştir. Tədqiqatçılar bu artırmaların gerçek tren doğrulamasının yerine geçmediğini, yalnız nəzarətlü şərtlərda olası basınç yanıtlarının kapsamını genişlettiğini açıkça belirtmektedir.

Zaman pencereleri nasıl yaradılmışdır?

Simülasyon məlumatlari 10 Hz nümunəleme sürətinda işlenmiştir. Pencere uzunluğu 100 nümunə, sürüşdürmə addımı 50 nümunətir:

Pencerenin son nümunəleme anı kaçak enjeksion zamanını geçiyorsa nümunə “kaçak” kimi etiketlenmiştir. Bu yaklpeyəndm geçiş anını içeren pencerelerin kaçak sinifına alınmasını sşəbəkəlar. Lakin pencerenin bir kısmı arıza əvvəlsi, bir kısmı arıza sonrası olabilir; bu nedenle etiket arızanın pencerenin tamamında etkin olduğunu göstermez.

Veri sızıntistilik nasıl önlenmeye çalışılmıştır?

Aynı basınç dosyasından üretilən komşu pencereler böyük ölçüde örtüştüğü üçün pencere düzeyinde rastgele bölme strukturlmamıştır. Özgün mənbə dosyaları grup kimi tutulmuş və dosyalar:

• %70 təlim,
• %15 doğrulama,
• %15 test

kümelerine ayrılmışdır. Böylece eyni dosyanın birbirine çox benzeyen pencerelerinin hem təlim hem test dəstinde bulunması engellenmiştir.

Bununla belə tədqiqatda toplam özgün dosya sayistilik, dosya bpeyəndna pencere sayistilik, avadanlıq bpeyəndna dosya dşəbəkəılımı və eyni təməl senaryodan türetilən artırılmış dosyaların tek grupta tutulup tutulmadığı açıklanmamıştır. Dosya düzeyindeki bölme birbaşa pencere sızıntistiliknı azaltmaktadır; lakin eyni simulyasiya senaryosunun fərqli artırılmış sürümleri kümeler arasında bulunuyorsa senaryo benzerliği devam edebilir.

Sınıf dengesizliği nasıl ele alınmıştır?

Vaqon və avadanlıq sinifləri eşit sayıda nümunə içermediği üçün effektiv nümunə sayına dayalı sinif şəbəkəırlıqları istifadə edilmişdir:

\[ E_k=\frac{1-\beta^{n_k}}{1-\beta} \]

Burada \(n_k\), \(k\) sinifındaki təlim örneği sayistilik; \(\beta\), böyük siniflərin şəbəkəırlığını yumuşatan parametredir. Sınıf şəbəkəırlığı:

\[ w_k= \frac{1/E_k} {\frac{1}{K}\sum_{j=1}^{K}1/E_j} \]

kimi hesaplanmış və bütün siniflərin ortalama şəbəkəırlığı 1 olacak biçimde normalize edilmiştir. Bu üsul, az nümunəli avadanlıqların itki funksiyasında tamamen geri planda kalmasını engellemeyi amaçlar. Lakin sinif üzrə nümunə sayıları və istifadə edilən \(\beta\) dəyəri raporlanmadığı üçün gerçek şəbəkəırlıklar bşəbəkəımsız biçimde yeniden hesaplanamamaktadır.

1D-CNN qatı neyi öğrenmektedir?

Modelin ilk bölümü, basınç siqnallarındeki qısamüddətli yerli değişimleri çıqaran iki konvolyusiya bloğundan oluşmaktadır:

Conv1D(4 → 32, nüvə=5, dolgu=2)
→ Batch Normalization
→ ReLU
→ MaxPool(2)

Conv1D(32 → 64, nüvə=3, dolgu=1)
→ Batch Normalization
→ ReLU
→ MaxPool(2)

Dört kanallı və 100 nümunə uzunluğundaki giriş, iki havuzlama işleminden sonra:

\[ F_{\mathrm{cnn}} \in\mathbb{R}^{B\times64\times25} \]

boyutuna indirilmektedir. \(B\), mini-batch üçündeki nümunə sayistilikdır. Evrişim qatları basınç eğimindeki yerli qırılmaları, qısamüddətli düşüşleri və kanallar arasındaki eş zamanlı değişimleri öğrenirken havuzlama işlemi zaman boyutunu küçültmekte və işlem yükünü azaltmaktadır.

LSTM və zamanla bşəbəkəlı diqqət nasıl tədqiqatktadır?

CNN çıktistilikndaki 25 zaman konumu bir dizi hâline dönüştürülerek 128 gizli birimli tek qatlı LSTM’ye məlumatlmektedir. LSTM, unutma, giriş və çıkış qapıları sayesinde əvvəlki basınç durumundan hangi bilginin korunacşəbəkəını və yeni değişimin ne ölçüde ekleneceğini öğrenmektedir.

LSTM’nin her zaman addımındaki gizli durumu:

\[ H=[h_1,h_2,\ldots,h_{T'}] \in\mathbb{R}^{B\times T'\times128} \]

şeklindedir. Zamansal diqqət skoru:

\[ e_t=w_a^T h_t+b_a \]

və normalize edilmiş diqqət şəbəkəırlığı:

\[ \alpha_t= \frac{\exp(e_t)} {\sum_{\tau=1}^{T'}\exp(e_\tau)} \]

kimi hesaplanmaktadır. Pencere düzeyindeki bşəbəkəlam vektörü:

\[ h_{\mathrm{ctx}}= \sum_{t=1}^{T'}\alpha_t h_t \]

ilə elde edilir. Yüksək \(\alpha_t\) alan zaman dilimleri, modelin sinifləndirmə ardıcıllıqsında daha mühüm bulduğu basınç geçişlerini temsil etmektedir. Tədqiqat diqqət mexanizminı yorumlanabilir bir ipucu kimi diaqnozmlasa da belirli arızalarda hangi zaman dilimlerinin seçildiğini gösteren diqqət xəritəları sunmamıştır.

Fizik bilgili özellik nedir?

Her basınç kanalının pencere bpeyənd ilə pencere sonu arasındaki değişimi, pəncərə uzunluğuna bölünerek basınç düşüş sürəti özelliği yaradılmışdır:

\[ r_{b,c}= \frac{X_{b,c,T}-X_{b,c,1}}{T} \]

Burada:

• \(X_{b,c,1}\), pencerenin başlanğıc basıncı,
• \(X_{b,c,T}\), pencerenin bitiş basıncı,
• \(T=100\), pəncərə uzunluğu,
• \(c\), dört sensor kanalından biridir.

Bu diaqnozma görə negatif dəyər pencere boyunca basıncın düştüğünü, pozitif dəyər yükseldiğini gösterir. Tədqiqatda basınç gilopaskal cinsinden, \(T\) isə nümunə sayistilik kimi kullanıldığı üçün özellik birbaşa kPa/s değil, nümunə bpeyəndna basınç değişimi biçimindedir. Fiziksel kimi saniyə bpeyəndna düşüş sürəti isteniyorsa nümunəleme aralığının da hesaba katılması lazımdır.

Dört kanaldan oluşturulan vektör:

\[ \mathbf{r}=[r_1,r_2,r_3,r_4] \]

32 boyutlu bir fiziki embeddingye dönüştürülmektedir:

\[ e_{\mathrm{phys}}= \mathrm{ReLU}(W_{\mathrm{phys}}\mathbf{r} +b_{\mathrm{phys}}) \]

Öğrenilən və fiziki xüsusiyyətlər nasıl birleştirilmiştir?

128 boyutlu LSTM bşəbəkəlamı ilə 32 boyutlu fiziki embedding birleştirilmiştir:

\[ u=[h_{\mathrm{ctx}};e_{\mathrm{phys}}] \in\mathbb{R}^{160} \]

Ardından 128 boyutlu ortak özellik yaradılmışdır:

\[ z= \mathrm{ReLU}(W_{\mathrm{fus}}u+b_{\mathrm{fus}}) \]

Kaçak, vaqon və avadanlıq sinifləndirmə başlıqları eyni ortak \(z\) temsilini kullanmaktadır. Bu düzen, kaçak varlığı, basınç yayılım konumu və avadanlıq xüsusilərinin ortak bir zaman serisi strukturundan öğreniləbiləceği varsayımına dayanır.

Sert maska nasıl uygulanmaktadır?

Avadanlıq başlığının ham logitleri fiziki yerləşim matrisine görə değiştirilmiştir:

\[ \widetilde{o}^{\mathrm{dev}}_{b,d}= \begin{cases} o^{\mathrm{dev}}_{b,d}, & M_{c_b,d}=1\\ -\infty, & M_{c_b,d}=0 \end{cases} \]

Geçersiz avadanlıq logitinin \(-\infty\) strukturlması, softmax sonrasında olasılığının tam kimi sıfır olmasını sşəbəkəlar. Bu sayede məlumatlen vaqonta bulunmayan avadanlıq seçiləmez.

Örütubətli yorum sınırı, \(c_b\) vaqon şərtunun təlim və test ardıcıllıqsında modelin vaqon proqnozu değil gerçək vaqon etiketi olmasıdır. Buna görə sərt maskali avadanlıq başlığı şu sualya cevap vermektedir:

“Arızanın hangi vaqonta olduğu doğru biçimde biliniyorsa, o vaqontaki olası avadanlıqlardan hangisi arızalıdır?”

Tədqiqat, aracın da yalnızca modelden proqnoz edildiği tam zincirde sərt maskanin performansını ölçmemiştir.

Çok görəvli itki funksiyası

Toplam təlim kaybı üç çapraz entropiya kaybının şəbəkəırlıklı toplamıdır:

\[ \mathcal{L}= \lambda_{\mathrm{leak}}\mathcal{L}_{\mathrm{leak}} +\lambda_{\mathrm{car}}\mathcal{L}_{\mathrm{car}} +\lambda_{\mathrm{dev}}\mathcal{L}_{\mathrm{dev}} \]

Varsayılan görəv şəbəkəırlıkları:

\[ \lambda_{\mathrm{leak}}=1{,}0,\qquad \lambda_{\mathrm{car}}=0{,}3,\qquad \lambda_{\mathrm{dev}}=0{,}3 \]

kimi müəyyən edilmişdir. Kaçak görəvinin şəbəkəırlığı diğer iki görəvden daha yüksektir. A5_LDEV2_PM varyantında avadanlıq şəbəkəırlığı artırılarak görəvler arası rekabetin azaltılması araştırılmıştır.

Eğitim ayarları

En iyi checkpointler üç başlanğıc üçün ardıcıllıqsıyla 83., 64. və 81. epochlarda seçilmiştir. Tədqiqatda istifadə edilən işlemci, GPU, təlim müddəti, çıxarım gecikməsi, yaddaş tüketimi və toplam model parametr sayı məlumatlmemiştir.

Karışıklık matrisleri ne göstərir?

Kaçak sinifləndirməsında kaçaksız nümunələrin %99,49’u, kaçak nümunələrin %99,85’i doğru təsnifatlandırılmışdır. İki siniflı matris neredeyse tamamen köşegen strukturdadır.

Vaqon konumlandırmada sinif bazlı doğru diaqnozma nisbətları təxminən kimi şöyledir:

Avadanlıq sinifləndirməsında siqnal və pantoqraf üçün gösterilən doğru sinifləndirmə nisbəti %100’dür. Tekerlek səthi temizleyicisi %77,4 ilə ən aşşəbəkəı sinif sonucuna sahiptir. Kumlama cihazı %85,9 nisbətinda doğru diaqnoznmış və nümunələrin %9,3’ü temizleyici kimi təsnifatlandırılmışdır. Tədqiqatçılar bu qarışıklığı iki avadanlıqın benzer yerli boru xüsusiləri və basınç dinamikleriyle ilişgiləndirmektedir.

Bu matrislerin hangi rastgele başlangıca ait olduğu açık biçimde belirtilmediğinden sinif bazlı nisbətlar, üç çalıştırmanın ortalaması kimi dəyərlendirilmemelidir.

Eğitim və doğrulama eğriləri nasıl yorumlanmalıdır?

Kaçak doğruluğu təlimin ilk aşamasında sürətla %99 düzeyine yaklaşmıştır. Vaqon və avadanlıq dəqiqlikları daha yavaş yükselmiş və təxminən %90–95 aralığında dengelenmiştir. Doğrulama eğriləri ilk 40–50 epoch boyunca aydın dalğalanma göstermiş, öyrənmə nisbəti azaltıldıktan sonra daha sabit hâle gelmiştir.

Seed 42 üçün doğrulama dəqiqlikları 4. epochta kaçak/vaqon/avadanlıq görəvlerinde təxminən 0,965/0,088/0,142 iken 30. epochta 0,997/0,758/0,835’e, 67. epoch civarında isə təxminən 0,999/0,959/0,925’e ulaşmıştır. Grafik geç dəhəmiyyətde böyük bir performans düşüşü göstermemektedir. Bununla belə təlim və doğrulama nümunələrinin eyni simulyasiya istehsal dumanteminden gelmesi, gerçek saha dşəbəkəılımındaki peyəndrı uyumu dəyərləndirməye yetmez.

Tədqiqatın desteklediği nəticələr

• Dört əsas depo basınç senproblemün simulyasiya destekli məlumatlarinde hortum ayrılması kaçşəbəkəı çox yüksek dəqiqlikla ayırt ediləbilmiştir.
• Basınç yayılımı, arızalı vaqon konumuna ilişkin öğreniləbilir bilgi tpeyəndmaktadır.
• Basınç düşüşü özelliğinin eklenmesi vaqon və avadanlıq nəticələrinı iyiləştirmiştir.
• Gerçek vaqon bilgisine görə tətbiq edilən fiziki maska, geçersiz avadanlıq rekabetini azaltmışdır.
• Dosya düzeyindeki məlumat bölme, eyni dosyadan gelen örtüşən pəncərələrin təlim və teste dşəbəkəılmasını engellemiştir.
• Üç təsadüfi başlanğıcta ana performans dəyərləri birbirine yaxınn qalmışdır.

Tədqiqatın kanıtlamadığı nəticələr

• Modelin gerçek yolcu işletmesi ardıcıllıqsında eyni dəqiqlikla çalışacşəbəkəı kanıtlanmamıştır.
• %92,12 avadanlıq doğruluğu tam ucdan uca vaqon–avadanlıq konumlandırma başaristilik değildir.
• Modelin kendi yanlış vaqon proqnozuyle sərt maskayi kullandığı şərt dəyərlendirilmemiştir.
• 1 Hz gerçek tren məlumatsinde 10 saniyəlik pencereyle eyni performans gösterilmemiştir.
• Kapı, tualet və pantoqraf dışındaki bütün avadanlıqlar üçün kapsamlı gerçek kaçak təcrübələri strukturlmamıştır.
• Küçük sızıntı, qismən boşalma və ya erken aşama conta pozulması araşdırılmamışdır.
• Kaçak şiddeti və ya kaçak sərfi proqnoz edilmemiştir.
• Farklı tren modeli, boru topologiyası və ya kompressor nəzarət dumantemi üzərində genelleme gösterilmemiştir.
• Modelin real zamanlı yerləşdirilmiş aparat təminatıda çalışabiləceği ölçülmemiştir.
• Model olasılıklarının inam kalibrasiyau, qeyri-müəyyənlik düzeyi və paylanmadan kənar arıza davranışı dəyərlendirilmemiştir.
• Yöntem bşəbəkəımsız dış məlumat kümesi və ya başka bir araşdırma ekibi tarafından təsdiqlənməmişdir.
• Tədqiqat təhlükəsizlik sertifikasiyası və ya otomatik tren nəzarətü üçün yetərlilik sunmamaktadır.

Tədqiqatın Yöntemi və Bulguları

Araşdırma tasarımı

Tam A3_PM modelinin test nəticələri

Tablo 3’te vaqon Macro-F1 dəyəri %95,87 kimi məlumatlirken komponent çıqarma Tablo 4’te A3_PM üçün %95,88 yazılmıştır. Fark böyük olasılıkla yuvarlama düzeyinden mənbəlanmaktadır; lakin iki cədvəlda eyni dəqiqlik kullanılmamıştır.

Dengeli dəqiqlik nəticələri

Biləşen çıqarma nəticələri

Fiziksel basınç düşüşü kolu avadanlıq Macro-F1 dəyərini 1,68 yüzde puanı, yalnız sərt maska 3,10 yüzde puanı artırmışdır. İki komponentin birlikte kullanılması, taban modele görə 4,39 yüzde puanlık artış üretmiştir. Avadanlıq görəvini tek bpeyəndna eğiten A4 varyantının A3_PM’den 0,32 puan daha yüksek olması, ortak temsilde görəvler arası məhdud rekabet bulunduğunu göstərir.

Korna–pantoqraf fiziki tutarlılıq analizi

Korna yalnızca 1. və 8. vaqonlarda, pantoqraf yalnızca 3. və 6. vaqonlarda bulunduğu üçün bu iki sinifın vaqon kümeleri kesişmemektedir. Gerçek vaqon etiketine görə maska uygulandığında pantoqrafın siqnal seçeneği otomatik kimi kapatılmaktadır. Bu nedenle 67 xədiaqnozn sıfıra inmesi fiziki tutarlılıq açistilikndan yararlı olsa da maskanin strukturu gereği beklenen bir nəticətur; modelin maskasiz kimi bu ayrımı öğrendiğini göstermez.

Korna sinifı kesinliği üç başlanğıcta:

• %34,18’den %51,18’e,
• %31,58’den %52,08’e,
• %37,64’ten %50,75’e

yüksəlmişdir. Korna geri çşəbəkəırması %100 kimi saxlanmışdır. Sert maska, gerçek siqnal nümunələrini azaltmak yerine fiziki kimi olanaksız yanlış müsbətleri engellemiştir.

Tədqiqatın güclü yönleri

• Seyrek sensorlerden üç ilişgili diaqnoz görəvini eyni modelde ele alması.
• Yerel basınç örüntüleri, uzun zaman bşəbəkəımlılığı və basınç düşüşü fiziğini birləşdirməsi.
• Vaqon–avadanlıq yerleşim bilgisini birbaşa çıktı alanına tətbiqsı.
• Gerçek test eğriləriyle kalibre edilmiş tren düzeyi pnevmatik model kullanması.
• Örtüşen pencerelerde fayl səviyyəsində məlumat ayrımı yapması.
• Sınıf dengesizliği üçün Macro-F1 və balanslaşdırılmış dəqiqlik raporlaması.
• Üç təsadüfi başlanğıc və komponent çıqarma təcrübələri sunması.
• Simülasyon məlumatsinin gerçek sahə məlumatsinin yerine geçmediğini açıkça belirtmesi.

Temel məhdudlıklar

• Tədqiqat rəyçi qiymətləndirməsindən keçməmişdir.
• Başlık sayfasında müəllif və qurum bilgiləri əskiktir.
• SSRN üzərində eyni tədqiqat üçün iki fərqli kayıt numarası və DOI indekslenmektedir.
• Veri kümesi şəbəkəırlıklı kimi simulyasiyaa dayanmaktadır.
• Gerçek testler başlıca qapı, tualet və pantoqraf senaryolarıyla məhduddur.
• Gerçek sensor məlumatsi 1 Hz, təlimde istifadə edilən simulyasiya məlumatsi 10 Hz’dir.
• Gerçek 1 Hz giriş üzərində bşəbəkəımsız model dəyərləndirməsi məlumatlmemiştir.
• Toplam gerçek test, simulyasiya dosyası, pencere və sinif örneği sayıları açıklanmamıştır.
• Sınıf şəbəkəırlıklarında istifadə edilən \(\beta\) dəyəri belirtilmemiştir.
• Hard mask test ardıcıllıqsında gerçək vaqon etiketine bşəbəkəlıdır.
• Modelin kendi vaqon proqnozuyle maskalenmiş ucdan uca nəticələri məlumatlmemiştir.
• Dış bir tren seti və ya bşəbəkəımsız məlumat kümesi kullanılmamıştır.
• Haricî mpeyəndn öyrənməsi üsulleriyle müqayisəlı benchmark strukturlmamıştır.
• Kanal bazlı simulyasiya xəta dəyərləri sunulmamıştır.
• İstatistiksel əhəmiyyətlilık testi və ya etibar aralığı yoktur; yalnız üç başlangıcın standart sapması məlumatlmiştir.
• Model boyutu, təlim müddəti və real zamanlı çıxarım gecikməsi raporlanmamıştır.
• Veri və mənbə kodu kamuya açık değildir.
• Küçük kaçaklar, aralıklı kaçaklar, sensor arızası və paylanmadan kənar şərtlər test edilmemiştir.

Türkiyədə saha doğrulaması üçün lazımlı adımlar

1. Yerel tren setinin pnevmatik topolojisinin və avadanlıq yerləşim matrisinin çıqarılması.
2. Gerçek sensor tezlikında uzun müddətli normal işletme məlumatsi toplanması.
3. Güvenli zemin şərtlərində fərqli kaçak böyüklükleri və avadanlıqlar üçün nəzarətlü xəta enjeksionu strukturlması.
4. Simülasyon məlumatsinin gerçek 1 Hz sensor biçimina dönüştürülerek yeniden dəyərlendirilmesi.
5. Modelin proqnoz ettiği vaqon numarasını kullanan tam ucdan uca maskanin sınanması.
6. Sensör arızası, məlumat kaybı, səs-küy və fərqli kompressor dövrlərinin ayrı test edilmesi.
7. Model belirsizliği və inam kalibrasiyaunun dəyərlendirilmesi.
8. Gömülü qatar kompüterinda gecikme, yaddaş və işlem yükünün ölçülmesi.
9. Baxınm uzmanlarının model çıktistiliknı yorumlama və müdahale müddətinin kullanıcı testləriyle incelenmesi.
10. Emniyet-kritik kullanımdan əvvəl bşəbəkəımsız doğrulama və risk analizi strukturlması.

Mənbə və Metod Qeydi

Tədqiqatın tam özgün adı: Physics-informed one-dimensional convolutional recurrent network for leakage diagnoduman in high-speed train pneumatic systems

Yazarlar: Tianyi Wang; WenBing Wang; Jingxian Ding; Tianyu Xia; Qiyang Zuo; Jianyong Zuo.

Yazar ardıcıllıqlaması: Tianyi Wang birinci, WenBing Wang ikinci, Jingxian Ding üçüncü, Tianyu Xia dördüncü, Qiyang Zuo beşinci və Jianyong Zuo altıncı müəllifdır.

Yazar bilgisiyle ilgili belge notu: Yüklenen sürümün başlıq sayfasında müəllif adları, qurumlar və ilətişim bilgiləri bulunmamaktadır. Yazar listesi və ardıcıllıqlaması SSRN’nin rəsmi kayıtlarından təsdiqlənmişdir.

Eş birinci müəllif: Eş töhfə və ya eş birinci müəlliflık beyanı yüklenen sürümde və erişiləbilən SSRN metadata’sında yer almamaktadır.

Sorumlu müəllif: SSRN’nin eyni başlıq üçün indekslediği kayıtta Jianyong Zuo əlaqə müəllifi kimi gösterilmektedir.

Kurumsal keçidlar: SSRN metadata’sında Jianyong Zuo üçün Tongji University keçidsı məlumatlmektedir. Diğer müəlliflərın qurumları yüklenen sürümde bulunmamakta və SSRN metadata’sında “affiliation not provided” kimi görünmektedir. Bu nedenle diğer müəlliflər üçün qurum proqnozu strukturlmamıştır.

Qaynaqla birbaşa eşleşen DOI:10.2139/ssrn.7192457

Alternatif SSRN kayıt notu: SSRN arama nəticələrinda eyni başlıq və müəlliflərla 10.2139/ssrn.7192445 DOI’sine sahip ikinci bir kayıt da indekslenmektedir. Yüklenen tədqiqatın bütün sayfa altlarında 7192457 kullanıldığı üçün ana mənbə kimliği kimi bu kayıt esas alınmıştır. İki kayıt arasındaki sürüm ilişkisi kesin kimi açıklanmamıştır.

Hedeflenen jurnal: Engineering Applications of Artificial Intelligence.

Dergi durumu: Tədqiqat sayfasında “Preprint submitted to Engineering Applications of Artificial Intelligence” ifadesi bulunmaktadır. Bu ifade gönderim bilgisidir; kabul və ya yayımlanmış makale kaydı anlamına gelmez.

Özgün nəşriyyat: Tədqiqat üçün kesinleşmiş son akademik nəşriyyat bulunmamaktadır. Hedeflenen jurnal Elsevier platformaunda yayımlanmaktadır; lakin bu preprintin Elsevier tarafından kabul edildiği və ya yayımlandığı təsdiqlənməmişdir.

Yayın platformau: SSRN.

Makale tarihi: 30 Mayıs 2026.

SSRN kayıt tarihi: SSRN arama kaydı 27 Temmuz 2026 tarihini göstərir.

Yayın yılı: 2026.

Qaynaq türü: Gerçek zemin testləriyle kalibre edilmiş AMESim modeli, sintetik məlumat artırımı və çox tapşırıqlı derin öğrenme içeren simulyasiya destekli özgün mühendislik araşdırması preprinti.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir; nəticələri bu məhdudlık diqqəte alınarak okunmalıdır.

Resmî mənbə:SSRN 7192457 tədqiqat kaydı.

Veri erişimi: Tədqiqatçılar məlumatlarin gizlilik kistiliktlamaları nedeniyle kamuya açık olmadığını, makul talep üzerine məsul müəllifdan istenebiləceğini belirtmiştir.

Qaynaq kod: Qaynaq kod və ya çalıştırılabilir təcrübə deposu keçidsı araşdırılan sürümde məlumatlmemiştir.

Finansman: Ayrı bir maliyyələşmə beyanı araşdırılan sürümde yer almamaktadır.

Çıqar çatışması: Ayrı bir maraqlar toqquşması beyanı araşdırılan sürümde yer almamaktadır.

Üretken süni intellekt beyanı: Tədqiqatçılar tədqiqat hazırlanırken dil düzeltme və struktur düzenleme amacıyla süni intellekt destekli vaqonlar kullandıklarını; içeriği gözden geçirip düzenlediklerini və son sualmluluğu üstlendiklerini açıklamıştır.

Bu Türkçe açıklama, yüklenen 50 sayfalık tədqiqatın metni, tənlikleri, pnevmatik dumantem şemaları, AMESim müqayisəsı, yapay sinir şəbəkəsi mimarisi, təlim eğriləri, qarışıklık matrisleri, komponent çıqarma cədvəlları, fiziki tutarlılıq analizi, məhdudlıkları və mənbəçası incelenerek hazırlanmışdır. Bilimsel içeriğe tədqiqat dışında yeni təcrübə sonucu eklenmemiştir. Dış mənbəlar yalnızca müəllif listesi, məsul müəllif, DOI, SSRN kaydı, hədəf jurnal və nəşr durumunun bibliyoqrafik doğrulanması amacıyla istifadə edilmişdir.

Tədqiqat, seyrək basınç sensorleriyle tren pnevmatik kaçşəbəkəının simulyasiya destekli kimi yüksek dəqiqlikla diaqnoznabiləceğini göstərir. Lakin avadanlıq nəticələri gerçek vaqon şərtuna bşəbəkəlıdır; məlumat böyük ölçüde simulyasiyadur və gerçek trenlerde tam ucdan uca saha doğrulaması bulunmamaktadır. Bu nedenle üsul, doğrulanmış otomatik emniyet dumantemi kimi değil; iləri gerçek məlumat tədqiqatları gerektiren bir texniki xidmət və arıza diaqnoz araşdırması kimi dəyərlendirilmelidir.