برنامه‌های سری‌های زمانی IoT در شرکت‌های راه آهن

مقدمه شرکت‌های راه‌آهن در آمریکا، اروپا و سایر کشورها از دستگاه‌های RFID در لوکوموتیوها و واگن‌های خود استفاده کرده‌اند. نوعا این اطلاعات از قدیم (به عبارت دیگر اغلب از لحاظ منطقی) در پایگاه‌های داده ذخیره می‌شده است. اطلاعات بدست آمده از اسکنر RFID اطلاعاتی درباره تعداد واگن‌ها و تعداد لوکوموتیوها را ارایه می‌دهد. سپس تعداد واگن‌ها در زمانبندی واگن و قطار موجود روی نقشه کشیده می‌شود. اطلاعات زمانی بدست آمده از دیتای اسکن‌شده ترتیب قرار گرفتن واگن‌ها را نیز روی قطار به ما ارایه می‌دهد. اطلاعات دیتای بدست آمده از اسکن RFID درخصوص لوکوموتیو تعداد لوکوموتیوها و میزان کل اسب بخار تعیین شده را برای قطار ارایه می‌کند. بعلاوه مشخص می‌کند که لوکوموتیو به جلوی قطار متصل شده است یا پشت آن.       دیتای اسکن‌شده نیاز به پاک‌سازی دارد. اغلب دیتای بدست آمده از RFID یک واگن توسط یک اسکنر خاص، به طور کامل خوانده نمی‌شود. در این صورت، اطلاعات جاافتاده با نگاه کردن به خوانده‌های اسکنر، قبل و بعد از اسکنر مشکل‌ساز تخمین‌زده می‌شود تا بتوان زمان ورود قطار را پیش‌بینی کرد.     خطوط راه‌آهن اصلی نیز وقتی خطی اتصال جهت‌دار بین دو گره باشد، قلمرو خود را با استفاده از خطوط مشخص می‌کنند. شرکت‌های راه‌آهن اسکنرهای RFID را در خطوط اصلی قرار می‌دهند. اسکنر RFID اطلاعاتی را درخصوص ترتیب قرار گرفتن واگن‌ها در قطار، کل مجموعه لوکوموتیو و مسیر را در زمان واقعی ارایه می‌دهد. شرکت‌های راه‌آهن دیتایی که در زمان واقعی با گذشت زمان جمع‌آوری شده را برای آنالیز ذخیره می‌کنند. موارد استفاده از دیتای سری‌های زمانی بدست آمده در زمان واقعی به طرق زیر می‌توان از دیتای سری‌های زمانی بدست آمده در زمان واقعی استفاده کرد.  1. ارسال: سال‌هاست که از دیتای اسکنر برای تصمیمات ارسال استفاده می‌شود. از دیتای اسکنر برای نشان دادن آخرین موقعیت قطارها استفاده می‌شود. تیم ارسال‌کننده از این اطلاعات، نوع مسیر، نوع قطار و اطلاعات مربوط به زمانبندی برای تعیین اولویت‌بندی انواع قطارها استفاده می‌کند. 2. اطلاعات مسافران: مسافران می‌توانند برای برنامه‌ریزی سفر خود از زمان تقریبی ورود و خروج قطارها استفاده کنند. موارد استفاده از دیتای سری‌های زمانی بدست آمده با گذشت زمان به طرق زیر می‌توان از مجموعه دیتای زمانی بدست آمده از گذشت زمان استفاده کرد. برنامه زمانبندی پیوستگی تشخیص قطارهایی که تاخیر دائم دارند:  می‌توانیم قطارهایی که مطابق برنامه هستند، تاخیر دارند یا جلوتر از برنامه هستند را شناسایی کنیم. می‌توانیم قطارهایی را که خطوط را مرتبا بیشتر از برنامه زمانی مجاز اشغال می‌کنند، شناسایی کنیم. برنامه زمانی این قطارها را باید تغییر داد. مشکل این قطارها را باید به صورت ریشه‌ای تحلیل کرد. برنامه‌ریزی بهتر: باید مشخص کنیم که برنامه "زمان حرکت مقطعی" صحیح است یا باید بررسی شود. زمان‌های حرکت مقطعی عموما بر اساس تجربه تعیین می‌شوند و در سطح شبکه تخمین زده می‌شوند اما زیرساخت محلی (سیگنال، نوع مسیر) درنظر گرفته نمی‌شود. زمان حرکت مقطعی در تهیه زمانبندی قطار و نگهداری برنامه در شبکه و سطح محلی استفاده می‌شود. توسعه زیرساخت بهره‌برداری از مسیر: می‌توان قسمتی از مسیر که قطار بیشترین زمان را در آن اشغال می‌کند، شناسایی کرد. با این اقدام مسیرهایی که به تکمیل ظرفیت نزدیک هستند با بیش از ظرفیت هستند، شناسایی می‌شوند. فرض بر این است که استفاده بیش از حد از ظرفیت مسیر منجر به تاخیر خواهد شد. می‌توان مجموعه قطارها، مسیرها، زمان روز و ایامی که شلوغی در هفته‌ زیاد و کم است را شناسایی کرد. این اطلاعات نگرشی نسبت به حرکت قطار به ما می‌دهد و شاید پیشنهاداتی درخصوص تغییر برنامه زمانی قطارها را نیز ارایه نماید. احتمال دارد بتوان تاخیر احتمالی قطارها را در ایستگاه/محوطه‌ها یا خط اصلی تعیین کرد. با آنالیز دقیق و عمیق می­توان تعیین کرد که آیا باید به عملیات‌های محوطه یا خط اصلی توجه کرد یا خیر. مطالعات شبیه‌سازی: اسکن دیتای RFID زمان واقعی ورود و خروج هر واگن (درنتیجه قطار) را در اختیار ما می‌گذارد. مدل‌سازان برای انجام مطالعات شبیه‌سازی، قطارهای فرضی را می‌سازند. این اطلاعات (زمان واقعی ورود/خروج قطار در هر اسکنر، کل مجموعه قطار، کل مجموعه لوکوموتیو) در پروژه‌های توسعه زیرساخت استفاده می‌شود. برنامه‌ریزی حفظ و نگهداری: اطلاعات مربوط به میزان اشغال بودن مسیرها می‌تواند در برنامه‌ریزی امور تعمیر و نگهداری در آینده به شناسایی زمان ویندوز به ما کمک کند. شرکت‌های راه‌آهن مرتبا از ماشین‌های بازرسی برای بررسی و ثبت شرایط مسیر راه‌آهن استفاده می‌کنند. برخی از شرکت‌های راه‌آهن با چالش دریافت مختصات صحیح جغرافیایی در بخشی از مسیر روبرو هستند. بینش دقیق درمورد این مختصات جغرافیایی و دیتای مربوط به مجموعه‌های زمانی، سلامت و خرابی مسیر را اندازه‌گیری می‌کند. ترکیبی از این دو منبع می‌تواند برای بازرسی مسیر، حفظ و نگهداری زمانبندی، پیش‌بینی مشکلات مسیر و اعزام گروه‌های تعمیر و نگهداری کمک کند.   آنالیز آماری رفتار شرکت راه‌آهن 1.      می‌توانیم با تعریف قطار (نوع قطار، زمانبندی، سرعت قطار، طول قطار) و تعریف مسیر (نوع سیگنال، طبقه مسیر، درجه، کمان، نوع کنترل)، رفتار قطار را روی نقشه بکشیم و الگوها را شناسایی کنیم. 2.      قطارهای مسافربری بر عملیات قطارهای باربری بسیار تاثیر می‌گذارند. از دیتای اسکنر می‌توان برای تعیین تاخیر تحمیل شده به قطارهای باربری استفاده کرد. 3.      از اطلاعات سری‌های زمانی واگن‌ها می‌توان برای شناسایی واگن‌های گم‌شده یا از مسیر خارج شده استفاده کرد. 4.      اطلاعات مربوط به مجموعه لوکوموتیو و دیتای سری‌های زمانی مبتنی بر عملکرد را می‌توان برای تعیین بهترین مجموعه لوکوموتیو مانند ساخت، توان اسب بخار هر بخش مسیر استفاده کرد. 5.      لوکوموتیو برای هر راه‌آهنی، یک دارایی با ارزش تلقی می‌شود. دیتای سری‌های زمانی به راحتی برای تعیین بهره‌برداری لوکوموتیو قابل استفاده است. پیش‌بینی تقاضا: تقاضای واگن‌های خالی راه‌آهن شاخصی برای تعیین اقتصاد یک کشور است. وقتی تقاضای واگن‌ها بر حسب نوع واگن و عوامل اقتصاد کلان متفاوت باشد، توجه به دورنمای تاریخی ارزشمند است. تعداد واگن‌ها را می‌توان برحسب نوع واگن برای هر مبدا-مقصد پیش‌بینی کرد. با استفاده از تعداد آغاز و پایان قطارها در هر مبدا و مقصد می‌توان تعداد قطارها را برای ماه بعدی پیش‌بینی کرد. تعداد قطارهای پیش‌بینی شده می‌تواند به تعیین تعداد خدمه قطار و لوکوموتیوها کمک کند. همچنین می‌تواند به تعیین میزان باری که در مسیر حمل می‌شود نیز به شرکت راه‌آهن کمک کند. تعداد قطارهای پیش‌بینی شده را می‌توان در مطالعات مربوط به زیرساخت استفاده کرد.      ‌ایمنی: ایمنی مهمترین ویژگی صنعت راه‌آهن است. حفظ و نگهداری مسیر، ساییدگی راه‌آهن و شکستگی خط راه‌آهن (استفاده از مسیر) همه با ایمنی مرتبط هستند. دیتای سری‌های زمانی واگن‌ها، نوع سیگنال، نوع خط آهن، نوع قطار، نوع تصادف و نوع زمانبندی همه را می‌توان برای شناسایی ارتباطات بالقوه (درصورتی‌که وجود داشته باشد) بین انواع عوامل مربوطه آنالیز کرد. محاسبات عملکرد قطار: سرعت حرکت قطار، بدون مقاومت، در خط راه‌آهن با مفروض‌بودن درجه، کمان، سوخت لوکوموتیو، نوع واگن، جهت و سرعت باد چیست؟ این فاکتورها توسط Davis در سال 1926 تعیین شده بودند. آیا دیتای سری‌های زمانی می‌تواند برای واگن‌های با طراحی جدید در کالیبره‌کردن ضریب معادله Davis کمک کند؟  برنامه‌ریزی و بهینه‌سازی: از تمام یافته‌های بالا می‌توان در تعیین مدل‌های بهینه‌سازی هوشمندتر برای زمانبندی قطار، برنامه حفظ و نگهداری، برنامه‌ریزی لوکوموتیو، زمانبندی خدمه و تعیین واگن استفاده کرد. نتیجه‌گیری: در این مقاله به طور مشخص به برخی موارد استفاده از دیتای سری‌های زمانی توسط شرکت‌های راه‌آهن پرداختیم. فاکتورهای زیاد بیشتری وجود دارند که به طور ویژه می‌توان در استفاده از فناوری برای اجرای این الگوریتم‌های سری زمانی درنظر گرفت. در بخش‌های بعدی نشان خواهیم داد که برخی از موارد کاربرد را چگونه می‌توان بر اساس زبان برنامه‌نویسی R اجرا کرد.