Розробка інтелектуальних систем моніторингу технічного стану гальмівного та автозчепного устаткування рухомого складу залізниць
DOI:
https://doi.org/10.33216/1998-7927-2025-296-10-104-113Ключові слова:
транспорт, залізничний транспорт, рухомий склад залізниць, гальмівне та автозчепне устаткування, систем оцінки технічного стану, моделювання, інтелектуальна діагностикаАнотація
В роботі, з наукової точки зору, розроблені нові математичні моделі, що дозволяють більш точно описувати динамічні характеристики гальмівних систем та автозчепів у різних режимах експлуатації. Потреба у створенні уніфікованих рішень для різних типів рухомого складу є актуальною. Інтеграція з існуючими системами управління залізничним транспортом є важливим завданням. Розробка масштабованих та гнучких систем моніторингу є необхідною. Це дозволить адаптувати їх до майбутніх потреб галузі. Впровадження інноваційних технологій сприятиме розвитку залізничної інфраструктури в цілому. Україна, як країна з розгалуженою залізничною мережею, має значний потенціал для впровадження таких рішень. Підвищення конкурентоспроможності залізничних перевезень є стратегічною метою. Це дослідження є вкрай актуальним для забезпечення стабільності та безпеки функціонування залізничного транспорту. Воно спрямоване на вирішення нагальних проблем галузі. Це дозволить забезпечити стабільну та безпечну роботу залізничного транспорту. Це забезпечує глибше розуміння процесів, що відбуваються в обладнанні. Отримані алгоритми машинного навчання демонструють високу ефективність у виявленні прихованих дефектів та прогнозуванні потенційних відмов, що значно перевершує можливості традиційних методів діагностики. З прикладної точки зору, розроблений прототип інтелектуальної системи моніторингу показав свою працездатність та ефективність у лабораторних умовах та на тестових ділянках. Система успішно інтегрує дані з різноманітних сенсорів, забезпечуючи комплексний аналіз технічного стану обладнання в реальному часі. Це дозволяє оперативно реагувати на зміни та приймати обґрунтовані рішення щодо обслуговування. Результати дослідження відкривають шлях до створення промислових зразків таких систем, що матимуть значний економічний ефект за рахунок зниження аварійності та оптимізації витрат на експлуатацію та ремонт рухомого складу. Оцінка ефективності підтвердила значний економічний потенціал від впровадження таких систем, що виявляється у зниженні експлуатаційних витрат та підвищенні безпеки перевезень. Результати дослідження є міцною базою для подальших наукових розробок у напрямку автономних діагностичних систем.
Посилання
1. Іваськів Р., Доскочинський Д. Інноваційні методи діагностики гальмівних систем у транспортних засобах. Measuring and Computing Devices in Technological Processes. 2024. № 4. С. 137–142. DOI: https://doi.org/10.31891/2219-9365-2024-80-17
2. Мирошник М. А. Проєктування інтелектуальної системи моніторингу об'єктів транспортної інфраструктури. Інформаційно керуючі системи на залізничному транспорті. 2015. № 5. С. 18-24. DOI: https://doi.org/10.18664/ikszt.v0i5.55669
3. Sensor fusion for track geometry monitoring: integrating on board data and degradation models via Kalman filtering / H. Truong-Ba, J. Chin, M. E. Cholette, P. Borghesani. ArXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2506.08028
4. Simulation of Working Process of the Electronic Brake System of the Heavy Vehicle / D. Leontiev, V. Klimenko, M. Mykhalevych, Y. Don, A. Frolov. Mathematical Modeling and Simulation of Systems (MODS 2019). Springer, 2020. Vol. 1019. P. 50–61. DOI: https://doi.org/10.1007/978 3 030 25741 5_6
5. The impact of smart grids on energy efficiency: a comprehensive review / T. M. Olatunde, A. C. Okwandu, D. O. Akande, Z. Q. Sikhakhane. Engineering Science & Technology Journal. 2024. Vol. 5. Issue 4. Р. 1257–1269. DOI: https://doi.org/10.51594/estj.v5i4.1016
6. Realizatsiya intellektualnyih funktsiy v elektronno pnevmatichnom tormoznom upravlenii transportnyih sredstv / M. Burckhardt, A. N. Turenko, N. G. Mikhalyevych, D. Leontiev. Mathematical Modeling and Simulation of Systems (MODS 2019). Springer, 2020. DOI: https://doi.org/10.1007/978 3 030 25741 5_6
7. Intelligent Locomotive Decision Support System Structure Development and Operation Quality Assessment / O. Gorobchenko, O. Fomin, I. Gritsuk et al. IEEE 3rd International Conference on Intelligent Energy and Power Systems (IEPS), Kharkiv, Ukraine. 2018. P. 239-243. DOI:10.1109/IEPS.2018.8559487
8. Determining rational parameters of the capacitive energy storage system for the underground railway rolling stock / O. Fomin, А. Sulym, I. Kulbovsky et al. 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. Risca D., Lourenço A., Marreiros G. Boosting inspired online learning with transfer for railway maintenance. ArXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2504.08554
11. Transformer vibration forecasting for advancing rail safety and Maintenance 4.0 / D. C. Larese, A. B. Cerrada, G. D. Tomei et al. ArXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2501.11730
12. 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
13. Rule based Anomaly Detection for Railway Signalling Networks / M. Heinrich, A. Gölz, T. Arul, S. Katzenbeisser. ArXiv. 2020. DOI: https://doi.org/10.48550/arXiv.2008.05241
14. Qing Wu X. G., Han Q. L. Railway Virtual Coupling: A Survey of Emerging Control Techniques. ArXiv. 2023. DOI: https://doi.org/10.48550/arXiv.2302.09718
