Nghiên cứu và thử nghiệm ứng dụng trí tuệ nhân tạo trong bảo đảm an toàn giao cắt đường ngang đường sắt
Tóm tắt: 221
| 
PDF: 202 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Mạng cảm biến vô tuyến năng lượng thấp
nhận dạng học sâu
an toàn đường sắt
Tóm tắt
Hàng chục năm qua, tuy có nhiều đổi mới công nghệ và đầu tư lớn để bảo đảm an toàn tại giao cắt đường bộ - đường sắt Việt Nam, tai nạn vẫn liên tục xảy ra. Một nghiên cứu mới xây dựng hệ thống thông tin tích hợp trí tuệ nhân tạo để cảnh báo thời gian thực đồng thời cho tín hiệu đường ngang, người lái tàu, trung tâm giám sát về nguy cơ trở ngại tại đường ngang đã được thực hiện. Hệ thống sử dụng các công nghệ mới nhất như mạng cảm biến không dây (Wireless Sensor Networks – WSNs), mạng diện rộng năng lượng thấp (Low-Power Wide Area Network – LPWAN), mạng nơron trong trí tuệ nhân tạo (Artificial Neural Network - ANN),… Bài báo này trình bày về: Sơ đồ đảm bảo an toàn đường ngang thông minh, mô hình ANN trong nhận dạng đoàn tàu từ cảm biến đếm trục; Kết quả thử nghiệm thực tế của hệ thống giám sát trở ngại đường ngang, thiết bị trợ giúp lái tàu, cảm biến phát hiện tàu tại 2 đường ngang, trên 2 đầu máy thuộc Tổng công ty Đường sắt Việt Nam (TCTĐSVN).
Tài liệu tham khảo
-
[1] Y. Zomaya, Handbook of Nature-inspired and Innovative Computing, Springer, 2006.
[2] P. Cruz, Inteligencia Artificial Con Aaplicaciones a la Ingeniería, Alfaomega, 2010.
[3] P. Engelbrecht, Computational intelligence: An introduction, Wiley, 2007.
[4] Falomi, M. Malvezzi, E. Meli, A. Rindi, “Determination of wheel-rail contact points: comparison between classical and neural network based procedures”, Meccanica 44, 2009, 661–686.
[5] L. Escalona, J.F. Aceituno, “Multibody simulation of railway vehicles with contact lookup tables”, Int. J. Mech. Sci. 155, 2019, 571–582.
[6] Malvezzi, L. Pugi, S. Papini, A. Rindi, P. Toni, “Identification of a wheel-rail adhesion coefficient from experimental data during braking tests”, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit 227 (2), 2013, 128–139.
[7] Sadeghi, H. Askarinejad, “Application of neural networks in evaluation of rail way track quality condition”, J. Mech. Sci. Technol. 26, 2012, 113–122.
[8] Chen, Z. Liu, H. Wang, A. Nuñez, Z. Han, “Automatic defect detection of fasteners on the catenary support device using deep convolutional neural network”, IEEE Trans. Instrum. Meas. 67 (2) (2018) 257–269.
[9] Cheng, H. Zhao, “Fault detection and diagnosis for railway switching points using fuzzy neural network”, in: Proceedings of the 2015 IEEE 10th Conference on Industrial Electronics and Applications (ICIEA), 2015 pp. 860–865.
[10] Yin, W. Zhao, “Fault diagnosis network design for vehicle on-board equipments of high-speed railway: a deep learning approach”, Eng. Appl. Artif. Intell. 56, 2016, 250–259.
[11] Muhammad Asad Bilal Fayyaz, Christopher Johnson, “Object Detection at Level Crossing Using Deep Learning”, Micromachines, Volume 11, 2020, 16 (1055-1071).
[12] Teresa Pamuła, Wiesław Pamuła, “Detection of Safe Passage for Trains at Rail Level Crossings Using Deep Learning”, Sensors, Volume 21, Issue 18, 2021, 11 (6281- 6292).
[13] Gauransh Singh, Praveen Kumar, Rishabh Kumar Mishra, Sanskriti Sharma, Kushagra Singh, “Security System for Railway Crossings using Machine Learning”, 2nd International Conference on Advances in Computing, Communication Control and Networking (ICACCCN), 2020, 5 (135-139).
[14] Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg, “SSD: Single Shot MultiBox Detector”, European Conference on Computer Vision 2016, Part I, LNCS 9905, 2016, 17(21–37).
[15] Luis Barba-Guaman, José Eugenio Naranjo, Anthony Ortiz, “Deep Learning Framework for Vehicle and Pedestrian Detection in Rural Roads on an Embedded GPU”, Electronics, Volume 9, Issue 4, 2020, 17 (1-17).
[16] Pedro Urda, Javier F.Aceituno, SergioMuñoz, José L.Escalona, “Artificial neural networks applied to the measurement of lateral wheel-rail contact force: A comparison with a harmonic cancellation method”, Mechanism and Machine Theory, Volume 153, 2020, 18 (1-18), Available: https://doi.org/10.1016/j.mechmachtheory.2020.103968.
[17] Amolik Vivian Paul, “SSD Object Detection in Real Time (Deep Learning and Caffe)”, https://medium.com, 2020, Available: https://medium.com/acm-juit/ssd-object-detection-in-real-time-deep-learning-and-caffe-f41e40eea968, 1/8/2022.
[18] Ncappzoo, “ssd mobilenet_v1_caffe”, Github, 2020, Available:https://movidius.github.io/ncappzoo/networks/ssd_mobile net_v1_caffe.html, 1/8/2022.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Nov 30, 2022
Download
Cách trích dẫn
Vũ Đình Trung, Phạm Hồng Quang, Phạm Hồng Công, và Phạm Quang Chính. “Nghiên cứu Và thử nghiệm ứng dụng Trí tuệ nhân tạo Trong bảo đảm an toàn Giao cắt đường Ngang đường sắt”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 20, số p.h 11.1, Tháng Mười-Một 2022, tr 33-38, https://jst-ud.vn/jst-ud/article/view/7989.
