Архив

ПЕРСПЕКТИВЫ И РИСКИ ВНЕДРЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

Бочков А.В., д.т.н., АО «НИИАС»;

Аннотация

В статье приведён критический обзор широкого спектра современных публикаций отечественных и зарубежных авторов в области развития и внедрения интеллектуальных систем управления и интеллектуальных транспортных систем (ИТС) на железнодорожном транспорте. Отмечено, что перспективы внедрения разумных систем управления на железнодорожном транспорте являются многообещающими, особенно с точки зрения повышения безопасности, надежности и операционной эффективности. Эти системы объединяют искусственный интеллект (ИИ), машинное обучение и предиктивную аналитику данных для оптимизации операций, управления трафиком и улучшения протоколов обслуживания. Вместе с тем, показано, что существуют риски увлечения «модным» течением цифровизации без системного анализа такой необходимости и возможности в прикладных областях его применения, т.е. без концептуального проектирования среды функционирования ИТС. В статье даны практические рекомендации снижения данных рисков на основе базовых принципов сквозной концептуальной технологии цифровизации

Ключевые слова

искусственный интеллект, предиктивная аналитика, железнодорожные системы, риск, интеллектуальные транспортные системы, концептуальное проектирование.

Список использованной литературы

Gibert X., Patel V.M., Chellappa R. Deep multitask learning for railway trackя не inspection IEEE Trans. Intell. Transp. Syst., 18 (1) (2017), pp. 153-164, 10.1109/TITS.2016.2568758.
Fragnelli V., Sanguineti S. A game theoretic model for re-optimizing a railway timetable Eur. Transp. Res. Rev., 6 (2) (2014), pp. 113-125, 10.1007/s12544-013-0116-y.
SNCF Making your rail journey better with predictive maintenance (2020). URL: https://www.sncf.com/en/network-expertise/rolling-stock-division/how-predictive-maintenance-improves....
Как РЖД используют искусственный интеллект. URL: https://www.tadviser.ru/index.php/Проект: Искусственный_интеллект_в _РЖД?ysclid=m5tihqo1vk843029763
Przegalinska A. State of the art and future of artificial intelligence (2019) URL: https://poli-cycommons.net/artifacts/1335360/state-of-the-art-and-future-of-artificial-in-telli-genc....
Turing A.M. Computing machinery and intelligence. Parsing the Turing Test, Springer (2009), pp. 23-65.
Национальная стратегия развития искусственного интеллекта на период до 2030 года, утвержденная Указом Президента Российской Федерации от 10 октября 2019г. № 490.
ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем ис-кусственного интеллекта, пункт 3.18.\
ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения, пункт 3.6.
Kaplan A., Haenlein M. Siri, siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence Bus. Horiz., 62 (1) (2019), pp. 15-25, 10.1016/j.bushor.2018.08.004.
European Commission O.F., European Commission Communication from the commission to the European parliament, the European council, the council, the European economic and social committee and the committee of the regions Artificial Intelligence for Europe. Brussels (2018) URL: https://op.europa.eu/en/publication-detail/-/publication/a3b87099-4968-11e8-be1d-01aa75ed71a1/langua....
European Commission and Joint Research Centre Artificial Intelligence: A European Perspective Publications Office (2019), 10.2760/936974.
Copeland B. Artificial Intelligence Encyclopaedia Britannica, Inc. (2019) URL: https://www.britannica.com/technology/artificial-intelligence
Bešinović N., De Donato L., Flammini F., Goverde R.M.P., Lin Z., Liu R., Marrone S., Nar-done R., Tang T., Vittorini V. Artificial intelligence in railway transport: Taxonomy, regulations and applications IEEE Trans. Intell. Transp. Syst. (2021), pp. 1-14, 10.1109/TITS.2021.3131637.
LeCun Y., Bengio Y., Hinton G. Deep learning Nature, 521 (7553) (2015), pp. 436-444, 10.1038/nature14539.
Khabarov V.I., Speshilov K.V. Model' intellektual'nogo obuchayushchego agenta s ispol'zovaniem rassuzhdenii na osnove zdravogo smysla. Primenenie v trenazhernykh tekhnologiyakh [A model of an intellectual tutoring agent based on commonsense reasoning. Its application in simulator complexes]. Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences, 2018, no. 4 (41), pp.110-119 . doi: 10.17212/1727-2769-2018-4-110-119.
Ruifan Tang, Lorenzo De Donato, Nikola Bes̆inović, Francesco Flammini, Rob M.P. Goverde, Zhiyuan Lin, Ronghui Liu, Tianli Tang, Valeria Vittorini, Ziyulong Wang, A liter-ature review of Artificial Intelligence applications in railway systems, Transportation Research Part C: Emerging Technologies, Volume 140, 2022, 103679, ISSN 0968-090X, https://doi.org/10.1016/j.trc.2022.103679. (https://www.sciencedirect.com/science/arti-cle/pii/ S0968090X22001206).
Ghofrani F., He Q., Goverde R.M.P., Liu X. Recent applications of big data analytics in railway transportation systems: A survey Transp. Res. C, 90 (2018), pp. 226-246, 10.1016/j.trc.2018.03.010.
Jain Y., Yogesh J. A survey on railway assets: A potential domain for big data 2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), Vol. 1 (2019), pp. 1-6, 10.1109/ICICT46931.2019.8977714.
Wen C., Huang P., Li Z., Lessan J., Fu L., Jiang C., Xu X. Train dispatching management with data-driven approaches: A comprehensive review and appraisal IEEE Access, 7 (2019), pp. 114547-114571, 10.1109/ACCESS.2019.2935106.
Chenariyan Nakhaee M., Hiemstra D., Stoelinga M., van Noort M. The recent applications of machine learning in rail track maintenance: A survey International Conference on Reliability, Safety, and Security of Railway Systems, Springer International Publishing, Cham (2019), pp. 91-105.
Liu S., Wang Q., Luo Y. A review of applications of visual inspection technology based on image processing in the railway industry Transp. Saf. Environ, 1 (3) (2020), pp. 185-204, 10.1093/tse/tdz007.
Xie P., Li T., Liu J., Du S., Yang X., Zhang J. Urban flow prediction from spatiotemporal data using machine learning: A survey Inf. Fusion, 59 (2020), pp. 1-12, 10.1016/j.inffus.2020.01.002.
Bešinović N. Resilience in railway transport systems: a literature review and research agenda Transp. Rev., 40 (4) (2020), pp. 457-478, 10.1080/01441647.2020.1728419.
Corman F., Meng L. A review of online dynamic models and algorithms for railway traffic management IEEE Trans. Intell. Transp. Syst., 16 (3) (2015), pp. 1274-1284, 10.1109/TITS.2014.2358392.
Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.
Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.
Dmitriy, Viktorovich, Shvalov. (2023). 3. Methods of Monitoring the Fulfillment of the Shunt Effect of Track Circuits. doi: 10.20295/2412-9186-2023-9-03-229-238.
Yuliang, Zhao., Xiaodong, Yu., Meng, Chen., Ming, Zhang., Ye, Chen., Niu, Xuanyu., Xiao-peng, Sha., Zhikun, Zhan., Wen, J., Li. (2021). 4. Continuous Monitoring of Train Parameters Using IoT Sensor and Edge Computing. IEEE Sensors Journal, doi: 10.1109/JSEN.2020.3026643.
L., Faccini., Jihad, Karaki., Egidio, Di, Gialleonardo., Claudio, Somaschini., Marco, Fran-cesco, Bocciolone., Andrea, Collina. (2023). 2. A Methodology for Continuous Monitoring of Rail Corrugation on Subway Lines Based on Axlebox Acceleration Measurements. Applied Sciences, doi: 10.3390/app13063773.
Anis, Mhalla. (2022). 5. Monitoring of a Railway Transport Networks Based on the Study of Effective Sojourn Time. doi: 10.1109/IC_ASET53395.2022.9765834.
Шубинский, И. Б. Общие положения обоснования функциональной безопасности интеллектуальных систем на железнодорожном транспорте / И. Б. Шубинский, Е. Н. Розенберг // Надежность. – 2023. – Т. 23, № 3. – С. 38-45. – DOI 10.21683/1729-2646-2023-23-3-38-45. – EDN HGNXNT.
Vasil, Vatakov., Evelina, Pencheva., Emilia, Dimitrova. (2022). Recent Advances in Artifi-cial Intelligence for Improving Railway Operations. Telecom, 1-4. doi: 10.1109/TELE-COM56127.2022.10017265.
Rama, Chandra, Rao, Nampalli. (2024). Leveraging AI and Deep Learning for Predictive Rail Infrastructure Maintenance: Enhancing Safety and Reducing Downtime. International Journal of Engineering and Computer Science, 12(12):26014-26027. doi: 10.18535/ijecs/v12i12.4805
Попов, П. А. Применение технологий искусственного интеллекта для железнодорожного транспорта / П. А. Попов // Вестник Института проблем естественных монополий: Техника железных дорог. – 2024. – № 1(65). – С. 38-41. – EDN ZYYQSL.
Интеллектуальная рекомендательная система для пространственного анализа / С. Л. Беляков, А. В. Боженюк, Н. А. Голова [и др.] // Известия ЮФУ. Технические науки. – 2022. – № 3(227). – С. 14-26. – DOI 10.18522/2311-3103-2022-3-14-26. – EDN FDCQQW.
Охотников, А. Л. Искусственный интеллект для железной дороги / А. Л. Охотников, А. В. Зажигалкин // Автоматика, связь, информатика. – 2021. – № 5. – С. 30-34. – DOI 10.34649/АТ.2021.5.5.004. – EDN IFAYJK.
Dobrivoje, Dubljanin., Filip, Marković., Gabriela, Dimić., Dragan, Vučković., Martina, Petković., Lazar, Mosurović. (2024). Educational Application of Artificial Intelligence for Diagnosing the State of Railway Tracks. International Journal of Cognitive Research in Science, Engineering and Education, 12(2):467-476. doi: 10.23947/2334-8496-2024-12-2-467-476.
Dommaraju, Hema, Sai. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. doi: 10.55041/isjem01382.
Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Иерусалимов В.С. Формирование объективных показателей работы сортировочной станции на основе данных «от колеса» // Автоматика на транспорте. 2024. №3. URL: https://cyberleninka.ru/article/n/ formirovanie-obektivnyh-pokazateley-raboty-sortirovochnoy-stantsii-na-osnove-dannyh-otkolesa (дата обращения: 21.01.2025).
Гарбук, С. В. Метрологическая модель процесса оценивания функциональных характеристик систем искусственного интеллекта / С. В. Гарбук, Е. О. Шамина, А. В. Яшин// Законодательная и прикладная метрология. – 2024. – № 6(192). – С. 23-32. – DOI 10.32446/2782-5418.2024-6-23-32. – EDN NSKAJC.
Долгий, А. И. Интеллектуальный мониторинг перевозочных процессов на основе динамического метода главных компонент / А. И. Долгий, С. М. Ковалев, А. Н. Гуда //Вестник Ростовского государственного университета путей сообщения. – 2023. – №2(90). – С. 240-251. – DOI 10.46973/0201-727X_2023_2_240. – EDN YGLWRU.
Проневич, О. Б. Интеллектуальные методы повышения точности прогнозирования редких опасных событий на железнодорожном транспорте / О. Б. Проневич, М. В. Зайцев// Надежность. – 2021. – Т. 21, № 3. – С. 54-65. – DOI 10.21683/1729-2646-2021-21-3-54-65. – EDN CNENAL.
Marek, Pawlik. (2015). 3. Control command systems impact on the railway operational safety. Science and Transport Progress. Bulletin of Dnipropetrovsk National University of Railway Transport, doi: 10.15802/STP2015/42160.
Sergii, Kliuiev., Ievgen, Medvediev., Serhiy, Soroka., Vasyl, Dubuk. (2020).5.Development of the intelligent rail vehicle control system. doi: 10.1109/CSIT49958.2020.9321866.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 2. Artificial-intelligent-poweredsafety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 3. Artificial-intelligent-poweredsafety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.
Manfred, Wernicke. (2015). 4. Control of Rail Vehicles.
Francisco, A., Ortega., Juan, A., Mesa., Miguel, A., Pozo., Justo, Puerto. (2018). 2. Railway traffic disturbance management by means of control strategies applied to operations in the transit system. doi: 10.2495/TDI-V2-N4-362-372.
Sujith, Kumar, Kupunarapu. (2024). Machine Vision AI in Railroad Safety: Advanced In-spection Techniques. International Journal For Multidisciplinary Research, doi: 10.36948/ijfmr.2024.v06i06.29575.
Корнев, Д. А. Моделирование сетей передачи данных в интеллектуальной системе управления движением поездов / Д. А. Корнев // Известия Транссиба. – 2023. – № 3(55). С. 141-154. – EDN QICJOC.
Компьютерное зрение как способ интеллектуализации систем горочной автоматизации / И. А. Ольгейзер, А. В. Суханов, А. М. Лященко, Д. В. Глазунов // Проблемы машиностроения и автоматизации. – 2022. – № 1. – С. 46-53. – DOI 10.52261/02346206_2022_1_46. – EDN LOQVJH.
Структурная идентификация стохастических объектов в интеллектуальных динамических системах / П. А. Кучеренко, Л. Н. Стажарова, А. В. Костюков [и др.] // Вестник Ростовского государственного университета путей сообщения. – 2022. – № 3(87). – С. 126-135. – DOI 10.46973/0201-727X_2022_3_126. – EDN BFLNPU.
Elise, Amiel., Markos, Anastasopoulos., Guillaume, Chevaleyre., Alice, Consilvio. (2023). On applying artificial intelligence techniques to maximise passengers comfort and infrastructure reliability in urban railway systems. 1-6. doi: 10.1109/mt-its56129.2023.10241648.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.
Chenchen, Liu., Hongwei, Wang., Lin, Wang. (2024). Intelligent Technology Assessment of High-Speed Railway Based on Knowledge Graphs. Advances in Engineering Technology Research, doi: 10.56028/aetr.9.1.396.2024.
Nisha, Prasad., Shailendra, Jain. (2024). Intelligent Technologies in High-Speed Rail Transit Systems. Energy, Environment, and Sustainability, 217-249. doi: 10.1007/978-981-97-0515-3_10.
Xue, Yang., Huan, Wang., Lijuan, Li. (2023). Train operation scheduling optimization based on deep reinforcement learning. 2558 doi: 10.1088/1742-6596/2558/1/012042.
Min, Zhou., Xuan, Liu., Zhuopu, Hou., Jingfan, Shang., Yixiang, Yue., Haifeng, Song.(2020). Integrated Optimization of Dispatching Decision and Speed Trajectory for High-Speed Railway Under Disturbances *. doi: 10.1109/CAC51589.2020.9327211.
Rongsheng, Wang., Zhiming, Yuan., Shuxin, Ding. (2023). A train timetable rescheduling approach based on multi-train tracking optimization of high-speed railways. Railway Sciences, doi: 10.1108/rs-05-2023-0022.
Feng, Li., Gao, Ziyou., Chen, Xiaojing., Wu, Jianjun., Jia, Bin. (2019). Method for avoiding deadlock state of train operation and global optimization control method of train operation.
Сравнительная оценка параметров движения поездов для различных вариантов виртуальной сцепки / Е. Н. Розенберг, А. В. Озеров, В. И. Кузнецов, С. С. Тихонов // Мир транспорта. – 2023. – Т. 21, № 4(107). – С. 30-39. – DOI 10.30932/1992-3252-2023-21-4-4. – EDN NSJDAX.
«Виртуальная сцепка» на Восточном полигоне: достигнутые эффекты и направления развития / А. И. Долгий, А. Г. Сахаров, М. А. Дежков [и др.] // Транспорт РоссийскойФедерации. – 2023. – № 5-6(108-109). – С. 15-19. – EDN CMARKE.
Охотников, А. Л. Виртуальная сцепка как элемент интервального регулирования движения поездов / А. Л. Охотников // Наука и технологии железных дорог. – 2024. – Т. 8, № 2(30). – С. 42-47. – EDN FWAUVY.
Никаноров С. П., Никитина Н. К., Теслинов А. Г. Введение в концептуальное проектирование АСУ: анализ и синтез структур. ⎯ М.: РВСН, 1995. ⎯ 234 с. Электронный ресурс. URL: https://www.teslinov.ru/wp-content/uploads/2020/01/ Conceptualnoe-proektiro-vanie.pdf (дата обращения: 16.01.2025).
Кучкаров З.А. Методы концептуального анализа и синтеза в теоретическом исследовании и проектировании социально-экономических систем – М.: Концепт, 2006. ч.1(276 с), ч. 2 (268 с).

Скачать / Download

PROSPECTS AND RISKS OF IMPLEMENTATION OF INTELLIGENT CONTROL SYSTEMS IN RAILWAY TRANSPORT

Bochkov A.V., Doctor of Technical Sciences, JSC "NIIAS";

Abstract

The article provides a critical review of a wide range of modern publications by domestic and foreign authors in the field of development and implementation of intelligent control systems and intelligent transportation systems (ITS) in railway transportation. It is noted, that the prospects for the introduction of intelligent control systems in railway transportation are promising, especially in terms of improving safety, reliability, and operational efficiency. These systems combine artificial intelligence (AI), machine learning, and predictive data analysis to optimize operations, manage traffic, and improve service protocols. At the same time, it is shown that there is a risk of being carried away by the "fashionable" trend of digitalization without a systems analysis of its necessity and possibilities in the application areas, i.e. without a conceptual design of the ITS operating environment. The article gives practical recommendations on how to reduce these risks based on the basic principles of end-to-end conceptual technology of digitization.

Keywords

artificial intelligence, predictive analytics, railway systems, risk, intelligent transport systems, conceptual design.

References

Burroughs D. The future of intelligence is artificial (2019) URL: https://www.railjournal.com/ in_depth/future-intelligence-artificial.
Gibert X., Patel V.M., Chellappa R. Deep multitask learning for railway trackя не inspection IEEE Trans. Intell. Transp. Syst., 18 (1) (2017), pp. 153-164, 10.1109/TITS.2016.2568758.
Fragnelli V., Sanguineti S. A game theoretic model for re-optimizing a railway timetable Eur. Transp. Res. Rev., 6 (2) (2014), pp. 113-125, 10.1007/s12544-013-0116-y.
SNCF Making your rail journey better with predictive maintenance (2020). URL: https://www.sncf.com/en/network-expertise/rolling-stock-division/how-predictive-maintenance-improves....
Как РЖД используют искусственный интеллект. URL: https://www.tadviser.ru/index.php/Проект: Искусственный_интеллект_в _РЖД?ysclid=m5tihqo1vk843029763
Przegalinska A. State of the art and future of artificial intelligence (2019) URL: https://poli-cycommons.net/artifacts/1335360/state-of-the-art-and-future-of-artificial-in-telli-genc....
Turing A.M. Computing machinery and intelligence. Parsing the Turing Test, Springer (2009), pp. 23-65.
Национальная стратегия развития искусственного интеллекта на период до 2030 года, утвержденная Указом Президента Российской Федерации от 10 октября 2019г. № 490.
ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем ис-кусственного интеллекта, пункт 3.18.\
ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения, пункт 3.6.
Kaplan A., Haenlein M. Siri, siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence Bus. Horiz., 62 (1) (2019), pp. 15-25, 10.1016/j.bushor.2018.08.004.
European Commission O.F., European Commission Communication from the commission to the European parliament, the European council, the council, the European economic and social committee and the committee of the regions Artificial Intelligence for Europe. Brussels (2018) URL: https://op.europa.eu/en/publication-detail/-/publication/a3b87099-4968-11e8-be1d-01aa75ed71a1/langua....
European Commission and Joint Research Centre Artificial Intelligence: A European Perspective Publications Office (2019), 10.2760/936974.
Copeland B. Artificial Intelligence Encyclopaedia Britannica, Inc. (2019) URL: https://www.britannica.com/technology/artificial-intelligence
Bešinović N., De Donato L., Flammini F., Goverde R.M.P., Lin Z., Liu R., Marrone S., Nar-done R., Tang T., Vittorini V. Artificial intelligence in railway transport: Taxonomy, regulations and applications IEEE Trans. Intell. Transp. Syst. (2021), pp. 1-14, 10.1109/TITS.2021.3131637.
LeCun Y., Bengio Y., Hinton G. Deep learning Nature, 521 (7553) (2015), pp. 436-444, 10.1038/nature14539.
Khabarov V.I., Speshilov K.V. Model' intellektual'nogo obuchayushchego agenta s ispol'zovaniem rassuzhdenii na osnove zdravogo smysla. Primenenie v trenazhernykh tekhnologiyakh [A model of an intellectual tutoring agent based on commonsense reasoning. Its application in simulator complexes]. Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences, 2018, no. 4 (41), pp.110-119 . doi: 10.17212/1727-2769-2018-4-110-119.
Ruifan Tang, Lorenzo De Donato, Nikola Bes̆inović, Francesco Flammini, Rob M.P. Goverde, Zhiyuan Lin, Ronghui Liu, Tianli Tang, Valeria Vittorini, Ziyulong Wang, A liter-ature review of Artificial Intelligence applications in railway systems, Transportation Research Part C: Emerging Technologies, Volume 140, 2022, 103679, ISSN 0968-090X, https://doi.org/10.1016/j.trc.2022.103679. (https://www.sciencedirect.com/science/arti-cle/pii/ S0968090X22001206).
Ghofrani F., He Q., Goverde R.M.P., Liu X. Recent applications of big data analytics in railway transportation systems: A survey Transp. Res. C, 90 (2018), pp. 226-246, 10.1016/j.trc.2018.03.010.
Jain Y., Yogesh J. A survey on railway assets: A potential domain for big data 2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), Vol. 1 (2019), pp. 1-6, 10.1109/ICICT46931.2019.8977714.
Wen C., Huang P., Li Z., Lessan J., Fu L., Jiang C., Xu X. Train dispatching management with data-driven approaches: A comprehensive review and appraisal IEEE Access, 7 (2019), pp. 114547-114571, 10.1109/ACCESS.2019.2935106.
Chenariyan Nakhaee M., Hiemstra D., Stoelinga M., van Noort M. The recent applications of machine learning in rail track maintenance: A survey International Conference on Reliability, Safety, and Security of Railway Systems, Springer International Publishing, Cham (2019), pp. 91-105.
Liu S., Wang Q., Luo Y. A review of applications of visual inspection technology based on image processing in the railway industry Transp. Saf. Environ, 1 (3) (2020), pp. 185-204, 10.1093/tse/tdz007.
Xie P., Li T., Liu J., Du S., Yang X., Zhang J. Urban flow prediction from spatiotemporal data using machine learning: A survey Inf. Fusion, 59 (2020), pp. 1-12, 10.1016/j.inffus.2020.01.002.
Bešinović N. Resilience in railway transport systems: a literature review and research agenda Transp. Rev., 40 (4) (2020), pp. 457-478, 10.1080/01441647.2020.1728419.
Corman F., Meng L. A review of online dynamic models and algorithms for railway traffic management IEEE Trans. Intell. Transp. Syst., 16 (3) (2015), pp. 1274-1284, 10.1109/TITS.2014.2358392.
Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.
Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.
Dmitriy, Viktorovich, Shvalov. (2023). 3. Methods of Monitoring the Fulfillment of the Shunt Effect of Track Circuits. doi: 10.20295/2412-9186-2023-9-03-229-238.
Yuliang, Zhao., Xiaodong, Yu., Meng, Chen., Ming, Zhang., Ye, Chen., Niu, Xuanyu., Xiao-peng, Sha., Zhikun, Zhan., Wen, J., Li. (2021). 4. Continuous Monitoring of Train Parameters Using IoT Sensor and Edge Computing. IEEE Sensors Journal, doi: 10.1109/JSEN.2020.3026643.
L., Faccini., Jihad, Karaki., Egidio, Di, Gialleonardo., Claudio, Somaschini., Marco, Fran-cesco, Bocciolone., Andrea, Collina. (2023). 2. A Methodology for Continuous Monitoring of Rail Corrugation on Subway Lines Based on Axlebox Acceleration Measurements. Applied Sciences, doi: 10.3390/app13063773.
Anis, Mhalla. (2022). 5. Monitoring of a Railway Transport Networks Based on the Study of Effective Sojourn Time. doi: 10.1109/IC_ASET53395.2022.9765834.
Шубинский, И. Б. Общие положения обоснования функциональной безопасности интеллектуальных систем на железнодорожном транспорте / И. Б. Шубинский, Е. Н. Розенберг // Надежность. – 2023. – Т. 23, № 3. – С. 38-45. – DOI 10.21683/1729-2646-2023-23-3-38-45. – EDN HGNXNT.
Vasil, Vatakov., Evelina, Pencheva., Emilia, Dimitrova. (2022). Recent Advances in Artifi-cial Intelligence for Improving Railway Operations. Telecom, 1-4. doi: 10.1109/TELE-COM56127.2022.10017265.
Rama, Chandra, Rao, Nampalli. (2024). Leveraging AI and Deep Learning for Predictive Rail Infrastructure Maintenance: Enhancing Safety and Reducing Downtime. International Journal of Engineering and Computer Science, 12(12):26014-26027. doi: 10.18535/ijecs/v12i12.4805
Попов, П. А. Применение технологий искусственного интеллекта для железнодорожного транспорта / П. А. Попов // Вестник Института проблем естественных монополий: Техника железных дорог. – 2024. – № 1(65). – С. 38-41. – EDN ZYYQSL.
Интеллектуальная рекомендательная система для пространственного анализа / С. Л. Беляков, А. В. Боженюк, Н. А. Голова [и др.] // Известия ЮФУ. Технические науки. – 2022. – № 3(227). – С. 14-26. – DOI 10.18522/2311-3103-2022-3-14-26. – EDN FDCQQW.
Охотников, А. Л. Искусственный интеллект для железной дороги / А. Л. Охотников, А. В. Зажигалкин // Автоматика, связь, информатика. – 2021. – № 5. – С. 30-34. – DOI 10.34649/АТ.2021.5.5.004. – EDN IFAYJK.
Dobrivoje, Dubljanin., Filip, Marković., Gabriela, Dimić., Dragan, Vučković., Martina, Petković., Lazar, Mosurović. (2024). Educational Application of Artificial Intelligence for Diagnosing the State of Railway Tracks. International Journal of Cognitive Research in Science, Engineering and Education, 12(2):467-476. doi: 10.23947/2334-8496-2024-12-2-467-476.
Dommaraju, Hema, Sai. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. doi: 10.55041/isjem01382.
Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Иерусалимов В.С. Формирование объективных показателей работы сортировочной станции на основе данных «от колеса» // Автоматика на транспорте. 2024. №3. URL: https://cyberleninka.ru/article/n/ formirovanie-obektivnyh-pokazateley-raboty-sortirovochnoy-stantsii-na-osnove-dannyh-otkolesa (дата обращения: 21.01.2025).
Гарбук, С. В. Метрологическая модель процесса оценивания функциональных характеристик систем искусственного интеллекта / С. В. Гарбук, Е. О. Шамина, А. В. Яшин// Законодательная и прикладная метрология. – 2024. – № 6(192). – С. 23-32. – DOI 10.32446/2782-5418.2024-6-23-32. – EDN NSKAJC.
Долгий, А. И. Интеллектуальный мониторинг перевозочных процессов на основе динамического метода главных компонент / А. И. Долгий, С. М. Ковалев, А. Н. Гуда //Вестник Ростовского государственного университета путей сообщения. – 2023. – №2(90). – С. 240-251. – DOI 10.46973/0201-727X_2023_2_240. – EDN YGLWRU.
Проневич, О. Б. Интеллектуальные методы повышения точности прогнозирования редких опасных событий на железнодорожном транспорте / О. Б. Проневич, М. В. Зайцев// Надежность. – 2021. – Т. 21, № 3. – С. 54-65. – DOI 10.21683/1729-2646-2021-21-3-54-65. – EDN CNENAL.
Marek, Pawlik. (2015). 3. Control command systems impact on the railway operational safety. Science and Transport Progress. Bulletin of Dnipropetrovsk National University of Railway Transport, doi: 10.15802/STP2015/42160.
Sergii, Kliuiev., Ievgen, Medvediev., Serhiy, Soroka., Vasyl, Dubuk. (2020).5.Development of the intelligent rail vehicle control system. doi: 10.1109/CSIT49958.2020.9321866.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 2. Artificial-intelligent-poweredsafety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 3. Artificial-intelligent-poweredsafety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.
Manfred, Wernicke. (2015). 4. Control of Rail Vehicles.
Francisco, A., Ortega., Juan, A., Mesa., Miguel, A., Pozo., Justo, Puerto. (2018). 2. Railway traffic disturbance management by means of control strategies applied to operations in the transit system. doi: 10.2495/TDI-V2-N4-362-372.
Sujith, Kumar, Kupunarapu. (2024). Machine Vision AI in Railroad Safety: Advanced In-spection Techniques. International Journal For Multidisciplinary Research, doi: 10.36948/ijfmr.2024.v06i06.29575.
Корнев, Д. А. Моделирование сетей передачи данных в интеллектуальной системе управления движением поездов / Д. А. Корнев // Известия Транссиба. – 2023. – № 3(55). С. 141-154. – EDN QICJOC.
Компьютерное зрение как способ интеллектуализации систем горочной автоматизации / И. А. Ольгейзер, А. В. Суханов, А. М. Лященко, Д. В. Глазунов // Проблемы машиностроения и автоматизации. – 2022. – № 1. – С. 46-53. – DOI 10.52261/02346206_2022_1_46. – EDN LOQVJH.
Структурная идентификация стохастических объектов в интеллектуальных динамических системах / П. А. Кучеренко, Л. Н. Стажарова, А. В. Костюков [и др.] // Вестник Ростовского государственного университета путей сообщения. – 2022. – № 3(87). – С. 126-135. – DOI 10.46973/0201-727X_2022_3_126. – EDN BFLNPU.
Elise, Amiel., Markos, Anastasopoulos., Guillaume, Chevaleyre., Alice, Consilvio. (2023). On applying artificial intelligence techniques to maximise passengers comfort and infrastructure reliability in urban railway systems. 1-6. doi: 10.1109/mt-its56129.2023.10241648.
Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.
Chenchen, Liu., Hongwei, Wang., Lin, Wang. (2024). Intelligent Technology Assessment of High-Speed Railway Based on Knowledge Graphs. Advances in Engineering Technology Research, doi: 10.56028/aetr.9.1.396.2024.
Nisha, Prasad., Shailendra, Jain. (2024). Intelligent Technologies in High-Speed Rail Transit Systems. Energy, Environment, and Sustainability, 217-249. doi: 10.1007/978-981-97-0515-3_10.
Xue, Yang., Huan, Wang., Lijuan, Li. (2023). Train operation scheduling optimization based on deep reinforcement learning. 2558 doi: 10.1088/1742-6596/2558/1/012042.
Min, Zhou., Xuan, Liu., Zhuopu, Hou., Jingfan, Shang., Yixiang, Yue., Haifeng, Song.(2020). Integrated Optimization of Dispatching Decision and Speed Trajectory for High-Speed Railway Under Disturbances *. doi: 10.1109/CAC51589.2020.9327211.
Rongsheng, Wang., Zhiming, Yuan., Shuxin, Ding. (2023). A train timetable rescheduling approach based on multi-train tracking optimization of high-speed railways. Railway Sciences, doi: 10.1108/rs-05-2023-0022.
Feng, Li., Gao, Ziyou., Chen, Xiaojing., Wu, Jianjun., Jia, Bin. (2019). Method for avoiding deadlock state of train operation and global optimization control method of train operation.
Сравнительная оценка параметров движения поездов для различных вариантов виртуальной сцепки / Е. Н. Розенберг, А. В. Озеров, В. И. Кузнецов, С. С. Тихонов // Мир транспорта. – 2023. – Т. 21, № 4(107). – С. 30-39. – DOI 10.30932/1992-3252-2023-21-4-4. – EDN NSJDAX.
«Виртуальная сцепка» на Восточном полигоне: достигнутые эффекты и направления развития / А. И. Долгий, А. Г. Сахаров, М. А. Дежков [и др.] // Транспорт РоссийскойФедерации. – 2023. – № 5-6(108-109). – С. 15-19. – EDN CMARKE.
Охотников, А. Л. Виртуальная сцепка как элемент интервального регулирования движения поездов / А. Л. Охотников // Наука и технологии железных дорог. – 2024. – Т. 8, № 2(30). – С. 42-47. – EDN FWAUVY.
Никаноров С. П., Никитина Н. К., Теслинов А. Г. Введение в концептуальное проектирование АСУ: анализ и синтез структур. ⎯ М.: РВСН, 1995. ⎯ 234 с. Электронный ресурс. URL: https://www.teslinov.ru/wp-content/uploads/2020/01/ Conceptualnoe-proektiro-vanie.pdf (дата обращения: 16.01.2025).
Кучкаров З.А. Методы концептуального анализа и синтеза в теоретическом исследовании и проектировании социально-экономических систем – М.: Концепт, 2006. ч.1(276 с), ч. 2 (268 с).

Скачать / Download

ВЫПРАВКА СОРТИРОВОЧНЫХ ПУТЕЙ НА ОСНОВЕ ДАННЫХ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Хатламаджиян А.Е. к.т.н., доцент, заместитель генерального директора, АО «НИИАС»;

Ольгейзер И.А. к.т.н., доцент, первый заместитель директора Ростовского филиала, АО «НИИАС»;

Суханов А.В. к.т.н., доцент, заместитель начальника отделения ИИТЦС, АО «НИИАС»;

Боровлев П.В. ведущий инженер-программист отделения ИИТЦС, АО «НИИАС»;

Аннотация

В работе предложена концепция использования данных Комплекса компьютерного зрения для контроля занятости сортировочных путей (КЗСП) при выправке и диагностике продольного профиля пути. Показаны принципы расчета продольного профиля сортировочных путей на основе данных, полученных в результате работы КЗСП. Представлены результаты на реальном объекте внедрения (ст. Кинель Куйбышевской железной дороги), а также анализ профиля с учетом текущей выправки. В заключении представлено описание эффективности КЗСП при оптимизации трудозатрат при автоматизации сортировочных процессах и текущем ремонте путей сортировочного парка

Ключевые слова

Контроль сортировочных путей, измерение продольного профиля, комплекс компьютерного зрения, автоматизация сортировочных процессов, цифровая железнодорожная станция

Список использованной литературы

1. Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Борисов В.В. Компьютерное зрение для контроля сортировочных процессов/ А.Е. Хатламаджиян [и др.] //Автоматика,
связь, информатика. — 2021. — №. 3. — С. 8-11.

2. Рыбалкин В.И. Структура построения устройства управления прицельным торможением / В.И. Рыбалкин //Современные технологии обеспечения безопасности на железнодорожном транспорте. — 2022. — С. 173-176.

3. Андреев В.Е., Долгий А.И., Кудюкин В.В., Хатламаджиян А.Е., Гришаев C.Ю., Ольгейзер И.А. Цифровая железнодорожная станция — от концепции к реальному внедрению. / В.Е. Андреев [и др.] // Автоматика, связь, информатика. — 2023. — № 9. — С. 2-6.

4. Ольгейзер И. А. Безопасность роспуска составов на сортировочных горках. Граничные условия функционирования при эксплуатации горочных систем автоматизации. —
2019.

5. Даглдиян Г. Д., Швалов Д. В., Давыдов Ю. В. Исследование причин возникновения"
окон" на путях сортировочного парка //Вестник Ростовского государственного университета путей сообщения. — 2019. — №. 1. — С. 53-60.

6. Долгий А.И., Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Корниенко К.И. Инновационные алгоритмы машинного зрения для диагностики продольного профиля
сортировочных путей/ А.И. Долгий [и др.] // Автоматика, связь, информатика. — 2022.
— № 8. — С. 7–9. DOI: 10.34649/AT.2022.8.8.002.

7. Корниенко К.И. Совершенствование метода расчета продольного профиля сортировочных путей железнодорожных станций: диссертация ... кандидата технических
наук: 05.22.08 / Корниенко Константин Ильич; [Место защиты: Новосибирск федеральном государственном бюджетном образовательном учреждении высшего образования «Сибирский государственный университет путей сообщения»] — Новосибирск,
2019. — С. 170.

8. Методика ОАО «РЖД» от 15.12.2017 № 1339 (ред. от 20.02.2018) «Методика аттестации железнодорожных станций с автоматизированными горками с позиции обеспечения безопасности при роспуске вагонов-цистерн для перевозки опасных грузов 2
класса с классификационным шифром 2112 и номерами ООН 1011, 1965, 1969, 1978
опасности (пропанобутановые смеси)» — С. 12.

9. Zhang Y. et al. Real-time vehicle detection based on improved yolo v5 //Sustainability. —
2022. — Т. 14. — №. 19. — С. 12274.

10. Меншутина Е. Р., Жебанов А. В. Предиктивная аналитика при ремонте колёсных пар.
— 2022.

Скачать / Download

REPAIR OF MARSHALLING TRACKS BASED ON COMPUTER VISION DATA ANALYSIS

Khatlamadzhiyan A.E. Ph.D., Associate Professor, Deputy General Director, JSC "NIIAS";

Olgeizer I.A. Ph.D., Associate Professor, First Deputy Director of the Rostov Branch, JSC "NIIAS";

Sukhanov A.V. Ph.D., Associate Professor, Deputy Head of the Department of IITCS, JSC "NIIAS";

Borovlev P.V. Leading software engineer of the IITCS department, JSC "NIIAS";

Abstract

The paper proposes the concept of using Computer Vision data to monitor the occupancy of sorting tracks (KZSP) when straightening and diagnosing the longitudinal profile of the track. The principles of calculating the longitudinal profile of sorting tracks based on the data obtained as a result of the work of the KZSP are shown. The results are presented at a real implementation facility (Kinel station of the Kuibyshev Railway), as well as an analysis of the profile, taking into account the current alignment. In conclusion, a description of the effectiveness of the KZSP in optimizing labor costs in the automation of sorting processes and the ongoing repair of the sorting fleet tracks is presented

Keywords

Railway Station Control, longitudinal profile estimation, hump yard automation, digital freight sorting station

References

1. Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Борисов В.В. Компьютерное зрение для контроля сортировочных процессов/ А.Е. Хатламаджиян [и др.] //Автоматика,
связь, информатика. — 2021. — №. 3. — С. 8-11.

2. Рыбалкин В.И. Структура построения устройства управления прицельным торможением / В.И. Рыбалкин //Современные технологии обеспечения безопасности на железнодорожном транспорте. — 2022. — С. 173-176.

3. Андреев В.Е., Долгий А.И., Кудюкин В.В., Хатламаджиян А.Е., Гришаев C.Ю., Ольгейзер И.А. Цифровая железнодорожная станция — от концепции к реальному внедрению. / В.Е. Андреев [и др.] // Автоматика, связь, информатика. — 2023. — № 9. — С. 2-6.

4. Ольгейзер И. А. Безопасность роспуска составов на сортировочных горках. Граничные условия функционирования при эксплуатации горочных систем автоматизации. —
2019.

5. Даглдиян Г. Д., Швалов Д. В., Давыдов Ю. В. Исследование причин возникновения"
окон" на путях сортировочного парка //Вестник Ростовского государственного университета путей сообщения. — 2019. — №. 1. — С. 53-60.

6. Долгий А.И., Хатламаджиян А.Е., Ольгейзер И.А., Суханов А.В., Корниенко К.И. Инновационные алгоритмы машинного зрения для диагностики продольного профиля
сортировочных путей/ А.И. Долгий [и др.] // Автоматика, связь, информатика. — 2022.
— № 8. — С. 7–9. DOI: 10.34649/AT.2022.8.8.002.

7. Корниенко К.И. Совершенствование метода расчета продольного профиля сортировочных путей железнодорожных станций: диссертация ... кандидата технических
наук: 05.22.08 / Корниенко Константин Ильич; [Место защиты: Новосибирск федеральном государственном бюджетном образовательном учреждении высшего образования «Сибирский государственный университет путей сообщения»] — Новосибирск,
2019. — С. 170.

8. Методика ОАО «РЖД» от 15.12.2017 № 1339 (ред. от 20.02.2018) «Методика аттестации железнодорожных станций с автоматизированными горками с позиции обеспечения безопасности при роспуске вагонов-цистерн для перевозки опасных грузов 2
класса с классификационным шифром 2112 и номерами ООН 1011, 1965, 1969, 1978
опасности (пропанобутановые смеси)» — С. 12.

9. Zhang Y. et al. Real-time vehicle detection based on improved yolo v5 //Sustainability. —
2022. — Т. 14. — №. 19. — С. 12274.

10. Меншутина Е. Р., Жебанов А. В. Предиктивная аналитика при ремонте колёсных пар.
— 2022.

Скачать / Download

ИСПОЛЬЗОВАНИЕ КОНЦЕПЦИИ «ОШИБОЧНОГО» КЛАССА ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА РАСПОЗНАВАНИЯ НОМЕРОВ ЖЕЛЕЗНОДОРОЖНЫХ ПОДВИЖНЫХ ЕДИНИЦ

Пузеренко А.В., инженер 1 категории отделения ИИТЦС, АО «НИИАС»;

Максимов К.Ю., начальник сектора отделения ИИТЦС, АО «НИИАС»;

Боровлев П.В., ведущий инженер-программист отделения ИИТЦС, АО «НИИАС»;

Суханов А.В., к.т.н., доцент, заместитель начальника отделения ИИТЦС, АО «НИИАС»;

Аннотация

В работе представлено описание концепции «ошибочного» класса в задаче распознавания номеров железнодорожных подвижных единиц — вагонов и локомотивов. Показаны проблемы существующих алгоритмов распознавания на примере системы контроля и подготовки информации о перемещениях вагонов и локомотивов на станции в реальном времени (СКПИ ПВЛ РВ). Выявлена основная проблема распознавания вагонов и локомотивов, связанная с множественными надписями и визуальными дефектами, не относящимися к инвентарным номерам подвижного состава. Представлено решении данной проблемы путем применения модели Yolov8s.

Ключевые слова

распознавание объектов, ошибочный класс, ложноположительные срабатывания, YOLO, железнодорожные вагоны, локомотивы, инвентарные номера, машинное обучение, компьютерное зрение

Список использованной литературы

1. Sukanya C. M., Gokul R., Paul V. A survey on object recognition methods // International Journal of Science, Engineering and Computer Technology. — 2016. — Т. 6. — №. 1. — С. 48.

2. Суханов А. В. и др. Метод оптической идентификации железнодорожных подвижных единиц на основе интегральных устойчивых признаков/ А.В. Суханов // Инженерный вестник Дона. — 2013. — Т. 27. — №. 4 (27). — С. 118.

3. Веснин Е., Царев В., Михайлов А. Распознавание номеров вагонов: принципы решения и приложение в промышленности / Е. Веснин [и др.] // Control Engineering. — 2014. — №. 1. — С. 60-66.

4. Хатламаджиян А. Е. Метод блочного оптического распознавания инвентарных номеров вагонов на основе комитета нейроиммунных моделей / А.Е. Хатламаджиян //Труды Международной научно-практической конференции" Транспорт-2014«. — 2014.
— С. 124-126.

5. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях/ А.Е. Хатламаджиян, А.И. Лебедев // Вагоны и вагонное хозяйство. — 2019. — №. 2. — С. 9-13.

6. Хатламаджиян Агоп Ервандович, Ольгейзер Иван Александрович, Суханов Андрей Валерьевич, Иерусалимов Владислав Сергеевич Формирование объективных показателей работы сортировочной станции на основе данных «от колеса»/ А.Е. Хатламаджиян [и др.] // Автоматика на транспорте. — 2024. — № 3. URL:
https://cyberleninka.ru/article/n/formirovanie-obektivnyh-pokazateley-rabotysortirovochnoy-stantsii-na-osnove-dannyh-ot-kolesa (дата обращения: 16.02.2025).

7. Бочков К. А., Харлап С. Н. Инновационное развитие транспортного и строительного комплексов / К. А. Бочков, С. Н. Харлап // Проблемы оценки показателей функциональной безопасности систем технического зрения. — 2023. — С. 200-203.

8. Ge, Z.; Liu, S.; Wang, F.; Li, Z.; Sun, J. Yolox: Exceeding yolo series in 2021. arXiv 2021,
arXiv:2107.08430.

9. Meng T. [et al.]. A survey on machine learning for data fusion / T. Meng [et al.] // Information Fusion. 2020. Т. 57. P. 115–129.

10. Макарова А.А. Автоматизированная система оперативного управления перевозками / А.А. Макарова // Экосистема цифровой экономики: проблемы, реалии и перспективы. Орел: ОрелГУЭТ, 2018. С.114—118.

11. Thatikonda M. [et al.]. Dynamic Confidence Threshold Estimation / M. Thatikonda [et al.] // IEEE NAECON. 2024. DOI: 10.1109/NAECON61878.2024.10670627

Скачать / Download

USING THE CONCEPT OF AN "ERRONEOUS" CLASS TO IMPROVE THE QUALITY OF RECOGNITION OF RAILWAY ROLLING STOCK NUMBERS

Puzerenko A.V., engineer of the 1st category of the IITTS department, JSC NIIAS;

Maximov K.Y., Head of the Sector of the IITC Department, JSC NIIAS;

Borovlev P.V., Senior Software Engineer at the IITC Department, JSC NIIAS;

Sukhanov A.V., Candidate of Technical Sciences, Associate Professor, Deputy Head of the IITC Department, JSC NIIAS;

Abstract

The paper describes the concept of an «erroneous» class in the task of recognizing the numbers of railway moving units — wagons and locomotives. The problems of existing recognition algorithms are shown using the example of a system for monitoring and preparing information about the movements of wagons and locomotives at a station in real time (SKPI PVL RV). The main problem of recognizing wagons and locomotives has been identified, related to multiple inscriptions and visual defects not related to the inventory numbers of rolling stock. A solution to this problem is presented by applying the Yolov8s model

Keywords

object recognition, erroneous class, false positives, YOLO, railway wagons, locomotives, inventory numbers, machine learning, computer vision

References

1. Sukanya C. M., Gokul R., Paul V. A survey on object recognition methods // International Journal of Science, Engineering and Computer Technology. — 2016. — Т. 6. — №. 1. — С. 48.

2. Суханов А. В. и др. Метод оптической идентификации железнодорожных подвижных единиц на основе интегральных устойчивых признаков/ А.В. Суханов // Инженерный вестник Дона. — 2013. — Т. 27. — №. 4 (27). — С. 118.

3. Веснин Е., Царев В., Михайлов А. Распознавание номеров вагонов: принципы решения и приложение в промышленности / Е. Веснин [и др.] // Control Engineering. — 2014. — №. 1. — С. 60-66.

4. Хатламаджиян А. Е. Метод блочного оптического распознавания инвентарных номеров вагонов на основе комитета нейроиммунных моделей / А.Е. Хатламаджиян //Труды Международной научно-практической конференции" Транспорт-2014«. — 2014.
— С. 124-126.

5. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях/ А.Е. Хатламаджиян, А.И. Лебедев // Вагоны и вагонное хозяйство. — 2019. — №. 2. — С. 9-13.

6. Хатламаджиян Агоп Ервандович, Ольгейзер Иван Александрович, Суханов Андрей Валерьевич, Иерусалимов Владислав Сергеевич Формирование объективных показателей работы сортировочной станции на основе данных «от колеса»/ А.Е. Хатламаджиян [и др.] // Автоматика на транспорте. — 2024. — № 3. URL:
https://cyberleninka.ru/article/n/formirovanie-obektivnyh-pokazateley-rabotysortirovochnoy-stantsii-na-osnove-dannyh-ot-kolesa (дата обращения: 16.02.2025).

7. Бочков К. А., Харлап С. Н. Инновационное развитие транспортного и строительного комплексов / К. А. Бочков, С. Н. Харлап // Проблемы оценки показателей функциональной безопасности систем технического зрения. — 2023. — С. 200-203.

8. Ge, Z.; Liu, S.; Wang, F.; Li, Z.; Sun, J. Yolox: Exceeding yolo series in 2021. arXiv 2021,
arXiv:2107.08430.

9. Meng T. [et al.]. A survey on machine learning for data fusion / T. Meng [et al.] // Information Fusion. 2020. Т. 57. P. 115–129.

10. Макарова А.А. Автоматизированная система оперативного управления перевозками / А.А. Макарова // Экосистема цифровой экономики: проблемы, реалии и перспективы. Орел: ОрелГУЭТ, 2018. С.114—118.

11. Thatikonda M. [et al.]. Dynamic Confidence Threshold Estimation / M. Thatikonda [et al.] // IEEE NAECON. 2024. DOI: 10.1109/NAECON61878.2024.10670627

Скачать / Download

ОТКРЫТЫЙ ПРОГРАММНЫЙ МОДУЛЬ ИЕРАРХИЧЕСКОЙ ЛОКАЛИЗАЦИИ РОБОТОВ НА РАЗРЕЖЕННОЙ 3D-КАРТЕ С ПРИМЕНЕНИЕМ МУЛЬТИМОДАЛЬНОГО РАСПОЗНАВАНИЯ МЕСТА

Юдин Д.А., к.т.н., зав. лабораторией, МФТИ, AIRI;

Мелехин А.А., инженер, МФТИ ;

Линок С.А., мл.научный сотрудник, МФТИ;

Аннотация

В интеллектуальном транспорте при построении 3D-карт часто возникает необходимость повышения качества глобальной локализации на построенной заранее карте, например, для первоначальной локализации при включении робота без дополнительной помощи в виде ручной установки его положения. Для решения этой проблемы в настоящей статье предлагается оригинальная архитектура подхода иерархической локализации, отличающаяся мультимодальной моделью распознавания места по данным видеокамер и лидара и быстродействующим нейросетевым алгоритмом регистрации облаков точек. Разработана и размещена в открытый доступ программная реализация предложенной архитектуры, которая включена в открытую библиотеку OpenPlaceRecognition. Проведены эксперименты с открытыми наборами данных реальных мобильных роботов NCLT и ITLP-Campus, которые продемонстрировали время работы менее 100 мс и достаточный уровень качества на встраиваемом устройстве Nvidia Jetson AGX Xavier. Показана перспективность подхода для практического применения.

Ключевые слова

интеллектуальное транспортное средство, иерархическая локализация, 3D карта, распознавание места, нейронная сеть, мультимодальность

Список использованной литературы

1. Sarlin P. E. et al. From coarse to fine: Robust hierarchical localization at large scale //Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. — 2019.
— С. 12716-12725.

2. Garg S., Fischer T., Milford M. Where Is Your Place, Visual Place Recognition? //Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21). —
International Joint Conferences on Artificial Intelligence, 2021. — С. 4416-4425.

3. Zhang Y. X. et al. A comprehensive survey and taxonomy on point cloud registration based on deep learning //Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence. — 2024. — С. 8344-8353.

4. Belkin, I. V., Abramenko, A. A., Bezuglyi, V. D., Yudin, D. A. Localization of mobile robot in prior 3D LiDAR maps using stereo image sequence. Компьютерная оптика. — 2024. —
№ 48(3) — 406-417.

5. Yudin D. et al. Hpointloc: Point-based indoor place recognition using synthetic rgb-d images //International Conference on Neural Information Processing. — Cham : Springer International Publishing, 2022. — С. 471-484.

6. Kirilenko D. et al. Vector symbolic scene representation for semantic place recognition
//2022 International Joint Conference on Neural Networks (IJCNN). — IEEE, 2022. — С. 1-8.

7. J. Komorowski, M. Wysoczańska, and T. Trzcinski, MinkLoc++: Lidar and Monocular Image Fusion for Place Recognition, in 2021 International Joint Conference on Neural Networks (IJCNN), Jul. 2021, pp. 1–8. doi: 10.1109/IJCNN52387.2021.9533373.

8. H. Lai, P. Yin, and S. Scherer, AdaFusion: Visual-LiDAR Fusion With Adaptive Weights for Place Recognition, IEEE Robotics and Automation Letters, vol. 7, no. 4, pp. 12038–12045, Oct. 2022, doi: 10.1109/LRA.2022.3210880.

9. X. Yu, B. Zhou, Z. Chang, K. Qian, and F. Fang, MMDF: Multi-Modal Deep Feature Based Place Recognition of Mobile Robots With Applications on Cross-Scene Navigation, IEEE Robotics and Automation Letters, vol. 7, no. 3, pp. 6742–6749, Jul. 2022, doi:
10.1109/LRA.2022.3176731.

10. Melekhin, A., Yudin, D., Petryashin, I., Bezuglyj, V. Mssplace: multi-sensor place recognition with visual and text semantics // arXiv preprint arXiv:2407.15663, 2024

11. Muravyev, K., Melekhin, A., Yudin, D., Yakovlev, K. PRISM-TopoMap: online topological mapping with place recognition and scan matching // IEEE Robotics and Automation Letters. 2025.

12. M. A. Fischler and R. C. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Commun. ACM, vol. 24, no.
6, pp. 381–395, Jun. 1981, doi: 10.1145/358669.358692.

13. Z. Zhang, Iterative point matching for registration of free-form curves and surfaces, Int J Comput Vision, vol. 13, no. 2, pp. 119–152, Oct. 1994, doi: 10.1007/BF01427149.

14. R. Kümmerle, G. Grisetti, H. Strasdat, K. Konolige, and W. Burgard, G2o: A general framework for graph optimization, in 2011 IEEE International Conference on Robotics and Automation, May 2011, pp. 3607–3613. doi: 10.1109/ICRA.2011.5979949.

15. H. Yang, J. Shi, and L. Carlone, TEASER: Fast and Certifiable Point Cloud Registration, IEEE Transactions on Robotics, vol. 37, no. 2, pp. 314–333, Apr. 2021, doi:10.1109/TRO.2020.3033695.

16. Qin Z. et al. Geotransformer: Fast and robust point cloud registration with geometric transformer //IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2023. — Т. 45. — №. 8. — С. 9806-9821.

17. Lu F. et al. Hregnet: A hierarchical network for large-scale outdoor lidar point cloud registration //Proceedings of the IEEE/CVF International Conference on Computer Vision. — 2021. — С. 16014-16023.

18. Cao H., Wang Y., Li D. Dms: Low-overlap registration of 3d point clouds with double-layer multi-scale star-graph //IEEE Transactions on Visualization and Computer Graphics. — 2024.

19. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? the kitti vision benchmark suite //2012 IEEE conference on computer vision and pattern recognition. — IEEE, 2012. — С. 3354-3361.

20. OpenPlaceRecognition. URL: https://github.com/OPR-Project/OpenPlaceRecognition

21. Carlevaris-Bianco N., Ushani A. K., Eustice R. M. University of Michigan North Campus long-term vision and lidar dataset //The International Journal of Robotics Research. — 2016. — Т. 35. — №. 9. — С. 1023-1035.

22. Melekhin, A., Bezuglyj, V., Petryashin, I., Muravyev, K., Linok, S., Yudin, D., Panov, A. ITLP-Campus: A Dataset for Multimodal Semantic Place Recognition. In International Conference on Intelligent Information Technologies for Industry. — 2024. — pp. 185-195.

23. ROS-2 реализация разработанной библиотеки OpenPlaceRecognition. https://github.com/OPR-Project/OpenPlaceRecognition-ROS2.

Скачать / Download

OPEN SOFTWARE FOR HIERARCHICAL LOCALIZATION OF ROBOTS ON A SPARSED 3D MAP USING MULTIMODAL PLACE RECOGNITION

Yudin D.A., Ph.D., Head of the laboratory, MIPT, AIRI;

Melekhin A.A., Engineer, MIPT;

Linok S.A., Junior Researcher, MIPT;

Abstract

In intelligent transport, when constructing 3D maps, there is often a need to improve the quality of global localization on a pre-built map, for example, for initial localization when turning on a robot without additional assistance in the form of manual setting of its position. To solve this problem, this paper proposes an original architecture of the hierarchical localization approach, characterized by a multimodal model of place recognition based on video camera and LiDAR data and a high-speed neural network algorithm for point cloud registration. A software implementation of the proposed architecture has been developed and open sources as a part of OpenPlaceRecognition library. Experiments have been conducted with open datasets of real mobile robots NCLT and ITLP-Campus, which demonstrated an operating time of less than 100 ms and a sufficient level of quality on an embedded Nvidia Jetson AGX Xavier device. The prospects of the approach for practical application are shown

Keywords

intelligent vehicle, hierarchical localization, 3D map, place recognition, neural network, multimodality

References

1. Sarlin P. E. et al. From coarse to fine: Robust hierarchical localization at large scale //Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. — 2019.
— С. 12716-12725.

2. Garg S., Fischer T., Milford M. Where Is Your Place, Visual Place Recognition? //Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21). —
International Joint Conferences on Artificial Intelligence, 2021. — С. 4416-4425.

3. Zhang Y. X. et al. A comprehensive survey and taxonomy on point cloud registration based on deep learning //Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence. — 2024. — С. 8344-8353.

4. Belkin, I. V., Abramenko, A. A., Bezuglyi, V. D., Yudin, D. A. Localization of mobile robot in prior 3D LiDAR maps using stereo image sequence. Компьютерная оптика. — 2024. —
№ 48(3) — 406-417.

5. Yudin D. et al. Hpointloc: Point-based indoor place recognition using synthetic rgb-d images //International Conference on Neural Information Processing. — Cham : Springer International Publishing, 2022. — С. 471-484.

6. Kirilenko D. et al. Vector symbolic scene representation for semantic place recognition
//2022 International Joint Conference on Neural Networks (IJCNN). — IEEE, 2022. — С. 1-8.

7. J. Komorowski, M. Wysoczańska, and T. Trzcinski, MinkLoc++: Lidar and Monocular Image Fusion for Place Recognition, in 2021 International Joint Conference on Neural Networks (IJCNN), Jul. 2021, pp. 1–8. doi: 10.1109/IJCNN52387.2021.9533373.

8. H. Lai, P. Yin, and S. Scherer, AdaFusion: Visual-LiDAR Fusion With Adaptive Weights for Place Recognition, IEEE Robotics and Automation Letters, vol. 7, no. 4, pp. 12038–12045, Oct. 2022, doi: 10.1109/LRA.2022.3210880.

9. X. Yu, B. Zhou, Z. Chang, K. Qian, and F. Fang, MMDF: Multi-Modal Deep Feature Based Place Recognition of Mobile Robots With Applications on Cross-Scene Navigation, IEEE Robotics and Automation Letters, vol. 7, no. 3, pp. 6742–6749, Jul. 2022, doi:
10.1109/LRA.2022.3176731.

10. Melekhin, A., Yudin, D., Petryashin, I., Bezuglyj, V. Mssplace: multi-sensor place recognition with visual and text semantics // arXiv preprint arXiv:2407.15663, 2024

11. Muravyev, K., Melekhin, A., Yudin, D., Yakovlev, K. PRISM-TopoMap: online topological mapping with place recognition and scan matching // IEEE Robotics and Automation Letters. 2025.

12. M. A. Fischler and R. C. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Commun. ACM, vol. 24, no.
6, pp. 381–395, Jun. 1981, doi: 10.1145/358669.358692.

13. Z. Zhang, Iterative point matching for registration of free-form curves and surfaces, Int J Comput Vision, vol. 13, no. 2, pp. 119–152, Oct. 1994, doi: 10.1007/BF01427149.

14. R. Kümmerle, G. Grisetti, H. Strasdat, K. Konolige, and W. Burgard, G2o: A general framework for graph optimization, in 2011 IEEE International Conference on Robotics and Automation, May 2011, pp. 3607–3613. doi: 10.1109/ICRA.2011.5979949.

15. H. Yang, J. Shi, and L. Carlone, TEASER: Fast and Certifiable Point Cloud Registration, IEEE Transactions on Robotics, vol. 37, no. 2, pp. 314–333, Apr. 2021, doi:10.1109/TRO.2020.3033695.

16. Qin Z. et al. Geotransformer: Fast and robust point cloud registration with geometric transformer //IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2023. — Т. 45. — №. 8. — С. 9806-9821.

17. Lu F. et al. Hregnet: A hierarchical network for large-scale outdoor lidar point cloud registration //Proceedings of the IEEE/CVF International Conference on Computer Vision. — 2021. — С. 16014-16023.

18. Cao H., Wang Y., Li D. Dms: Low-overlap registration of 3d point clouds with double-layer multi-scale star-graph //IEEE Transactions on Visualization and Computer Graphics. — 2024.

19. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? the kitti vision benchmark suite //2012 IEEE conference on computer vision and pattern recognition. — IEEE, 2012. — С. 3354-3361.

20. OpenPlaceRecognition. URL: https://github.com/OPR-Project/OpenPlaceRecognition

21. Carlevaris-Bianco N., Ushani A. K., Eustice R. M. University of Michigan North Campus long-term vision and lidar dataset //The International Journal of Robotics Research. — 2016. — Т. 35. — №. 9. — С. 1023-1035.

22. Melekhin, A., Bezuglyj, V., Petryashin, I., Muravyev, K., Linok, S., Yudin, D., Panov, A. ITLP-Campus: A Dataset for Multimodal Semantic Place Recognition. In International Conference on Intelligent Information Technologies for Industry. — 2024. — pp. 185-195.

23. ROS-2 реализация разработанной библиотеки OpenPlaceRecognition. https://github.com/OPR-Project/OpenPlaceRecognition-ROS2.

Скачать / Download

ФОРМИРОВАНИЕ ГЕОПРОСТРАНСТВЕННЫХ ЗНАНИЙ В ТРАНСПОРТНОЙ ИНФРАСТРУКТУРЕ

Дулин С.К., д.т.н., профессор, главный научный сотрудник, АО «НИИАС»; ИПИ ФИЦ ИУ РАН;

Духин С.В., к.т.н., начальник Научно-технического комплекса, АО «НИИАС»;

Аннотация

Статья посвящена актуальной проблеме интеграции знаний о транспортной инфраструктуре в геоинформационной системе. Авторы обосновывают необходимость более глубокого понимания и формализации геопространственных знаний, их структуры и взаимосвязей, для автоматизации анализа и оценки размещения транспортной инфраструктуры. В статье обсуждается организация геопространственных знаний при решении задач, в которых необходим анализ специфики местности. Логико-семантический анализ позволяет описать особенности геопространственных знаний. Научноприкладное значение геопространственных знаний в этом контексте заключается в возможности оптимизации различных процессов, связанных с транспортной инфраструктурой. Предложенный авторами подход к моделированию геопространственных знаний и их компьютерной реализации включает не только формальные методы представления знаний, но и методы обработки реальных геопространственных данных. Авторы обращают внимание на вопросы визуализации результатов анализа, чтобы обеспечить простоту использования разработанных систем для специалистов разного уровня подготовки

Ключевые слова

геопространственные знания, геопространственные данные, геопространственная информация

Список использованной литературы

1. ГОСТ 28.441-99 Цифровая картография. Термины и определения // — М.: Госстандарт. 1999.

2. Оразбаев Б. Б., Курмангазиева Л. Т., Коданова Ш. К. Теория и методы системного анализа // — Пенза: ИД «Академия Естествознания». 2017. 248 с.

3. Шавенько Н.К. Основы теории информации — М.: Изд-во МИИГАиК, 2019. — 135 с.

4. История и философия науки: учебник для вузов / А. С. Мамзин [и др.] ; под общей редакцией А. С. Мамзина, Е. Ю. Сиверцева. — 2-е изд., перераб. и доп. — М.: Издательство Юрайт, 2020. — 360 с.

5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем // — СПб.: Питер, 2001 г. — 384 с.

6. Хромов Л. И. Теория информации и теория познания. — 2-е изд., доп. − Спб., Изд. Русского философского общества, 2021. — 310 с.

7. Киргизова Е.В. Технологии програмирования: от теории к практике / Красноярск: Сибирский федеральный университет, 2021. — 124 с.

8. Радченко Л.К. Познавательный аспект в картографии // Вестник СГУГиТ. — 2020. Т.25, № 4. С. 138-145.

9. https://docs.orbismap.ru/editor/import_export_files.

10. Розенберг И. Н., Дулин С. К. Развитие геоинформационных технологий // Автоматика, связь, информатика. № 11, 2021. С. 20-25.

11. Дулин С.К., Дулина Н.Г., Косарик В.В., Никишин Д.А. Макет интероперабельной информационно-аналитической системы для обеспечения пространственного и семантического поиска и анализа геоданных // Системы и средства информатики. Т. 27. № 1. 2017. С. 47-60.

12. Макаренко С. И., Соловьева О. С. Основные положения концепции семантической интероперабельности сетецентрических систем //Журнал радиоэлектроники, 2021. № 4.С. 1–24.

13. Новаковский Б.А., Пермяков Р.В. Комплексное геоинформационно-фотограмметрическое моделирование рельефа. — М.: Изд-во МИИГаик. 2019 — 175 с.

14. Сяо Н. Алгоритмы ГИС / пер. с англ. А.А.Слинкина. — М.: ДМК Пресс. 2021. — 328 с.

15. Третьяков В.Ю. Геоинформационные системы в экологии и природопользовании: программирование на Python в arcGIS и Quantum GIS . — СПб: РГГМУ. 2022 — 112 с.

16. NextGIS Web. https://nextgis.ru/blog/nextgis-frontend/ (дата обращения 20.01.2025).

17. OpenStreetMap. https:// www.openstreetmap.org/ (дата обращения 20.01.2025).

18. 8 Javascript-библиотек для визуализации данных в виде интерактивных карт. https://habr.com/ru/articles/318600/ (дата обращения 20.01.2025

Скачать / Download

FORMATION OF GEOSPATIAL KNOWLEDGE IN THE TRANSPORT INFRASTRUCTURE

Dulin S.K., Doctor of Technical Sciences, Professor, Chief Researcher, JSC NIIAS; IPI FIC IA RAS;

Dukhin S.V., Ph.D., Head of the Scientific and Technical Complex, JSC NIIAS;

Abstract

The article is devoted to the actual problem of integrating knowledge about transport infrastructure in a geographic information system. The authors substantiate the need for a deeper understanding and formalization of geospatial knowledge, their structure and interrelations to automate the analysis and assessment of the location of transport infrastructure. The article discusses the organization of geospatial knowledge in solving problems in which it is necessary to analyze the specifics of the terrain. Logical-semantic analysis allows you to describe the features of geospatial knowledge. The scientific and applied value of geospatial knowledge in this context lies in the possibility of optimizing various processes related to transport infrastructure. The approach proposed by the authors to the modeling of geospatial knowledge and its computer implementation includes not only formal methods of knowledge representation, but also methods of processing real geospatial data. The authors pay attention to the issues of visualization of the analysis results in order to ensure the ease of use of the developed systems for specialists of different levels of training

Keywords

geospatial knowledge, geospatial data, geospatial information

References

1. ГОСТ 28.441-99 Цифровая картография. Термины и определения // — М.: Госстандарт. 1999.

2. Оразбаев Б. Б., Курмангазиева Л. Т., Коданова Ш. К. Теория и методы системного анализа // — Пенза: ИД «Академия Естествознания». 2017. 248 с.

3. Шавенько Н.К. Основы теории информации — М.: Изд-во МИИГАиК, 2019. — 135 с.

4. История и философия науки: учебник для вузов / А. С. Мамзин [и др.] ; под общей редакцией А. С. Мамзина, Е. Ю. Сиверцева. — 2-е изд., перераб. и доп. — М.: Издательство Юрайт, 2020. — 360 с.

5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем // — СПб.: Питер, 2001 г. — 384 с.

6. Хромов Л. И. Теория информации и теория познания. — 2-е изд., доп. − Спб., Изд. Русского философского общества, 2021. — 310 с.

7. Киргизова Е.В. Технологии програмирования: от теории к практике / Красноярск: Сибирский федеральный университет, 2021. — 124 с.

8. Радченко Л.К. Познавательный аспект в картографии // Вестник СГУГиТ. — 2020. Т.25, № 4. С. 138-145.

9. https://docs.orbismap.ru/editor/import_export_files.

10. Розенберг И. Н., Дулин С. К. Развитие геоинформационных технологий // Автоматика, связь, информатика. № 11, 2021. С. 20-25.

11. Дулин С.К., Дулина Н.Г., Косарик В.В., Никишин Д.А. Макет интероперабельной информационно-аналитической системы для обеспечения пространственного и семантического поиска и анализа геоданных // Системы и средства информатики. Т. 27. № 1. 2017. С. 47-60.

12. Макаренко С. И., Соловьева О. С. Основные положения концепции семантической интероперабельности сетецентрических систем //Журнал радиоэлектроники, 2021. № 4.С. 1–24.

13. Новаковский Б.А., Пермяков Р.В. Комплексное геоинформационно-фотограмметрическое моделирование рельефа. — М.: Изд-во МИИГаик. 2019 — 175 с.

14. Сяо Н. Алгоритмы ГИС / пер. с англ. А.А.Слинкина. — М.: ДМК Пресс. 2021. — 328 с.

15. Третьяков В.Ю. Геоинформационные системы в экологии и природопользовании: программирование на Python в arcGIS и Quantum GIS . — СПб: РГГМУ. 2022 — 112 с.

16. NextGIS Web. https://nextgis.ru/blog/nextgis-frontend/ (дата обращения 20.01.2025).

17. OpenStreetMap. https:// www.openstreetmap.org/ (дата обращения 20.01.2025).

18. 8 Javascript-библиотек для визуализации данных в виде интерактивных карт. https://habr.com/ru/articles/318600/ (дата обращения 20.01.2025

Скачать / Download

ОСОБЕННОСТИ МОНИТОРИНГА ВЫСОКОСКОРОСТНЫХ ЖЕЛЕЗНОДОРОЖНЫХ МАГИСТРАЛЕ

Коваленко Н.И., д.т.н., профессор РУТ (МИИТ);

Мочалов Н.А., аспирант РУТ (МИИТ);

Аннотация

Рассматриваются основные аспекты эксплуатации высокоскоростного диагностического поезда, и его роли в обеспечении безопасности высокоскоростных железнодорожных магистралей. Приведены примеры диагностических поездов в различных странах. Рассмотрены технические устройства на высокоскоростном диагностическом поезде «IRIS 320». Выполнен анализ предполагаемого влияния высокоскоростного диагностического поезда на эффективность текущего содержания пути на ВСЖМ-1 Москва-Санкт-Петербург. Рассмотрен расчёт периодичности контроля рельсов на ВСЖМ-1 неразрушающими методами. Приведены рекомендации минимального и максимального количества проверок рельсов неразрушающими методами контроля. Рассмотрены технологические вызовы, с которыми придется столкнуться при внедрении высокоскоростного диагностического поезда на ВСЖМ-1 и описаны проблемы в случае отказа от данной технической единицы

Ключевые слова

высокоскоростная железнодорожная магистраль; техническое обслуживание; высокоскоростной диагностический поезд; мониторинг и инспекция

Список использованной литературы

1. В поисках высоких скоростей. Что значит ВСМ для России? / В.В. Косой, П.А. Лавриненко, Н.А. Макуцкий, М.С. Фадеев [и др.] — М.: Арт Продакшн, 2024. — 77 с.

2. Локтев Д.А., Быков Ю.А., Коваленко Н.И. Использование метода анализа размытия изображения для определения внешних дефектов железнодорожного пути // Наука и техника транспорта. № 1. 2016. — С. 42 — 49.

3. Сычев В.П., Виноградов В.В., Быков Ю.А., Коваленко Н.И. Об автоматизированной технологии текущего содержания железнодорожного пути // Вестник МГСУ. № 3. 2016. — С. 84-93.

4. Коваленко Н.И., Гринь Е.Н. Технология предотвращает угрозу// Мир транспорта. 2011. № 5. С. 138÷142.

5. Романов, И.А. Принципы оценки эффективности инновационных проектов в сфере транспорта // Успехи современного естествознания. — 2013. — № 5 — С. 135-136.

6. Tsvetkov V. Yа. Opposition information analysis // European Journal of Technology and Design. — 2014. — Vol. (6), № 4, pp189-196.

7. Ефимов А.Н., Малинский С.В., Певзнер В.О. Исследование спектральных характеристик неровностей железнодорожного пути // Исследование взаимодействия пути и современного подвижного состава: межвузовский сборник научных трудов / ДИИТ. 1987. С. 45 — 52.

8. Певзнер В.О. Декоративность и стабильность пути//Путь и путевое хозяйство. 2005. № 2. С. 23-26.

9. Detection and Maintenance for Railway Track Defects: A. Review [Электронный ресурс] — URL: https://iopscience.iop.org/article/10.1088/1755-1315/1140/1/012011/pdf.

10. Development of track geometry inspection equipment for high-speed comprehensive inspection train in China [Электронный ресурс] — URL: https://www.emerald.com/insight/2755-0907.htm.

11. Track geometry monitoring using smartphones on board commercial trains [Электронный ресурс] —URL:https://www.researchgate.net/publication/361137897_Track_geometry_monitoring_using_smartphones_on_bo....

12. IRIS-320 AN ESSENTIAL RECORDING TRAIN FOR MAINTENANCE [Электронный ресурс] — URL: https://youngtransportpro.com/wp-content/uploads/2021/08/20_iris320.pdf.

13. Чекин А.А., Цифровая модель стрелочного перевода// Наука и образование транспорту. 2021. № 2. С. 261÷265.

14. Nondestructive Testing Technologies for Rail Inspection: A Review [Электронный ресурс] — URL: https://doi.org/10.3390/coatings12111790.

15. Положение о системе неразрушающего контроля рельсов и эксплуатации средств рельсовой дефектоскопии в путевом хозяйстве железных дорог ОАО «РЖД», утверждённое распоряжением ОАО «РЖД» № 2714р от 27.12.2012.

16. Парамонова Н.В., Оптимум для времени «окна». Мир транспорта. 2007. Т. 5. № 1 (17). С. 114-116. ISSN 1992-3252.

Скачать / Download

FEATURES OF MONITORING HIGH-SPEED RAIL LINES

Kovalenko N.I., Doctor of Technical Sciences, Professor, RUT (MIIT);

Mochalov N.A., postgraduate student, RUT (MIIT);

Abstract

The main aspects of the operation of a high-speed diagnostic train and its role in ensuring the safety of highspeed railways are considered. Examples of diagnostic trains in different countries are given. The technical devices on the high-speed diagnostic train «IRIS 320» are considered. The analysis of the expected impact of the high-speed diagnostic train on the efficiency of the current maintenance of the track on the VSZHM-1 Moscow-St. Petersburg is carried out. The calculation of the frequency of rail monitoring on the VSZHM-1 by non-destructive methods is considered. Recommendations for the minimum and maximum number of inspections of rails by non-destructive testing methods are given. The technological challenges that will have to be faced when implementing a high-speed diagnostic train on the VSZHM-1 are considered and the problems in case of abandonment of this technical unit are described.

Keywords

high-speed railway; maintenance; high-speed diagnostic train; monitoring and inspection

References

1. В поисках высоких скоростей. Что значит ВСМ для России? / В.В. Косой, П.А. Лавриненко, Н.А. Макуцкий, М.С. Фадеев [и др.] — М.: Арт Продакшн, 2024. — 77 с.

2. Локтев Д.А., Быков Ю.А., Коваленко Н.И. Использование метода анализа размытия изображения для определения внешних дефектов железнодорожного пути // Наука и техника транспорта. № 1. 2016. — С. 42 — 49.

3. Сычев В.П., Виноградов В.В., Быков Ю.А., Коваленко Н.И. Об автоматизированной технологии текущего содержания железнодорожного пути // Вестник МГСУ. № 3. 2016. — С. 84-93.

4. Коваленко Н.И., Гринь Е.Н. Технология предотвращает угрозу// Мир транспорта. 2011. № 5. С. 138÷142.

5. Романов, И.А. Принципы оценки эффективности инновационных проектов в сфере транспорта // Успехи современного естествознания. — 2013. — № 5 — С. 135-136.

6. Tsvetkov V. Yа. Opposition information analysis // European Journal of Technology and Design. — 2014. — Vol. (6), № 4, pp189-196.

7. Ефимов А.Н., Малинский С.В., Певзнер В.О. Исследование спектральных характеристик неровностей железнодорожного пути // Исследование взаимодействия пути и современного подвижного состава: межвузовский сборник научных трудов / ДИИТ. 1987. С. 45 — 52.

8. Певзнер В.О. Декоративность и стабильность пути//Путь и путевое хозяйство. 2005. № 2. С. 23-26.

9. Detection and Maintenance for Railway Track Defects: A. Review [Электронный ресурс] — URL: https://iopscience.iop.org/article/10.1088/1755-1315/1140/1/012011/pdf.

10. Development of track geometry inspection equipment for high-speed comprehensive inspection train in China [Электронный ресурс] — URL: https://www.emerald.com/insight/2755-0907.htm.

11. Track geometry monitoring using smartphones on board commercial trains [Электронный ресурс] — URL: https://www.researchgate.net/publication/361137897_Track_geometry_monitoring_using_smartphones_on_bo....

12. IRIS-320 AN ESSENTIAL RECORDING TRAIN FOR MAINTENANCE [Электронный ресурс] — URL: https://youngtransportpro.com/wp-content/uploads/2021/08/20_iris320.pdf.

13. Чекин А.А., Цифровая модель стрелочного перевода// Наука и образование транспорту. 2021. № 2. С. 261÷265.

14. Nondestructive Testing Technologies for Rail Inspection: A Review [Электронный ресурс] — URL: https://doi.org/10.3390/coatings12111790.

15. Положение о системе неразрушающего контроля рельсов и эксплуатации средств рельсовой дефектоскопии в путевом хозяйстве железных дорог ОАО «РЖД», утверждённое распоряжением ОАО «РЖД» № 2714р от 27.12.2012.

16. Парамонова Н.В., Оптимум для времени «окна». Мир транспорта. 2007. Т. 5. № 1 (17). С. 114-116. ISSN 1992-3252.

Скачать / Download

ВЫБОР ЭЛЕМЕНТОВ СИСТЕМЫ ДЛЯ ДИСТАНЦИОННОГО ДИАГНОСТИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГИДРОПРИВОДА

Никитченко С.Л., к.т.н., доцент, Ростовский государственный университет путей сообщения;

Игнатьева О.В., к.т.н., доцент, Ростовский государственный университет путей сообщения;

Аннотация

Гидравлический привод широко применяется в конструкциях наземных транспортно-технологических средств. Методы дистанционного диагностирования с автоматизированной оценкой технического состояния узлов и агрегатов гидропривода в режиме реального времени и мгновенная отправка результатов контроля на компьютер инженера по сервису позволяют осуществлять постоянный мониторинг удалённого объекта, снизить простои по техническим причинам, прогнозировать и предупреждать назревающие отказы. Цель работы — исследовать возможности создания системы дистанционного диагностирования технического состояния гидропривода мобильных машин на основе отечественных компонентов. Авторы использовали аналитический метод исследования, установили перечень параметров технического состояния гидропривода, рассмотрели типовую структуру системы дистанционного диагностирования, для которой выбрали модели отечественных датчиков, устройства и протоколы обмена данными, инструменты разработки пользовательских программ

Ключевые слова

гидропривод, техническое состояние, дистанционное диагностирование, телематическая система, датчик, протокол HART, GSM, TCP/IP

Список использованной литературы

1. Трушин Н.Н. Разработка системы классификации объемных гидравлических приводов машин // Вестник Вологодского государственного университета. Серия: Технические науки. 2020. № 3 (9). С. 18-22.

2. Голубев И.Г., Мишуров Н.П., Гольтяпин В.Я., Апатенко А.С., Севрюгина Н.С. Системы телеметрии и мониторинга сельскохозяйственной техники: аналит. обзор. — М.: ФГБНУ «Росинформагротех», 2020. — 76 с.

3. Фукс В.А. Универсальная система удаленной диагностики транспортных средств. Молодой ученый. 2019. № 12 (250). С. 40-44.

4. Алексеев Д.А. Основные понятия и структура системы SCADA // Научно-исследовательский центр «Technical Innovations». 2023. № 13. С. 110-114.

5. Никитченко С.Л., Лесник Н.А., Смыков С.В. Управление техническим обслуживанием сельскохозяйственной техники в условиях автоматизации и цифровизации производства // Агроинженерия. 2023. Т. 25, № 4. С. 33-42. https://doi.org/10.26897/2687-1149-2023-4-33-42.

6. Никитченко С. Л., Капкаев А. А., Юхнов В. И., Муконина М. И. Управление жизненным циклом сельскохозяйственной техники на этапе эксплуатации в условиях цифровизации производства // Аграрный научный журнал. 2023. № 10. С. 194–204. http://dx.doi.org/10.28983/asj.y2023i10pp194-204. (дата обращения: 17.02.2025)

7. Мукушев Ш.К. Диагностирование гидропривода / Мукушев Ш.К., Гамалий Д.А., Байбисенова А.А. // В сборнике: Образование. Транспорт. Инновации. Строительство. Сборник материалов II Национальной научно-практической конференции. 2019. С. 105-108.

8. Чиликин А.А., Трушин Н.Н. Сравнительный анализ современных методов диагностики состояния гидравлических систем // Известия Тульского государственного университета. Технические науки. — 2014. — № 3. — С. 117–127.

9. Никольский С.М. Автоматизация производственных процессов за счет внедрения прогрессивной измерительной техники // Известия Тульского государственного университета. Технические науки. 2021. № 9. С. 307-312.

10. Михайлов А.С. Система мониторинга и контроля транспорта «АвтоГраф» как неотъемлемая часть современной эксплуатации машинно-тракторного парка // В сборнике: Передовые достижения науки в молочной отрасли. Сборник научных трудов по результатам работы IV Международной научно-практической конференции,
посвящённой дню рождения Николая Васильевича Верещагина. 2022. С. 211-215.

11. Шишурин С.А. Современные цифровые решения для мониторинга состояния мобильных энергетических средств / Шишурин С.А., Гончаров Р.Д., Исаев А.Д., Россошанский С.Д. // В сборнике: Проблемы и перспективы развития АПК: технические и сельскохозяйственные науки. Материалы II Региональной научно-технической конференции. Саратов, 2024. С. 36-42.

12. Зуб Д.В. Разработка аппаратно-программной платформы сбора и обработки эксплуатационных данных сельскохозяйственной техники // Технический сервис машин. — 2020. — Т. 58. — № 1 (138). — С. 162-167.

13. Зиязев А.Н. Датчики давления с токовой петлей 4-20 мА. Принцип работы. Диагностика неполадок // В сборнике: EurasiaScience. Сборник статей LVI международной научно-практической конференции. Москва, 2023. С. 68-70.

Скачать / Download

SELECTION OF SYSTEM ELEMENTS FOR REMOTE DIAGNOSTICS OF THE TECHNICAL CONDITION OF A HYDRAULIC DRIVE

Nikitchenko S.L., Candidate of Technical Sciences, associate professor, Rostov State Transport University;

Ignatyeva O.V., Candidate of Technical Sciences., associate professor, Rostov State Transport University;

Abstract

Hydraulic drive is widely used in the construction of ground transportation and technological facilities. Remote diagnostic methods with automated assessment of the technical condition of hydraulic drive components and assemblies in real time and instant transmission of control results to the service engineer’s computer allow continuous monitoring of a remote facility, reduce downtime due to technical reasons, predict and prevent impending failures. The purpose of the work is to explore the possibilities of creating a system for remote diagnosis of the technical condition of hydraulic drives of mobile machines based on domestic components. The authors used an analytical research method, established a list of parameters for the technical condition of the hydraulic drive, examined the typical structure of the remote diagnostics system, for which they selected models of domestic sensors, devices and data exchange protocols, and tools for developing user programs

Keywords

hydraulic drive, technical condition, remote diagnostics, telematics system, sensor, HART protocol, GSM, TCP/IP

References

1. Трушин Н.Н. Разработка системы классификации объемных гидравлических приводов машин // Вестник Вологодского государственного университета. Серия: Технические науки. 2020. № 3 (9). С. 18-22.

2. Голубев И.Г., Мишуров Н.П., Гольтяпин В.Я., Апатенко А.С., Севрюгина Н.С. Системы телеметрии и мониторинга сельскохозяйственной техники: аналит. обзор. — М.: ФГБНУ «Росинформагротех», 2020. — 76 с.

3. Фукс В.А. Универсальная система удаленной диагностики транспортных средств. Молодой ученый. 2019. № 12 (250). С. 40-44.

4. Алексеев Д.А. Основные понятия и структура системы SCADA // Научно-исследовательский центр «Technical Innovations». 2023. № 13. С. 110-114.

5. Никитченко С.Л., Лесник Н.А., Смыков С.В. Управление техническим обслуживанием сельскохозяйственной техники в условиях автоматизации и цифровизации производства // Агроинженерия. 2023. Т. 25, № 4. С. 33-42. https://doi.org/10.26897/2687-1149-2023-4-33-42.

6. Никитченко С. Л., Капкаев А. А., Юхнов В. И., Муконина М. И. Управление жизненным циклом сельскохозяйственной техники на этапе эксплуатации в условиях цифровизации производства // Аграрный научный журнал. 2023. № 10. С. 194–204. http://dx.doi.org/10.28983/asj.y2023i10pp194-204. (дата обращения: 17.02.2025)

7. Мукушев Ш.К. Диагностирование гидропривода / Мукушев Ш.К., Гамалий Д.А., Байбисенова А.А. // В сборнике: Образование. Транспорт. Инновации. Строительство. Сборник материалов II Национальной научно-практической конференции. 2019. С. 105-108.

8. Чиликин А.А., Трушин Н.Н. Сравнительный анализ современных методов диагностики состояния гидравлических систем // Известия Тульского государственного университета. Технические науки. — 2014. — № 3. — С. 117–127.

9. Никольский С.М. Автоматизация производственных процессов за счет внедрения прогрессивной измерительной техники // Известия Тульского государственного университета. Технические науки. 2021. № 9. С. 307-312.

10. Михайлов А.С. Система мониторинга и контроля транспорта «АвтоГраф» как неотъемлемая часть современной эксплуатации машинно-тракторного парка // В сборнике: Передовые достижения науки в молочной отрасли. Сборник научных трудов по результатам работы IV Международной научно-практической конференции,
посвящённой дню рождения Николая Васильевича Верещагина. 2022. С. 211-215.

11. Шишурин С.А. Современные цифровые решения для мониторинга состояния мобильных энергетических средств / Шишурин С.А., Гончаров Р.Д., Исаев А.Д., Россошанский С.Д. // В сборнике: Проблемы и перспективы развития АПК: технические и сельскохозяйственные науки. Материалы II Региональной научно-технической конференции. Саратов, 2024. С. 36-42.

12. Зуб Д.В. Разработка аппаратно-программной платформы сбора и обработки эксплуатационных данных сельскохозяйственной техники // Технический сервис машин. — 2020. — Т. 58. — № 1 (138). — С. 162-167.

13. Зиязев А.Н. Датчики давления с токовой петлей 4-20 мА. Принцип работы. Диагностика неполадок // В сборнике: EurasiaScience. Сборник статей LVI международной научно-практической конференции. Москва, 2023. С. 68-70.

Скачать / Download