Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути
https://doi.org/10.21683/1729-2646-2020-20-2-43-53
Аннотация
Об авторах
И. Б. ШубинскийРоссия
Игорь Б. Шубинский – доктор технических наук, профессор, заместитель руководителя
Москва
тел. +7 (495) 786-68-57
А. М. Замышляев
Россия
Алексей М. Замышляев – доктор технических наук, заместитель Генерального директора
Москва
тел. +7 (495) 967-77-02
О. Б. Проневич
Россия
Ольга Б. Проневич – начальник отдела
Москва
тел.+7 (985) 242-21-62
А. Н. Игнатов
Россия
Алексей Н. Игнатов – кандидат физико-математических наук, старший преподаватель
Москва
тел. +7 (906) 059-50-00
Е. Н. Платонов
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