أصبحت أمن وسلامة الركاب من أهم الأولويات في وسائل النقل، وبالأخص في السكك الحديدية، حيث تمثل أبواب القطارات جزءًا حيويًا ومهمًا من نظام الأمان. ومع ذلك، فإن اكتشاف anomalies أو التغيرات الغير عادية في سلوك هذه الأبواب خلال التشغيل الحقيقي يعد تحديًا كبيرًا، إذ إن الأعطال نادرة ومتنوعة وغالبًا ما تظل غير موصوفة. في هذا الإطار، قدم بحث جديد نموذجًا مبتكرًا يُعرف باسم "Autoencoder القائم على الوعي دوري (Cycle-Aware Autoencoder)" مع الاتساق عبر الإشارات (Cross-Signal Consistency) لمراقبة حالة أبواب القطارات.

يعتمد هذا النموذج المتطور على مفهوم جديد يعالج مشكلات كشف anomalies بمستوى الدورة، حيث يتم أخذ كل دورة كاملة (فتح-انتظار-إغلاق) كوحدة مراقبة واحدة. تم تصميم النموذج ليعمل على دورات معيارية فحسب، مما يسمح بالاستفادة من تقنيات متقدمة للتعلم الذاتي. يستخدم النموذج هيكلًا متطورًا يتضمن مُشفرًا تحت مجرى ثنائي يعالج القياسات الفيزيائية المستمرة مثل الموضع والتيار والجهد، بالإضافة إلى الحالات المنطقية الثنائية مثل "الباب مغلق" و"الباب مؤمن" من خلال فروع الشبكات العصبية التلافيفية (1D-CNN).

علاوة على ذلك، يجمع النموذج بين مُشفر LSTM مع تجميع الانتباه الزمني لتقديم نتائج دقيقة عن أداء الأبواب في الزمن الحقيقي. تم تحقيق دقة استثنائية في التعرف على anomalies، حيث أظهرت التجارب العملية على بيانات من قطار ركاب يعمل تجاريًا نسب استرجاع بلغت 93.8% ودقة 97.3%، مع معدل إنذار كاذب وصل إلى 0.5%. مما يبرز فعالية استخدام هذا النهج في بيئة تشغيل حقيقية.

تظهر التحليلات الإضافية للدراسة أن هذا النظام يمكن نشره على متن القطارات باستخدام تقنيات فعالة في الوقت الحقيقي، مما يسهم في تعزيز سلامة الركاب ويحدث ثورة في طريقة مراقبة أبواب القطارات. كخلاصة، يفتح هذا البحث أفقًا جديدًا في دمج تقنيات الذكاء الاصطناعي (AI) في تحسين جودة الخدمة وسلامة النقل.