Ushbu tadqiqot sakkiz vagonli yuqori tezlikdagi elektr poyezdining pnevmatik tizimida shlang ulanishining ajralishi natijasida yuzaga keladigan havo sizib chiqishini faqat 1-, 3-, 6- va 8-vagonlardagi to‘rtta asosiy rezervuar bosim sensori yordamida aniqlash, nosoz vagonni belgilash va nosoz pnevmatik uskunani tasniflashni o‘rganadi. Tadqiqotda AMESim yordamida yaratilgan va cheklangan haqiqiy yer usti sinovlari bilan kalibrlangan poyezd darajasidagi pnevmatik modeldan hosil qilingan ma’lumotlar fizik bosim pasayishi xususiyati hamda vagon–uskuna joylashuvi cheklovlari bilan qo‘llab-quvvatlangan ko‘p vazifali 1D-CNN–LSTM tarmog‘iga berilgan. To‘liq A3_PM modeli sizib chiqish, vagon va uskuna vazifalarida mos ravishda %99,85 ± %0,01, %95,73 ± %0,41 va %92,12 ± %1,24 aniqlik bildirgan. Biroq uskuna natijasi haqiqiy vagon yorlig‘i modelga shart sifatida berilgan baholashga, ma’lumotlar to‘plami esa asosan simulyatsiyada yaratilgan bosim ketma-ketliklariga asoslanadi.

Usulning birinchi qatlami to‘rtta sensordan keladigan bosim signallaridagi qisqa muddatli mahalliy o‘zgarishlarni bir o‘lchovli konvolyutsion neyron tarmog‘i yordamida ajratib oladi. So‘ngra uzoq-qisqa muddatli xotira tarmog‘i va vaqtli diqqat mexanizmi bosimning vaqt davomida qanday pasayishi, barqarorlashishi yoki kompressor ta’sirida qayta ko‘tarilishini modellashtiradi. Xuddi shu oynaning boshlanish va yakun bosimlari orasidagi o‘zgarish qo‘shimcha ravishda fizik bosim pasayish tezligi xususiyatiga aylantiriladi va o‘rganilgan vaqt qatori tasviri bilan birlashtiriladi.

Model uchta alohida chiqish hosil qiladi: sizib chiqish bor yoki yo‘q, nosoz vagon 1–8 orasida qaysi biri va nosoz uskuna sakkiz sinfdan qaysi biri. Uskuna sinflari kupler, eshik, old qopqoq, signal, pantograf, qum sepish qurilmasi, hojatxona va g‘ildirak yuzasini tozalagichdan iborat. Tadqiqotdagi vagon–uskuna qattiq maskasi muayyan vagonda jismonan mavjud bo‘lmagan uskunalarning ehtimolini nolga tushiradi. Masalan, signal faqat chekka vagonlarda, pantograf esa faqat 3- va 6-vagonlarda bo‘lgani sababli haqiqiy vagon ma’lumoti berilganda pantograf nosozligining signal sifatida xabar qilinishi oldi olinadi.

Tadqiqotning kuchli tomoni — bir-birini qoplaydigan vaqt oynalarini bir xil asl fayl guruhi ichida saqlab, o‘qitish va test to‘plamlari o‘rtasidagi bevosita ma’lumot sizib chiqishini kamaytirganidir. Uch xil tasodifiy boshlang‘ich bilan o‘tkazilgan tajribalarda o‘rtacha qiymat va standart og‘ishlarning berilishi ham natijalarni faqat bitta muvaffaqiyatli o‘qitish ishga tushirishiga bog‘lab qo‘ymaslikka xizmat qiladi. Bunga qarshi ravishda haqiqiy poyezd ma’lumotlari qamrovi cheklangan, ma’lumotlar va kod ommaga yopiq, tashqi poyezd to‘plamida tasdiqlash yo‘q va haqiqiy sensorlarning 1 Hz namuna olish chastotasiga nisbatan o‘qitish ma’lumotlarining 10 Hz da yaratilishi dala samaradorligiga qanday ta’sir qilishi baholanmagan.

Turkiya nuqtayi nazaridan ahamiyati

Turkiyada ekspluatatsiya qilinayotgan yoki ishlab chiqilayotgan yuqori tezlikdagi elektr poyezd to‘plamlarida pnevmatik tizimlar tormozlash, eshiklar, pantograf, havo suspenziyasi va turli yordamchi uskunalar uchun muhim ahamiyatga ega. Tadqiqot yondashuvi har bir pnevmatik tarmoqqa alohida sensor o‘rnatish o‘rniga cheklangan miqdordagi asosiy bosim sensorlaridan butun poyezd bo‘ylab tarqaladigan bosim o‘zgarishlarini talqin qiluvchi texnik xizmat qarorlarini qo‘llab-quvvatlash tizimini ishlab chiqishga metodik asos berishi mumkin.

Turkiyaga moslashtiriladigan tizimda tegishli poyezd to‘plamining haqiqiy quvur topologiyasi, rezervuar hajmlari, kompressor boshqaruv mantiqi, shlang va klapan xususiyatlari, sensor aniqligi va uskuna joylashuvi qayta modellashtirilishi kerak. Turli fasllar, balandlik, harorat, vagon yoshi, texnik xizmat holati, odatiy havo sarfi va safar davomida yuz beradigan boshqaruv harakatlari bilan uzoq muddatli ma’lumot yig‘ilishi lozim. Model chiqishi mustaqil dala tasdig‘i va xavfsizlik tahlili yakunlanmasdan avtomatik poyezdni to‘xtatish yoki muhim texnik xizmat qarori uchun qo‘llanmasligi kerak.

Tadqiqotning asosiy savoli nima?

Tadqiqotning asosiy savoli shundan iborat: poyezd bo‘ylab faqat to‘rtta nuqtada o‘lchanadigan asosiy rezervuar bosimi mahalliy sensori bo‘lmagan ko‘plab pnevmatik uskunalardagi shlang ajralishi sizib chiqishini qanchalik batafsil ko‘rsatishi mumkin? Tadqiqot faqat “sizib chiqish bormi?” savoliga javob izlamaydi. Xuddi shu bosim oynasidan:

• Sizib chiqish mavjud yoki mavjud emasligi,
• Sizib chiqish sakkiz vagonning qaysi birida yuz bergani,
• Sizib chiqish sakkiz uskuna toifasidan qaysi biri bilan bog‘liqligi

birgalikda bashorat qilinadi.

Muammo nega murakkab?

Mahalliy shlang ajralishi asosiy rezervuar quvuri orqali butun poyezdning bosim muvozanatiga ta’sir qilishi mumkin. Shu sababli turli vagon va uskunalarda yuz beradigan sizib chiqishlar to‘rtta sensorda bir-biriga o‘xshash umumiy bosim pasayishlarini hosil qilishi mumkin. Farqlashni qiyinlashtiradigan asosiy sharoitlar quyidagilar:

• Bosim sensorlari faqat 1-, 3-, 6- va 8-vagonlarda mavjud.
• Eshik, hojatxona, qum sepish tizimi va tozalagich kabi uskunalarda mahalliy bosim sensori yo‘q.
• Bosim javobi boshlang‘ich bosim, sizib chiqish joyi va uskuna tarmog‘iga qarab o‘zgaradi.
• Normal havo sarfi va kompressor boshqaruvi ham bosim nishabini o‘zgartirishi mumkin.
• Nosozlik namunalari normal namunalardan, uskuna sinflari esa bir-biridan son jihatdan farq qiladi.
• Vagon va uskuna yorliqlari mustaqil emas; ayrim uskunalar faqat muayyan vagonlarda bo‘ladi.

Shu sababli oddiy bosim chegarasi sizib chiqish yuz berganini ko‘rsatishi mumkin bo‘lsa ham, nosozlik qaysi vagon va uskunadan kelib chiqqanini ishonchli tarzda tushuntira olmasligi mumkin.

O‘rganilgan pnevmatik tizim qanday tuzilgan?

Tadqiqotda sakkiz vagonli elektr ko‘p birlikli poyezd bo‘ylab cho‘zilgan asosiy rezervuar quvuri modellashtirilgan. Asosiy quvur tormoz tizimi, havo ta’minotini boshqarish moduli, asosiy va yordamchi rezervuarlar, havo suspenziyasi, konditsioner va ventilyatsiya, pantograf, eshiklar, hojatxona, kupler, old qopqoq, signal, g‘ildirak yuzasini tozalagich va qum sepish tizimi kabi tarmoqlarga siqilgan havo beradi.

Tizim sxemasi bitta mahalliy shlang ajralishi nafaqat nosoz tarmoqqa, balki asosiy quvur orqali boshqa vagonlardagi bosim sensorlariga ham tarqaladigan dinamik javob hosil qilishini ko‘rsatadi. Ushbu tarqalish nosozlik joyi haqida ma’lumot tashiydi, biroq signalni bevosita o‘qishni qiyinlashtiradigan kuchli tizimli bog‘lanishni yuzaga keltiradi.

Vagon–uskuna joylashuv munosabati

Ushbu jadval modelning chiqish fazosida qo‘llanishi mumkin bo‘lgan aniq muhandislik qoidasini beradi. Masalan, 4-vagon uchun pantograf, kupler yoki signal bashorati jismonan yaroqsizdir.

Ko‘p vazifali muammo qanday ta’riflangan?

To‘rtta bosim sensoridan bir vaqtda olingan o‘lchovlar quyidagi vektor bilan ifodalanadi:

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

Bu yerda \(C=4\) — sensor kanallari soni. Kanallar 1-, 3-, 6- va 8-vagonlardagi asosiy rezervuar bosimlarini ifodalaydi. Har bir o‘rganish namunasi \(T\) vaqt qadamini o‘z ichiga olgan to‘rt kanalli oyna ko‘rinishida:

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

\(\mathbf{X}_i\) model bitta namuna uchun ko‘radigan bosim vaqt ketma-ketligidir. Har bir qator bitta sensorni, har bir ustun esa oyna ichidagi bitta namuna olish vaqtini ko‘rsatadi.

Har bir oynaga uchta yorliq biriktirilgan:

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

• \(y_i^{\mathrm{leak}}\): sizib chiqish yo‘q yoki bor yorlig‘i,
• \(y_i^{\mathrm{car}}\): 1–8 oralig‘idagi nosoz vagon,
• \(y_i^{\mathrm{dev}}\): sakkiz uskuna toifasidan biri.

Vagon va uskuna bashoratlari fizik ma’noga ega bo‘lishi uchun moslik matritsasi ta’riflangan:

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

Yaroqli vagon–uskuna bashorati uchun:

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

bo‘lishi kerak. Bu munosabat sun’iy intellekt chiqishining poyezdning haqiqiy uskuna joylashuviga zid kelishini oldini olish uchun ishlatiladi.

Haqiqiy tajriba va AMESim modeli qanday birlashtirilgan?

Barcha vagon–uskuna sizib chiqish kombinatsiyalarini haqiqiy poyezdda ataylab yaratish xavfsizlik, vaqt va xarajat nuqtayi nazaridan maqbul bo‘lmagani sababli simulyatsiya yordamidagi ma’lumot yaratish qo‘llanilgan. Avval cheklangan miqdordagi yer usti sinovlarida shlang ajralishidan keyingi bosim javoblari o‘lchangan. Keyin poyezd quvurlari, rezervuarlari, havo ta’minoti birliklari va uskuna tarmoqlari AMESim muhitida modellashtirilgan va o‘lchangan egri chiziqlarga ko‘ra kalibrlangan.

Haqiqiy va simulyatsiyalangan bosim egri chiziqlari taqqoslangan grafikda:

• Ko‘k uzluksiz chiziqlar tajribaviy o‘lchovni,
• Qizil uzilgan chiziqlar simulyatsiya natijasini,
• To‘rtta alohida panel 1-, 3-, 6- va 8-vagon sensorlarini,
• Gorizontal o‘q vaqtni soniyalarda,
• Vertikal o‘q asosiy quvur bosimini kilopaskalda

ko‘rsatadi.

Taxminan 950 kPa darajasidan boshlanadigan bosim pasayishlari, past bosimda tekislanish, kompressor bilan yana taxminan 940–950 kPa darajasiga ko‘tarilish va ikkinchi pasayish jarayoni bo‘yicha tajriba va simulyatsiya chiziqlari bir-biriga yaqin boradi. To‘rtta kanalning o‘rtacha determinatsiya koeffitsienti:

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

deb bildirilgan. Bu qiymat asosiy bosim tendensiyalari simulyatsiyada yaxshi qayta ishlab chiqarilganini ko‘rsatadi. Biroq har bir kanal bo‘yicha \(R^2\), RMSE yoki MAE qiymatlari berilmagan. Yuqori umumiy \(R^2\) uskunalarni bir-biridan ajratadigan kichik va qisqa muddatli o‘tishlar ham ayni aniqlikda yaratilganini o‘z-o‘zidan isbotlamaydi.

Simulyatsiya ma’lumotlari qanday xilma-xillashtirilgan?

Kalibrlangan modelda sizib chiqish 10-soniyada kiritilgan va turli vagon–uskuna kombinatsiyalari uchun to‘rtta sensorning bosim javobi hosil qilingan. Xilma-xillikni oshirish uchun:

• Boshlang‘ich bosimni ifodalovchi vertikal egri chiziq siljitishlari,
• Turli intensivlikdagi o‘lchov shovqini,
• Boshqa havo sarfi hodisalarini taqlid qiluvchi qisqa muddatli mahalliy qiyalik o‘zgarishlari

qo‘shilgan. Tadqiqotchilar ushbu augmentatsiyalar haqiqiy poyezd tasdig‘ining o‘rnini bosa olmasligini, faqat nazorat qilinadigan sharoitlarda ehtimoliy bosim javoblari qamrovini kengaytirishini aniq ta’kidlaydi.

Vaqt oynalari qanday yaratilgan?

Simulyatsiya ma’lumotlari 10 Hz namuna olish chastotasida qayta ishlangan. Oyna uzunligi 100 namuna, siljish qadami 50 namuna:

Oynaning oxirgi namuna olish vaqti sizib chiqishni kiritish vaqtini o‘tsa, namuna “sizib chiqish” deb yorliqlangan. Bu yondashuv o‘tish onini o‘z ichiga olgan oynalarni sizib chiqish sinfiga kiritadi. Biroq oynaning bir qismi nosozlikdan oldingi, bir qismi nosozlikdan keyingi bo‘lishi mumkin; shu sababli yorliq nosozlik oynaning butun davomida faol bo‘lganini anglatmaydi.

Ma’lumot sizib chiqishining oldi qanday olinishi ko‘zlangan?

Bir xil bosim faylidan hosil qilingan qo‘shni oynalar katta darajada qoplanishi sababli oyna darajasida tasodifiy bo‘linish amalga oshirilmagan. Asl manba fayllari guruh sifatida saqlanib, fayllar:

• %70 o‘qitish,
• %15 validatsiya,
• %15 test

to‘plamlariga bo‘lingan. Shu tariqa bir faylning bir-biriga juda o‘xshash oynalari ham o‘qitish, ham test to‘plamida bo‘lishining oldi olingan.

Biroq tadqiqotda jami asl fayllar soni, har bir fayldagi oynalar soni, har bir uskuna bo‘yicha fayl taqsimoti va bir xil asosiy ssenariydan hosil qilingan augmentatsiyalangan fayllar bitta guruhda saqlangan-saqlanmagani tushuntirilmagan. Fayl darajasida bo‘linish bevosita oyna sizib chiqishini kamaytiradi; ammo bir xil simulyatsiya ssenariysining turli augmentatsiyalangan versiyalari to‘plamlar orasida mavjud bo‘lsa, ssenariy o‘xshashligi saqlanib qolishi mumkin.

Sinf nomutanosibligi qanday hal qilingan?

Vagon va uskuna sinflari teng miqdorda namunaga ega bo‘lmagani sababli samarali namuna soniga asoslangan sinf og‘irliklari ishlatilgan:

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

Bu yerda \(n_k\) — \(k\) sinfidagi o‘qitish namunalarining soni; \(\beta\) — katta sinflar og‘irligini yumshatuvchi parametr. Sinf og‘irligi:

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

ko‘rinishida hisoblangan va barcha sinflarning o‘rtacha og‘irligi 1 bo‘ladigan tarzda normallashtirilgan. Bu usul kam namunali uskunalarning yo‘qotish funksiyasida butunlay orqa planda qolishini oldini olishga qaratilgan. Biroq har bir sinfdagi namunalar soni va ishlatilgan \(\beta\) qiymati berilmagani uchun haqiqiy og‘irliklarni mustaqil qayta hisoblab bo‘lmaydi.

1D-CNN qatlami nimani o‘rganadi?

Modelning birinchi qismi bosim signallaridagi qisqa muddatli mahalliy o‘zgarishlarni ajratib oluvchi ikki konvolyutsiya blokidan iborat:

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

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

To‘rt kanalli va 100 namuna uzunligidagi kirish ikki pooling operatsiyasidan keyin:

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

o‘lchamiga kamaytiriladi. \(B\) mini-batch ichidagi namunalar sonidir. Konvolyutsiya qatlamlari bosim qiyaligidagi mahalliy sinishlar, qisqa pasayishlar va kanallar orasidagi bir vaqtda yuz beradigan o‘zgarishlarni o‘rganadi, pooling esa vaqt o‘lchamini kichraytirib, hisoblash yukini kamaytiradi.

LSTM va vaqtli diqqat qanday ishlaydi?

CNN chiqishidagi 25 vaqt pozitsiyasi ketma-ketlikka aylantirilib, 128 yashirin birlikli bir qatlamli LSTMga beriladi. LSTM unutish, kirish va chiqish eshiklari orqali oldingi bosim holatidan qaysi ma’lumot saqlanishini va yangi o‘zgarish qanchalik qo‘shilishini o‘rganadi.

LSTMning har bir vaqt qadamidagi yashirin holati:

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

ko‘rinishida. Vaqtli diqqat balli:

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

va normallashtirilgan diqqat og‘irligi:

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

ko‘rinishida hisoblanadi. Oyna darajasidagi kontekst vektori:

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

orqali olinadi. Yuqori \(\alpha_t\) olgan vaqt bo‘laklari model tasniflash paytida muhimroq deb topgan bosim o‘tishlarini ifodalaydi. Tadqiqot diqqat mexanizmini talqin qilinadigan ishora deb ta’riflasa-da, muayyan nosozliklarda qaysi vaqt bo‘laklari tanlanganini ko‘rsatuvchi diqqat xaritalarini taqdim etmagan.

Fizika bilimiga asoslangan xususiyat nima?

Har bir bosim kanalining oyna boshidan oyna oxirigacha bo‘lgan o‘zgarishi oyna uzunligiga bo‘linib, bosim pasayish tezligi xususiyati yaratilgan:

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

Bu yerda:

• \(X_{b,c,1}\) — oynaning boshlang‘ich bosimi,
• \(X_{b,c,T}\) — oynaning yakun bosimi,
• \(T=100\) — oyna uzunligi,
• \(c\) — to‘rtta sensor kanalidan biri.

Ushbu ta’rifga ko‘ra manfiy qiymat oyna davomida bosim pasayganini, musbat qiymat ko‘tarilganini ko‘rsatadi. Tadqiqotda bosim kilopaskalda, \(T\) esa namuna soni sifatida ishlatilgani sababli xususiyat bevosita kPa/s emas, balki har bir namuna uchun bosim o‘zgarishi ko‘rinishidadir. Fizik jihatdan soniyasiga pasayish tezligi kerak bo‘lsa, namuna olish oralig‘i ham hisobga olinishi lozim.

To‘rtta kanaldan tuzilgan vektor:

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

32 o‘lchovli fizik embeddingga aylantiriladi:

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

O‘rganilgan va fizik xususiyatlar qanday birlashtirilgan?

128 o‘lchovli LSTM konteksti bilan 32 o‘lchovli fizik embedding birlashtirilgan:

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

So‘ng 128 o‘lchovli umumiy xususiyat yaratilgan:

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

Sizib chiqish, vagon va uskuna tasniflash boshliqlari ayni umumiy \(z\) tasviridan foydalanadi. Bu tuzilma sizib chiqish mavjudligi, bosim tarqalish joyi va uskuna xususiyatlarini bitta umumiy vaqt qatori tuzilmasidan o‘rganish mumkin degan farazga asoslanadi.

Qattiq maska qanday qo‘llanadi?

Uskuna boshlig‘ining xom logitlari fizik joylashuv matritsasiga ko‘ra o‘zgartirilgan:

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

Yaroqsiz uskuna logitini \(-\infty\) qilish softmaxdan keyin uning ehtimolini aynan nolga tushiradi. Shu sababli berilgan vagonda mavjud bo‘lmagan uskuna tanlanmaydi.

Muhim talqin chegarasi shundaki, \(c_b\) vagon sharti o‘qitish va test vaqtida modelning vagon bashorati emas, haqiqiy vagon yorlig‘i hisoblanadi. Demak qattiq maskali uskuna boshlig‘i quyidagi savolga javob beradi:

“Nosozlik qaysi vagonda ekani to‘g‘ri ma’lum bo‘lsa, o‘sha vagondagi mumkin bo‘lgan uskunalardan qaysi biri nosoz?”

Tadqiqot vagon ham faqat modeldan bashorat qilingan to‘liq zanjirda qattiq maskaning samaradorligini o‘lchamagan.

Ko‘p vazifali yo‘qotish funksiyasi

Umumiy o‘qitish yo‘qotishi uchta kross-entropiya yo‘qotishining vaznli yig‘indisidir:

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

Standart vazifa og‘irliklari:

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

deb belgilangan. Sizib chiqish vazifasining og‘irligi boshqa ikki vazifadan yuqori. A5_LDEV2_PM variantida uskuna og‘irligi oshirilib, vazifalararo raqobatni kamaytirish o‘rganilgan.

O‘qitish sozlamalari

Eng yaxshi checkpointlar uch boshlang‘ich uchun mos ravishda 83-, 64- va 81-epochlarda tanlangan. Tadqiqotda ishlatilgan protsessor, GPU, o‘qitish davomiyligi, inference kechikishi, xotira sarfi va modelning jami parametrlar soni berilmagan.

Chalkashlik matritsalari nimani ko‘rsatadi?

Sizib chiqish tasnifida sizib chiqishsiz namunalarning %99,49 i, sizib chiqishli namunalarning %99,85 i to‘g‘ri tasniflangan. Ikki sinfli matritsa deyarli butunlay diagonal tuzilishga ega.

Vagon joylashuvini aniqlashda sinf bo‘yicha to‘g‘ri tanish darajalari taxminan quyidagicha:

Uskuna tasnifida signal va pantograf uchun ko‘rsatilgan to‘g‘ri tasniflash darajasi %100. G‘ildirak yuzasini tozalagich %77,4 bilan eng past sinf natijasiga ega. Qum sepish qurilmasi %85,9 aniqlikda to‘g‘ri tanilgan va namunalarning %9,3 i tozalagich deb tasniflangan. Tadqiqotchilar bu chalkashlikni ikki uskunaning o‘xshash mahalliy quvur xususiyatlari va bosim dinamikasi bilan bog‘laydi.

Ushbu matritsalar qaysi tasodifiy boshlang‘ichga tegishli ekani aniq ko‘rsatilmagani uchun sinf bo‘yicha ko‘rsatkichlarni uch ishga tushirishning o‘rtachasi deb qabul qilmaslik kerak.

O‘qitish va validatsiya egri chiziqlari qanday talqin qilinishi kerak?

Sizib chiqish aniqligi o‘qitishning ilk bosqichidayoq tezda %99 darajasiga yaqinlashgan. Vagon va uskuna aniqliklari sekinroq oshib, taxminan %90–95 oralig‘ida barqarorlashgan. Validatsiya egri chiziqlari dastlabki 40–50 epoch davomida sezilarli tebranish ko‘rsatgan, o‘rganish tezligi kamaytirilgach barqarorroq bo‘lgan.

Seed 42 uchun validatsiya aniqliklari 4-epochda sizib chiqish/vagon/uskuna vazifalarida taxminan 0,965/0,088/0,142 bo‘lgan bo‘lsa, 30-epochda 0,997/0,758/0,835 ga, 67-epoch atrofida esa taxminan 0,999/0,959/0,925 ga yetgan. Grafik kech bosqichda katta samaradorlik pasayishini ko‘rsatmaydi. Biroq o‘qitish va validatsiya namunalari bir xil simulyatsiya yaratish tizimidan kelgani sababli bu haqiqiy dala taqsimotidagi ortiqcha moslashuvni baholash uchun yetarli emas.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• To‘rtta asosiy rezervuar bosim sensorining simulyatsiya yordamidagi ma’lumotlarida shlang ajralishi sizib chiqishi juda yuqori aniqlikda farqlangan.
• Bosim tarqalishi nosoz vagon joylashuvi haqida o‘rganiladigan ma’lumot tashiydi.
• Bosim pasayishi xususiyatining qo‘shilishi vagon va uskuna natijalarini yaxshilagan.
• Haqiqiy vagon ma’lumotiga ko‘ra qo‘llanilgan fizik maska yaroqsiz uskuna raqobatini kamaytirgan.
• Fayl darajasidagi ma’lumot bo‘linishi bir xil fayldan keladigan qoplashuvchi oynalarning o‘qitish va testga tarqalishini oldini olgan.
• Uch tasodifiy boshlang‘ichda asosiy samaradorlik ko‘rsatkichlari bir-biriga yaqin qolgan.

Tadqiqot isbotlamaydigan natijalar

• Modelning haqiqiy yo‘lovchi ekspluatatsiyasida ayni aniqlikda ishlashi isbotlanmagan.
• %92,12 uskuna aniqligi to‘liq end-to-end vagon–uskuna joylashuv muvaffaqiyati emas.
• Modelning o‘z noto‘g‘ri vagon bashorati bilan qattiq maskani qo‘llagan holati baholanmagan.
• 1 Hz haqiqiy poyezd ma’lumotlarida 10 soniyalik oyna bilan ayni samaradorlik ko‘rsatilmagan.
• Eshik, hojatxona va pantografdan tashqari barcha uskunalar uchun keng qamrovli haqiqiy sizib chiqish tajribalari o‘tkazilmagan.
• Kichik sizib chiqish, qisman bo‘shashish yoki erta bosqichdagi zichlagich buzilishi o‘rganilmagan.
• Sizib chiqish og‘irligi yoki sizib chiqish sarfi bashorat qilinmagan.
• Turli poyezd modeli, quvur topologiyasi yoki kompressor boshqaruv tizimida umumlashuv ko‘rsatilmagan.
• Modelning real vaqtli o‘rnatilgan qurilmada ishlashi o‘lchanmagan.
• Model ehtimollarining ishonch kalibrlanishi, noaniqlik darajasi va taqsimotdan tashqari nosozlik xulqi baholanmagan.
• Usul mustaqil tashqi ma’lumotlar to‘plami yoki boshqa tadqiqot guruhi tomonidan tasdiqlanmagan.
• Tadqiqot xavfsizlik sertifikatsiyasi yoki avtomatik poyezd boshqaruvi uchun yetarlilik bermaydi.

Tadqiqotning usuli va natijalari

Tadqiqot dizayni

To‘liq A3_PM modelining test natijalari

3-jadvalda vagon Macro-F1 qiymati %95,87 deb berilgan bo‘lsa, komponentni olib tashlash bo‘yicha 4-jadvalda A3_PM uchun %95,88 yozilgan. Farq katta ehtimol bilan yaxlitlash darajasidan kelib chiqqan; biroq ikki jadvalda bir xil aniqlik ishlatilmagan.

Muvozanatlangan aniqlik natijalari

Komponentlarni olib tashlash natijalari

Fizik bosim pasayishi tarmog‘i uskuna Macro-F1 qiymatini 1,68 foiz punktga, faqat qattiq maska 3,10 foiz punktga oshirgan. Ikki komponentni birga qo‘llash bazaviy modelga nisbatan 4,39 foiz punktlik o‘sish bergan. Uskuna vazifasini alohida o‘qitgan A4 varianti A3_PM dan 0,32 punkt yuqori bo‘lishi umumiy tasvirda vazifalararo cheklangan raqobat mavjudligini ko‘rsatadi.

Signal–pantograf fizik izchillik tahlili

Signal faqat 1- va 8-vagonlarda, pantograf esa faqat 3- va 6-vagonlarda bo‘lgani sababli bu ikki sinfning vagon to‘plamlari kesishmaydi. Haqiqiy vagon yorlig‘iga ko‘ra maska qo‘llanganda pantograf uchun signal varianti avtomatik yopiladi. Shu sababli 67 xatoning nolga tushishi fizik izchillik nuqtayi nazaridan foydali bo‘lsa-da, maska tuzilishi sababli kutiladigan natijadir; modelning maskasiz holda bu farqni o‘rganganini ko‘rsatmaydi.

Signal sinfining precision ko‘rsatkichi uch boshlang‘ichda:

• %34,18 dan %51,18 gacha,
• %31,58 dan %52,08 gacha,
• %37,64 dan %50,75 gacha

oshgan. Signal recall ko‘rsatkichi %100 bo‘lib qolgan. Qattiq maska haqiqiy signal namunalarini kamaytirish o‘rniga jismonan imkonsiz noto‘g‘ri musbatlarni to‘sib qo‘ygan.

Tadqiqotning kuchli tomonlari

• Kam sonli sensorlardan uchta o‘zaro bog‘liq diagnostika vazifasini bitta modelda hal qilishi.
• Mahalliy bosim naqshlari, uzoq vaqt bog‘liqligi va bosim pasayishi fizikasini birlashtirishi.
• Vagon–uskuna joylashuv ma’lumotini bevosita chiqish fazosiga qo‘llashi.
• Haqiqiy test egri chiziqlari bilan kalibrlangan poyezd darajasidagi pnevmatik modeldan foydalanishi.
• Qoplashuvchi oynalarda fayl darajasida ma’lumotlarni ajratishi.
• Sinf nomutanosibligi uchun Macro-F1 va muvozanatlangan aniqlikni berishi.
• Uch tasodifiy boshlang‘ich va komponentlarni olib tashlash tajribalarini taqdim etishi.
• Simulyatsiya ma’lumotlari haqiqiy dala ma’lumotlarining o‘rnini bosa olmasligini aniq qayd etishi.

Asosiy cheklovlar

• Tadqiqot peer reviewdan o‘tmagan.
• Sarlavha sahifasida muallif va muassasa ma’lumotlari yetishmaydi.
• SSRNda ayni tadqiqot uchun ikki xil ro‘yxat raqami va DOI indekslangan.
• Ma’lumotlar to‘plami asosan simulyatsiyaga asoslangan.
• Haqiqiy testlar asosan eshik, hojatxona va pantograf ssenariylari bilan cheklangan.
• Haqiqiy sensor ma’lumoti 1 Hz, o‘qitishda ishlatilgan simulyatsiya ma’lumoti 10 Hz.
• Haqiqiy 1 Hz kirishda mustaqil model baholashi berilmagan.
• Jami haqiqiy test, simulyatsiya fayli, oyna va sinf namunalari soni tushuntirilmagan.
• Sinf og‘irliklarida ishlatilgan \(\beta\) qiymati ko‘rsatilmagan.
• Hard mask test vaqtida haqiqiy vagon yorlig‘iga bog‘liq.
• Modelning o‘z vagon bashorati bilan maskalangan end-to-end natijalar berilmagan.
• Tashqi poyezd to‘plami yoki mustaqil ma’lumotlar to‘plami ishlatilmagan.
• Tashqi mashinaviy o‘rganish usullari bilan qiyosiy benchmark o‘tkazilmagan.
• Kanal bo‘yicha simulyatsiya xato qiymatlari berilmagan.
• Statistik ahamiyat testi yoki ishonch oralig‘i yo‘q; faqat uch boshlang‘ichning standart og‘ishi berilgan.
• Model hajmi, o‘qitish davomiyligi va real vaqt inference kechikishi qayd etilmagan.
• Ma’lumot va manba kodi ommaga ochiq emas.
• Kichik sizib chiqishlar, uzilib-ulanadigan sizib chiqishlar, sensor nosozligi va taqsimotdan tashqari sharoitlar sinovdan o‘tkazilmagan.

Turkiyada dala tasdig‘i uchun zarur qadamlar

1. Mahalliy poyezd to‘plamining pnevmatik topologiyasi va uskuna joylashuv matritsasini aniqlash.
2. Haqiqiy sensor chastotasida uzoq muddatli normal ekspluatatsiya ma’lumotlarini yig‘ish.
3. Xavfsiz yer usti sharoitida turli sizib chiqish kattaliklari va uskunalar uchun nazorat qilinadigan nosozlik kiritish.
4. Simulyatsiya ma’lumotini haqiqiy 1 Hz sensor formatiga aylantirib qayta baholash.
5. Model bashorat qilgan vagon raqamidan foydalanadigan to‘liq end-to-end maskani sinash.
6. Sensor nosozligi, ma’lumot yo‘qolishi, shovqin va turli kompressor sikllarini alohida sinash.
7. Model noaniqligi va ishonch kalibrlanishini baholash.
8. O‘rnatilgan poyezd kompyuterida kechikish, xotira va hisoblash yukini o‘lchash.
9. Texnik xizmat mutaxassislarining model chiqishini talqin qilish va aralashuv vaqtini foydalanuvchi testlari bilan o‘rganish.
10. Xavfsizlik-kritik qo‘llashdan oldin mustaqil tasdiqlash va xavf tahlilini o‘tkazish.

Manba va usul haqida izoh

Tadqiqotning to‘liq asl nomi: Physics-informed one-dimensional convolutional recurrent network for leakage diagnosis in high-speed train pneumatic systems

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

Mualliflar tartibi: Tianyi Wang birinchi, WenBing Wang ikkinchi, Jingxian Ding uchinchi, Tianyu Xia to‘rtinchi, Qiyang Zuo beshinchi va Jianyong Zuo oltinchi muallif.

Muallif ma’lumotiga doir hujjat eslatmasi: Yuklangan versiyaning sarlavha sahifasida muallif ismlari, muassasalar va aloqa ma’lumotlari yo‘q. Mualliflar ro‘yxati va tartibi SSRNning rasmiy yozuvlaridan tasdiqlangan.

Hammuallif birinchi muallif: Hammualliflik hissasi yoki teng birinchi mualliflik bayonoti yuklangan versiyada va mavjud SSRN metadata’sida yo‘q.

Mas’ul muallif: SSRN ayni sarlavha uchun indekslagan yozuvda Jianyong Zuo aloqa muallifi sifatida ko‘rsatilgan.

Muassasa aloqalari: SSRN metadata’sida Jianyong Zuo uchun Tongji University aloqasi berilgan. Boshqa mualliflarning muassasalari yuklangan versiyada yo‘q va SSRN metadata’sida “affiliation not provided” ko‘rinishida. Shu sababli boshqa mualliflar uchun muassasa taxmini qilinmagan.

Manbaga to‘g‘ridan-to‘g‘ri mos DOI:10.2139/ssrn.7192457

Muqobil SSRN yozuvi eslatmasi: SSRN qidiruv natijalarida ayni sarlavha va mualliflar bilan 10.2139/ssrn.7192445 DOIga ega ikkinchi yozuv ham indekslangan. Yuklangan tadqiqotning barcha sahifa pastlarida 7192457 ishlatilgani sababli asosiy manba identifikatori sifatida shu yozuv qabul qilingan. Ikki yozuv orasidagi versiya munosabati aniq tushuntirilmagan.

Mo‘ljallangan jurnal: Engineering Applications of Artificial Intelligence.

Jurnal holati: Tadqiqot sahifasida “Preprint submitted to Engineering Applications of Artificial Intelligence” iborasi bor. Bu yuborilganlik ma’lumoti; qabul yoki nashr qilingan maqola yozuvi degani emas.

Asl nashriyot: Tadqiqot uchun yakuniy akademik nashriyot aniqlanmagan. Mo‘ljallangan jurnal Elsevier platformasida nashr qilinadi; biroq bu preprint Elsevier tomonidan qabul qilingani yoki nashr etilgani tasdiqlanmagan.

Nashr platformasi: SSRN.

Maqola sanasi: 30 May 2026.

SSRN yozuv sanasi: SSRN qidiruv yozuvi 27 July 2026 sanasini ko‘rsatadi.

Nashr yili: 2026.

Manba turi: Haqiqiy yer usti sinovlari bilan kalibrlangan AMESim modeli, sintetik ma’lumot augmentatsiyasi va ko‘p vazifali chuqur o‘rganishni o‘z ichiga olgan simulyatsiya yordamidagi original muhandislik tadqiqoti preprinti.

Peer-review holati: Bu tadqiqot peer reviewdan o‘tmagan preprint; natijalar shu cheklovni hisobga olib o‘qilishi kerak.

Rasmiy manba:SSRN 7192457 tadqiqot yozuvi.

Ma’lumotga kirish: Tadqiqotchilar ma’lumotlar maxfiylik cheklovlari sababli ommaga ochiq emasligini, asosli so‘rov bilan mas’ul muallifdan so‘ralishi mumkinligini bildirgan.

Manba kodi: Manba kod yoki ishga tushiriladigan tajriba repozitoriyasi havolasi ko‘rilgan versiyada berilmagan.

Moliyalashtirish: Alohida moliyalashtirish bayonoti ko‘rilgan versiyada yo‘q.

Manfaatlar to‘qnashuvi: Alohida manfaatlar to‘qnashuvi bayonoti ko‘rilgan versiyada yo‘q.

Generativ sun’iy intellekt bayonoti: Tadqiqotchilar ish tayyorlanayotganda tilni tahrirlash va strukturaviy tartibga solish uchun sun’iy intellekt yordamidagi vositalardan foydalanganini; mazmunni ko‘rib chiqib tahrirlaganini va yakuniy mas’uliyatni o‘z zimmasiga olganini bildirgan.

Ushbu o‘zbekcha izoh yuklangan 50 sahifalik tadqiqotning matni, tenglamalari, pnevmatik tizim sxemalari, AMESim taqqoslashi, sun’iy neyron tarmoq arxitekturasi, o‘qitish egri chiziqlari, chalkashlik matritsalari, komponentlarni olib tashlash jadvallari, fizik izchillik tahlili, cheklovlari va bibliografiyasi ko‘rib chiqilib tayyorlangan. Ilmiy mazmunga tadqiqotdan tashqari yangi tajriba natijasi qo‘shilmagan. Tashqi manbalar faqat mualliflar ro‘yxati, mas’ul muallif, DOI, SSRN yozuvi, mo‘ljallangan jurnal va nashr holatini bibliografik tekshirish uchun ishlatilgan.

Tadqiqot kam sonli bosim sensorlari bilan poyezd pnevmatik sizib chiqishini simulyatsiya yordamida yuqori aniqlikda tanish mumkinligini ko‘rsatadi. Biroq uskuna natijalari haqiqiy vagon shartiga bog‘liq; ma’lumotlar asosan simulyatsiyadir va haqiqiy poyezdlarda to‘liq end-to-end dala tasdig‘i mavjud emas. Shu sababli usul tasdiqlangan avtomatik xavfsizlik tizimi sifatida emas, balki kengroq haqiqiy ma’lumot tadqiqotlarini talab qiladigan texnik xizmat va nosozlik diagnostikasi tadqiqoti sifatida baholanishi kerak.