sustainНадежностьDependability1729-26462500-3909RAMS Journal Limited liability company10.21683/1729-2646-2022-22-4-37-44sustain-494Research ArticleФУНКЦИОНАЛЬНАЯ НАДЕЖНОСТЬ. ТЕОРИЯ И ПРАКТИКАFUNCTIONAL RELIABILITY. THE THEORY AND PRACTICEОценка экономической эффективности профилактических мероприятий по сокращению числа нарушений при управлении подвижным составомEvaluating the economic efficiency of preventive measures aimed at reducing the number of train control violationsКулагинМ. А.KulaginM. A.

Кулагин Максим Алексеевич – заместитель начальника отдела разработки технологических информационных систем АО «ВНИИЖТ»; доцент кафедры «Управление и защита информации» РУТ (МИИТ)

ул. 3-я Мытищинская, д. 10, Москва, 129626

ул. Образцова, д.9, стр.9, Москва, 127994

Олимпийский пр., 1, 354340, Сочи

Maxim A. Kulagin, Deputy Head of Process-Oriented Information Systems Unit, JSC VNIIZhT; Senior Lecturer, Department of Management and Protection of Information

10, 3-rd Mytischinskaya St., Moscow, 129626

9, bldg 9 Obrazcova St., Moscow, 127994

1 Olympic Ave, 354340, Sochi

maksimkulagin06@yandex.ruСидоренкоВ. Г.SidorenkoV. G.

Сидоренко Валентина Геннадьевна – доктор технических наук; профессор; профессор кафедры «Управление и защита информации»

ул. Образцова, д.9, стр.9, Москва, 127994

Олимпийский пр., 1, 354340, Сочи

Valentina G. Sidorenko, Doctor of Engineering, Professor, Chair Professor, Department of Management and Protection of Information

9b9 Obrazcova St., Moscow, 127994

1 Olympic Ave, 354340, Sochi

valenfalk@mail.ruРУТ(МИИТ); Научно-технический университет «Сириус»РоссияRUT(MIIT); Sirius University of Science and TechnologyRussian Federation2022221120222243744Copyright © Кулагин М.А., Сидоренко В.Г., 20222022Кулагин М.А., Сидоренко В.Г.Kulagin M.A., Sidorenko V.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.dependability.ru/jour/article/view/494

Цель. Целью работы является рассмотрение вопросов повышения объективности оценки качества управления подвижным составом машинистами. Методы. В исследовании, представленном в статье, используются методы статистического анализа и линейной алгебры. Результаты. Разработан алгоритм формирования профилактических мероприятий и произведена оценка эффективности их применения для машинистов транспортных средств городских рельсовых транспортных систем (ГРТС). Алгоритм формирования профилактических мероприятий для машинистов ГРТС включает в себя: прогнозирование нарушений; определение факторов, влияющих на возникновение каждого из типов нарушений; определение показателей машинистов, больше всего отклоняющихся от целевых значений. Оценка эффективности базируется на предположении о соотношении стоимости работы машиниста-инструктора с машинистом к стоимости потерь, которые может понести компания в случае совершения нарушения. В статье показано, что уровень ошибки первого рода в модели прогнозирования нарушений в работе машинистов оправдан при условии, что затраты, которые возникают при грубых нарушениях при управлении подвижным составом, значительно выше затрат на работу с этим машинистом. Представлен анализ применения интеллектуальной системы в 4-х эксплуатационных депо. Заключение. В статье представлен алгоритм формирования профилактических мероприятий для машинистов, управляющих подвижным составом. Сформулирован экономический критерий эффективности применения разработанной математической модели прогнозирования грубого нарушения при управлении подвижным составом машинистом. Проведен анализ необходимых и достаточных условий экономической эффективности применения интеллектуальной системы. Представлен сравнительный анализ среднего количества грубых нарушений при управлении подвижным составом машинистами в депо с внедренной интеллектуальной системой и без нее.

Aim. The paper aims to examine the matters related to increasing the objectivity of evaluation of the quality of train control by train drivers. Methods. The study presented in the paper uses statistical analysis and linear algebra. Results. An algorithm was developed for defining preventive measures and their application efficiency was evaluated for drivers of rapid transit trains. The algorithm for defining preventive measures for drivers of rapid transit trains includes the following: violation prediction; definition of the factors that affect the onset of each type of violations; definition of the characteristics of the drivers that most deviate from the target values. The efficiency estimation is based on the assumption of correlation between the cost of a driving instructor’s work with a driver and the cost of losses that the company might incur in case of violations. The paper shows that the level of an error of the first kind in the train driver violation prediction model is justified, provided that the cost incurred as the result of gross train control violations is significantly greater than that associated with the training of such driver. The paper presents an analysis of the application of the AI-based system in four depots. Conclusion. The paper presents an algorithm for defining preventive measures for train drivers. An economic criterion was defined for evaluating the efficiency of application of the developed mathematical model for predicting gross violations of train control. The required and sufficient conditions of economic efficiency of the AI-based systems application were analysed. A comparative analysis was presented of the mean number of gross train driving violations in depots with and without the AI-based system.

интеллектуальное управлениегородской рельсовый транспортмашиниствероятность возникновения нарушенийsmart controlurban rail transportationdriverprobability of violationИсследование выполнено при финансовой поддержке РФФИ, НТУ «Сириус», ОАО «РЖД» и Образовательного Фонда «Талант и успех» в рамках научного проекта № 20-37-51001.ReferencesБаранов Л.А., Сидоренко В.Г. Интеллектуальные киберфизические системы управления движением внеуличного транспорта (2 часть) // Транспортное строительство. 2021. № 4. С. 19-23.Baranov L.A., Sidorenko V.G. [Smart cyberphysical rapid transit control systems (Part 2)]. Transportnoye stroitelstvo 2021;4:19-23. (in Russ.)Интеллектуальное централизованное управление движением внеуличного городского железнодорожного транспорта в условиях интенсивного движения / Л.А. Баранов, В.Г. Сидоренко, Е.П. Балакина, Л.Н. Логинова // Надежность. 2021. Т. 21. № 2. С. 17-23. DOI: 10.21683/1729-2646-2021-21-2-17-23Baranov L.A., Sidorenko V.G., Balakina E.P., Loginova L. N. Intelligent centralized traffic management of a rapid transit system under heavy traffic. Dependability 2021;21(2):17-23. DOI 10.21683/1729-2646-2021-21-2-17-23.Свидетельство о государственной регистрации программы для ЭВМ №2020612670 Россия. Автоматизированная система Доверенная среда локомотивного комплекса (2019) / Кулагин М. А., Харин О. В., Якимов С. М., Гоник М. М., Хлудеев М. А., Ярощук Д. И.; опубл. 23.03.2020.Kulagin M.A., Kharin O.V., Yakimov S.M., Gonik M.M., Khludeev M.A., Yaroshchuk D.I. [Automated System Trusted Environment of the Locomotive Service. Russian state registration certificate for software no. 2020612670]. Published on 23.03.2020.Kulagin M., Sidorenko V. A Recommender Subsystem Construction for Calculating the Probability of a Violation by a Locomotive Driver using Machine-learning Algorithms // 2020 IEEE East-West Design & Test Symposium (EWDTS). 2020. Рp. 1-5.Kulagin M., Sidorenko V. Recommender Subsystem Construction for Calculating the Probability of a Violation by a Locomotive Driver using Machine-learning Algorithms. IEEE East-West Design & Test Symposium (EWDTS); 2020. P. 1-5.Kulagin M., Sidorenko V. An Intelligent Evaluation System for Predicting Engine Driver Reliability // Russian Electrical Engineering. 2020. Vol. 91. № 9. Pp. 587-591.Kulagin M., Sidorenko V. An Intelligent Evaluation System for Predicting Engine Driver Reliability. Russian Electrical Engineering 2020;91(9):587-591.Кулагин М.А., Сидоренко В.Г. Поддержка принятия решения по профилактике нарушений безопасности в работе // Надежность. 2021. Т. 21 № 4. С. 38-46.Kulagin M.A., Sidorenko V.G. Decision support for preventing safety violations. Dependability 2021;21(4):38-46.Проневич О.Б., Зайцев М.В. Интеллектуальные методы повышения точности прогнозирования редких опасных событий на железнодорожном транспорте // Надежность. 2021. Т. 21. № 3. С. 54-64.Pronevich O.B, Zaytsev M.V. Intelligent methods for improving the accuracy of prediction of rare hazardous events in railway transportation. Dependability 2021;3: 54-64.Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути / И.Б. Шубинский, А.М. Замышляев, О.Б. Проневич, А.Н. Игнатов, Е.Н. Платонов // Надежность. 2020. Т. 20. № 2. С. 43-53.Shubinsky I.B., Zamyshliaev A.M., Pronevich O.B., Platonov E.N., Ignatov A.N. Application of machine learning methods for predicting hazardous failures of railway track assets. Dependability 2020;2:45-53.Гапанович В.А., Шубинский И.Б., Замышляев А.М. Математическое и информационное обеспечение системы УРРАН // Надежность. 2013. № 1. С. 3-19.Gapanovich V.A., Shubinsky I.B., Zamyshlyaev A.M. Mathematical and information support of the URRAN system. Dependability 2012;3:12-19.Гречишников В.А., Куров Н.Д., Куров Д.А. Использование квалификационной способности нейронных сетей для определения аварийных режимов в тяговой сети // Электротехника. 2020. № 9. С. 20-25.Grechishnikov V.A., Kurov N.D., Kurov D.A. Using the qualification ability of neural networks for identifying emergency modes in an electric traction network. Elektrotekhnika 2020;9:20-25. (in Russ.)Kulagin M., Khromov S., Sidorenko V. Machine learning application for support for automated control systems users // Journal of Physics: Conference Series. 2020. Vol. 1680. № 1. P. 12019.Kulagin M., Khromov S., Sidorenko V. Machine learning application for support for automated control systems users. Journal of Physics: Conference Series 2020;1680(1):12019.Воронкова Е.А., Медведева В.М. Оценка профессиональных рисков машинистов и помощников машинистов железнодорожно-строительных машин // Проблемы безопасности российского общества. 2019. № 4. С. 42-48.Voronkova E.A., Medvedeva V.M. Assessment of the professional risks of machinists and assistants of railway and construction machine operators. Security problems of the Russian society 2019;4:42-48. (in Russ.)Петренко В. Современные тренажеры для локомотивных бригад // Проблемы безопасности на транспорте: материалы X международной научно-практической конференции. Часть 3: Безопасность транспортных систем. Безопасность пассажирских перевозок. Гомель, 26–27 ноября 2020 г. С. 48-49.Petrenko V. [Advanced train crew simulators]. In: [Proceedings of the X International Research and Practice Conference Matters of Transportation Safety. Part 3: Transportation System Safety. Passenger Transportation Safety]; 2020. P. 48-49. (in Russ.)Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. New York: Springer, 2001. 745 p.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. New York: Springer; 2001.

The authors declare that there are no conflicts of interest present.