О.В. Дружинина1, Э.Р. Корепанов2, А.А. Петров3, И.В. Макаренкова4, В.В. Максимова5

1,2,4,5 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

3 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

1 ovdruzh@mail.ru, 2 ekorepanov@ipiran.ru, 3 xeal91@yandex.ru, 4 imakarenkova@ipiran.ru, 5 vmaksimova@mail.ru

Постановка проблемы. Задачи, связанные с разработкой интеллектуального инструментально-методического обеспечения для диагностирования состояния технических систем транспорта, являются важными и актуальными. Среди них следует выделить задачи нейросетевого, нечеткого и стохастического моделирования, решение которых направлено на выявление неисправностей в условиях неполной информации и неопределенности данных. Методы и алгоритмы для решения указанных задач должны ориентироваться на возможное использование отечественной аппаратно-программной среды как в процессе обучения, так при обработке данных.

Цель. Разработать и реализовать алгоритмы нейросетевого, нечеткого и стохастического моделирования для выявления неисправностей элементов и узлов транспортных систем, дать оценку технического состояния буксовых узлов железнодорожных вагонов с помощью интеллектуального анализа данных.

Результаты. Разработаны основные модули программного комплекса для оценки технического состояния узлов транспортных систем с применением стохастических и нечетких алгоритмов генерации исходных данных нейросетевой модели. Представлены результаты компьютерных экспериментов, направленных на стохастическое моделирование данных температурных признаков и на последующую генерацию исходных данных для решения задач классификации в диагностике состояния буксовых узлов. Показано, что реализация модели генерации данных на основе нечеткого моделирования позволила создать синтетические датасеты для последующей обработки нейросетевыми алгоритмами. Произведен выбор архитектуры нейросети для технического диагностирования неисправностей буксовых узлов. Определены значения гиперпараметров нейросети. Описана структура программного комплекса для оценки технического состояния буксовых узлов. Отмечено, что модули программного комплекса разработаны с учетом адаптации и использования возможностей отечественной аппаратно-программной платформы «Эльбрус 801-РС».

Практическая значимость. Результаты исследования могут найти применение в технической диагностике с учетом неполноты информации и привлечения экспертных знаний. Возможно использование полученных результатов для решения практических задач диагностики с предобученной специализированной нейросетью, а также для разработки и совершенствования интеллектуальных систем мониторинга и систем цифровых двойников на транспорте.

1. Горобченко С.Л., Шифрин Б.М., Алексеева С.В., Гоголевский А.С., Кривоногова А.С., Пушков Ю.Л., Войнаш С.А. Современное состояние применения и развития методов искусственного интеллекта в промышленных регуляторах и интеллектуальных системах управления // Известия Тульского государственного университета. Технические науки. 2023. № 3. С. 106–112. DOI 10.24412/2071-6168-2023-3-106-112.
2. Пушкарев Д.О. Применение нейросетевых экспертных систем для контроля, диагностики и прогнозирования технического состояния авиационных двигателей // Информационно-технологический вестник. 2020. № 3(25). С. 51–59.
3. Рюмин М.Г. Применение алгоритмов нечеткой логики для прогнозирования технического состояния водопропускных труб на железной дороге // Транспортные сооружения. 2023. Т. 10. № 3. DOI 10.15862/12SATS323.
4. Орлова Е.В. Системный инжиниринг цифровых двойников организационно-технических систем с использованием методов интеллектуального анализа // Программная инженерия. 2022. Т. 13. № 9. С. 425–439.
5. Епихин А.И., Кондратьев С.И., Хекерт Е.В. Применение нейронных сетей на базе многослойного перцептрона с использованием нечеткой логики для технической диагностики судовых технических средств // Эксплуатация морского транспорта. 2020. № 3(96). С. 111–119. DOI 10.34046/aumsuomt96/15.
6. Дикарев П.В., Шилин А.А., Юдин С.Ю. Система распознавания аварийных режимов воздушных линий электропередачи с использованием нечеткой логики // Энерго- и ресурсосбережение: промышленность и транспорт. 2022. № 1(38). С. 6–12.
7. Катасев А.С., Ахатова Ч.Ф. Гибридная нейронечеткая модель интеллектуального анализа данных для формирования баз знаний мягких экспертных диагностических систем // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 12. С. 34.
8. 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.
9. Миронов А.А., Павлюков А.Э. Средства реализации автоматизированной системы контроля и мониторинга нагрева буксовых узлов // Control Engineering Россия. 2016. № 3(63). С. 53–59.
10. 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 10.18127/j19998554-202105-01.
11. 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. Т. 24. № 4. С. 18–27. DOI 10.18127/j19998554-202204-02.
12. Дружинина О.В., Корепанов Э.Р., Петров А.А., Макаренкова И.В., Максимова В.В. Построение модели генерации данных для решения задач классификации в диагностике неисправностей транспортных систем // Нелинейный мир. 2023. Т. 21. № 3. С. 16–26. DOI 10.18127/j20700970-202303-02.
13. Рабочая станция «Эльбрус 801-РС». [Электронный ресурс] – Режим доступа: http://www.mcst.ru/elbrus_801-pc/, дата обращения 21.12.2023.
14. Руководство по эффективному программированию на платформе «Эльбрус». [Электронный ресурс] – Режим доступа: http://www.mcst.ru/doc/elbrus_prog/elbrus-prog-1.2_2024-02-28.pdf, дата обращения 21.12.2023.
15. 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. 15–28. DOI 10.18127/j20700970-202101-02.
16. Черепов О.В., Пранов В.А. Информационные технологии и системы комплексного контроля технического состояния вагонов. Метод. указания. Екатеринбург: УрГУПС. 2016.
17. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика. 2004. 320 с. ISBN 5-279-02776-6.