रेल्वे वाहतुकीत मानवरहित तंत्रज्ञानाचा विकास

रेल्वेवर मानवरहित तंत्रज्ञानाचा विकास खूप पूर्वीपासून सुरू झाला, 1957 मध्ये, जेव्हा प्रवाशांच्या गाड्यांसाठी प्रथम प्रायोगिक स्वयंचलित मार्गदर्शन प्रणाली तयार केली गेली. रेल्वे वाहतुकीसाठी ऑटोमेशन स्तरांमधील फरक समजून घेण्यासाठी, IEC-62290-1 मानकांमध्ये परिभाषित केलेले, श्रेणीकरण सादर केले गेले आहे. रस्ते वाहतुकीच्या विपरीत, आकृती 4 मध्ये दर्शविलेल्या रेल्वे वाहतुकीमध्ये 1 अंश ऑटोमेशन आहे.

आकृती 1. IEC-62290 नुसार ऑटोमेशनचे अंश

रशियन रेल्वे नेटवर्कवर चालणार्‍या जवळजवळ सर्व गाड्या ऑटोमेशन लेव्हल 1 शी संबंधित सुरक्षा उपकरणाने सुसज्ज आहेत. ऑटोमेशन लेव्हल 2 सह ट्रेन्स 20 वर्षांहून अधिक काळ रशियन रेल्वे नेटवर्कवर यशस्वीरित्या चालवल्या जात आहेत; अनेक हजार लोकोमोटिव्ह सुसज्ज आहेत. ट्रॅक सर्किट्समधून प्रेरक चॅनेलद्वारे प्राप्त स्वयंचलित लोकोमोटिव्ह सिग्नलिंग सिस्टमचे वेळापत्रक आणि वाचन लक्षात घेऊन दिलेल्या मार्गावर ट्रेनच्या उर्जा-इष्टतम ड्रायव्हिंगसाठी ट्रॅक्शन कंट्रोल आणि ब्रेकिंग अल्गोरिदमद्वारे ही पातळी लागू केली जाते. लेव्हल 2 चा वापर ड्रायव्हरचा थकवा कमी करतो आणि ऊर्जेचा वापर आणि शेड्यूल अंमलात आणण्याच्या अचूकतेमध्ये फायदे प्रदान करतो.

स्तर 3 कॅबमध्ये ड्रायव्हरची संभाव्य अनुपस्थिती गृहीत धरते, ज्यासाठी तांत्रिक दृष्टी प्रणालीची अंमलबजावणी आवश्यक आहे.

स्तर 4 बोर्डवर ड्रायव्हरची पूर्ण अनुपस्थिती गृहीत धरते, ज्यासाठी लोकोमोटिव्ह (इलेक्ट्रिक ट्रेन) च्या डिझाइनमध्ये महत्त्वपूर्ण बदल आवश्यक आहे. उदाहरणार्थ, बोर्डवर सर्किट ब्रेकर आहेत जे बोर्डवर असलेल्या व्यक्तीशिवाय ट्रिप झाल्यास रीसेट केले जाणार नाहीत.

सध्या, सीमेन्स, अल्स्टॉम, थेल्स, SNCF, SBB आणि इतर सारख्या जगातील आघाडीच्या कंपन्यांद्वारे 3 आणि 4 पातळी गाठण्यासाठी प्रकल्प राबवले जात आहेत.

सिमेन्सने सप्टेंबर 2018 मध्ये इनोट्रान्स प्रदर्शनात ड्रायव्हरलेस ट्रामच्या क्षेत्रात आपला प्रकल्प सादर केला. ही ट्राम पॉट्सडॅममध्ये 3 पासून GoA2018 ऑटोमेशन स्तरासह कार्यरत आहे.

आकृती 2 सीमेन्स ट्राम
2019 मध्ये, सीमेन्सने मानवरहित मार्गाची लांबी 2 पटीने वाढवली.
मानवरहित रेल्वे वाहने विकसित करणारी रशियन रेल्वे कंपनी जगातील पहिली कंपनी होती. अशाप्रकारे, 2015 मध्ये लुझस्काया स्टेशनवर, 3 शंटिंग लोकोमोटिव्हच्या हालचाली स्वयंचलित करण्यासाठी एक प्रकल्प सुरू करण्यात आला, जिथे एनआयआयएएस जेएससीने मूलभूत तंत्रज्ञानाचा प्रकल्प इंटिग्रेटर आणि विकासक म्हणून काम केले.

मानवरहित लोकोमोटिव्ह तयार करणे ही एक जटिल, जटिल प्रक्रिया आहे जी इतर कंपन्यांच्या सहकार्याशिवाय अशक्य आहे. म्हणून, लुझस्काया स्टेशनवर, JSC NIIAS सह, खालील कंपन्या भाग घेतात:

• ऑन-बोर्ड कंट्रोल सिस्टमच्या विकासाच्या दृष्टीने JSC "VNIKTI";
• सीमेन्स - हंप ऑपरेशन (MSR-32 सिस्टम) स्वयंचलित करण्याच्या आणि पुशिंग कारचे ऑपरेशन स्वयंचलित करण्याच्या दृष्टीने;
• स्विचेस आणि ट्रॅफिक लाइट्स नियंत्रित करणार्‍या मायक्रोप्रोसेसर केंद्रीकरण प्रणालीच्या दृष्टीने जेएससी रेडिओव्हिओनिक्स;
• पीकेबी सीटी - सिम्युलेटरची निर्मिती;
• JSC रशियन रेल्वे प्रकल्प समन्वयक म्हणून.

पहिल्या टप्प्यावर, ट्रॅफिक ऑटोमेशनचा स्तर 2 साध्य करणे हे कार्य होते, जेव्हा ड्रायव्हर, शंटिंग कार्य आयोजित करण्यासाठी सामान्य परिस्थितीत, लोकोमोटिव्ह नियंत्रणे वापरत नाही.

पारंपारिक शंटिंग लोकोमोटिव्ह चालवताना, योग्य मार्ग (स्विच हलवणे, ट्रॅफिक लाइट चालू करणे) सेट करून डिस्पॅचरकडून ड्रायव्हरला व्हॉइस कमांड पाठवून वाहतूक नियंत्रण केले जाते.

लेव्हल 2 ऑटोमेशनकडे जाताना, सर्व व्हॉइस कम्युनिकेशन डिजिटल सुरक्षित रेडिओ चॅनेलवर प्रसारित केलेल्या आदेशांच्या प्रणालीद्वारे बदलले गेले. तांत्रिकदृष्ट्या, लुझस्काया स्टेशनवर शंटिंग लोकोमोटिव्हचे नियंत्रण या आधारावर तयार केले गेले:

• स्टेशनचे युनिफाइड डिजिटल मॉडेल;
• शंटिंग लोकोमोटिव्हच्या हालचाली नियंत्रित करण्यासाठी प्रोटोकॉल (आदेश पाठवण्यासाठी आणि अंमलबजावणीचे निरीक्षण करण्यासाठी);
• दिलेले मार्ग, बाण आणि सिग्नलची स्थिती याबद्दल माहिती मिळविण्यासाठी विद्युत केंद्रीकरण प्रणालीशी परस्परसंवाद;
• शंटिंग लोकोमोटिव्हसाठी पोझिशनिंग सिस्टम;
• विश्वसनीय डिजिटल रेडिओ संप्रेषण.

2017 पर्यंत, 3 TEM-7A शंटिंग लोकोमोटिव्हने लुझस्काया स्टेशनवर 95% वेळ पूर्ण स्वयंचलित मोडमध्ये काम केले, खालील ऑपरेशन्स केले:

• दिलेल्या मार्गावर स्वयंचलित हालचाल;
• कारमध्ये स्वयंचलित प्रवेश;
• वॅगनसह स्वयंचलित कपलिंग;
• गाड्या कुबड्यावर ढकलणे.

2017 मध्ये, लोकोमोटिव्ह शंट करण्यासाठी तांत्रिक दृष्टी प्रणाली तयार करण्यासाठी आणि आणीबाणीच्या परिस्थितीत रिमोट कंट्रोल सुरू करण्यासाठी एक प्रकल्प सुरू करण्यात आला.

नोव्हेंबर 2017 मध्ये, JSC NIIAS मधील तज्ञांनी रडार, लिडर आणि कॅमेरे (आकृती 3) यांचा समावेश असलेल्या शंटिंग लोकोमोटिव्हवर तांत्रिक दृष्टी प्रणालीचा पहिला प्रोटोटाइप स्थापित केला.

आकृती 3 तांत्रिक दृष्टी प्रणालीच्या पहिल्या आवृत्त्या

2017 - 2018 मध्ये तांत्रिक दृष्टी प्रणालीच्या लुगा स्टेशनवरील चाचण्यांदरम्यान, खालील निष्कर्ष काढण्यात आले:

• अडथळे शोधण्यासाठी रडारचा वापर अव्यवहार्य आहे, कारण रेल्वेमध्ये चांगल्या परावर्तकतेसह धातूच्या वस्तूंची लक्षणीय संख्या आहे. लोकांची त्यांच्या पार्श्वभूमीच्या विरूद्ध शोधण्याची श्रेणी 60-70 मीटरपेक्षा जास्त नाही, त्याव्यतिरिक्त, रडारमध्ये अपुरे कोनीय रिझोल्यूशन असते आणि ते सुमारे 1° असते. आमच्या निष्कर्षांची नंतर SNCF (फ्रेंच रेल्वे ऑपरेटर) सहकाऱ्यांकडून चाचणी निकालांद्वारे पुष्टी केली गेली.
• Lidars कमीतकमी आवाजासह खूप चांगले परिणाम देतात. हिमवर्षाव, पाऊस किंवा धुके झाल्यास, वस्तूंच्या शोधण्याच्या श्रेणीत एक गैर-गंभीर घट दिसून येते. तथापि, 2017 मध्ये, लिडर खूप महाग होते, ज्यामुळे प्रकल्पाच्या आर्थिक कामगिरीवर लक्षणीय परिणाम झाला.
• कॅमेरे हे तांत्रिक दृष्टी प्रणालीचे अत्यावश्यक घटक आहेत आणि ते शोधणे, वस्तूंचे वर्गीकरण आणि रिमोट कंट्रोल कार्यांसाठी आवश्यक आहेत. रात्रीच्या वेळी आणि कठीण हवामानाच्या परिस्थितीत काम करण्यासाठी, इन्फ्रारेड कॅमेरे किंवा विस्तारित तरंगलांबी श्रेणी असलेले कॅमेरे असणे आवश्यक आहे जे जवळ-अवरक्त श्रेणीमध्ये कार्य करू शकतात.

तांत्रिक दृष्टीचे मुख्य कार्य म्हणजे वाटेत अडथळे आणि इतर वस्तू शोधणे आणि हालचाली ट्रॅकच्या बाजूने चालत असल्याने ते शोधणे आवश्यक आहे.

आकृती 4. बायनरी मास्क वापरून मल्टी-क्लास सेगमेंटेशनचे उदाहरण (ट्रॅक, कार) आणि ट्रॅक अक्षाचे निर्धारण

आकृती 4 रट शोधण्याचे उदाहरण दाखवते. बाणांच्या बाजूने हालचालीचा मार्ग अस्पष्टपणे निर्धारित करण्यासाठी, बाणांची स्थिती आणि ट्रॅफिक लाइट रीडिंगची प्राथमिक माहिती वापरली जाते, जी विद्युत केंद्रीकरण प्रणालीमधून डिजिटल रेडिओ चॅनेलद्वारे प्रसारित केली जाते. सध्या, जगातील रेल्वेमध्ये ट्रॅफिक लाइट्स सोडून डिजिटल रेडिओ चॅनेलद्वारे कंट्रोल सिस्टमवर स्विच करण्याचा ट्रेंड आहे. हे विशेषतः हाय-स्पीड ट्रॅफिकसाठी खरे आहे, कारण 200 किमी/ता पेक्षा जास्त वेगाने ट्रॅफिक लाइट लक्षात घेणे आणि ओळखणे कठीण होते. रशियामध्ये, ट्रॅफिक दिवे वापरल्याशिवाय दोन विभाग चालवले जातात - मॉस्को सेंट्रल सर्कल आणि अल्पिका-सेवा - एडलर लाइन.

हिवाळ्यात, जेव्हा ट्रॅक पूर्णपणे बर्फाच्या आच्छादनाखाली असतो आणि आकृती 5 मध्ये दर्शविल्याप्रमाणे ट्रॅक ओळखणे जवळजवळ अशक्य होते तेव्हा परिस्थिती उद्भवू शकते.

आकृती 5 बर्फाने झाकलेल्या ट्रॅकचे उदाहरण

या प्रकरणात, शोधलेल्या वस्तू लोकोमोटिव्हच्या हालचालीत व्यत्यय आणतात की नाही हे अस्पष्ट होते, म्हणजेच ते ट्रॅकवर आहेत की नाही. या प्रकरणात, लुझस्काया स्टेशनवर, स्टेशनचे उच्च-परिशुद्धता डिजिटल मॉडेल आणि उच्च-परिशुद्धता ऑन-बोर्ड नेव्हिगेशन सिस्टम वापरली जाते.

शिवाय, स्टेशनचे डिजिटल मॉडेल बेस पॉइंट्सच्या भौगोलिक मापनांच्या आधारे तयार केले गेले. त्यानंतर, उच्च-परिशुद्धता पोझिशनिंग सिस्टमसह लोकोमोटिव्हच्या अनेक पॅसेजच्या प्रक्रियेवर आधारित, सर्व ट्रॅकसह नकाशा पूर्ण केला गेला.

आकृती 6 Luzhskoy स्टेशनच्या ट्रॅक विकासाचे डिजिटल मॉडेल

ऑन-बोर्ड पोझिशनिंग सिस्टमसाठी सर्वात महत्वाचे पॅरामीटर्सपैकी एक म्हणजे लोकोमोटिव्हच्या ओरिएंटेशन (अझिमुथ) ची गणना करण्यात त्रुटी. त्यांच्याद्वारे शोधलेल्या सेन्सर आणि वस्तूंच्या योग्य अभिमुखतेसाठी लोकोमोटिव्हचे अभिमुखता आवश्यक आहे. 1° च्या अभिमुखता कोन त्रुटीसह, 100 मीटर अंतरावरील पथ अक्षाच्या सापेक्ष ऑब्जेक्ट समन्वयातील त्रुटी 1,7 मीटर असेल.

आकृती 7 पार्श्व समन्वय त्रुटीवर अभिमुखता त्रुटीचा प्रभाव

म्हणून, लोकोमोटिव्हच्या कोनीय अभिमुखतेचे मोजमाप करताना जास्तीत जास्त परवानगीयोग्य त्रुटी 0,1° पेक्षा जास्त नसावी. ऑनबोर्ड पोझिशनिंग सिस्टममध्येच RTK मोडमध्ये दोन ड्युअल-फ्रिक्वेंसी नेव्हिगेशन रिसीव्हर्स असतात, ज्यातील अँटेना लोकोमोटिव्हच्या संपूर्ण लांबीच्या बाजूने लांब बेस, स्ट्रॅपडाउन इनर्टियल नेव्हिगेशन सिस्टम आणि व्हील सेन्सर्स (ओडोमीटर) शी कनेक्शन तयार करण्यासाठी अंतरावर असतात. शंटिंग लोकोमोटिव्हचे निर्देशांक निर्धारित करण्यासाठी मानक विचलन 5 सेमी पेक्षा जास्त नाही.

याव्यतिरिक्त, लुझस्काया स्टेशनवर, अतिरिक्त स्थान डेटा प्राप्त करण्यासाठी SLAM तंत्रज्ञान (लिडर आणि व्हिज्युअल) च्या वापरावर संशोधन केले गेले.
परिणामी, लुझस्काया स्टेशनवर लोकोमोटिव्ह शंट करण्यासाठी रेल्वे ट्रॅकचे निर्धारण ट्रॅक ओळख आणि स्थिती-आधारित डिजिटल ट्रॅक मॉडेल डेटाचे परिणाम एकत्र करून केले जाते.

अडथळे शोधणे देखील अनेक प्रकारे केले जाते यावर आधारित:

• lidar डेटा;
• स्टिरिओ व्हिजन डेटा;
• न्यूरल नेटवर्कचे ऑपरेशन.

डेटाच्या मुख्य स्त्रोतांपैकी एक म्हणजे लिडर, जे लेसर स्कॅनिंगमधून पॉइंट्सचे ढग तयार करतात. वापरात असलेले अल्गोरिदम प्रामुख्याने शास्त्रीय डेटा क्लस्टरिंग अल्गोरिदम वापरतात. संशोधनाचा एक भाग म्हणून, क्लस्टरिंग लिडर पॉइंट्स, तसेच लिडर डेटा आणि व्हिडिओ कॅमेर्‍यातील डेटाच्या संयुक्त प्रक्रियेसाठी न्यूरल नेटवर्क वापरण्याची प्रभावीता तपासली जाते. आकृती 8 लिडर डेटाचे उदाहरण दर्शविते (वेगवेगळ्या रिफ्लेक्सिव्हिटीसह पॉइंट्सचा ढग) लुझस्काया स्थानकावरील कॅरेजच्या पार्श्वभूमीवर एखाद्या व्यक्तीचा पुतळा प्रदर्शित करते.

आकृती 8. लुझस्कॉय स्टेशनवरील लिडर डेटाचे उदाहरण

आकृती 9 दोन भिन्न लिडरच्या डेटाचा वापर करून जटिल-आकाराच्या कारमधून क्लस्टर ओळखण्याचे उदाहरण दर्शविते.

आकृती 9. हॉपर कारमधून क्लस्टरच्या रूपात लिडर डेटाच्या स्पष्टीकरणाचे उदाहरण

स्वतंत्रपणे, हे लक्षात घेण्यासारखे आहे की अलीकडे लिडरची किंमत जवळजवळ परिमाणाने कमी झाली आहे आणि त्यांची तांत्रिक वैशिष्ट्ये वाढली आहेत. हा ट्रेंड कायम राहील यात शंका नाही. लुझस्काया स्टेशनवर वापरल्या जाणार्‍या लिडारद्वारे वस्तू शोधण्याची श्रेणी सुमारे 150 मीटर आहे.

वेगळ्या भौतिक तत्त्वाचा वापर करून स्टिरिओ कॅमेरा देखील अडथळे शोधण्यासाठी वापरला जातो.

आकृती 10. स्टिरिओ जोडी आणि सापडलेल्या क्लस्टर्समधून असमानता नकाशा

आकृती 10 स्टिरिओ कॅमेरा डेटाचे उदाहरण दाखवते ज्यामध्ये खांब, ट्रॅक बॉक्स आणि कॅरेज शोधले जातात.

ब्रेकिंगसाठी पुरेशा अंतरावर पॉइंट क्लाउडची पुरेशी अचूकता मिळविण्यासाठी, उच्च-रिझोल्यूशन कॅमेरे वापरणे आवश्यक आहे. प्रतिमेचा आकार वाढवल्याने विषमता नकाशा मिळविण्याची संगणकीय किंमत वाढते. व्यापलेल्या संसाधनांसाठी आणि सिस्टम प्रतिसाद वेळेसाठी आवश्यक परिस्थितींमुळे, व्हिडिओ कॅमेऱ्यांमधून उपयुक्त डेटा काढण्यासाठी अल्गोरिदम आणि दृष्टिकोन सतत विकसित करणे आणि चाचणी करणे आवश्यक आहे.

अल्गोरिदमची चाचणी आणि पडताळणीचा भाग रेल्वे सिम्युलेटर वापरून केला जातो, जो PKB TsT द्वारे JSC NIIAS सोबत विकसित केला जात आहे. उदाहरणार्थ, आकृती 11 स्टिरिओ कॅमेरा अल्गोरिदमच्या कार्यक्षमतेची चाचणी करण्यासाठी सिम्युलेटरचा वापर दर्शविते.

आकृती 11. ए, बी - सिम्युलेटरमधून डाव्या आणि उजव्या फ्रेम; बी - स्टिरिओ कॅमेरामधील डेटाच्या पुनर्रचनाचे शीर्ष दृश्य; डी - सिम्युलेटरमधून स्टिरिओ कॅमेरा प्रतिमांची पुनर्रचना.

न्यूरल नेटवर्कचे मुख्य कार्य म्हणजे लोक, कार आणि त्यांचे वर्गीकरण शोधणे.
कठोर हवामानात काम करण्यासाठी, JSC NIIAS च्या तज्ञांनी इन्फ्रारेड कॅमेरे वापरून चाचण्या देखील घेतल्या.

आकृती 12. IR कॅमेऱ्यातील डेटा

सर्व सेन्सर्समधील डेटा असोसिएशन अल्गोरिदमच्या आधारे एकत्रित केला जातो, जेथे अडथळ्यांच्या (वस्तूंच्या) अस्तित्वाच्या संभाव्यतेचे मूल्यांकन केले जाते.

शिवाय, ट्रॅकवरील सर्व वस्तू अडथळे नसतात; शंटिंग ऑपरेशन्स करताना, लोकोमोटिव्हने आपोआप कारशी जोडले पाहिजे.

आकृती 13. वेगवेगळ्या सेन्सर्सद्वारे अडथळे शोधून कारकडे जाण्याच्या दृष्टीकोनाच्या व्हिज्युअलायझेशनचे उदाहरण

मानवरहित शंटिंग लोकोमोटिव्ह चालवताना, उपकरणांमध्ये काय घडत आहे आणि ते कोणत्या स्थितीत आहे हे द्रुतपणे समजून घेणे अत्यंत महत्वाचे आहे. जेव्हा कुत्रा सारखा प्राणी लोकोमोटिव्हच्या समोर दिसतो तेव्हा परिस्थिती देखील शक्य आहे. ऑनबोर्ड अल्गोरिदम आपोआप लोकोमोटिव्ह थांबवतील, परंतु जर कुत्रा मार्ग सोडून गेला नाही तर पुढे काय करावे?

बोर्डवरील परिस्थितीचे निरीक्षण करण्यासाठी आणि आणीबाणीच्या परिस्थितीत निर्णय घेण्यासाठी, एक स्थिर रिमोट कंट्रोल आणि मॉनिटरिंग पॅनेल विकसित केले गेले आहे, जे स्टेशनवरील सर्व मानवरहित लोकोमोटिव्हसह कार्य करण्यासाठी डिझाइन केलेले आहे. लुझस्काया स्टेशनवर ते ईसी पोस्टवर आहे.

आकृती 14 रिमोट कंट्रोल आणि मॉनिटरिंग

लुझस्कॉय स्टेशनवर, आकृती 14 मध्ये दर्शविलेले नियंत्रण पॅनेल तीन शंटिंग लोकोमोटिव्हचे ऑपरेशन नियंत्रित करते. आवश्यक असल्यास, या रिमोट कंट्रोलचा वापर करून तुम्ही रिअल टाइममध्ये माहिती प्रसारित करून कनेक्ट केलेल्या लोकोमोटिव्हपैकी एक नियंत्रित करू शकता (रेडिओ चॅनेलद्वारे डेटा ट्रान्समिशन खात्यात घेऊन 300 एमएस पेक्षा जास्त विलंब करू नका).

कार्यात्मक सुरक्षा समस्या

मानवरहित लोकोमोटिव्हचा परिचय करताना सर्वात महत्वाचा मुद्दा म्हणजे कार्यात्मक सुरक्षिततेचा मुद्दा, IEC 61508 मानकांद्वारे परिभाषित "सुरक्षिततेशी संबंधित इलेक्ट्रिकल, इलेक्ट्रॉनिक, प्रोग्राम करण्यायोग्य इलेक्ट्रॉनिक सिस्टमची कार्यात्मक सुरक्षा" (EN50126, EN50128, EN50129), GOST 33435Dvices " रेल्वे रोलिंग स्टॉकचे नियंत्रण, देखरेख आणि सुरक्षिततेसाठी.

ऑन-बोर्ड सुरक्षा उपकरणांच्या आवश्यकतांनुसार, सुरक्षा अखंडता पातळी 4 (SIL4) प्राप्त करणे आवश्यक आहे.

SIL-4 स्तराचे पालन करण्यासाठी, सर्व विद्यमान लोकोमोटिव्ह सुरक्षा उपकरणे बहुसंख्य तर्क वापरून तयार केली जातात, जेथे दोन चॅनेल (किंवा अधिक) मध्ये समांतरपणे गणना केली जाते आणि परिणामांची तुलना निर्णय घेण्यासाठी केली जाते.

मानवरहित शंटिंग लोकोमोटिव्हवरील सेन्सरवरील डेटावर प्रक्रिया करण्यासाठी संगणकीय युनिट देखील अंतिम निकालाच्या तुलनेत दोन-चॅनेल योजना वापरून तयार केले आहे.

व्हिजन सेन्सर्सचा वापर, वेगवेगळ्या हवामान परिस्थितीत आणि वेगवेगळ्या वातावरणात ऑपरेशनसाठी मानवरहित वाहनांची सुरक्षा सिद्ध करण्याच्या मुद्द्यासाठी नवीन दृष्टीकोन आवश्यक आहे.

2019 मध्ये, ISO/PAS 21448 मानक “रोड वाहने. परिभाषित कार्यांची सुरक्षा (SOTIF). या मानकांच्या मुख्य तत्त्वांपैकी एक म्हणजे परिस्थितीचा दृष्टीकोन, जो विविध परिस्थितीत सिस्टमच्या वर्तनाचे परीक्षण करतो. एकूण परिस्थितीची संख्या अनंत दर्शवते. मुख्य डिझाईन आव्हान क्षेत्र 2 आणि 3 कमी करणे हे आहे, जे ज्ञात असुरक्षित परिस्थिती आणि अज्ञात असुरक्षित परिस्थितींचे प्रतिनिधित्व करतात.

आकृती 15 विकासाचा परिणाम म्हणून परिस्थितीचे परिवर्तन

या दृष्टिकोनाच्या वापराचा एक भाग म्हणून, JSC NIIAS च्या तज्ञांनी 2017 मध्ये ऑपरेशन सुरू झाल्यापासून सर्व उदयोन्मुख परिस्थितींचे (परिदृश्यांचे) विश्लेषण केले. काही परिस्थिती ज्यांचा प्रत्यक्ष ऑपरेशनमध्ये सामना करणे कठीण आहे ते PKB CT सिम्युलेटर वापरून तयार केले जातात.

नियामक समस्या

लोकोमोटिव्ह केबिनमध्ये ड्रायव्हरच्या उपस्थितीशिवाय पूर्णपणे स्वयंचलित नियंत्रणावर खरोखर पूर्णपणे स्विच करण्यासाठी, नियामक समस्यांचे निराकरण करणे देखील आवश्यक आहे.

याक्षणी, जेएससी रशियन रेल्वेने स्वयंचलित मोडमध्ये रेल्वे रोलिंग स्टॉकसाठी नियंत्रण प्रणालीच्या अंमलबजावणीसाठी उपाययोजनांच्या अंमलबजावणीसाठी नियामक समर्थनावरील कामाच्या अंमलबजावणीसाठी वेळापत्रक मंजूर केले आहे. सर्वात महत्त्वाच्या मुद्द्यांपैकी एक म्हणजे अधिकृत तपासणी आणि वाहतुकीच्या घटनांच्या रेकॉर्डिंगच्या प्रक्रियेवरील नियमांचे अद्ययावतीकरण ज्यामुळे रेल्वे वाहतूक उत्पादनाशी संबंधित नसलेल्या नागरिकांच्या जीवनास किंवा आरोग्यास हानी पोहोचते. या योजनेच्या अनुषंगाने, 2021 मध्ये मानवरहित रेल्वे वाहनांच्या ऑपरेशनचे नियमन करणार्‍या कागदपत्रांचे पॅकेज विकसित आणि मंजूर केले जावे.

नंतरचा शब्द

याक्षणी, लुझस्काया स्टेशनवर चालविल्या जाणार्‍या मानवरहित शंटिंग लोकोमोटिव्हच्या जगात कोणतेही एनालॉग नाहीत. फ्रान्स (SNCF कंपनी), जर्मनी, हॉलंड (Prorail कंपनी), बेल्जियम (Lineas कंपनी) मधील विशेषज्ञ 2018-2019 मध्ये विकसित नियंत्रण प्रणालीशी परिचित झाले आणि त्यांना समान प्रणाली लागू करण्यात रस आहे. JSC NIIAS चे मुख्य कार्य म्हणजे कार्यक्षमता विस्तृत करणे आणि रशियन रेल्वे आणि परदेशी कंपन्यांसाठी तयार केलेल्या व्यवस्थापन प्रणालीची प्रतिकृती तयार करणे.

सध्या, जेएससी रशियन रेल्वे मानवरहित इलेक्ट्रिक ट्रेन "लास्टोचका" विकसित करण्याच्या प्रकल्पाचे नेतृत्व करत आहे. आकृती 16 फ्रेमवर्कमध्ये ऑगस्ट 2 मध्ये ES2019G Lastochka इलेक्ट्रिक ट्रेनसाठी प्रोटोटाइप स्वयंचलित नियंत्रण प्रणालीचे प्रात्यक्षिक दाखवते. आंतरराष्ट्रीय रेल्वे सलून स्पेस 1520 "PRO//Movement.Expo".

आकृती 16. MCC वर मानवरहित इलेक्ट्रिक ट्रेनच्या ऑपरेशनचे प्रात्यक्षिक

उच्च वेग, लक्षणीय ब्रेकिंग अंतर, आणि थांबलेल्या ठिकाणांवर प्रवाशांचे सुरक्षित बोर्डिंग/उतरणे सुनिश्चित करणे यामुळे मानवरहित इलेक्ट्रिक ट्रेन तयार करणे अधिक कठीण काम आहे. सध्या, MCC वर चाचणी सक्रियपणे चालू आहे. नजीकच्या भविष्यात या प्रकल्पाची कथा प्रकाशित करण्याचे नियोजन आहे.

स्त्रोत: www.habr.com