Инвариантные классификаторы состояний рельсовых линий

В статье рассматривается проблема классификации состояний рельсовых линий с использованием традиционных рельсовых цепей, которые разделяют состояния на два класса: свободное/исправное и занятое/поврежденное. Основные недостатки существующих систем включают невозможность отдельной классификации контрольного режима и высокую чувствительность к изменениям параметров рельсовых линий (сопротивления, проводимости изоляции). Для решения этих проблем предложен инвариантный параметрический классификатор, основанный на полиномиальных решающих функциях (включая полином Колмогорова-Габора) и методах машинного обучения. Разработанная модель позволяет разделять состояния на три класса: нормальный, шунтовой и контрольный режимы, обеспечивая инвариантность к изменениям проводимости изоляции (0,02–4 См/км) и сопротивления рельсовой линии (до +50 %). Результаты экспериментов демонстрируют эффективность самонастраивающихся алгоритмов (включая нейросетевые), улучшающих разделение классов при вариациях параметров. Предложенный подход повышает надежность систем железнодорожной автоматики за счет достоверной классификации и адаптации к возмущающим воздействиям. The article deals with the problem of classifying rail line states using traditional track circuits, which divide the states into two classes: free/serviceable and occupied/damaged. The main disadvantages of existing systems include the inability to classify the control mode separately and the high sensitivity to changes in rail line parameters (resistance, insulation conductivity). To solve these problems, an invariant parametric classifier based on polynomial decisive functions (including the Kolmogorov-Gabor polynomial) and machine learning methods are proposed. The developed model allows to divide states into three classes: normal, shunt and control modes, ensuring invariance to changes in insulation conductivity (0.02–4 S/km) and rail line resistance (up to +50 %). The experimental results demonstrate the effectiveness of self-tuning algorithms (including neural network algorithms) that improve class separation with parameter variations. The proposed approach increases the reliability of railway automation systems due to reliable classification and adaptation to disturbing influences.