Канарский Вадим Андреевич – аспирант кафедры«Вычислительная техника и компьютерная графика»,преподаватель кафедры «Автоматика, телемеханика и связь»
Хабаровск
Vadim A. Kanarsky, post-graduate student, Departmentof Computer Engineering and Computer Graphics, lecturer, Department of Automation, Remote Control and Communications
Khabarovsk
SPIN code 3411-0352
Резюме. Устройства железнодорожной автоматики и телемеханики существуют уже достаточно давно, многие системы, будучи в эксплуатации, считаются устаревшими. При этом модернизация не успевает охватить все протяженные участки российских железных дорог. Внедрение систем мониторинга с начала 2000-x годов привело к более комфортному техническому обслуживанию громоздких систем сигнализации, централизации и блокировки СЦБ, сокращению времени поиска отказа в них. Во втором десятилетии XXI в. началось активное внедрение информационных технологий в разные сферы жизни, включая промышленность, однако в более медленном темпе, особенно на железнодорожном транспорте. Одной из инноваций стало появление ИИ – искусственного интеллекта, что на производстве привело к более прогрессивному поддержанию работоспособности устройств за счет прогнозирования предотказных состояний. В этом случае появляется возможность оповещения технического персонала интеллектуальной системой, обрабатывающей значимые параметры наблюдаемого объекта или процесса, тем самым заменяя ручной мониторинг, требующий времени и профессионального опыта.
Цель. Предложить использование методов искусственного интеллекта в устройствах железнодорожной автоматики на базе действующих систем технической диагностики и мониторинга.
Методы. Для создания, обработки и визуализации данных применяются методы машинного обучения без учителя на базе языка программирования Python. Результаты. Получен отклик моделей ИИ на аномальные изменения во временных характеристиках формирователей кода.
Заключение. Программа с поддержкой ИИ может являться ядром обработки данных мониторинга устройств СЦБ и требует тщательного исследования в прогнозировании их известных сбоев на сигнальной точке.
Abstract. Railway signalling automation devices have been around for quite some time. Many systems in operation are considered obsolete. At the same time, modernization does not cover the whole Russian railway system. The deployment of monitoring systems since the beginning of the 2000s made the maintenance of bulky signalling systems more comfortable, reduced the time of fault detection. The second decade of the 21-st century saw a widespread deployment of information technologies in various spheres of life, including industry, yet at a slower pace, especially in railway transportation. One of the innovations was the emergence of the artificial intelligence, which enabled more progressive maintenance of devices through prediction of pre-failure states. The latter allows notification of technical personnel by an intelligent system that processes significant parameters of the observed facility or process, thereby replacing manual monitoring that requires time and professional experience.
Aim. To suggest the use of artificial intelligence-based methods in railway signalling devices based on the existing technical diagnostics and monitoring systems. Methods. Python-based unsupervised machine learning methods are used to create, process and visualise data.
Results. The AI models showed a reaction to anomalous changes in the temporal characteristics of code generators.
Conclusion. An AI-enabled program can serve as the core for processing data related to the monitoring of railway signalling devices and requires careful research in predicting their known failures at the signal point.
The authors declare that there are no conflicts of interest present.