Utafiti huu unachunguza utambuzi wa uvujaji wa hewa unaotokea baada ya kiunganishi cha bomba kujitenga katika mfumo wa nyumatiki wa treni ya umeme ya mwendo kasi yenye mabehewa manane, kwa kutumia sensa nne tu za shinikizo la tangi kuu katika mabehewa ya 1, 3, 6 na 8, pamoja na kutambua behewa lenye hitilafu na kuainisha kifaa cha nyumatiki chenye hitilafu. Data iliyozalishwa kutoka kwa modeli ya nyumatiki ya kiwango cha treni iliyoundwa kwa AMESim na kusawazishwa kwa majaribio halisi ya ardhini yenye upeo mdogo iliingizwa kwenye mtandao wa 1D-CNN–LSTM wenye majukumu mengi, uliosaidiwa na kipengele cha kimwili cha kushuka kwa shinikizo pamoja na vikwazo vya mpangilio wa behewa–kifaa. Modeli kamili ya A3_PM iliripoti usahihi wa %99,85 ± %0,01, %95,73 ± %0,41 na %92,12 ± %1,24 kwa majukumu ya uvujaji, behewa na kifaa, mtawalia. Hata hivyo, matokeo ya kifaa yanategemea tathmini ambayo lebo halisi ya behewa ilitolewa kwa modeli kama sharti, huku mkusanyiko wa data ukitegemea kwa kiasi kikubwa mfululizo wa shinikizo uliotengenezwa kwa uigaji.

Tabaka la kwanza la mbinu huchota mabadiliko ya muda mfupi ya eneo katika ishara za shinikizo kutoka kwa sensa nne kwa kutumia mtandao wa neva wa konvolusheni wa mwelekeo mmoja. Kisha mtandao wa kumbukumbu ya muda mrefu na mfupi pamoja na utaratibu wa umakini wa muda huunda modeli ya jinsi shinikizo linavyoshuka, kutulia au kupanda tena kutokana na athari ya kompresor katika muda. Tofauti kati ya shinikizo la mwanzo na la mwisho la dirisha hilo hilo pia hubadilishwa kuwa kipengele cha kimwili cha kasi ya kushuka kwa shinikizo na kuunganishwa na uwakilishi wa mfululizo wa muda uliojifunzwa.

Modeli huzalisha matokeo matatu tofauti: uvujaji upo au haupo, ni behewa gani kati ya 1–8 lenye hitilafu, na kifaa chenye hitilafu ni kipi kati ya madarasa manane. Madarasa ya vifaa ni kiunganishi cha mabehewa, mlango, kifuniko cha mbele, honi, pantografu, kifaa cha kunyunyiza mchanga, choo na kisafishaji cha uso wa gurudumu. Maski ngumu ya behewa–kifaa ya utafiti huweka uwezekano wa vifaa ambavyo havipo kimwili katika behewa fulani kuwa sifuri. Kwa mfano, kwa kuwa honi ipo tu katika mabehewa ya mwisho na pantografu ipo tu katika mabehewa ya 3 na 6, taarifa halisi ya behewa inapopewa, hitilafu ya pantografu haiwezi kuripotiwa kama honi.

Nguvu ya utafiti ni kuweka madirisha ya muda yanayopishana ndani ya kundi lilelile la faili asili, hivyo kupunguza uvujaji wa moja kwa moja wa data kati ya seti za mafunzo na majaribio. Kuripoti wastani na mikengeuko sanifu katika majaribio yaliyofanywa kwa mianzo mitatu tofauti ya nasibu pia huzuia matokeo kutegemea mafunzo moja tu yaliyofanikiwa. Kwa upande mwingine, wigo wa data halisi ya treni ni mdogo, data na msimbo haziko wazi kwa umma, hakuna uthibitishaji katika seti ya nje ya treni, na athari ya kutengeneza data za mafunzo kwa 10 Hz ilhali sensa halisi zina kiwango cha sampuli cha 1 Hz haikutathminiwa kwa utendaji wa uwanjani.

Umuhimu kwa Uturuki

Katika seti za treni za umeme za mwendo kasi zinazoendeshwa au kuendelezwa nchini Uturuki, mifumo ya nyumatiki ni muhimu kwa breki, milango, pantografu, kusimamishwa kwa hewa na vifaa mbalimbali vya usaidizi. Mbinu ya utafiti inaweza kutoa msingi wa kimetodolojia wa kuendeleza mfumo wa usaidizi wa maamuzi ya matengenezo unaotafsiri mabadiliko ya shinikizo yanayosambaa katika treni nzima kutoka kwa idadi ndogo ya sensa kuu za shinikizo, badala ya kuweka sensa tofauti katika kila tawi la nyumatiki.

Katika mfumo utakaozoeshwa kwa Uturuki, topolojia halisi ya mabomba ya seti husika ya treni, ujazo wa matangi, mantiki ya udhibiti wa kompresor, sifa za mabomba na vali, azimio la sensa na mpangilio wa vifaa vinapaswa kuundwa upya katika modeli. Data ya muda mrefu inapaswa kukusanywa katika misimu tofauti, miinuko, halijoto, umri wa mabehewa, hali ya matengenezo, matumizi ya kawaida ya hewa na vitendo vya udhibiti vinavyotokea wakati wa safari. Matokeo ya modeli hayapaswi kutumiwa kwa kusimamisha treni kiotomatiki au kufanya maamuzi muhimu ya matengenezo kabla ya uthibitishaji huru wa uwanjani na uchambuzi wa usalama kukamilika.

Swali kuu la utafiti ni lipi?

Swali kuu la utafiti ni ni kwa kiwango gani shinikizo la tangi kuu linalopimwa katika sehemu nne tu katika treni linaweza kuonyesha kwa undani uvujaji unaosababishwa na kujitenga kwa bomba katika vifaa vingi vya nyumatiki visivyo na sensa za eneo. Utafiti haulengi tu kujibu swali “kuna uvujaji?”. Kutoka katika dirisha lilelile la shinikizo, yafuatayo yanatabiriwa kwa pamoja:

• Kuwepo au kutokuwepo kwa uvujaji,
• Ni behewa gani kati ya manane ambamo uvujaji umetokea,
• Ni aina gani kati ya makundi manane ya vifaa inayohusishwa na uvujaji

kwa wakati mmoja.

Kwa nini tatizo hili ni gumu?

Kujitenga kwa bomba katika eneo fulani kunaweza kuathiri usawa wa shinikizo wa treni nzima kupitia bomba kuu la tangi. Kwa hiyo, uvujaji unaotokea katika mabehewa na vifaa tofauti unaweza kuzalisha miteremko ya jumla ya shinikizo inayofanana katika sensa nne. Hali kuu zinazofanya utofautishaji kuwa mgumu ni hizi:

• Sensa za shinikizo zipo tu katika mabehewa ya 1, 3, 6 na 8.
• Vifaa kama mlango, choo, mfumo wa kunyunyiza mchanga na kisafishaji havina sensa za shinikizo za eneo.
• Mwitikio wa shinikizo hubadilika kulingana na shinikizo la mwanzo, mahali pa uvujaji na tawi la kifaa.
• Matumizi ya kawaida ya hewa na udhibiti wa kompresor pia vinaweza kubadilisha mteremko wa shinikizo.
• Mifano ya hitilafu hutofautiana kwa idadi na mifano ya kawaida, na madarasa ya vifaa pia hutofautiana kwa idadi.
• Lebo za behewa na kifaa si huru; baadhi ya vifaa vinapatikana tu katika mabehewa fulani.

Kwa hiyo, hata kama kizingiti rahisi cha shinikizo kinaweza kuonyesha kuwa uvujaji umetokea, huenda kisiweze kueleza kwa uaminifu ni behewa gani na kifaa gani kilichosababisha hitilafu.

Mfumo wa nyumatiki uliochunguzwa umeundwaje?

Utafiti ulitengeneza modeli ya bomba kuu la tangi linaloenea katika treni ya umeme yenye mabehewa manane. Bomba kuu hutoa hewa iliyoshinikizwa kwa matawi kama mfumo wa breki, moduli ya udhibiti wa usambazaji wa hewa, matangi makuu na ya ziada, kusimamishwa kwa hewa, kiyoyozi na uingizaji hewa, pantografu, milango, choo, kiunganishi cha mabehewa, kifuniko cha mbele, honi, kisafishaji cha uso wa gurudumu na mfumo wa kunyunyiza mchanga.

Mchoro wa mfumo unaonyesha kuwa kujitenga kwa bomba moja la eneo huzalisha mwitikio wa mienendo unaosambaa si tu katika tawi lenye hitilafu bali pia kwenye sensa za shinikizo katika mabehewa mengine kupitia bomba kuu. Usambazaji huu hubeba taarifa kuhusu mahali pa hitilafu, lakini pia husababisha mwingiliano mkubwa wa mfumo unaofanya ishara iwe vigumu kusomwa moja kwa moja.

Uhusiano wa mpangilio wa behewa–kifaa

Jedwali hili huunda kanuni wazi ya kihandisi inayoweza kutumiwa katika nafasi ya matokeo ya modeli. Kwa mfano, kwa behewa la 4, utabiri wa pantografu, kiunganishi cha mabehewa au honi si halali kimwili.

Tatizo lenye majukumu mengi limefafanuliwaje?

Vipimo vinavyopatikana kwa wakati mmoja kutoka kwa sensa nne za shinikizo vinawakilishwa kwa vekta ifuatayo:

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

Hapa \(C=4\) ni idadi ya njia za sensa. Njia zinawakilisha shinikizo la tangi kuu katika mabehewa ya 1, 3, 6 na 8. Kila sampuli ya kujifunzia ni dirisha la njia nne lenye hatua \(T\) za muda:

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

\(\mathbf{X}_i\) ni mfululizo wa muda wa shinikizo ambao modeli huona kwa sampuli moja. Kila safu mlalo huwakilisha sensa moja na kila safu wima huonyesha wakati mmoja wa sampuli ndani ya dirisha.

Kila dirisha limepewa lebo tatu:

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

• \(y_i^{\mathrm{leak}}\): lebo ya hakuna uvujaji au kuna uvujaji,
• \(y_i^{\mathrm{car}}\): behewa lenye hitilafu kati ya 1–8,
• \(y_i^{\mathrm{dev}}\): mojawapo ya makundi manane ya vifaa.

Ili utabiri wa behewa na kifaa uwe na maana ya kimwili, matriksi ya ulinganifu imefafanuliwa:

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

Kwa utabiri halali wa behewa–kifaa:

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

lazima itimizwe. Uhusiano huu hutumiwa kuzuia matokeo ya akili bandia yasipingane na mpangilio halisi wa vifaa katika treni.

Jaribio halisi na modeli ya AMESim vimeunganishwaje?

Kwa sababu kuunda kimakusudi mchanganyiko wote wa uvujaji wa behewa–kifaa katika treni halisi si mwafaka kwa upande wa usalama, muda na gharama, uzalishaji wa data uliosaidiwa na uigaji ulitumika. Kwanza, katika idadi ndogo ya majaribio ya ardhini, majibu ya shinikizo baada ya kujitenga kwa bomba yalipimwa. Kisha mabomba, matangi, vitengo vya usambazaji wa hewa na matawi ya vifaa vya treni yaliundwa katika mazingira ya AMESim na kusawazishwa kulingana na mikunjo iliyopimwa.

Katika grafu inayolinganisha mikunjo halisi na iliyoigizwa ya shinikizo:

• Mistari ya buluu inayoendelea inaonyesha kipimo cha majaribio,
• Mistari myekundu iliyokatika inaonyesha matokeo ya uigaji,
• Paneli nne tofauti zinaonyesha sensa za mabehewa ya 1, 3, 6 na 8,
• Mhimili mlalo unaonyesha muda kwa sekunde,
• Mhimili wima unaonyesha shinikizo la bomba kuu kwa kilopaskali

.

Kushuka kwa shinikizo kunakoanza karibu na 950 kPa, kutulia katika shinikizo la chini, kupanda tena kwa kompresor hadi karibu 940–950 kPa na mchakato wa pili wa kushuka huonyesha mwelekeo unaofanana katika mistari ya majaribio na uigaji. Mgawo wa wastani wa uamuzi kwa njia nne uliripotiwa kama:

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

Thamani hii inaonyesha kuwa mienendo mikuu ya shinikizo ilizalishwa tena vizuri katika uigaji. Hata hivyo, thamani za \(R^2\), RMSE au MAE kwa kila njia hazikutolewa. \(R^2\) ya jumla iliyo juu peke yake haithibitishi kuwa mabadiliko madogo na ya muda mfupi yanayotofautisha vifaa yalizalishwa kwa usahihi huohuo.

Data za uigaji zilitofautishwaje?

Katika modeli iliyosawazishwa, uvujaji uliingizwa katika sekunde ya 10 na mwitikio wa shinikizo wa sensa nne ulizalishwa kwa mchanganyiko tofauti wa behewa–kifaa. Ili kuongeza utofauti:

• Uhamisho wima wa mikunjo unaowakilisha shinikizo la mwanzo,
• Kelele ya kipimo kwa viwango tofauti,
• Mabadiliko mafupi ya mteremko wa eneo yanayoiga matukio mengine ya matumizi ya hewa

yaliongezwa. Watafiti wanaeleza wazi kwamba nyongeza hizi haziwezi kuchukua nafasi ya uthibitishaji katika treni halisi; zinapanua tu wigo wa majibu ya shinikizo yanayowezekana chini ya hali zinazodhibitiwa.

Madirisha ya muda yaliundwaje?

Data za uigaji zilichakatwa kwa kiwango cha sampuli cha 10 Hz. Urefu wa dirisha ulikuwa sampuli 100 na hatua ya kusogeza sampuli 50:

Ikiwa wakati wa mwisho wa sampuli wa dirisha unapita muda wa kuingiza uvujaji, sampuli huwekewa lebo “uvujaji”. Mbinu hii huweka madirisha yenye wakati wa mpito katika darasa la uvujaji. Hata hivyo, sehemu ya dirisha inaweza kuwa kabla ya hitilafu na sehemu nyingine baada ya hitilafu; kwa hiyo lebo haimaanishi kuwa hitilafu ilikuwa hai katika dirisha lote.

Uvujaji wa data ulijaribiwa kuzuiwaje?

Kwa sababu madirisha jirani yaliyotengenezwa kutoka faili moja ya shinikizo yanapishana sana, mgawanyo wa nasibu katika kiwango cha dirisha haukutumika. Faili asili za chanzo ziliwekwa kama vikundi na faili ziligawanywa kuwa:

• %70 mafunzo,
• %15 uthibitishaji,
• %15 majaribio

. Hivyo madirisha yanayofanana sana kutoka faili moja hayakuweza kuwepo katika seti za mafunzo na majaribio kwa wakati mmoja.

Hata hivyo, idadi ya jumla ya faili asili, idadi ya madirisha kwa kila faili, usambazaji wa faili kwa kila kifaa, na kama faili zilizoongezwa kutoka kwa hali moja msingi ziliwekwa katika kundi moja hazijaelezwa. Mgawanyo katika kiwango cha faili hupunguza uvujaji wa moja kwa moja wa dirisha; lakini ikiwa matoleo tofauti yaliyoongezwa ya hali ileile ya uigaji yapo kati ya seti, kufanana kwa hali kunaweza kuendelea.

Ukosefu wa uwiano wa madarasa ulishughulikiwaje?

Kwa kuwa madarasa ya behewa na kifaa hayakuwa na idadi sawa ya sampuli, uzani wa madarasa ulitumiwa kwa kuzingatia idadi faafu ya sampuli:

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

Hapa \(n_k\) ni idadi ya sampuli za mafunzo katika darasa la \(k\), na \(\beta\) ni kigezo kinachopunguza kwa upole uzani wa madarasa makubwa. Uzani wa darasa ulihesabiwa kama:

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

na kusawazishwa ili uzani wa wastani wa madarasa yote uwe 1. Mbinu hii inalenga kuzuia vifaa vyenye sampuli chache kutokuwa na ushawishi wa kutosha katika fungsi ya hasara. Hata hivyo, kwa kuwa idadi ya sampuli kwa kila darasa na thamani ya \(\beta\) iliyotumiwa hazijaripotiwa, uzani halisi hauwezi kuhesabiwa upya kwa kujitegemea.

Tabaka la 1D-CNN linajifunza nini?

Sehemu ya kwanza ya modeli ina vitalu viwili vya konvolusheni vinavyochota mabadiliko ya muda mfupi ya eneo katika ishara za shinikizo:

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

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

Ingizo lenye njia nne na urefu wa sampuli 100 hupunguzwa baada ya operesheni mbili za pooling hadi:

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

. \(B\) ni idadi ya sampuli katika mini-batch. Tabaka za konvolusheni hujifunza mivunjiko ya eneo katika mteremko wa shinikizo, kushuka kwa muda mfupi na mabadiliko yanayotokea kwa wakati mmoja kati ya njia, huku pooling ikipunguza kipimo cha muda na mzigo wa hesabu.

LSTM na umakini wa muda hufanyaje kazi?

Nafasi 25 za muda katika matokeo ya CNN hubadilishwa kuwa mfuatano na kuingizwa katika LSTM ya tabaka moja yenye vitengo 128 vilivyofichwa. LSTM hujifunza, kupitia milango ya kusahau, kuingiza na kutoa, ni taarifa gani kutoka hali ya awali ya shinikizo ihifadhiwe na mabadiliko mapya yaongezwe kwa kiwango gani.

Hali iliyofichwa ya LSTM katika kila hatua ya muda ni:

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

. Alama ya umakini wa muda ni:

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

na uzani wa umakini uliosawazishwa ni:

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

. Vekta ya muktadha ya kiwango cha dirisha hupatikana kwa:

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

. Vipande vya muda vinavyopata \(\alpha_t\) kubwa vinawakilisha mabadiliko ya shinikizo ambayo modeli imeyaona kuwa muhimu zaidi wakati wa uainishaji. Ingawa utafiti unaeleza utaratibu wa umakini kama kidokezo kinachoweza kutafsiriwa, haujatoa ramani za umakini zinazoonyesha ni vipande gani vya muda vilivyochaguliwa katika hitilafu maalumu.

Kipengele kinachoongozwa na fizikia ni nini?

Kwa kila njia ya shinikizo, tofauti kati ya mwanzo na mwisho wa dirisha iligawanywa kwa urefu wa dirisha ili kuunda kipengele cha kasi ya kushuka kwa shinikizo:

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

Hapa:

• \(X_{b,c,1}\) ni shinikizo la mwanzo wa dirisha,
• \(X_{b,c,T}\) ni shinikizo la mwisho wa dirisha,
• \(T=100\) ni urefu wa dirisha,
• \(c\) ni mojawapo ya njia nne za sensa.

Kulingana na ufafanuzi huu, thamani hasi inaonyesha kuwa shinikizo lilishuka katika dirisha, na thamani chanya inaonyesha kuwa lilipanda. Kwa kuwa shinikizo katika utafiti limetumiwa kwa kilopaskali na \(T\) kama idadi ya sampuli, kipengele hiki si kPa/s moja kwa moja bali ni mabadiliko ya shinikizo kwa kila sampuli. Ikiwa kasi ya kushuka kwa sekunde inahitajika kimwili, muda kati ya sampuli pia lazima uzingatiwe.

Vekta iliyoundwa kutoka njia nne:

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

hubadilishwa kuwa embedding ya kimwili yenye vipimo 32:

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

Vipengele vilivyojifunzwa na vya kimwili vimeunganishwaje?

Muktadha wa LSTM wenye vipimo 128 uliunganishwa na embedding ya kimwili yenye vipimo 32:

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

. Kisha kipengele cha pamoja chenye vipimo 128 kiliundwa:

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

. Vichwa vya uainishaji wa uvujaji, behewa na kifaa hutumia uwakilishi huo huo wa pamoja wa \(z\). Mpangilio huu unatokana na dhana kwamba kuwepo kwa uvujaji, mahali pa usambazaji wa shinikizo na sifa za vifaa vinaweza kujifunzwa kutoka katika muundo wa pamoja wa mfululizo wa muda.

Maski ngumu inatumikwaje?

Logit ghafi za kichwa cha kifaa zilibadilishwa kulingana na matriksi ya mpangilio wa kimwili:

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

Kuweka logit ya kifaa kisichoruhusiwa kuwa \(-\infty\) hufanya uwezekano wake baada ya softmax kuwa sifuri kabisa. Hivyo, kifaa ambacho hakipo katika behewa lililotolewa hakiwezi kuchaguliwa.

Kikomo muhimu cha tafsiri ni kwamba sharti la behewa \(c_b\) wakati wa mafunzo na majaribio si utabiri wa behewa wa modeli bali ni lebo halisi ya behewa. Kwa hiyo, kichwa cha kifaa chenye maski ngumu kinajibu swali hili:

“Ikiwa behewa lenye hitilafu linajulikana kwa usahihi, ni kifaa kipi kati ya vifaa vinavyowezekana katika behewa hilo kilicho na hitilafu?”

Utafiti haukupima utendaji wa maski ngumu katika mnyororo kamili ambapo behewa pia linatabiriwa na modeli pekee.

Fungsi ya hasara yenye majukumu mengi

Hasara ya jumla ya mafunzo ni jumla yenye uzani ya hasara tatu za cross-entropy:

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

Uzani chaguo-msingi wa majukumu uliwekwa kuwa:

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

. Uzani wa jukumu la uvujaji ni mkubwa kuliko wa majukumu mengine mawili. Katika lahaja ya A5_LDEV2_PM, uzani wa kifaa uliongezwa ili kuchunguza kupunguza ushindani kati ya majukumu.

Mipangilio ya mafunzo

Checkpoint bora kwa mianzo mitatu zilichaguliwa katika epoch za 83, 64 na 81, mtawalia. Prosesa, GPU, muda wa mafunzo, ucheleweshaji wa inference, matumizi ya kumbukumbu na jumla ya idadi ya vigezo vya modeli hazikutolewa katika utafiti.

Matriksi za mkanganyiko zilionyesha nini?

Katika uainishaji wa uvujaji, %99,49 ya sampuli zisizo na uvujaji na %99,85 ya sampuli zenye uvujaji ziliainishwa kwa usahihi. Matriki ya madarasa mawili ilikuwa karibu kabisa na muundo wa diagonal.

Katika utambuzi wa mahali pa behewa, viwango vya utambuzi sahihi kwa darasa vilikuwa takriban hivi:

Katika uainishaji wa vifaa, kiwango kilichoonyeshwa cha uainishaji sahihi kwa honi na pantografu ni %100. Kisafishaji cha uso wa gurudumu kilikuwa na matokeo ya chini zaidi ya darasa kwa %77,4. Kifaa cha kunyunyiza mchanga kilitambuliwa kwa usahihi kwa %85,9 na %9,3 ya sampuli ziliainishwa kama kisafishaji. Watafiti wanahusisha mkanganyiko huu na sifa zinazofanana za mabomba ya eneo na mienendo ya shinikizo ya vifaa hivyo viwili.

Kwa kuwa haijaelezwa wazi matriksi hizi zinahusiana na mwanzo gani wa nasibu, viwango vya kila darasa havipaswi kutafsiriwa kama wastani wa majaribio matatu.

Mikunjo ya mafunzo na uthibitishaji inapaswa kutafsiriwaje?

Usahihi wa uvujaji ulifikia karibu na %99 kwa haraka katika hatua za mwanzo za mafunzo. Usahihi wa behewa na kifaa uliongezeka polepole zaidi na kutulia katika takriban %90–95. Mikunjo ya uthibitishaji ilionyesha mtikisiko mkubwa katika epoch 40–50 za mwanzo na ikawa thabiti zaidi baada ya kiwango cha kujifunza kupunguzwa.

Kwa Seed 42, usahihi wa uthibitishaji katika epoch ya 4 kwa majukumu ya uvujaji/behewa/kifaa ulikuwa takriban 0,965/0,088/0,142; katika epoch ya 30 ulifikia 0,997/0,758/0,835, na karibu na epoch ya 67 ulifikia takriban 0,999/0,959/0,925. Grafu haionyeshi kushuka kubwa kwa utendaji katika hatua za mwisho. Hata hivyo, kwa kuwa sampuli za mafunzo na uthibitishaji zinatoka katika mfumo uleule wa uzalishaji wa uigaji, hii haitoshi kutathmini overfitting katika usambazaji halisi wa uwanjani.

Matokeo yanayoungwa mkono na utafiti

• Katika data iliyosaidiwa na uigaji kutoka kwa sensa nne kuu za shinikizo la tangi, uvujaji wa kujitenga kwa bomba uliweza kutofautishwa kwa usahihi wa juu sana.
• Usambazaji wa shinikizo hubeba taarifa inayoweza kujifunzwa kuhusu eneo la behewa lenye hitilafu.
• Kuongeza kipengele cha kushuka kwa shinikizo kuliboresha matokeo ya behewa na kifaa.
• Maski ya kimwili iliyotumiwa kwa taarifa halisi ya behewa ilipunguza ushindani wa vifaa visivyowezekana.
• Mgawanyo wa data katika kiwango cha faili ulizuia madirisha yanayopishana kutoka faili moja kusambazwa katika mafunzo na majaribio.
• Katika mianzo mitatu ya nasibu, viwango vikuu vya utendaji vilibaki karibu.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kwamba modeli itafanya kazi kwa usahihi huo huo wakati wa uendeshaji halisi wa abiria.
• Usahihi wa kifaa wa %92,12 si mafanikio kamili ya end-to-end ya kutambua behewa–kifaa.
• Hali ambapo modeli hutumia maski ngumu pamoja na utabiri wake mwenyewe usio sahihi wa behewa haijatathminiwa.
• Utendaji huo huo haujaonyeshwa kwa data halisi ya treni ya 1 Hz kwa dirisha la sekunde 10.
• Majaribio ya kina ya uvujaji halisi hayakufanywa kwa vifaa vyote isipokuwa mlango, choo na pantografu.
• Uvujaji mdogo, kulegea kwa sehemu au kuharibika kwa muhuri katika hatua za mwanzo hakukuchunguzwa.
• Ukali wa uvujaji au kiwango cha mtiririko wa uvujaji hakikutabiriwa.
• Ujumlishaji katika modeli tofauti ya treni, topolojia ya mabomba au mfumo wa udhibiti wa kompresor haujaonyeshwa.
• Haijapimwa kama modeli inaweza kufanya kazi kwenye maunzi yaliyopachikwa ya muda halisi.
• Urekebishaji wa uaminifu wa uwezekano wa modeli, kiwango cha kutokuwa na uhakika na tabia ya hitilafu nje ya usambazaji havijatathminiwa.
• Mbinu haijathibitishwa kwa mkusanyiko huru wa data wa nje au na timu nyingine ya utafiti.
• Utafiti hautoi ushahidi wa kutosha kwa uthibitishaji wa usalama au udhibiti wa treni kiotomatiki.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Matokeo ya majaribio ya modeli kamili ya A3_PM

Katika Jedwali 3, thamani ya Macro-F1 ya behewa imetolewa kama %95,87, ilhali katika Jedwali 4 la kuondoa vipengele imeandikwa %95,88 kwa A3_PM. Tofauti hii huenda inatokana na kiwango cha kuzungusha tarakimu; hata hivyo, usahihi uleule haukutumiwa katika majedwali hayo mawili.

Matokeo ya usahihi uliosawazishwa

Matokeo ya kuondoa vipengele

Tawi la kimwili la kushuka kwa shinikizo liliongeza Macro-F1 ya kifaa kwa pointi 1,68 za asilimia, huku maski ngumu pekee ikiongeza kwa pointi 3,10 za asilimia. Kutumia vipengele vyote viwili pamoja kulizalisha ongezeko la pointi 4,39 za asilimia dhidi ya modeli msingi. Lahaja ya A4, ambayo ilifundisha jukumu la kifaa pekee, kuwa juu kwa pointi 0,32 kuliko A3_PM kunaonyesha kuwepo kwa ushindani mdogo kati ya majukumu katika uwakilishi wa pamoja.

Uchambuzi wa uthabiti wa kimwili wa honi–pantografu

Kwa kuwa honi ipo tu katika mabehewa ya 1 na 8, na pantografu ipo tu katika mabehewa ya 3 na 6, seti za mabehewa za madarasa haya mawili hazipishani. Maski inapotumika kwa lebo halisi ya behewa, chaguo la honi kwa pantografu hufungwa kiotomatiki. Kwa hiyo, kupungua kwa makosa 67 hadi sifuri ni muhimu kwa uthabiti wa kimwili, lakini ni matokeo yanayotarajiwa kutokana na muundo wa maski; hali hii haionyeshi kuwa modeli ilijifunza utofauti huo bila maski.

Precision ya darasa la honi katika mianzo mitatu iliongezeka:

• kutoka %34,18 hadi %51,18,
• kutoka %31,58 hadi %52,08,
• kutoka %37,64 hadi %50,75

. Recall ya honi ilibaki %100. Maski ngumu haikupunguza sampuli halisi za honi, bali ilizuia false positive zisizowezekana kimwili.

Nguvu za utafiti

• Kushughulikia majukumu matatu yanayohusiana ya utambuzi katika modeli moja kwa kutumia sensa chache.
• Kuunganisha mifumo ya eneo ya shinikizo, utegemezi wa muda mrefu na fizikia ya kushuka kwa shinikizo.
• Kutumia taarifa ya mpangilio wa behewa–kifaa moja kwa moja katika nafasi ya matokeo.
• Kutumia modeli ya nyumatiki ya kiwango cha treni iliyosawazishwa kwa mikunjo ya majaribio halisi.
• Kufanya mgawanyo wa data katika kiwango cha faili kwa madirisha yanayopishana.
• Kuripoti Macro-F1 na usahihi uliosawazishwa kwa ukosefu wa uwiano wa madarasa.
• Kutoa mianzo mitatu ya nasibu na majaribio ya kuondoa vipengele.
• Kusema wazi kwamba data ya uigaji haiwezi kuchukua nafasi ya data halisi ya uwanjani.

Vikwazo vikuu

• Utafiti haujapitia mapitio ya wenzao.
• Taarifa za waandishi na taasisi hazipo kikamilifu katika ukurasa wa kichwa.
• SSRN imeorodhesha namba mbili tofauti za rekodi na DOI kwa utafiti huohuo.
• Mkusanyiko wa data unategemea kwa kiasi kikubwa uigaji.
• Majaribio halisi yamejikita zaidi katika hali za mlango, choo na pantografu.
• Data ya sensa halisi ni 1 Hz, ilhali data ya uigaji iliyotumiwa katika mafunzo ni 10 Hz.
• Hakuna tathmini huru ya modeli kwa ingizo halisi la 1 Hz.
• Idadi ya jumla ya majaribio halisi, faili za uigaji, madirisha na sampuli za madarasa haijaelezwa.
• Thamani ya \(\beta\) iliyotumiwa katika uzani wa madarasa haijatajwa.
• Hard mask wakati wa majaribio inategemea lebo halisi ya behewa.
• Matokeo ya end-to-end yaliyofunikwa kwa utabiri wa behewa wa modeli yenyewe hayajatolewa.
• Hakuna seti ya nje ya treni au mkusanyiko huru wa data uliotumiwa.
• Hakuna benchmark ya kulinganisha na mbinu za nje za machine learning.
• Thamani za hitilafu za uigaji kwa kila njia hazijatolewa.
• Hakuna jaribio la umuhimu wa takwimu au confidence interval; ni standard deviation ya mianzo mitatu pekee iliyoripotiwa.
• Ukubwa wa modeli, muda wa mafunzo na ucheleweshaji wa inference wa muda halisi haujaripotiwa.
• Data na source code haziko wazi kwa umma.
• Uvujaji mdogo, uvujaji wa vipindi, hitilafu za sensa na hali nje ya usambazaji hazijajaribiwa.

Hatua zinazohitajika kwa uthibitishaji wa uwanjani nchini Uturuki

1. Kuchora topolojia ya nyumatiki na matriksi ya mpangilio wa vifaa ya seti ya treni ya eneo husika.
2. Kukusanya data ya muda mrefu ya uendeshaji wa kawaida kwa kiwango halisi cha sensa.
3. Kufanya uingizaji wa hitilafu unaodhibitiwa kwa ukubwa tofauti wa uvujaji na vifaa katika hali salama za ardhini.
4. Kubadilisha data ya uigaji kuwa umbizo la sensa halisi la 1 Hz na kuitathmini upya.
5. Kujaribu maski kamili ya end-to-end inayotumia namba ya behewa iliyotabiriwa na modeli.
6. Kujaribu kwa tofauti hitilafu za sensa, upotevu wa data, kelele na mizunguko tofauti ya kompresor.
7. Kutathmini kutokuwa na uhakika wa modeli na calibration ya uaminifu.
8. Kupima ucheleweshaji, kumbukumbu na mzigo wa hesabu kwenye kompyuta iliyopachikwa ya treni.
9. Kuchunguza jinsi wataalamu wa matengenezo wanavyotafsiri matokeo ya modeli na muda wao wa kuingilia kati kupitia majaribio ya watumiaji.
10. Kufanya uthibitishaji huru na uchambuzi wa hatari kabla ya matumizi muhimu kwa usalama.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Physics-informed one-dimensional convolutional recurrent network for leakage diagnosis in high-speed train pneumatic systems

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

Mpangilio wa waandishi: Tianyi Wang ni wa kwanza, WenBing Wang wa pili, Jingxian Ding wa tatu, Tianyu Xia wa nne, Qiyang Zuo wa tano na Jianyong Zuo wa sita.

Dokezo la hati kuhusu taarifa za waandishi: Ukurasa wa kichwa wa toleo lililopakiwa hauna majina ya waandishi, taasisi wala taarifa za mawasiliano. Orodha na mpangilio wa waandishi ulithibitishwa kutoka rekodi rasmi za SSRN.

Waandishi wenza wa kwanza: Hakuna tamko la mchango sawa au uandishi wa kwanza wa pamoja katika toleo lililopakiwa wala metadata ya SSRN inayopatikana.

Mwandishi wa mawasiliano: Katika rekodi iliyoorodheshwa na SSRN kwa kichwa hicho hicho, Jianyong Zuo ameonyeshwa kama mwandishi wa mawasiliano.

Uhusiano wa taasisi: Metadata ya SSRN inaonyesha uhusiano wa Tongji University kwa Jianyong Zuo. Taasisi za waandishi wengine hazipo katika toleo lililopakiwa na zinaonekana kama “affiliation not provided” katika metadata ya SSRN. Kwa hiyo, hakuna taasisi iliyokisiwa kwa waandishi wengine.

DOI inayolingana moja kwa moja na chanzo:10.2139/ssrn.7192457

Dokezo la rekodi mbadala ya SSRN: Katika matokeo ya utafutaji ya SSRN, rekodi ya pili yenye DOI 10.2139/ssrn.7192445 pia imeorodheshwa kwa kichwa na waandishi hao hao. Kwa kuwa 7192457 imetumiwa kwenye sehemu za chini za kurasa zote za utafiti uliopakiwa, rekodi hii imetumiwa kama utambulisho mkuu wa chanzo. Uhusiano wa matoleo kati ya rekodi hizo mbili haujaelezwa kwa uhakika.

Jarida lengwa: Engineering Applications of Artificial Intelligence.

Hali ya jarida: Ukurasa wa utafiti una kauli “Preprint submitted to Engineering Applications of Artificial Intelligence”. Hii ni taarifa ya kuwasilishwa; haimaanishi kukubaliwa au kuwa rekodi ya makala iliyochapishwa.

Mchapishaji asili: Hakuna mchapishaji wa mwisho wa kitaaluma aliyethibitishwa kwa utafiti huu. Jarida lengwa huchapishwa kwenye jukwaa la Elsevier; hata hivyo, haijathibitishwa kuwa preprint hii imekubaliwa au kuchapishwa na Elsevier.

Jukwaa la uchapishaji: SSRN.

Tarehe ya makala: 30 May 2026.

Tarehe ya rekodi ya SSRN: Rekodi ya utafutaji ya SSRN inaonyesha 27 July 2026.

Mwaka wa uchapishaji: 2026.

Aina ya chanzo: Preprint ya utafiti asilia wa kihandisi unaosaidiwa na uigaji, wenye modeli ya AMESim iliyosawazishwa kwa majaribio halisi ya ardhini, uongezaji wa data sintetiki na deep learning yenye majukumu mengi.

Hali ya mapitio ya wenzao: Utafiti huu ni preprint ambayo haijapitia mapitio ya wenzao; matokeo yanapaswa kusomwa kwa kuzingatia kizuizi hiki.

Chanzo rasmi:Rekodi ya utafiti ya SSRN 7192457.

Upatikanaji wa data: Watafiti wameeleza kuwa data haiko wazi kwa umma kwa sababu ya vikwazo vya faragha, lakini inaweza kuombwa kutoka kwa mwandishi wa mawasiliano kwa ombi linalofaa.

Msimbo chanzo: Hakuna kiungo cha source code au hifadhi ya majaribio inayoweza kutekelezwa kilichotolewa katika toleo lililochunguzwa.

Ufadhili: Hakuna tamko tofauti la ufadhili katika toleo lililochunguzwa.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi katika toleo lililochunguzwa.

Tamko la akili bandia zalishaji: Watafiti wameeleza kuwa walitumia zana zinazosaidiwa na akili bandia kwa uhariri wa lugha na upangaji wa muundo wakati wa kuandaa utafiti; walipitia na kuhariri maudhui na kuchukua jukumu la mwisho.

Maelezo haya ya Kiswahili yaliandaliwa baada ya kuchunguza maandishi, milinganyo, michoro ya mfumo wa nyumatiki, ulinganisho wa AMESim, usanifu wa mtandao wa neva bandia, mikunjo ya mafunzo, matriksi za mkanganyiko, majedwali ya kuondoa vipengele, uchambuzi wa uthabiti wa kimwili, vikwazo na marejeo ya utafiti wa kurasa 50 uliopakiwa. Hakuna matokeo mapya ya majaribio kutoka nje ya utafiti yaliyoongezwa kwenye maudhui ya kisayansi. Vyanzo vya nje vilitumiwa tu kuthibitisha kibibliografia orodha ya waandishi, mwandishi wa mawasiliano, DOI, rekodi ya SSRN, jarida lengwa na hali ya uchapishaji.

Utafiti unaonyesha kuwa uvujaji wa nyumatiki wa treni unaweza kutambuliwa kwa usahihi mkubwa katika data inayosaidiwa na uigaji kwa kutumia sensa chache za shinikizo. Hata hivyo, matokeo ya kifaa yanategemea sharti la behewa halisi; data kwa kiasi kikubwa ni ya uigaji na hakuna uthibitishaji kamili wa end-to-end wa uwanjani katika treni halisi. Kwa hiyo, mbinu hii inapaswa kutathminiwa si kama mfumo wa usalama wa kiotomatiki uliothibitishwa, bali kama utafiti wa matengenezo na utambuzi wa hitilafu unaohitaji tafiti zaidi za data halisi.