Інтелектуальні системи діагностики локомотивів як інструмент зменшення аварійності на залізничному транспорті
DOI:
https://doi.org/10.33216/1998-7927-2025-296-10-84-93Ключові слова:
транспорт, залізничний транспорт, рухомий склад залізниць, локомотиви, систем оцінки технічного стану, моделювання, інтелектуальна діагностикаАнотація
В умовах посилення конкуренції на ринку транспортних послуг, мінімізація простоїв та забезпечення безперервності перевезень стають критично важливими. Інтеграція нових технологій, таких як інтелектуальні системи, може стати проривом у підвищенні безпеки та ефективності. В роботі розроблено концептуальну модель інтелектуальної системи діагностики локомотивів, яка враховує специфіку функціонування залізничного транспорту. Було виявлено критичні параметри, моніторинг яких є ключовим для раннього виявлення несправностей. Розроблені алгоритми машинного навчання продемонстрували високу точність у виявленні аномалій та прогнозуванні відмов, що значно перевершує можливості традиційних діагностичних методів. Завдяки імітаційному моделюванню було підтверджено, що впровадження таких систем може зменшити кількість аварійних ситуацій до 25%, а також скоротити час простоїв локомотивів на ремонт. Ці результати свідчать про значний потенціал інтелектуальних систем у підвищенні безпеки залізничних перевезень. Розроблений прототип системи дозволяє візуалізувати дані про стан локомотивів у реальному часі, надаючи оперативну інформацію для прийняття управлінських рішень. Це створює передумови для оптимізації графіків технічного обслуговування та переходу до ремонту за фактичним станом, що зменшить експлуатаційні витрати. Запропонована методологія може бути використана для створення аналогічних систем діагностики для інших видів рухомого складу, що розширює сферу її застосування. Розроблена концепція та архітектура інтелектуальної системи діагностики забезпечує комплексний підхід до моніторингу та прогнозування технічного стану локомотивів. Запропоновані алгоритми машинного та глибокого навчання дозволяють з високою точністю виявляти аномалії та прогнозувати потенційні відмови обладнання на ранніх стадіях. Це переводить діагностику від реактивного до проактивного підходу. Отримані наукові результати розширюють уявлення про можливості застосування штучного інтелекту у сфері залізничної безпеки.
Таким чином, дослідження не тільки розширює наукові знання у галузі інтелектуальних систем, але й надає конкретні інструменти для підвищення безпеки та ефективності залізничного транспорту.
Посилання
1. Liabakh N. A., Ignatieva O. V., Shapovalov V. V. Intelligent maintenance and repair on railway transport. Proceedings of the Seventh International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’23). Springer, 2023. P. 247–259. DOI: https://doi.org/10.1007/978 3 031 43792 2_24
2. Ad hoc train arrival notification system for railway safety in remote areas / A. Eduard, D. Urazayev, A. Sabyrbek, D. Orel, D. Zorbas. Internet of Things. 2024. Vol. 25. 101062. DOI: https://doi.org/10.1016/j.iot.2024.101062
3. Design of intelligent operation and maintenance system for urban rail transit equipment and study on its key technologies / Y. Cai, F. Gao, Y. Meng, X. Xuan, J. Zhong. Railway Computer Application. 2023. 32(7). Р. 79–83. DOI: https://doi.org/10.3969/j.issn.1005-8451.2023.07.15
4. Improvement of the Model of Power Losses in the Pulsed Current Traction Motor in an Electric Locomotive / S. Goolak, S. Sapronova, V. Tkachenko, Ie. Riabov, Ye. Batrak. Eastern-European Journal of Enterprise Technologies. 2020. 6(5(108)). Р. 38–46. DOI: https://doi.org/10.15587/1729-4061.2020.218542
5. Determining rational parameters of the capacitive energy storage system for the underground railway rolling stock / O. Fomin, А. Sulym, I. Kulbovsky, P. Khozia, V. Ishchenko. Eastern-European journal of enterprise technologies. 2018. 2/1(92). Р. 63-71. DOI: 10.15587/1729-4061.2018.126080
6. Song G., Wang G., Ren G. Research on the application of intelligent recognition technology based on pantograph image acquisition. Railway Vehicles. 2023. 61(5). Р. 143–148. DOI: https://doi.org/10.3969/j.issn.1002-7602.2023.05.027
7. Expert system based fault diagnosis for railway point machines / Susanne, R., Thorsten, N., Gerrit, S., Arnout, V., & Douwe, B. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit. 2024. № 238(2). Р. 214–224. DOI: https://doi.org/10.1177/09544097231195656
8. Tu X., Zhang S., Wang M. Fault diagnosis methodology based on deep confidence network traction motor bearing. Urban Mass Transit. 2020. Vol. 23(1). Р. 174–178. DOI: https://doi.org/10.16037/j.1007-869x.2020.01.042
9. Theoretical and practical determination of parameters of on-board capacitive energy storage of the underground rolling stock / A.O. Sulim, O.V. Fomin, P.O.Khozya, A. Mastepan. Scientific Bulletin of National Mining University. 2018. Issue 5 (1). P.79-87. DOI: 10.29202/nvngu/2018-5/8
10. Determining the dynamic loading on a semi-wagon when fixing it with a viscous coupling to a ferry deck / O. Fomin, A. Lovska, I. Kulbovskyi, H. Holub, I. Kozarchuk, V. Kharuta. Восточно-Европейский журнал передовых технологий. 2019. № 2(7). С. 6-12. URL: http://nbuv.gov.ua/UJRN/Vejpte_2019_2(7)__2
11. Forecasting the effect of traffic control strategies in railway systems: a hybrid machine learning method / J. Luo, Ch. Wen, Q. Peng, Y. Qin, P. Huang. Physica A: Statistical Mechanics and its Applications. 2023. Vol. 621. 128793. DOI: https://doi.org/10.1016/j.physa.2023.128793 mdpi.com
12. Examination of multivalent diagnoses developed by a diagnostic program with an artificial neural network for devices in the electric hybrid power supply system “House on Water” / S. Duer, K. Zajkowski, M. Harničárová, H. Charun, D. Bernatowicz. Energies. 2021. 14. 2153. DOI: https://doi.org/10.3390/en14102153
13. Shcherbovskykh S., Stefanovych T., Denysyuk P. Reliability analysis of the duplicated wired channels with tripled protective reinforcement. Proceedings of the IEEE XVIII International Conference on the Perspective Technologies and Methods in MEMS Design (MEMSTECH). 2022. P. 89–92. DOI: https://doi.org/10.1109/ MEMSTECH55417.2022.100
14. Dynamic sustainable processes simulation to study transport object efficiency / I. Bondarenko, A. Severino, I. O. Olayode, T. T. Campisi, L. Neduzha. Infrastructures. 2022. №7. 124. DOI: https://doi.org/10.3390/infrastructures7120124
15. Liu A. An improved risk assessment method based on a comprehensive weighting algorithm in railway signalling safety analysis. Safety Science. 2020. Vol. 128. 104768. DOI: https://doi.org/10.1016/j.ssci.2020.104768
16. Review and prospect of maintenance technology for traction system of high speed train / S. Xu, C. Chen, Z. Lin, X. Zhang, J. Dai, L. Liu. Transportation Safety & Environment. 2021. Vol. 3. Issue 3. Р. 1–20. DOI: https://doi.org/10.1093/tse/tdab017
17. Bulakh M., Okorokov A., Baranovskyi D. Risk system and railway safety. IOP Conference Series: Earth and Environmental Science. 2021. 666(4). 042074. DOI: https://doi.org/10.1088/1755-1315/666/4/042074
18. Use of risk assessment methods in maintenance for more reliable rolling stock operation / J. Grenčík, R. Poprocký, J. Galliková, P. Volna. MATEC Web of Conferences. 2018. 157. 04002. DOI: https://doi.org/10.1051/matecconf/201815704002
19. Durability Determination of the Bearing Structure of an Open Freight Wagon Body Made of Round Pipes during its Transportation on the Railway Ferry / O. Fomin, J. Gerlici, A. Lovska, K. Kravchenko, P. Prokopenko, A. Fomina, V. Hauser. Communications-Scientific letters of the University of Zilina. 2019. Vol. 21. № 1. Р. 28-34. URL: https://dspace.snu.edu.ua/handle/123456789/636
20. Method of spectral analysis of traction current of AC electric locomotives / S. Goolak, V. Tkachenko, G. Bureika, G. Vaičiūnas. Transport. 2020. Vol. 35. № 6. Р. 658-668. DOI: http://doi.org/10.3846/transport.2020.14242
