Adatvezérelt vasúti mozdonyflotta-hatékonyság, energiafelhasználás és üzemeltetés matematikai elemzése és optimalizálása

Témavezető:	Farkas Bálint
	KTI Közlekedéstudományi Intézet / BME Közlekedésmérnöki és Járműmérnöki kar
email:	farkas.balint@kti.hu

Projekt leírás

A vasúti közlekedés hatékonyságának egyik meghatározó tényezője a vontatójárművek megfelelő kiválasztása, kihasználtsága, energiafelhasználása és üzemeltetése. A MÁV Csoport mozdonyflottájának működése során jelentős mennyiségű, nagy időbeli felbontású adat keletkezik, amely lehetőséget biztosít a járművek működésének komplex, adatvezérelt matematikai elemzésére.

A projekt célja a MÁV Csoport elektromos és dízelmozdony-flottájának komplex matematikai, statisztikai és gépi tanulási módszerekkel történő vizsgálata, különös tekintettel a járművek energia- és üzemanyag-fogyasztására, működési hatékonyságára, kihasználtságára, földrajzi és vontatási terhelésére, valamint az egyes paraméterek közötti összefüggések feltárására.

A kutatás során felhasználhatók a mozdonyok fedélzeti berendezései által gyűjtött adatok, amelyek több mint 50 különböző műszaki és üzemeltetési paramétert tartalmazhatnak percenkénti rögzítési gyakorisággal. Ez olyan nagy volumenű, többdimenziós adatállományt eredményez, amely alkalmas komplex matematikai modellek és gépi tanulási algoritmusok alkalmazására.

A projekt során vizsgálható többek között a mozdonyok energia- és üzemanyag-fogyasztása, teljesítményfelvétele, sebessége, terhelése, vonattömege, működési állapota, földrajzi helyzete, valamint a pálya és a vontatási feladat jellemzői közötti kapcsolat. Kiemelt kutatási kérdés annak meghatározása, hogy a rendelkezésre álló nagyszámú paraméter közül melyek és milyen mértékben befolyásolják a járművek energiafelhasználását, működési hatékonyságát és kihasználtságát.

A kutatás kiterjedhet a járművek működési profiljainak azonosítására, az elektromos és dízelmozdonyok hatékonyságának összehasonlítására, a kihasználatlan vagy nem hatékony működési időszakok feltárására, valamint a járművek teljesítményének és fogyasztásának előrejelzésére. Matematikai és gépi tanulási módszerek segítségével kialakítható olyan modell is, amely képes meghatározni az adott vontatási feladathoz optimálisan alkalmazható járműtípust.

A projekt magasabb szintű célja a teljes mozdonyflotta adatvezérelt optimalizációja. Ennek keretében vizsgálható, hogy a járművek milyen földrajzi területen, milyen vontatási feladatban és milyen terhelés mellett alkalmazhatók a leghatékonyabban, illetve hogyan csökkenthető a mozdonyok üresjárata, kihasználatlansága és energiafelhasználása. A kutatás eredményeként egy olyan matematikai döntéstámogató modell kialakítása is lehetséges, amely támogatja a járművek tervezését, hozzárendelését és hatékonyabb üzemeltetését.

A téma lehetőséget biztosít többek között korrelációs és regressziós modellek, főkomponens-analízis (PCA), klaszterezés, idősorelemzés, dimenziócsökkentési módszerek, gépi tanulási algoritmusok, anomáliafelismerés és optimalizációs eljárások alkalmazására. A hallgató feladata lehet olyan komplex hatékonysági mutató vagy prediktív modell kialakítása, amely a jármű, a vonat, a pálya, a földrajzi környezet és az üzemeltetési körülmények együttes figyelembevételével értékeli a mozdony működését.

A projekt így a járműszintű adatfeldolgozástól a flottaszintű matematikai optimalizációig terjed, és lehetőséget biztosít egy valós, nagy volumenű ipari adatállományon végzett, több féléven keresztül folytatható önálló kutatásra.

---

Gyakorlati lehetőség

A projekthez kapcsolódóan a Közlekedéstudományi Intézetben (KTI) gyakorlati helyet tudunk biztosítani azon matematikus hallgatók számára, akik a kutatásban részt kívánnak venni. A gyakornoki program keretében lehetőség nyílhat valós vasúti adatok feldolgozására, matematikai és gépi tanulási modellek fejlesztésére, valamint azok gyakorlati közlekedési problémákon történő tesztelésére.

A projekt eredményei MSc-s szakdolgozati témaként is továbbvihetők, és hosszabb távon egy adatvezérelt, matematikai alapú mozdonyflotta-hatékonysági és döntéstámogató rendszer alapját képezhetik.

Előfeltételek

Valószínűségszámítási és statisztikai ismeretek, lineáris algebra, matematikai modellezés, optimalizálási módszerek és gépi tanulási alapismeretek előnyt jelentenek. Hasznos a Python, R vagy MATLAB programozási tapasztalat, valamint nagy adatállományok feldolgozásában szerzett gyakorlat. Vasúti szakmai előismeret nem feltétel.

Hivatkozások

A hallgató a vasúti vontatójárművek energiahatékonyságával, fogyasztásmodellezésével, flottamenedzsmentjével, prediktív analitikájával, gépi tanulásával és matematikai optimalizációjával kapcsolatos nemzetközi szakirodalmat dolgozza fel.