Preview

Надежность

Расширенный поиск

Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути

https://doi.org/10.21683/1729-2646-2020-20-2-43-53

Аннотация

Цель работы – уменьшение количества опасных событий на железнодорожном пути за счет разработки методологии прогнозирования редких опасных отказов на основе обработки больших массивов данных, поступающих в реальном масштабе времени от диагностических систем о каждом километре пути. Опасные отказы являются редкими событиями. Однако для железной дороги в целом ежегодно количество таких событий измеряется десятками и для эффективного управления безопасностью движения важно перейти от оценки вероятности появления опасного отказа как такового к определению наиболее вероятного места отказа. Методы. Задача выявления редких, но опасных возможных событий из сотен тысяч данных о некритичных отклонениях параметров железнодорожного пути не поддается решению традиционными методами статистической обработки. Прогнозирование опасных событий на основе указанной статистики осуществляется с помощью методов искусственного интеллекта. Для этого используются технологии анализа больших данных и Data Science. К таким технологиям относятся методы машинного обучения, решающие задачи классификации объектов на основе его характеристик (признаков, предикатов) и известных случаях реализации нежелательных событий. Применение различных алгоритмов машинного обучения демонстрируется на примере прогнозирования отказов верхнего строения пути по наблюдениям, собранным в период с 2014 г. по 2019 г. на Куйбышевской железной дороге. Результаты/Выводы. Результатом категорирования объектов является вывод о наиболее вероятном месте появления опасного отказа на железнодорожном пути. Такой вывод основан на анализе связей между случаями появления нежелательных событий и фактическими характеристиками объекта и условиями его эксплуатации. Практическое значение этой работы состоит в том, что предлагаемый набор методов и средств может рассматриваться как неотъемлемая часть системы принятия решений по техническому обслуживанию пути. Его можно легко адаптировать для функционирования в режиме онлайн и интегрировать с автоматизированной измерительной системой на базе транспортного средства.

Об авторах

И. Б. Шубинский
АО «НИИАС»
Россия

Игорь Б. Шубинский – доктор технических наук, профессор, заместитель руководителя

Москва
тел. +7 (495) 786-68-57 



А. М. Замышляев
АО «НИИАС»
Россия

Алексей М. Замышляев – доктор технических наук, заместитель Генерального директора

Москва
тел. +7 (495) 967-77-02 



О. Б. Проневич
АО «НИИАС»
Россия

Ольга Б. Проневич – начальник отдела

Москва
тел.+7 (985) 242-21-62 



А. Н. Игнатов
Московский авиационный институт
Россия

Алексей Н. Игнатов – кандидат физико-математических наук, старший преподаватель

Москва
тел. +7 (906) 059-50-00 



Е. Н. Платонов
Московский авиационный институт
Россия

Евгений Н. Платонов – кандидат физико-математических наук, доцент, факультет «Прикладной математики и физики»

Москва
тел. +7 (499) 158-45-60 



Список литературы

1. Суконников Г.В. Применение технологии «интернет вещей» в ОАО «РЖД» [электронный ресурс] // Инновационный Дайджест: [сайт]. [2017]. URL: http://www.rzd-expo.ru/innovation/novosti/1.pdf

2. Бондаренко Ю.В., Куксо А.А., Маркевич И.Г. Информационные технологии в управлении системой диагностики железнодорожных путей // Сборник докладов IX международной научно-практической конференции студентов, аспирантов и молодых ученых: в 4 томах. 2018. С. 214–215.

3. Назаров Д.Г., Гура Д.А. О системах автоматизированного путеизмерительного контроля / Кубанский государственный технологический институт: Научные труды КУБГТУ. Краснодар, 2019. С. 135–146.

4. Куракина С.Г., Шмакова Е.Г. Автоматизация диагностики и мониторинга участников контактной сети на железных дорогах // Современные инновации. 2017. № 8(22). С. 15–17.

5. Замышляев А.М. Предпосылки для создания цифровой системы управления безопасностью движения // Надежность. 2019. № 4(71). С. 45–52.

6. Кузнецов Г.А., Крашенинников С.В., Крайсвитний В.П. и др. Модернизация системы ГИД «УралВНИИЖТ» // Автоматика, связь, информатика. 2016. № 11. С. 15–19.

7. Замышляев А.М., Игнатов А.Н., Кибзун А.И. и др. Построение функциональной зависимости между рядом распределения количества вагонов в сходе и различными факторами движения // Надежность. 2018 . T. 18. № 1. С. 53–60.

8. Liu X., Saat M., Barkan C. Analysis of causes of major train derailment and their effect on accident rates // Transp. Res. Rec. J. Transp. Res. Board. 2012. Vol. 2289. P. 154–163.

9. Замышляев А.М., Игнатов А.Н., Кибзун А.И. и др. О нарушении безопасности движения, связанном с выходом в габарит соседнего пути подвижных единиц грузового поезда, сошедших с рельсов // Надежность. 2018. T. 18. № 3. С. 39–45.

10. Lasisi A., Attoh-Okine N. Principal components analysis and track quality index: a machine learning approach // Transp. Res. Part C. Emerg. Technol. 2018. Vol. 91. P. 230–248.

11. Dr. Allan M. Zarembski Better railroading through Big Data [электронный ресурс] // Railway age: [сайт]. [2018]. URL: https://www.railwayage.com/analytics/betterrailroading-through-big-data/

12. Thaduri A., Galar D., Kumar U. Railway assets: a potential domain for big data analytics // Proc. Comput. Sci. 2015. Vol. 53. P. 457–467.

13. Li Q., Zhong Z., Liang Z. et al. Rail inspection meets big data: methods and trends. // 18th International Conference on Network-Based Information Systems. 2015. P. 302–308.

14. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс, 2015. 402 с.

15. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение М.: ДМК Пресс, 2018. 652 с.

16. Widodo A., Yang B.S. Support vector machine in machine condition monitoring and fault diagnosis // Mech. Syst. Signal Process. 2007. Vol. 21. P. 2560–2574.

17. Sun W., Chen J., Li J. Decision tree and PCA-based fault diagnosis of rotating machinery // Mech. Syst. Signal Process. 2007. Vol. 21. P. 1300–1317.

18. Cerrada M., Zurita G., Cabrera D. et al. Fault diagnosis in spur gears based on genetic algorithm and random forest // Mech. Syst. Signal Process. 2016. Vol. 70–71. P. 87–103.

19. Santur Y., Karakose M., Akin E. Random forest based diagnosis approach for rail fault inspection in railways // National Conference on Electrical, Electronics and Biomedical Engineering. 2016. P. 714–719.

20. Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра РАН. 2013. № 1. С. 117–136.

21. Hosmer D., Lemeshov S., Sturdivant R.X. Applied Logistic Regression. New York: John Wiley & Sons, 2013. 528 p.

22. Samworth R.J. Optimal weighted nearest neighbour classifiers // Ann. Statist. 2012. Vol. 40. № 5. P. 2733–2763.

23. Famurewa S.M., Zhang L., Asplund M. Maintenance analytics for railway infrastructure decision support // Journal Qual. Maint. Eng. 2017. № 23. P. 310–325.

24. Hu C., Liu X. Modeling Track Geometry Degradation Using Support Vector Machine Technique // 2016 Joint Rail Conference. 2016.

25. Бойко П.Ю., Быков Е.М., Соколов Е.И., Яроцкий Д.А. Применение машинного обучения к ранжированию инцидентов на Московской железной дороге // Информационные технологии и вычислительные системы. 2017. № 2. С. 43–53.

26. Jiang Y., Wang H., Tian G. et al. Fast classification for rail defect depths using a hybrid intelligent method // Optik (Stuttg). 2019. Vol. 180. P. 455–468.

27. Gibert X., Patel V.M., Chellappa R. Deep multitask learning for railway track inspection // IEEE Trans. Intell. Transp. Syst. 2017. Vol. 18. P. 153–164.

28. Резницкий М.А., Аршинский Л.В. Программная реализация автоматизированной системы обнаружения дефектов верхнего строения пути на основе технологии свёрточных нейронных сетей // Молодая наука Сибири: электрон. науч. журн. 2018. № 1.

29. Lee J.S., Hwang S.H., Choi I.Y. et al. Prediction of track deterioration using maintenance data and machine learning schemes // J. Transp. Eng. Part A Syst. 2018. Vol. 144. P. 04018045-1:9.

30. Nakhaee M.C., Hiemstra D., Stoelinga M. et al. The Recent Applications of Machine Learning in Rail Track Maintenance: A Survey // Lecture Notes in Computer Science. 2019. P. 91–105.

31. Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. 2006. Vol. 27. P. 861–874.


Рецензия

Для цитирования:


Шубинский И.Б., Замышляев А.М., Проневич О.Б., Игнатов А.Н., Платонов Е.Н. Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути. Надежность. 2020;20(2):43-53. https://doi.org/10.21683/1729-2646-2020-20-2-43-53

For citation:


Shubinsky I.B., Zamyshliaev A.M., Pronevich O.B., Ignatov A.N., Platonov E.N. Application of machine learning methods for predicting hazardous failures of railway track assets. Dependability. 2020;20(2):43-53. https://doi.org/10.21683/1729-2646-2020-20-2-43-53

Просмотров: 1026


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1729-2646 (Print)
ISSN 2500-3909 (Online)