تحليل داده راه آهن با استفاده از شبكه عصبي با رويكرد اينترنت اشيا

كارشناسي ارشد

از بين سيستم هاي حمل و نقلي ، راه آهن اقتصادي ترين و ايمن ترين ابزار جابه جايي بار و مسافر محسوب مي شود كه ترافيك را كاهش داده و حداقل آلودگي را براي محيط زيست به دنبال دارد.تعدادي از ايستگاه هاي راه آهن در كشور ما بيشتر داراي كاربرد باربري هستند و كمتر كاربرد مسافرتي دارند . امروزه اكثرا در مكان هاي خدماتي نظير راه آهن ، جمع آوري داده از اهميت بالايي برخوردار است. تحقيق روي اين داده ها و به دست اوردن نتايج و الگوهاي مفيد در رابطه با ايستگاه ها از دلايل استفاده از اين داده هاست. اما حجم زياد داده هاي خام و پيچيدگي بالاي آن ها ، مشكلي است كه مانع رسيدن به نتايج قابل قبول و مورد اعتماد مي شود. اين قطارها اكثرا باري هستند و براي انتقال محصولات استفاده مي شوند. يكي از مشكلات در ايستگاه هاي راه آهن ازدحام و تراكم بارها و قطارهاست كه در روند جا به جايي و بارگيري اختلال ايجاد مي كند و كيفيت كار را كم مي كند. همچنين اين مشكلات مي توانند از ميزان جريان بين ايستگاه ها بكاهد و هزينه ها را افزايش دهد. پس در اين زمينه با چهار چالش مهم روبه رو هستيم: 1- ارتباط بين ايستگاه ها 2- ازدحام در ايستگاه ها 3 – تاخير در ايستگاه ها 4- كيفيت عملكرد در ايستگاه ها مهم ترين عامل در اين مورد ، ازدحام است كه تاثير زيادي روي ارتباط و كيفيت عملكرد (نسبت ورودي به خروج - زمان و يا هزينه) مي گذارد.در اين پايان نامه، رابطه اي بين اين عوامل مذكوز و تاثير آن ها در زمان بندي حركت قطارها با هدف يافتن الگوي تخليه بار قطارها در زمان هاي مشخص و متناسب سازي آن با نايزمندها و ظرفيت ايستگاه ها مي باشد. در حجم زياد اطلاعات، مي توان با استفاده از تكنيك هاي داده كاوي و يادگيري ماشين ، آن ها را يافت و بهبود داد. به دليل تعداد زياد قطارها، واگن ها ، زمان هاي گوناگون رسيدن به ايستگاه ، جدايي از ايستگاه ، زمان توقف ، زمان تاخير ، تاخير ثانويه و ... نياز به يك سيستم خودكار براي كاهش هزينه ها و بهبود طبقه بندي قطارها احساس مي شود. در اين پايان نامه از رويكرد هاي اينترنت اشيا براي ايجاد سيستمي هوشمند كه پس از يافتن روابط، آن ها را به طور منظم با توجه به برنامه روزانه حركت قطارها و تاخيرات آن ها ، برنامه زمانبندي مشخصي براي حركت، بارگيري و تخليه به ما ارائه دهد، استفاده شده است. به عنوان خروجي تحليل هاي آماري و آزمون هاي فرض آماري، تمامي متغيرهاي مناسب براي پيش بنيي و شناخت ميزان مناسب تناژ تخليه به دست آمده است كه عبارتند از: "تعداد واگن ورودي، تعداد واگن باقيمانده از قبل، تعداد ديزل در هر روز، ضريب تاثير هر واگن، تعداد واگن تخليه شده، و متغير ايجاد شده موجودي واگن در هر روز". خروجي روش هاي پيش بيني يادگيري ماشين، يادگيري عميق و انتخاب ويژگي ها با دقت پيش بيني 91 درصدي ميزان تناژ تخليه در هر روز، بر روي بستر اينترنت اشيا تعريف شده و با استفاده از سنسور هاي فاصله و اطلاعات ثبت شده در آن ها منجر به ايحاد يكي سيستم اينترنت اشيا مي شود كه در نهايت از آن در سيستم هاي خبره پشتيبان تصميم گيري استفاده مي شود.

211763

دانشگاه علم و صنعت ايران

مهندسي صنايع

محمدرضا محمدعليها