Modelo de operación automática de trenes basado en datos para sistemas ferroviarios sin sistemas de comunicación continua

Abstract

El presente trabajo presenta la formulación y evaluación de un modelo de operación automática de trenes basado en datos para sistemas ferroviarios con sistema de control basado en comunicaciones (CBTC por sus siglas en inglés) y sin sistemas de comunicación de alta frecuencia. El modelo propuesto se enmarca en la operación automática de trenes con perfiles de velocidad calculados fuera de línea e integra una corrección de salida de control basada en reglas heurísticas. Los perfiles de velocidad usados por el modelo propuesto se denominan perfiles de velocidad condicionados, estos se obtienen a partir de un modelo de procesamiento de información, el cual usa los datos históricos de viaje de conducción manual y el conocimiento de los conductores experimentados. El modelo de procesamiento de información integra aprendizaje profundo y aprendizaje reforzado para obtener perfiles de velocidad sujetos a las condiciones reales del sistema ferroviario, evitando la necesidad del modelado de las dinámicas complejas de la conducción de trenes. Para la obtención de la corrección heurística, se propone usar el conocimiento de los conductores experimentados, el cual es consolidado en una serie de reglas heurísticas que se integran al algoritmo del modelo de operación automática de trenes. El modelo de operación automática de trenes propuesto en este trabajo es desarrollado e implementado para un sistema ferroviario que no cuenta con un sistema de comunicación de alta frecuencia y que opera con conducción manual. El desempeño del modelo se evalúa usando indicadores de confort, seguridad, consumo energético y puntualidad. (Texto tomado de la fuente)

This study presents the drafting and assessment of a data based automatic train operation model for railways with communication-based train control (CBTC) and without high frequency communication systems. The model proposed is framed in automatic train operation with speed profiles calculated offline and it integrates a control output correction based on heuristic rules. The speed profiles used by the proposed model are called conditioned speed profiles. These are obtained from an information processing model which uses historical data from manual driving and knowledge from experienced drivers. The information processing model integrates deep and reinforcement learning to obtain speed profiles subject to real railway system conditions, avoiding the need for modeling the complex dynamics of train driving. To obtain heuristic correction, it is proposed the use of experienced drivers’ knowledge which is consolidated in a series of heuristic rules that are integrated into the algorithm of the proposed train operation model. The automatic train operation model proposed in this study is developed and implemented for a railway system that does not have a high-frequency communication system and that operates with manual driving. The model performance is evaluated using comfort, safety, energy consumption, and punctuality indicators.