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

1-5 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

Постановка проблемы. Разработка инструментально-методического обеспечения для построения и анализа нейросетевых моделей для диагностирования состояния технических (транспортных) систем - актуальное направление, связанное с внедрением цифровых технологий. Применение нейронных сетей для обработки данных в задачах выявления неисправностей и оценки технического состояния элементов и узлов транспортных систем позволяет расширить стандартные возможности информационно-управляющих систем.

Цель. Рассмотреть возможность применения методов нейросетевого моделирования в решении задач, направленных на выявление неисправностей элементов и узлов транспортных систем, провести анализ моделей функционирования буксовых узлов железнодорожных вагонов с помощью интеллектуального анализа данных, а также определить параметры нейронной сети и предложить алгоритм машинного обучения для технического диагностирования неисправностей буксовых узлов железнодорожных вагонов.

Результаты. Представлен модифицированный подход к моделированию технических систем, направленный на разработку методов выявления неисправностей буксовых узлов железнодорожных вагонов с помощью интеллектуального анализа данных. Проведен анализ методов, базирующихся на математической статистике, и нейросетевых методов для обнаружения неисправностей буксовых узлов железнодорожных вагонов. Рассмотрена задача классификации применительно к анализу неисправностей буксовых узлов железнодорожных вагонов по температурным признакам. Предложен вариант нейронной сети подходящей архитектуры с учетом признаков, используемых на практике при определении греющихся букс. Разработан алгоритм машинного обучения нейронных сетей для решения задачи классификации.

Практическая значимость. Полученные результаты могут быть использованы при создании методического и инструментального обеспечения для решения задач технического диагностирования транспортных систем с применением методов искусственного интеллекта. Предложенный подход к моделированию технических систем может найти применение при разработке интеллектуальных транспортных систем и совершенствовании технологий цифровых двойников.

Белоусов В.В., Дружинина О.В., Корепанов Э.Р., Макаренкова И.В., Максимова В.В. Применение нейронных сетей для решения задач классификации при выявлении неисправностей транспортных систем // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 4. С. 18-27. DOI: https://doi.org/ 10.18127/j19998554-202204-02

1. Миронов А.А., Образцов В.Л., Павлюков А.Э. Теория и практика бесконтактного теплового контроля буксовых узлов в поездах. Екатеринбург: РПФ «Ассорти». 2012.
2. 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.
3. Прохоров А., Лысачев М. Цифровой двойник. Анализ, тренды, мировой опыт / Под ред. А. Боровкова. М.: ООО «АльянсПринт». 2020.
4. Дзюба Ю. В., Павловский А. А., Уманский В. И. Цифровая железная дорога. Технологический уровень // Перспективы науки и образования. 2018. № 1(31). С. 208–213.
5. Тягунов АА. Цифровая трансформация в сфере транспорта // Наука и технологии железных дорог. 2021. № 2. С. 13–21.
6. 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.
7. Белоусов В. В., Дружинина О. В., Корепанов Э. Р., Макаренкова И. В, Максимова В. В. О подходах к созданию и использованию цифровых двойников для элементов и узлов транспортных систем // Материалы VII Междунар. науч.-практич. конф. «Системы управления, сложные системы: моделирование, устойчивость, стабилизация, интеллектуальные технологии». Елец: ЕГУ им. И.А. Бунина. 2021. С. 79-85.
8. Бринк Х., Ричардс Дж., Феверолф М. Машинное обучение. СПб: Питер. 2017.
9. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Springer. 2017.
10. Пугачев В.С., Синицын И.Н. Теория стохастических систем. М.: Изд-во «Логос». 2000; 2003.
11. Миронов А.А., Тагиров А.Ф., Образцов В.Л. Автоматизированная система контроля подвижного состава (АСК ПС) // Безопасность движения, совершенствование конструкций вагонов и ресурсосберегающие технологии в вагонном хозяйстве. Екатеринбург: Изд-во Уральского госуд. ун-та путей сообщения. 2003. С. 65–70.
12. Хайкин С. Нейронные сети: полный курс. Изд. 2-е, испр. М.-СПб: Диалектика. 2019.
13. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия – Телеком. 2012.
14. Модели нейронных сетей (с учителем). Многослойный персептрон [Электронный ресурс]. Режим доступа https://scikit-learn.ru/1-17-neural-network-models-supervised/#classification. свободный. Загл. с экрана. Яз. рус., англ.
15. Горбань А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1. № 1. С. 11–24.
16. Синицын И.Н., Дружинина О.В., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки инструментально-методи-ческого 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.
17. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейро-сетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5–17.