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

1,2,4,5 ФИЦ «Информатика и управление» Российской академии наук (Москва, Россия)

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

Постановка проблемы. На сегодняшний день при решении задач диагностики неисправностей транспортных сис-тем особое внимание уделяется генерации адекватных исходных данных, обусловленное неполной информацией. При разработке интеллектуальных систем мониторинга и диагностирования технического состояния элементов транспортной инфраструктуры возникают сложности с представлением и структурированием больших входных данных для последующего анализа. Одним из эффективных методов решения данной проблемы является построение нечетких моделей генерации данных с привлечением экспертных знаний. Реализация моделей генерации данных на основе нечеткого моделирования − перспективное направление, предполагающее использование для последующей обработки данных нейросетевых методов и алгоритмов, ориентированных на применение отечественной аппаратно-программной среды, как в процессе обучения, так и в процессе применения для обработки данных.

Цель. Представить подход к построению модели генерации исходных данных для решения задач классификации в диагностике неисправностей транспортных систем применительно к условиям неполной информации.  

Результаты. Представлена нечеткая модель генерации набора оценочных данных по техническому состоянию буксовых узлов и дано обоснование выбора этой модели. Приведены особенности построения базы правил с привлечением экспертных знаний и нормативной документации для анализа состояния буксовых узлов. При построении базы правил использован набор основных температурных признаков, применяемых на практике при определении греющихся букс. Описана подготовка данных в рамках нечеткой модели для последующего решения задачи классификации на основе машинного обучения. Разработано программное обеспечение для реализации нечеткой модели генерации набора оценочных данных по техническому состоянию буксовых узлов. Рассмотрены возможности использования результатов моделирования для обучения нейросети, предназначенной для диагностики состояния буксовых узлов. Реализована тестовая программа на отечественной вычислительной платформе «Эльбрус 801-РС», а также охарактеризованы перспективы использования отечественной электронной компонентной базы.

Практическая значимость. Представленные результаты могут быть использованы для решения задач диагностики элементов транспортной инфраструктуры, а также для разработки и совершенствования интеллектуальных систем мониторинга и систем цифровых двойников на транспорте.

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: https://doi.org/10.18127/j20700970-202303-02

1. ГОСТ 20911-89. Техническая диагностика. Термины и определения [Электронный ресурс]. Режим доступа: https://docs.cntd.ru/document/1200009481 (дата обращения: 01.06.2023.
2. Миронов А.А., Образцов В.Л., Павлюков А.Э. Теория и практика бесконтактного теплового контроля буксовых узлов в поездах. Екатеринбург: РПФ «Ассорти». 2012. ГОСТ 20911-89.
3. 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.
4. 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.
5. 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: https://doi.org/10.18127/j19998554-202204-02.
6. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика. 2004.
7. Рабочая станция «Эльбрус 801-РС» [Электронный ресурс]. URL= http://www.mcst.ru/elbrus_801-pc/ (дата обращения: 01.06.2023).
8. Нейман-заде М.И., Королёв С.Д. Руководство по эффективному программированию на платформе «Эльбрус». Вып. 1.1 от 12.05.2021.  М.: АО «МЦСТ». 2021.
9. 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.
10. Глова В.И., Аникин И.В., Катасёв А.С, Кривилёв М.А., Насыров Р.И. Мягкие вычисления.  Казань: Изд-во Казанского гос. техн. ун-та. 2010.
11. Родзина О. Н. Проблемно-ориентированные алгоритмы мягких вычислений. Чебоксары: ИД «Среда». 2020.
12. Кувайскова Ю.Е. Использование нечеткой логики для диагностики технического состояния объекта // Известия Самарского научного центра РАН. 2018. № 4(3). С. 487–490.
13. Кувайскова Ю.Е., Алешина А.А. Техническая диагностика объектов с использованием методов нечеткой логики // Радиотехника. 2017. № 6. С. 32–34.
14. Kuvayskova Y.E. The Prediction algorithm of the technical state of an object by means of fuzzy logic inference models // Procedia Engineering. 2017. V. 201. P. 767–772.
15. Катасёв 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. Электронный журнал. 2012. № 12. С. 486–504.
16. Катасёв А.С. Математическое и программное обеспечение формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов. Казань: ГБУ «Республиканский центр мониторинга качества образования». 2013.
17. Эгов Е.Н., Ярушкина Н.Г., Яшин Д.В. Нечеткое моделирование и генетическая оптимизация временных рядов в интеллектуальной системе технической диагностики // Радиотехника. 2016. № 9. С. 64–71.
18. 18. 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.
19. Черепов О.В., Пранов В.А. Информационные технологии и системы комплексного контроля технического состояния вагонов. Методич. указания. Екатеринбург: УрГУПС. 2016.
20. Филиппов А.А., Мошкин В.С., Гуськов Г.Ю., Ярушкина Н.Г. Применение нечеткой базы знаний проблемной области в задаче поиска архитектурно подобных программных проектов // Нечеткие системы и мягкие вычисления. 2017. Т. 12. Вып. 2. С. 107–120.