Desarrollo de una herramienta de apoyo al diseño y optimización de conducción automática de trenes en la que se integren modelos de machine learning

En este trabajo se desarrolla una herramienta de apoyo al diseño de las marchas que ejecutan los sistemas de conducción automática de trenes ATO. En ella se integran modelos de machine learning, que se utilizan para hacer predicciones. Para la optimización de las marchas, se predice el tiempo de recorrido y el consumo esperado que tienen entre dos estaciones con parada. Es posible realizar la predicción y la optimización consecutivas o por separado. En ambos casos se pueden obtener gráficas o tablas que indiquen el conjunto de soluciones óptimas en consumo y tiempo de recorrido.
Junto a este modelo se integra otro, que modeliza el comportamiento de un equipo ATO. Este modelo se puede utilizar en el simulador de marcha del tren integrado en la herramienta, para evaluar las marchas obtenidas con el primer modelo, o para replicar el comportamiento del ATO en una interestación. Es posible obtener gráficas del recorrido del tren, como la de espacio-velocidad, o espacio-salida del ATO; o tablas con los resultados de la simulación.
Se ha tratado de desarrollar una herramienta adaptable a cualquier situación. Para ello, se pueden cambiar los ficheros utilizados, permitiendo probar otros modelos de machine learning, o simular otras líneas. También se pueden cambiar las características del tren utilizado en la simulación, para acomodar la herramienta, dentro de sus posibilidades, al caso real estudiado.
Gracias a la utilización de modelos de machine learning, las predicciones son más rápidas que las realizadas por modelos y simuladores convencionales. Es posible identificar las marchas más eficientes para someterlas a un análisis posterior. En el modelado del equipo de ATO, al tratarse de una red neuronal ajustada a partir de registros entrada-salida, la solución funciona de forma independiente a los distintos fabricantes, permitiendo replicar su comportamiento en cualquier situación.

In this Project, a tool for aiding in the design of trains’ automatic driving ATO speed profiles is developed. In it, machine learning models are integrated, and are used to make predictions. To optimize the train speed profiles, their expected running time and energy consumption between two stations where it stops are predicted. It is possible to carry out this prediction and optimization consecutively or separately. In both cases, graphs or tables can be obtained, that show the optimal solutions’ space regarding consumption and travel time.
Together with this model, another is integrated to modelize the behaviour of an ATO device. This model can be used in the simulator included within the tool, to evaluate the profiles obtained with the first model, or to replicate the behaviour of the ATO between two stations. It is possible to obtain graphs of the train’s running, such as the space-speed or space-ATO output; or tables with the simulation results.
There has been an endeavour to make the tool adaptable to any situation. For this, the files used can be exchanged, enabling the test of other machine learning models, or simulation of other lines. The characteristics of the train used in the simulation can also be changed, to adapt the tool, within its possibilities, to the real case being studied.
Thanks to the use of machine learning models for predictions, these are quicker than the ones made by conventional models and simulators. It is possible to identify the most efficient profiles to submit them to a later analysis. In the modelling of the ATO, because it is a neural network adjusted from records of inputs-outputs, the solution works independently from the various manufacturers, enabling a replication of its behaviour in any situation.