Research on the effectiveness of methods of the train critical speed calculation

Abstract

Topicality. Determining the critical velocity of railway rolling stock is a key step in the design and operation of modern trains, as exceeding this velocity leads to sustained lateral oscillations, increased lateral forces at the wheel–rail contact, and consequently a higher risk of derailment. Given the deteriorating condition of rolling stock and track infrastructure, reliable and efficient prediction of critical velocity based on modern computational methods has become increasingly necessary. The subject of study is the effectiveness of machine learning methods for approximating critical velocity under conditions of nonlinear dependencies and limited data availability. The purpose of the article is to identify the most effective method for subsequent implementation in the Driver Decision Support System (DDSS) and as a component of the train curvilinear motion model. The following results were obtained: MLP (Multilayer Perceptron) and GPR (Gaussian Process Regression) models demonstrated high prediction accuracy on both small and large datasets; however, MLP exhibited better scalability compared to GPR as the training dataset size increased. Conclusion. Based on the comparative analysis conducted, MLP is recommended as the primary model for critical velocity estimation within the DDSS and for railway transport diagnostics.

Актуальність. Визначення критичної швидкості залізничного рухомого складу є ключовим етапом при проектуванні та експлуатації сучасних поїздів, оскільки перевищення цієї швидкості призводить до стійких поперечних коливань, зростання бічних сил у контакті колеса з рейкою і, як наслідок, збільшення ризику сходу рухомого складу з колії. У зв’язку з погіршенням стану рухомих складів і шляхового господарства, стає необхідним забезпечення надійного та ефективного прогнозування критичної швидкості на основі сучасних обчислювальних методів. Предметом дослідження є ефективність методів машинного навчання для апроксимації критичної швидкості в умовах нелінійних залежностей та обмеженого обсягу даних. Метою статті є відбір найбільш ефективного методу обчислення критичної швидкості поїзда для подальшого впровадження в систему підтримки прийняття рішень машиніста (СППРМ) та як компонента моделі криволінійного руху поїзда. Були отримані наступні результати: моделі MLP (Multilayer Perceptron) та GPR (Gaussian Process Regression) продемонстрували високу точність прогнозування як на малому, так і на великому обсязі даних, причому MLP показав кращу масштабованість при зростанні обсягу навчальних даних, ніж GPR. Висновки. На основі проведеного порівняльного аналізу доцільно використовувати MLP як основну модель для визначення критичної швидкості в СППРМ та діагностики залізничного транспорту.