Розробка нових систем оцінки технічного стану транспортних засобів на основі інтелектуальної діагностики
DOI:
https://doi.org/10.33216/1998-7927-2025-296-10-94-103Ключові слова:
транспорт, транспортні засоби, залізничний транспорт, рухомий склад залізниць, вагони, системи оцінки технічного стану, моделювання, інтелектуальна діагностикаАнотація
Встановлено, що необхідною умовою для підтримки конкурентоспроможності та сталого розвитку залізничної галузі є впровадження інноваційних технологій, таких як інтелектуальна діагностика. В роботі розроблено концептуальну модель інтелектуальної діагностичної системи, яка інтегрує дані з різнорідних джерел, таких як бортові датчики, зовнішні моніторингові системи та бази даних ремонтних робіт. Це дозволяє формувати комплексне та всебічне уявлення про технічний стан вагона у будь-який момент часу. Розроблені математичні моделі та алгоритми на основі машинного навчання, зокрема глибокі нейронні мережі, продемонстрували високу точність у виявленні прихованих дефектів та прогнозуванні їхнього розвитку. Ці алгоритми здатні самостійно навчатися на великих масивах даних, адаптуватися до нових умов та ідентифікувати аномалії, які неможливо виявити за допомогою традиційних методів. Практична цінність результатів полягає у створенні прототипу програмного забезпечення, що реалізує функції інтелектуальної діагностики, який може бути впроваджений на залізничних підприємствах. Це програмне забезпечення забезпечує автоматизований моніторинг, візуалізацію даних та формування прогнозів щодо потреби у технічному обслуговуванні. Практична реалізація розроблених рішень у вигляді програмного прототипу демонструє можливість автоматизації процесів діагностики та переходу до предиктивного технічного обслуговування. Впровадження таких систем дозволить оптимізувати графіки ремонту, значно скоротити експлуатаційні витрати та підвищити ефективність використання рухомого складу. Отримані результати можуть бути використані для подальшого розвитку систем моніторингу та управління на залізничному транспорті. Це дослідження є важливим кроком до створення "розумних" залізниць, де безпека та ефективність забезпечуються за рахунок інтеграції передових інформаційних технологій. Результати можуть слугувати основою для розробки галузевих стандартів та рекомендацій щодо застосування інтелектуальних систем діагностики на залізничному транспорті України. Pапропонована система інтелектуальної діагностики дозволяє автоматизувати оцінку технічного стану залізничних вагонів, знижуючи витрати та підвищуючи безпеку.
Посилання
1. Implementing intelligent monitoring of the technical condition of locomotive hydraulic transmissions / B. Bondar, O. Ockasov, V. Petrenko, M. Martishevskij. TRANSBALTICA XIII: Transportation Science and Technology, 22 February 2023. Springer, 2023. P. 726–736. DOI: https://doi.org/10.1007/978-3-031-25863-3_70
2. Efimushkin N., Efimushkina N., Orlov S. Intelligent system for railway joint diagnostics. Society 5.0. Studies in Systems, Decision and Control. Springer, 2023. Vol. 437. P. 199–211. DOI: https://doi.org/10.1007/978-3-031-35875-3_16
3. 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. Vol. 777. P. 247–259. DOI: https://doi.org/10.1007/978-3-031-43792-2_24
4. Muradian L. A., Pitsenko I. V., Shaposhnyk V. Y. Mathematical model of risks in railway transport during diagnostics of axle boxes of freight cars. Science and Transport Progress. 2021. № 1(97). Р. 94–103. DOI: https://doi.org/10.15802/ stp2022/265424
5. Freight wagon digitalization for condition monitoring and advanced operation / I. Moya, A. Perez, P. Zabalegui et al. Sensors. 2023. № 23(17). 7448. DOI: https://doi.org/10.3390/s23177448
6. Bondarenko I., Lukoševičius V., Neduzha L. Novel ‘closed’ system approach for monitoring the technical condition of railway tracks. Sustainability. 2024. № 16(8). 3180. DOI: https://doi.org/10.3390/su16083180
7. Continuous monitoring of rail vehicle dynamics by means of acceleration measurements / F. Bruni, F. Castelli Dezza, F. Zanelli et al. Proceedings of the International Conference on Railway Condition Monitoring. 2022. DOI: https://doi.org/10.1109/RailCM.2022.00034
8. 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
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. 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
12. 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. Vol. 6. № 5 (108). Р. 38–46. DOI: https://doi.org/10.15587/1729-4061.2020.218542.
13. Method of spectral analysis of traction current of AC electric locomotives / S. Goolak, V. Tkachenko, G. Bureika, G. Vaičiūnas. Transport. 2020. 35(6). Р.658-668. DOI: http://doi.org/10.3846/ transport.2020.14242
14. Refined Model of Asynchronous Traction Electric Motor of Electric Locomotive / S. Goolak, B. Liubarskyi, S. Sapronova, V. Tkachenko, Ie. Riabov. Transport Means - Proceedings of the International Conference, 2021-October. 2021. Р. 455–460.
15. Na K.-M., Lee K., Kim H. Condition Monitoring of Railway Pantograph Using R CNN and Image Processing. Journal of Electrical Engineering & Technology. 2023. Vol. 18. Р. 2407–2416. DOI: https://doi.org/10.1007/s42835-022-01229-6
16. Sun Q., Chen C., Liu X. Condition Monitoring of Railway Vehicle Suspension System Based on PCA SVM Method. In Proceedings of the TEPEN International Workshop on Fault Diagnostic and Prognostic (TEPEN 2024). Springer, 2024. P. 254–261. DOI: https://doi.org/10.1007/978-3-031-70235-8_23
17. Detecting train driveshaft damages using accelerometer signals and differential convolutional neural networks / A. López Galdo, A. Guerrero López, P. M. Olmos, M. J. Gómez García. ArXiv. 2022. DOI: https://doi.org/10.48550/ arXiv.2211.09011
18. Barkhordari P., Galeazzi R., Blanke M. Monitoring of railpad long term condition in turnouts using extreme value distributions. ArXiv. 2021. DOI: https://doi.org/10.48550/arXiv.2101.02567
