Игорь Борисович Шубинский – доктор технических наук, профессор, заместитель руководителя НТК
ул. Нижегородская, д. 27, стр.1, Москва, 109029, тел. +7 (495) 786-68-57
Igor B. Shubinsky, Doctor of Engineering, Professor, Deputy Director of Integrated Research and Development Unit
27, bldg 1 Nizhegorodskaya St., 109029, Moscow, phone: +7 (495) 786 68 57
Хендрик Шебе – доктор физико-математических наук, заведующий отделом анализа рисков и опасностей
Кельн
Hendrik Schäbe, Dr. rer. nat. habil., Head of Risk and Hazard Analysis
Cologne
Ефим Наумович Розенберг – доктор технических наук, профессор, первый заместитель Генерального директора
ул. Нижегородская, д. 27, стр.1, Москва, 109029
Efim N. Rozenberg, Doctor of Engineering, Professor, First Deputy Director General
27, bldg 1 Nizhegorodskaya St., 109029, Moscow
В статье рассмотрена система автоведения в составе системы управления и безопасности локомотива, средств центра слежения (контроля) бортовых и стационарных средств технического зрения. Сосредоточено внимание на зависимости безопасности и надежности этой системы от характеристик надежности составных элементов и влиянии возмущающих погодных воздействий. Сформулированы критерии опасного и защитного отказа системы, построены графовые модели состояний безопасности и надежности системы автоведения. Приведены предпосылки для применения графового Марковского метода расчета безопасности и надежности сложных систем. Это позволило определить такие ключевые показатели безопасности системы автоведения, как среднее время до опасного отказа, вероятность опасного отказа, интенсивность опасных отказов. В результате исследования установлено, что безопасность системы автоведения зависит, главным образом, от уровней надежности средств технического зрения. При этом рост интенсивности опасных отказов системы ограничен величиной половины интенсивности отказов средства технического зрения. Установлено также то, что надежность системы автоведения определяется интенсивностью отказов системы управления и безопасности локомотива и интенсивностью отказов средств технического зрения.Проведенный анализ позволяет сделать вывод, что для достижения приемлемого уровня безопасности системы автоведения следует сосредоточить усилия на дублировании средств технического зрения, достижении функциональной безопасности бортового и стационарного средств технического зрения на уровне SIL 4, а также на регулярном сравнении результатов бортового и стационарного средств технического зрения, дублировании результатов сравнения, сглаживании этих результатов в процессе движения локомотива. Кроме того, целесообразно парирование возмущающих погодных воздействий путем повышения эффективности машинного обучения программных средств технического зрения.
The paper examines the automatic train operation system as part of the locomotive control and protection system, the remote supervision centre’s means for control of onboard and trackside machine vision facilities. The focus is on the dependence of the system’s safety and dependability on the dependability characteristics of its components and adverse weather effects. The criteria of a system’s wrong-side and right-side failures were defined, the graph models were constructed of the safety and dependability states of an automatic train operation system. The Markovian graph method of calculating the safety and dependability of complex systems was substantiated. That allowed defining such key safety indicators of an automatic train operation system as the mean time to wrong-side failure, probability of wrong-side failure, wrong-side failure rate. The study established that the safety of an automatic train operation system primarily depends on the dependability of machine vision facilities. The growth of the system’s wrong-side failure rate is limited to half the failure rate of machine vision facilities. It was also established that the dependability of an automatic train operation system is defined by the failure rate of a locomotive control and protection system and the failure rate of machine vision facilities. The conducted analysis allows concluding that in order to achieve an acceptable level of safety of an automatic train operation system, efforts should focus on machine vision redundancy, ensuring the SIL4 functional safety of on-board and trackside machine vision facilities, as well as regular comparison of the outputs of on-board and trackside machine vision facilities, redundant output comparison, integration of the outputs in motion. Additionally, adverse weather effects are to be countered by improving the efficiency of machine learning of the machine vision software.
The authors declare that there are no conflicts of interest present.