РАЗРАБОТКА СИСТЕМЫ ПРЕДИКТИВНОЙ АНАЛИТИКИ ДЛЯ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ УСТРОЙСТВ СИГНАЛИЗАЦИИ, ЦЕНТРАЛИЗАЦИИ И БЛОКИРОВКИ Текст научной статьи по специальности «Техника и технологии»

УДК 656

Минтус А.Н., Кучеренко С.И., Герасина И.Г.

РАЗРАБОТКА СИСТЕМЫ ПРЕДИКТИВНОЙ АНАЛИТИКИ ДЛЯ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ УСТРОЙСТВ СИГНАЛИЗАЦИИ, ЦЕНТРАЛИЗАЦИИ И БЛОКИРОВКИ

МтаШЛ.Ы.,КисИегепко Б.1., Оегаята¡.О.

DEVELOPMENT OF A PREDICTIVE ANALYTICS SYSTEM FOR THE TECHNICAL MAINTENANCE OF SIGNALING, CENTRALIZATION, AND

BLOCKING DEVICES

Введение

Системы сигнализации,

централизации и блокировки (СЦБ) играют ключевую роль в обеспечении безопасности и надежности

железнодорожного транспорта.

Эффективное техническое обслуживание этих систем является критически важным для предотвращения аварий и повышения эффективности

эксплуатации. В последние годы наблюдается рост интереса к использованию методов предиктивной аналитики, которые позволяют предсказывать состояние оборудования на основе анализа данных.

Анализ последних исследований и публикаций

Существующие системы

предиктивной аналитики в области технического обслуживания можно разделить на несколько категорий:

Системы мониторинга состояния, которые анализируют вибрации, температуру и другие параметры. Структура системы включает в себя различные датчики, сенсоры и актуаторы, собирающие данные (например, температуры, давления, вибрации), сети (Wi-Fi, LTE, LPWAN и др.), обеспечивающие передачу данных от устройств к облачным или локальным серверам, базы данных для хранения больших объемов, собранных данных как структурированных, так и неструктурированных и инструменты для обработки и анализа данных, включая статистические методы для выявления закономерностей и предсказаний [1]. Обобщенная структура изображена на рис. 1.

<5>

о

Объект контроля и мониторинга Устройство вывода информации

Шлюз подключения к данным

Облачные сервисы Цифровые

информационные панели и сервисы

Рис. 1. Обобщенная структура системы мониторинга состояния

Интеграция с представляет

собой концепцию, предполагающую соединение физических объектов с интернетом, что позволяет им осуществлять сбор и обмен данными [2].

В контексте предиктивной аналитики интеграция IoT предоставляет новые возможности для мониторинга и анализа состояния различных систем и устройств в реальном времени, что существенно повышает эффективность управления и эксплуатации этих систем.

Однако интеграция IoT в предиктивную аналитику имеет несколько недостатков. Например,

устройства IoT могут быть подвержены кибератакам. Данные, собранные с помощью IoT устройств, могут содержать шум или ошибки, что может привести к неверным выводам. Разработка и поддержка

инфраструктуры для сбора, хранения и обработки больших объемов данных требуют значительных финансовых ресурсов и технологической базы, что может быть особенно актуально для малых и средних предприятий.

Структура таких систем представлена на рис. 2.

Рис. 2. Структура системы предиктивной аналитики с интеграцией с IoT

Перечисленные решения не учитывают специфические особенности устройств СЦБ, что создает необходимость в разработке

специализированной системы.

устройств СЦБ и обеспечивать высокую точность прогнозирования состояния оборудования.

Основная часть

Цель работы_

Целью данной работы является разработка системы предиктивной аналитики, которая будет учитывать специфические характеристики

Согласно стандарту [3], система предиктивной аналитики должна выполнять ряд ключевых функций, направленных на обеспечение качества программного обеспечения и

удовлетворение требований

аналитических систем. В частности, система обязана обеспечивать непрерывный сбор данных в реальном времени с различных датчиков и устройств, входящих в состав систем сигнализации, централизации и блокировки (СЦБ). Критически важным является функционирование системы в условиях ограниченной пропускной способности сети, а также защита данных от потерь и искажений.

На этапе обработки данных необходимо реализовать алгоритмы предобработки, которые обеспечивают очистку и нормализацию собранных данных, что способствует их стандартизации и совместимости для последующего анализа. Для

предсказания состояния оборудования требуется разработка математической модели, основанной на анализе исторических данных и динамике изменений параметров оборудования. Эта модель должна учитывать как линейные, так и нелинейные зависимости между различными параметрами, а также возможные взаимодействия между ними.

Ключевым аспектом системы является разработка удобного интерфейса пользователя, который должен предоставлять интуитивно понятный доступ к визуализации данных и прогнозам для диспетчеров и технического персонала.

Исходя из вышеописанных требований для решения поставленной задачи разрабатываемая система будет состоять из четырех основных компонентов:

1) Модуль сбора данных является ключевым элементом системы, отвечающим за интеграцию с различными датчиками и системами сбора информации. Он обеспечивает

непрерывный поток данных в реальном времени, получая информацию от устройств, таких как датчики температуры, давления, вибрации и других параметров, критически важных для мониторинга состояния

оборудования.

2) Модуль обработки данных включает в себя алгоритмы, направленные на очистку, нормализацию и предварительный анализ собранной информации. На этом этапе осуществляется идентификация и устранение шумов и аномалий, которые могут негативно сказаться на качестве анализа.

3) Модуль предсказания реализует математическую модель, основанную на анализе исторических данных и динамике изменений параметров оборудования. В данном модуле применяются алгоритмы машинного обучения, такие как регрессионные модели, деревья решений и нейронные сети, для прогнозирования состояния объектов мониторинга.

4) Интерфейс визуализации предоставляет пользователям доступ к данным и прогнозам через графический интерфейс.

Таким образом, структура разрабатываемой системы будет выглядеть так, как показано на рис. 3.

Для реализации процесса обработки поступающих данных о неисправности устройства СЦБ предлагается использование модели регрессии, основанной на методах машинного обучения. Одним из подходов может быть использование алгоритма случайного леса

(RandomForest), который хорошо справляется с задачами классификации и регрессии, а также устойчив к переобучению [4].

Рис. 3. Структура разрабатываемой системы

Формально модель может быть представлена следующим образом:

Y = f(X) + е,

(1)

где У - состояние устройства;

X - данные, получаемые с устройств;

{ - функция, значение которой изменяется в зависимости от получаемых данных;

е - ошибка модели. Например, для обнаружения неисправности при работе схемы управления стрелкой введем переменные состояния, описывающие положение стрелки: х=+1 для плюсового положения стрелки и х=-1 для минусового. Значение х=0 означает неисправность стрелки. Определим управляющие воздействия, такие как команды на перевод и=1 и отсутствие команды на перевод и=0.

Тогда модель можно описать с помощью дифференциальных

уравнений. Основное уравнение будет выглядеть следующим образом:

x = f(x, u),

(2)

Функция д(х, и) может быть определена следующим образом:

Дх, и) =

( Если х = 0 и и = 1: ^0,1) = к1 [Еслих = 1 ии = 1: /(1,1) = — к1 )

Если стрелка не переводится по какой-либо причине (например, механическая неисправность), то состояние может перейти в х=0. Для этого можно ввести вероятность или условие, определяющее вероятность отказа:

f(0, 1) = ki (1 - p) - k p,

(4)

где р - вероятность того, что стрелка не переведется (например, из-за неисправности);

к2>0 - скорость перехода в состояние неисправности.

Если система переходит в состояние неисправности ДО, и)=0.

При нормальных условиях, если стрелка находится в состоянии х=0 и получена команда на перевод (и=1), она будет постепенно переходить в состояние х=1 с заданной скоростью.

В случае отказа (с вероятностью p) система перейдет в состояние неисправности (x=0), и дальнейшие команды не будут иметь эффекта.

Можно добавить дополнительные условия для диагностики состояния системы, например, периодическую проверку состояния стрелки и возможность возврата из состояния неисправности при устранении проблемы.

Таким образом, модель управления стрелкой с учетом возможных неисправностей позволяет более точно описать динамику системы и предусмотреть различные сценарии работы, что важно для обеспечения надежности и безопасности в управлении железнодорожным

Список литературы

1. Тихомиров, А.В. Анализ вибраций и температуры в системах мониторинга состояния оборудования / А.В. Тихомиров // Труды Российского государственного университета нефти и газа имени И.М. Губкина. -2019. -№12(1). - С. 120-125. - ISSN 2073-9028.

2. Боронин, П. Интернет вещей как новая концепция развития сетей связи / П. Боронин, А. Кучерявый // Информационные технологии и коммуникации. - 2014. - №3. - С. 7-29. -URL: https://www. sut.ru/doci/nauka/review/ 3-14.pdf/ - ISSN 2307-1303.

3. ISO/IEC 25010:2011. Системы и программное обеспечение. Модель качества. - Geneva: International Organization forStandardization, 2011. - 30 с.

4. Кузнецов, И.А. Применение дерева решений для анализа состояния сложных систем / И.А. Кузнецов // Вестник научных исследований. - 2021.

транспортом.

Дальнейший процесс разработки программной части системы описан в магистерской работе.

Выводы

Разработка системы предиктивной аналитики для технического

обслуживания устройств СЦБ является важным шагом к повышению безопасности и надежности

железнодорожного транспорта.

Предложенная система будет учитывать специфические особенности

оборудования, что позволит значительно улучшить точность прогнозирования состояния устройств.

References

1. Tikhomirov, A.V. Analysis of vibrations and temperature in equipment condition monitoring systems / A.V. Tikhomirov // Scientific Proceedings of Gubkin Russian State University of Oil and Gas. - 2019. - No. 12(1). - Pp. 120-125. - ISSN 2073-9028.

2. Boronin, P. The Internet of Things as a new concept for the development of communication networks / P. Boronin, A. Kucheryavy // Information Technologies and Communications. - 2014. - No. 3. -Pp. 7-29. -URL : https://www. sut.ru/doci/nauka/review/ 3-14.pdf/ - ISSN 2307-1303.

3. ISO/IEC 25010:2011. Systems and software engineering. System and software quality models. - Geneva: International Organization for Standardization, 2011. - 30 p.

4. Kuznetsov, I.A. Application of decision trees for analyzing the state of complex systems / I.A. Kuznetsov // Bulletin of Scientific Research. - 2021. -

- № 3. - С. 45-50.

Аннотации:

В данной статье рассмотрены актуальные аспекты устройств железнодорожной автоматики и телемеханики.

Рассматривается также система сигнализации, централизации и блокировки в Российской железной дороге, которая необходима для обеспечения безопасности и управления движением поездов.

Система предиктивной аналитики помогает улучшить планирование ресурсов и бюджета на техническое обслуживание, так как руководство может заранее прогнозировать потенциальные проблемы.

Ключевые слова: железнодорожная автоматика, сигнализация, централизация,

Сведения об авторах

Минтус Андрей Николаевич

Федеральное государственное

бюджетное образовательное

учреждение высшего образования «Донецкий институт железнодорожного транспорта» (ДОНИЖТ), кафедра «Автоматика, телемеханика, связь и вычислительная техника», кандидат технических наук, доцент, e-mail: [email protected]

Кучеренко Светлана Игоревна

Федеральное государственное

бюджетное образовательное

учреждение высшего образования «Донецкий институт железнодорожного транспорта» (ДОНИЖТ), кафедра «Автоматика, телемеханика, связь и вычислительная техника», студентка,

e-mail: [email protected]

Герасина Ирина Геннадиевна

АО «ИндигоСофт ЦТ», технический писатель, e-mail: [email protected]

No. 3. - Pp. 45-50.

блокировка, предиктивная аналитика, техническое обслуживание.

This article discusses current aspects of railway automation and telemechanics devices.

The system of signaling, centralization and blocking in the Russian Railway, which is necessary to ensure the safety and control of train traffic, is also being considered.

The predictive analytics system helps to improve resource planning and maintenance budget, as management can predict potential problems in advance.

Keywords: railway automation, alarm system, centralization, blocking, predictive analytics, maintenance.

Information about the authors

Mintus Andrey Nikolaevich

Federal State-Funded Educational Institution of Higher Education "Donetsk Railway Transport Institute" (DRTI), Department 'Automation, Telemechanics, Communications and Computer Engineering',

Candidate of Technical Sciences,

Associate Professor,

e-mail: [email protected]

Kucherenko Svetlana Igorevna

Federal State-Funded Educational Institution of Higher Education "Donetsk Railway Transport Institute" (DRTI), Department 'Automation, Telemechanics, Communications and Computer Engineering', Student,

e-mail: [email protected]

Gerasina Irina Gennadievna

AO "IndigoSoft CT", Technical Writer, e-mail: [email protected]