В.A. Канарский1

1 Дальневосточный государственный университет путей сообщения (г. Хабаровск, Россия)

1 jizzierose@yahoo.com

Постановка проблемы. Железнодорожная инфраструктура представляет собой совокупность сложных технических систем. Используемые на станциях стрелочные переводы в основном обслуживаются регламентно, что не гарантирует появления неисправностей между очередными проверками. Действующие системы мониторинга железнодорожной автоматики не способны предоставлять рекомендации о предстоящей поломке. Они лишь регистрируют осциллограммы электрических параметров из цепей электропитания стрелок. Эти осциллограммы могут служить индикатором того или иного предотказного состояния.

Цель. Разработать классификатор состояния стрелочного перевода на основе рекуррентной нейросети, способной в автоматическом режиме по графику активной мощности определять состояние стрелки.

Результаты. Предложен способ автоматического определения состояния стрелочного перевода на основе рекуррентных нейронных сетей. Показано, что в сравнении с ручными методами определения дефектов стрелочного перевода, требующих достаточной квалификации и времени, предложенный способ отличается высокой точностью идентификации предотказного состояния и оперативностью предоставления информации.

Практическая значимость. Компании-производители систем мониторинга железнодорожной автоматики могут использовать данное исследование при разработке своего программного обеспечения. Внедрение интеллектуальных технологий позволит интерпретировать графики активной мощности в терминах существующих неисправностей стрелочного перевода, тем самым оказывая обслуживающим электромеханикам поддержку при принятии решения о проведении ремонта. В свою очередь, данный подход позволит предупредить аварии, незапланированные простои и задержки поездов на станции.

1. Веселова А.С. Оценка качества технической эксплуатации систем железнодорожной автоматики и телемеханики: дис. … канд. техн. наук. М.: Российский университет транспорта. 2020. 270 с.
2. Черезов Г.А. Современное состояние диагностирования объектов инфраструктуры железнодорожной автоматики и телемеханики // Вестник транспорта Поволжья. 2017. № 2(62). С. 62–66. 
3. Канарский В.А., Халиман В.В. Современные подходы к диагностике стрелочных переводов в мировой практике // Транспорт Азиатско-Тихоокеанского региона. 2023. № 4(37). С. 37–42.
4. Абдуллаев Р.Б. Реализация подсистемы сбора диагностической информации в системах непрерывного мониторинга устройств железнодорожной автоматики на программируемых логических контроллерах // Автоматика на транспорте. 2020. Т. 6. № 3. С. 309–331. DOI 10.20295/2412-9186-2020-6-3-309-331.
5. Белозерова И.Г., Серова Д.С. Общий курс железных дорог: Учеб. пособие. Хабаровск: ДВГУПС. 2020. 115 с.
6. Канарский В.А. Классификация состояний стрелочного перевода // Автоматика, связь, информатика. 2023. № 12. С. 6–10. DOI 10.34649/AT.2023.12.12.002.
7. Буряк С.Ю., Гаврилюк В.И., Гололобова О.А., Ковригин М.А. Дистанционное диагностирование состояния стрелочных переводов по временной характеристике и спектральному составу токовой кривой // Наука и прогресс транспорту. 2015. № 2(56). С. 39–57.
8. Белоусов С.В. Методы и алгоритмы диагностики неисправностей стрелок с электродвигателями переменного тока: дис. … канд. техн. наук. Санкт-Петербург: ПГУПС. 2019. 128 с.
9. Li M., Hei X., Ji W., Zhu L., Wang Y., Qiu Y. A Fault-Diagnosis Method for Railway Turnout Systems Based on Improved Autoencoder and Data Augmentation // Sensors. 2022. V. 22. № 23. P. 9438. DOI 10.3390/s22239438.
10. B¨ohm T. Remaining Useful Life Prediction for Railway Switch Engines Using Classification Techniques // International Journal of Prognostics and Health Management. 2017. V. 8. № 3. DOI 136001/ijphm.2017.v8i3.2666.
11. Устройство мониторинга и контроля стрелочных приводов (УМК СП): краткое руководство пользователя. [Электронный ресурс] – Режим доступа: http://vast-arp.spb.ru/files/umksp_manual.pdf, дата обращения 27.11.2023.
12. Ефанов Д.В., Богданов Н.А. Контроль параметров стрелочных электроприводов // Проблемы безопасности и надежности микропроцессорных комплексов. Санкт-Петербург: Петербургский государственный университет путей сообщения Императора Александра I. 2015. С. 118–128.
13. Ефанов Д.В., Басалаев Е.В., Алексеев В.Г. Функциональное диагностирование стрелочных электроприводов переменного тока // Транспорт Урала. 2012. № 4(35). С. 26–29.
14. Благовещенская Е.А., Бочкарев С.В., Груздев Н.В., Зуев Д.В. Применение самообучаемых систем для решения задач поиска отказов на железной дороге // Интеллектуальные технологии на транспорте. 2020. № 1(21). С. 47–55.
15. Канарский В.А. Обнаружение предотказного состояния стрелочного перевода по графику активной мощности // Вестник Сибирского государственного университета путей сообщения. 2023. № 4(67). С. 40–46. DOI 10.52170/1815-9265_2023_67_40.
16. Канарский В.А. Использование рекуррентных нейронных сетей для диагностики временных характеристик стрелочного привода // Материалы II Междунар. науч.-практич. конф.: Интеллектуальные транспортные системы. Москва: Российский университет транспорта. 2023. С. 578–583. DOI 10.30932/9785002182794-2023-578-583.
17. Иванова Г.С., Мартынюк П.А. Анализ нейросетевых языковых моделей при решении задач обработки текстовых данных // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 2. С. 5–20. DOI 10.18127/j19998554-202302-01.
18. Introduction to Recurrent Neural Network. [Электронный ресурс] – Режим доступа: https://www.geeksforgeeks.org/introduction-to-recurrent-neural-network/, дата обращения 27.11.2023.
19. Pointer I. Programming PyTorch for Deep Learning: Creating and deploying deep learning applications. O'Reilly Media. 2019. 220 p.
20. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization // ArXiv:1412.6980. DOI 10.48550/arXiv.1412.6980.
21. Cho K., van Merriënboer B., Gulcehre C., Bahdanau D., Bougares F., Schwenk H., Bengio Y. Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation // Proceedings of the Conference on Empirical Methods in Natural Language Processing. Doha, Qatar. 2014. P. 1724–1734. DOI 10.3115/v1/d14-1179.
22. Участок Большой Луг – Слюдянка (Транссиб). [Электронный ресурс] – Режим доступа: http://apkdk.ru/news/92-uchastok-bolshoy-lug-slyudyanka-transsib.html, дата обращения 27.11.2023.