В.В. Белоусов1, О.В. Дружинина2, Э.Р. Корепанов3,  И.В. Макаренкова4, В.В. Максимова5

1−5 Федеральный исследовательский центр «Информатика и управление» 

Российской академии наук (Москва, Россия)

Постановка проблемы. Разработка интеллектуальных методов и развитие инструментального обеспечения для решения научно-исследовательских задач моделирования и диагностирования состояния технических систем (например, задачи подготовки корректных массивов данных для диагностики и прогнозирования состояния элементов и узлов транспортных систем), связанных с внедрением цифровых технологий, на сегодняшний день являются актуальными направлениями в науке.

Цель. Рассмотреть подход к оценке технического состояния элементов и узлов транспортных систем с применением методов нейросетевого моделирования и технологии цифровых двойников.

Результаты. Показаны особенности технологии цифровых двойников и определены направления ее использования для моделирования и диагностики систем железнодорожного транспорта. Представлен подход к созданию и использованию цифровых двойников для элементов транспортных систем, на основе которого проведено исследование температурного режима функционирования буксового узла железнодорожного вагона и выбрана архитектура нейронных сетей для решения задач оценки его технического состояния. Получены аналитические зависимости, связанные с изменением температурных режимов, и обобщенные уравнения теплопереноса. Приведены примеры представления данных по температурным рядам, содержащих значения по отклонениям от штатного функционирования элементов буксового узла. Разработаны варианты подготовки тестовых данных для нейросетевого моделиривания.

Практическая значимость. Полученные результаты можно использовать в задачах алгоритмического и программного обеспечения для подготовки корректных массивов входных данных для технического диагностирования, а также при решении задач синтеза и анализа моделей интеллектуальных систем и различных задач машинного обучения. Представленные методы нейросетевого моделирования направлены на оценку и прогнозирование состояния элементов транспортной инфраструктуры, поэтому такой подход возможен при создании интеллектуальных транспортных систем и для совершенствования технологии цифровых двойников.

Белоусов В.В., Дружинина О.В., Корепанов Э.Р., Макаренкова И.В., Максимова В.В. Подход к оценке технического состояния элементов и узлов транспортных систем с применением методов нейросетевого моделирования и технологии цифровых двойников // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 5. С. 5−20. DOI: https://doi.org/10.18127/ j19998554-202105-01

1. Российский рынок искусственного интеллекта: проблемы и перспективы [Электронный ресурс] www.TAdvisor.ru/index/php/ (дата обращения 25.05.2021).
2. Зацаринный А.А., Киселев Э.В., Козлов С.В., Колин К.К. Информационное пространство цифровой экономики России. Концептуальные основы и проблемы формирования / Под общ. ред. А.А. Зацаринного. М.: ФИЦ ИУ РАН. 2018. 236 с.
3. Концепция реализации комплексного научно-технического проекта «Цифровая железная дорога». М.: ОАО РЖД. 2017. 
4. Boschert S., Rosen R. Digital twin − the simulation aspect // Mechatronic Futures: Challenges and Solutions for Mechatronic Systems and their Designers. Springer International Publishing. 2016. P. 59−74. 
5. Прохоров А., Лысачев М. Цифровой двойник. Анализ, тренды, мировой опыт / Под ред А. Боровкова. М.: ООО «Альянс Принт». 2020.
6. Синицын И.Н., Шаламов А.С. Лекции по теории систем интегрированной логистической поддержки. М.: ТОРУСПРЕСС. 2019.
7. Самсонов А.О. Цифровое моделирование железнодорожного пути // Образовательные ресурсы и технологии. 2016. № 3(15). С. 104−114.
8. Розенберг Е.Н., Коровин А.С. Глобальные тренды развития интеллектуальных транспортных систем // Бюллетень Объединенного ученого совета ОАО «РЖД». 2018. № 4. С. 1−22.
9. Замышляев А.М. Эволюция цифрового моделирования // Наука и технологии железных дорог. 2017. Т. 1. № 1. C. 82−91.
10. Rao D.J. Digital Twin for the Railway Network. Making Trains “Look” for Track Defects // GE Transportation – Digital Solutions, 2018. [Электронный ресурс] https://www.slideshare.net/DattarajRao/digital-twin-for-the-railwaynetwork (дата обращения 25.05.2021)
11. Пугачев В.С., Синицын И.Н. Теория стохастических систем. М.: Изд-во «Логос». 2000, 2003 [Англ. пер.: Stochastic Systems. Theory and Applications. Singapore. World Scientific. 2001].
12. Васильев А.Н., Тархов Д.А., Малыхина Г.Ф. Методы создания цифровых двойников на основе нейросетевого моделирования // Современные информационные технологии и ИТ-образование. 2018. Т. 14. № 3. С. 521−532.
13. Сапетов М.В. Идеология по предотказному состоянию грузовых вагонов в эксплуатации [Электронный ресурс] https://opzt.ru/wp-content/uploads/2019/06/Vopros-4-Sapetov-M.V.-Ideologiya-po-predotkaznomu-sostoyaniyu-gruzovyhvagonov-v-Ekspluatatsii.pdf (дата обращения 25.05.2021)
14. Заседание Комитета по грузовому подвижному составу 19.06.2019. http://мояколея1520.рф/new/5402/ [Электронный ресурс] (дата обращения 25.05.2021).
15. Миронов А.А. Научные и технические основы бесконтактного теплового контроля букс железнодорожного подвижного состава: Автореф. дисс. … канд. техн. наук. Екатеринбург. 2009.
16. Миронов А.А., Павлюков А.Э., Салтыков Д.Н. Комплекс вычислительных моделей для исследования процессов контроля узлов подвижного состава по инфракрасному излучению // Мир измерений. 2014. № 6. С. 21–27.
17. Миронов А.А., Образцов В.Л., Павлюков А.Э. Теория и практика бесконтактного теплового контроля буксовых узлов в поездах. Екатеринбург: РПФ «Ассорти». 2012. 
18. Gudok.ru        |               Октябрьская          магистраль.           Выпуск   №            23            26.06.2020             «Меньше         тревожных             показаний» https://gudok.ru/zdr/169/?ID=1525607 (дата обращения 03.06.2021).
19. Хайкин С. Нейронные сети: полный курс. Изд. 2-е, испр. М.-СПб: Диалектика. 2019. 1103 с. 
20. Тархов Д.А. Нейросетевые модели и алгоритмы. М.: Радиотехника. 2014.
21. Дружинина О.В., Людаговская М.А. Интеллектуальные методы для разработки и совершенствования информационно-управляющих систем на железнодорожном транспорте // Транспорт: наука, техника, управление. 2019. № 8. С. 3–12.
22. Синицын И.Н., Дружинина О.В., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки инструментальнометодического обеспечения для решения задач моделирования управляемых динамических систем с применением технологий машинного обучения и отечественных программно-аппаратных средств // Нелинейный мир. 2019. Т. 17. № 4. С. 5−19.
23. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5−17.
24. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Развитие инструментального обеспечения отечественной вычислительной платформы «Эльбрус 801-PC»в задачах нейросетевого моделирования нелинейных динамических систем // Нелинейный мир. 2021. Т. 19. № 1. С. 19−28.