CC BY
55ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ НА ЖЕЛЕЗНОЙ ДОРОГЕ Бочегов М.А.1, Медникова О.В.2
1Бочегов Михаил Александрович - магистр, Медникова Оксана Васильевна - кандидат технических наук, доцент, кафедра Информационные системы цифровой экономики, Федеральное государственное автономное образовательное учреждение высшего образования «Российский
университет транспорта», г. Москва
Аннотация: в статье рассматриваются различные аспекты использования ИИ для повышения эффективности, безопасности и надежности железнодорожных перевозок. Анализируются текущие и потенциальные применения ИИ, включая автоматизацию управления поездами, оптимизацию расписаний, предиктивное обслуживание инфраструктуры и подвижного состава, а также улучшение систем безопасности.
Ключевые слова: промышленность, искусственный интеллект, железнодорожный транспорт.
УДК 004.896
Современный мир не стоит на месте, появляются все новые и новые технологии. 21 век - век инновационных технологий. Этот век отличается резким развитием информационно-технологического направления. За определенный промежуток времени человечество развило огромное количество различных технологий.
Человечество находится в эпохе Третьей промышленной (Цифровой) революции, которая характеризуется повсеместным переходом от аналоговых технологий к цифровым. Коренные изменения, связанные с широким распространением информационно-коммуникационных технологий, начавшимся во второй половине XX века, и ставшие предпосылками Информационной (Четвертой промышленной революции), которая, в свою очередь, предопределила процессы глобализации и возникновения постиндустриальной экономики. Основные движущие силы — широкое распространение вычислительной техники, прежде всего — персональных компьютеров, всеобъемлющее проникновение Интернета, массовое применение персональных портативных коммуникационных устройств. Четвёртая промышленная революция — прогнозируемое событие или эпоха в которой нам предстоит жить. Характеризуется массовым внедрением киберфизических систем в производство, обслуживание человеческих потребностей, включая быт, труд и досуг. Изменения охватят самые разные стороны жизни: рынок труда, жизненную среду, политические системы, технологический уклад, человеческую идентичность и другие. Вызываемая к жизни экономической целесообразностью и привлекательностью повышения качества жизни. Цифровая революция создает радикально новые подходы, коренным образом изменяющие способ взаимодействия и сотрудничества как между отдельными людьми, так и между человеком и машиной (человеком и компьютером).
Цифровая трансформация затрагивает все больше различных сфер. Не стала исключением и транспортная отрасль, где появляются новые задачи в управлении логистикой и эксплуатации инфраструктуры. Развитие технологий искусственного интеллекта — драйвер транспортной отрасли. Транспортным предприятиям необходимо развивать цифровые и интеллектуальные технологии в управлении железнодорожными и автомобильными перевозками, автомобилестроении и локомотивостроении, депо и ремонтными цехами, мониторинг состояния дорог, обнаружение пешеходов или объектов в неположенных местах, автономное вождение, облачные сервисы в автомобилестроении. Это лишь немногие примеры применения искусственного интеллекта на транспорте. Возможности искусственного интеллекта позволяют компаниям более эффективно прогнозировать спрос и выстраивать цепи поставок с минимальными затратами. Искусственный интеллект помогает сократить количество используемых транспортных средств, необходимых для перевозки, оптимизировать время доставки, снизить эксплуатационные расходы транспорта и складских помещений.
Большим спросом в транспортной сфере пользуются технологии прогнозирования, предиктивной аналитики. Уже сейчас накоплен колоссальный объем данных для оценки состояния эксплуатируемых единиц, выявления зарождений и развития аномалий и трендов, приводящих к незапланированным сбоям и нарушениям в работе, фиксации вероятности отказа и остаточного ресурс в режиме реального времени работы. Точное прогнозирование технического и качественного состояния позволяет предприятиям транспортной отрасли сокращать затраты на эксплуатацию оборудования, рекламационное обслуживание и повышать конкурентоспособность.
В мировой практике получают все большее распространение интеллектуальные железнодорожные системы. Мощный импульс их развитию придали современные инструменты, такие как гибридные
модели, искусственный интеллект, машинное и глубокое обучение и другие. Данные технологии позволяют оптимизировать транспортные ресурсы, тем самым повысив эффективность перевозок.
Во многих развитых странах в настоящее время развитие транспорта базируется на проектировании подвижного состава нового поколения и внедрении транспортным комплексом интеллектуальных управляющих систем. Причем внедрение комплексных систем с применением искусственного интеллекта актуально для всех видов транспорта.
Рассмотрим некоторые примеры использования искусственного интеллекта на железнодорожном транспорте.
«Умный локомотив»
Важнейшая задача в эксплуатации железнодорожного тягового подвижного состава - мониторинг и прогнозирование его технологических характеристик, планирование и оптимизация проведения предиктивного ремонта с учетом инфраструктурных и технологических ограничений железнодорожного транспорта общего пользования.
С 2016 г. решение «Умный локомотив» внедряется в крупнейшем сервисном холдинге РФ - группе компаний «ЛокоТех», которая занимается ремонтом и обслуживанием локомотивов РЖД и имеет в своем управлении около 90 депо по всей территории РФ. Холдинг ремонтирует около 70% всех подвижных составов РФ.
Компанией Clover Group разработана и внедрена система интеллектуальной диагностики и прогноза технического состояния оборудования локомотивов. Модуль поиска аномалий сейчас внедрен на 4000 секций. Система Clover находит более 60 видов нарушений в работе оборудования и анализирует более 20 видов оборудования: генераторы тяговые, электродвигатели тяговые, насосы топливные, масляные, радиаторы водяные, турбокомпрессоры, тормоза реостатные и другие.
За период проведения опытной эксплуатации системой обработаны данные 2 000 000 часов эксплуатации локомотивов, автоматически найдено более 120 000 инцидентов в работе оборудования локомотивов. Решение интегрируется с ERP-системой клиента: заказ-наряды на производство формируются автоматически, опираясь на данные об инцидентах и отказах. Это дает возможность рассчитать ресурсы, необходимые для ремонта и своевременно обновить график захода локомотивов в депо для выполнения плановых и внеплановых ремонтов.
В результате использования решения повышена надежность и безопасность работы локомотивов на линиях - отказы на линии снижены на 32%. Время на диагностику локомотива сокращено с 4 часов до 10 минут. Кроме того, повышена экономическая эффективность процесса - штрафы ГК «ЛокоТех» от РЖД за невыполнение коэффициента технической готовности снижены более чем на 20%.
Система «Умный локомотив» идентифицирует приближающиеся сбои в работе оборудования за несколько недель или месяцев до их наступления. Эта ценная информация дает заказчику возможность трансформировать процесс ремонта оборудования в процесс по состоянию.
Решение в своей работе использует данные телеметрии от бортовых микропроцессорных систем сбора и передачи данных (далее МСУ), систем диагностики и ERP-систем. Дополнительно используются данных о влиянии внешних факторов: погода, нарушения режимов эксплуатации и т.д. - с целью повышения точности прогнозирования.
МСУ получает информацию с датчиков, установленных в наиболее критичных подсистемах агрегатов, от систем ввода-вывода информации, а также от бортового компьютера. Система диагностирования состоит из сервера и рабочих мест. Аномалии, выявленные, при обработке данных на сервере, верифицируются на рабочих местах. Аномалия - это ситуация, в которой значение определенного показателя работы оборудования достаточно сильно отклоняется от прогнозируемого значения для данного режима работы. Сервер системы диагностирования предназначен для автоматической обработки данных с датчиков бортовых систем подвижного состава. Выявленные аномалии отправляются на верификацию, а также формируются замечания по выявленным инцидентам, которые отправляются в ERP-систему заказчика.
ERP-система формирует наряды на выполнение работ, фиксирует факт выполнения этих нарядов и информацию о выделении комплектующих под выполнение нарядов, а также передает сведения о выполненных работах и списанных комплектующих на сервер системы диагностирования. Математическая модель также постоянно переобучается за счет использования обратной связи от ERP-системы о выполненных ремонтных работах и сменных запасных частях.
Таким образом, диагност получает всю необходимую информацию о здоровье систем подвижного состава еще за 100 часов до захода локомотива в депо, что дает возможность принять соответствующие меры, запланировать обслуживание локомотива и предупредить риски, связанные с неплановыми отказами подвижных составов.
Предиктивные решения помогают поставщикам выстаивать с потребителями более продуктивные отношения благодаря получению новой важной информации, которая позволяет принимать более правильные решения. Такие продукты помогают производителям заранее определить длительность
жизненных циклов их оборудования, а также помогают потребителям в отслеживании фактического и прогнозного технического состояния их оборудования с целью эффективного управления активами. Видение полной картины дает возможность заключения правильных договоров между поставщиками и потребителями с целью нахождения наиболее эффективных путей сотрудничества.
«Умные» локомотивы GE Transportation
Транспортные компании стараются минимизировать свои издержки на перевозки, увеличивая тем самым потенциальную прибыль. Понятно, что инструментов снижения издержек много, но самые эффективные среди них — отсутствие срывов графиков движения поездов, и автоматизация управления их движением, учитывающая все параметры, влияющие на скорость и безопасность.
Эти два основополагающих фактора, как оказалось, находятся в полной зависимости от возможностей используемых компаниями-перевозчиками локомотивов. Причем возможностей не только по традиционным характеристикам типа мощности тяги и скоростного маневрирования, но и в части интеллектуального автоматизированного управления. Для удовлетворения таких ИТ-запросов клиентов-железнодорожников компания GE Transportation («дочка» General Electric), специализирующаяся на разработке и производстве технологических установок и транспортных средств) выпускает «умные» локомотивы, оснащенные системами искусственного интеллекта с элементами компьютерного самообучения.
Уже один из первых примеров эксплуатации «умных» локомотивов GE Transportation на германских железных дорогах показал рекордный для транспортной отрасли результат — компания Deutsche Bahn смогла повысить эффективность перевозок в 1,25 раза.
Расчеты аналитиков GE Transportation показывают, что благодаря повышению средней скорости поезда на 1 км/час в течение года обеспечивает крупной компании-перевозчику «довесок» к прибыли около $2,5 млрд, а повышение эффективности железнодорожного терминала на 1% — дополнительный доход почти в $2,2 млрд. И все эти и другие сопутствующие выгоды приносят железнодорожникам «умные» локомотивы, оснащенные мобильными центрами обработки данных, которые «питаются» информацией от более чем двух сотен разнообразных сенсоров и камерами высокой четкости, отслеживающими железнодорожную колею, ее состояние и появление препятствий, идентифицирующим дорожные знаки, а также, что самое важное в летнюю жару, измеряют деформацию рельсов, что способствует снижению аварий, благодаря упреждающему снижению скорости на опасных участках.
Но это — в движении, а до выхода поезда на маршрут система самодиагностики «умного» локомотива способна прогнозировать сбои в его различных системах, которые могут послужить непредвиденным остановкам или снижениям скорости, что может отразиться не только на данном маршруте, но и на графике движения по данной железнодорожной ветке.
ИТ-системы «умных» локомотивов GE Transportation подключены к фирменным центрам оптимизации, в которых алгоритмы компьютерного обучения разрабатывают стратегии для оптимизации всех процессов, от схем использования топлива до графика технического обслуживания. К тому же искусственный интеллект постоянно следит за прогнозами изменения метеоусловий и на основе этих данных вырабатывает рекомендации о желательных изменениях в планах поездок и скоростях движения поездов.
Интеллектуальная система управления на железнодорожном транспорте (ИСУЖТ)
С целью оптимизации процесса перевозок и улучшения качественных показателей работы железнодорожного транспорта ОАО «НИИАС» выполняет проект ИСУЖТ.
ИСУЖТ это первая управляющая система, автоматизирующая полный цикл производственного процесса эксплуатационной работы ОАО «РЖД». Целью создания системы ИСУЖТ является повышение эффективности эксплуатационной работы ОАО «РЖД», а также клиентоориентированности компании. Функционал ИСУЖТ включает все существующие горизонты планирования перевозочного процесса, от годового и месячного планирования до диспетчерского планирования пропуска поездов. При этом ИСУЖТ автоматизирует сквозные технологические процессы для дирекций управления движением, тяги, инфраструктуры и центра фирменного транспортного обслуживания. Решение задач планирования, согласования и контроля исполнения осуществляется с помощью сети взаимодействующих динамических планировщиков интеллектуальных программно-аппаратных модулей.
ИСУЖТ является полностью российской разработкой на основе единой программной платформы, помимо этого, это первая отечественная система для железнодорожного транспорта, использующая методы искусственного интеллекта.
Экономический эффект:
-эффективное планирование составообразования на станциях с учетом индивидуальных технологических процессов станций;
-принятие скоординированных решений при оперативном планировании и контроле поездной работы;
-управление подводом к припортовым узлам груженых вагонопотоков всех категорий (немаршрутизированных, отправительских маршрутов, контейнерных и специализированных поездов в
рамках договоров на перевозку грузов с согласованным временем отправления и прибытия) во взаимоувязке с работой логистических центров Дирекций управления движением (ДЛЦ);
-управление подводом к пограничным станциям и межгосударственным стыковым пунктам; -обеспечение общей ситуационной осведомленности оперативного персонала всех уровней управления на основе проверенных и консолидированных данных. Компьютерное зрение
Компьютерное зрение, или машинное зрение, включает использование цифровых систем визуализации для автоматического извлечения, анализа и понимания информации из изображений и других форм многомерных данных. Эти методы набирают популярность в тех областях, где используются повторяющиеся визуальные проверки, например, распознавание лиц в приложениях служб безопасности аэропорта и социальных сетей. Применение технологий машинного зрения к железнодорожному контролю дает промышленности возможность получить огромные преимущества. Человеческие инспекторы обычно используются для проведения визуальных и / или взвешенных проверок важных активов. Этот подход требует много времени, затрат и, учитывая его зависимость от людей, может быть непоследовательным и подверженным ошибкам. Использование технологии машинного зрения, способных фиксировать подробные записи состояния активов, дает возможность повысить безопасность, как персонала, так и пассажиров, одновременно снижая общие расходы. Методы визуализации, такие как линейное сканирование и сканирование областей, тепловизорами и идентификация цвета, могут использоваться вместе для выявления неисправностей, ведущих к повышению безопасности, надежности и обслуживания. Есть несколько железнодорожных компаний, которые начинают использовать эти методы, чтобы революционизировать работу, выполняемую в этих областях. В 2012 году Network Rail (Великобритания) представила систему распознавания образов в виде простой линии (PLPR) вместо визуального контроля пути. Система использует сеть линейного сканирования, 3D и тепловизионные камеры для захвата изображений головки рельса. Программное обеспечение машинного зрения может идентифицировать дефекты, которые затем проверяются инспектором.
Список литературы
1. Что такое искусственный интеллект [Электронный источник] / https://theoryandpractice.ru/posts/17550-chto-takoe-iskusstvennyy-intellekt-ii-opredelenie-ponyatiya-prostymi-slovami.
2. Обзор: ИТ в транспортной отрасли [Электронный источник] / https://www.cnews.ru/reviews/transport2018/cases/tochnyj_prognoz_kak_iskusstvennyj_inteUekt_predotvras hchaet_prostoi.
3. Покусаев О.Н. и др. Онтологии системы систем в национальных стандартах цифровой железной дороги Великобритании //International Journal of Open Information Technologies. - 2018. - Т. 6. - №. 11.
4. Искусственный интеллект и железнодорожный транспорт [Электронный источник] / http://scbist.com/razgovory-obo-vsem/50445-iskusstvennyi-intellekt-i-zheleznodorozhnyi-transport.html.
5. Интеллектуальная система управления на железнодорожном транспорте (ИСУЖТ) [Электронный источник] / http://www.rzd-expo.ru/innovation/the_system_of_transportation_process_and_transport_logistics/intellektualnaya-sistema-upravleniya-na-zheleznodorozhnom-transporte.
6. Искусственный интеллект транспорта [Электронный источник] / http://federalbook.ru/files/SVAYZ/saderzhanie/Tom%2012/VII/Matyuhin.pdf.
