66«Научные междисциплинарные исследования»
19. XMPP-IOT [Электронный ресурс]. — Режим доступа: https://www.xmpp-iot.org (дата обращения 12.04.2020).
УДК 004
Помозова Юстина Алексеевна Pomozova Justina Alekseevna
Студент Student
Мастилин Александр Евгеньевич Mastinin Alexander Evgenievich
Старший преподаватель Senior lecturer
Сибирский государственный университет путей сообщения
Siberian State University
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ВЫСОКОСКОРОСТНЫХ
ЖЕЛЕЗНЫХ ДОРОГАХ
ARTIFICAL INTELLIGENCE IN HIGH-SPEED RAILWAYS
Аннотация: высокоскоростная железная дорога принесла ряд социальных и экономических выгод, таких как сокращение времени в пути для поездок продолжительностью от одного до пяти часов; безопасность, безопасность, комфорт и своевременное передвижение пассажиров; энергосбережение и защита окружающей среды; создание рабочих мест; и поощрение устойчивого использования возобновляемых источников энергии и земли. Недавнее развитие высокоскоростной железной дороги привело к повсеместному применению искусственного интеллекта (ИИ). В этой статье представлен обзор современных методов искусственного интеллекта в контексте интеллектуального планирования, интеллектуального управления и интеллектуального обслуживания систем высокоскоростных железных дорог. Наконец, представлена структура будущих систем высокоскоростных железных дорог, в которых ИИ, как ожидается, будет играть ключевую роль.
XIIIМеждународная научно-практическая конференция
Annotation, high-speed rail (HSR) has brought a number of social and economic benefits, such as shorter trip times for journeys of between one and five hours; safety, security, comfort and on-time commuting for passengers; energy saving and environmental protection; job creation; and encouraging sustainable use of renewable energy and land. The recent development in HSR has seen the pervasive applications of artificial intelligence (AI). This article provides an overview of modern artificial intelligence techniques in the context of intelligent planning, intelligent management, and intelligent maintenance of high-speed rail systems. Finally, the structure of future high-speed rail systems is presented, in which AI is expected to play a key role.
Ключевые слова, высокоскоростная железная дорога; искусственный интеллект; интеллектуальное планирование; интеллектуальное управление; интеллектуальное техническое обслуживание.
Keywords: high-speed rail; artificial intelligence; smart planning; intelligent control; intelligent maintenance.
Искусственный интеллект относится к системам, которые способны обучаться аналогично человеческим когнитивным процессам, рассуждать и решать проблемы, имитируя биологические процессы. Благодаря быстрому развитию новых технологий и прорывам в вычислительной мощности и облачных вычислениях, в настоящее время ИИ не только обладает способностью адаптироваться к меняющимся условиям, но и может со временем повысить свою собственную производительность.
Существует множество успешных примеров применения искусственного интеллекта, которые доказали свою эффективность. Например, исследователи обнаружили, что автоматизированный анализ изображений КТ грудной клетки на основе искусственного интеллекта может помочь рентгенологам сэкономить время на диагностике и, следовательно, создать экономию в размере 3 миллиардов долларов в год [1]. В транспортном секторе, особенно в системах высокоскоростных железных дорог, ИИ может внести огромный вклад в решение растущих проблем, связанных с комфортом езды, безопасностью и стабильностью системы, а также энергопотреблением, связанным с расширением железных дорог.
«Научные междисциплинарные исследования»
Система высокоскоростной железной дороги представляет собой интеграцию большого количества подсистем и методов из различных предметных областей.
В системах высокоскоростных железных дорог, используются различные методы связанные с применением ИИ, например, интеллектуальное планирование, интеллектуальное управление, интеллектуальное техническое обслуживание.
Интеллектуальное планирование, также относящееся к автоматизированному планированию и планированию, - это отрасль ИИ, фокусирующаяся на стратегиях или последовательностях действий для достижения поставленных целей в многомерном пространстве [6]. Модели и политики адаптивны в зависимости от окружающей среды, и обычно решения принимаются путем использования итеративных процессов проб и ошибок.
Здесь задействованы динамическое программирование, обучение с подкреплением, алгоритмы локального поиска и эвристическая оптимизация.
Использование интеллектуального планирования в системах высокоскоростных железных дорог охватывает широкий спектр возможностей, таких как планирование расписания поездов, планирование подвижного состава, планирование расписания экипажей для компаний, эксплуатирующих поезда.
Интеллектуальное управление обеспечивает автоматизацию с использованием различных подходов, таких как нечеткая логика, искусственная нейронная сеть и генетический алгоритм [7]. Нечеткое управление, в отличие от классической дискретной логики, вводит нечеткую логику, которая используется для представления непрерывных значений между 0 и 1. Это хорошая интерпретация ручных операций. Во многих случаях, когда математической модели не существует, система, основанная на эмпирических правилах, более эффективна.
Искусственная нейронная сеть - это каркас для реализации различных алгоритмов машинного обучения, которая имеет возможность обрабатывать сложные входные данные. Она имитирует поведение биологических нейронов.
XIIIМеждународная научно-практическая конференция Парадигмы обучения можно разделить на три типа: контролируемое обучение,
неконтролируемое обучение и обучение с подкреплением. Искусственная
нейронная сеть обладает способностью изучать и моделировать нелинейные и
сложные отношения. Сочетание нечеткой логики и искусственных нейронных
сетей приводит к развитию нейронных нечетких систем.
Генетические алгоритмы - это мета эвристические методы, которые обычно используются для создания высококачественных решений задач оптимизации и поиска. Они относятся к эволюционным алгоритмам, которые могут эффективно находить оптимальное решение с помощью итерационного механизма в течение ограниченного времени.
Интеллектуальное техническое обслуживание удовлетворяет фундаментальные потребности мониторинга деградации с помощью собранных данных об оборудовании. Оно использует инструменты прогнозной разведки для обнаружения неисправностей, а не традиционный механизм обслуживания «сбой и исправление» [8]. С развитием технологий связи без привязи поведение сложной системы может быть проанализировано с помощью передовых датчиков, сбора данных, хранения и передачи данных и инструментов анализа данных, разработанных для конкретной цели. Более скрытая информация из исторических данных может быть извлечена с помощью интеллектуальных прогнозов, которые постоянно отслеживают состояние и экстраполируют риски.
Система технического обслуживания на основе кибернетической физики позволяет применять технологии искусственного интеллекта для прогнозирования и управления состоянием. Она включает в себя прогнозирование неисправностей, оценку риска, оценку состояния и анализ надежности [9]. Используя преимущества потоков данных в реальном времени, передовые алгоритмы и аналитика данных работают как экспертная система, основанная на знаниях, которая нацелена на оптимальное решение системы. Есть четыре основных типа режимов технического обслуживания, а именно аварийное техническое обслуживание, профилактическое техническое
«Научные междисциплинарные исследования» обслуживание, обнаружение опасности и техническое обслуживание на основе условий.
Строительство высокоскоростных железных дорог является важнейшим национальным проектом. На сегодняшний день более чем в 20 странах мира действуют высокоскоростные линии [2]. Однако различные стандарты и несовместимость систем препятствуют должному развитию высокоскоростных железных дорог.
Рассмотрим, будущую систему высокосортной железной дороги, удовлетворяющую требованиям комфорта клиентов и эффективности работы. Основываясь на методологиях искусственного интеллекта, описанных ранее, предполагается, что целесообразным будет использование: онлайнового аналитического инструмента для поддержки функционирования и управления системой (моделирование подвижного состава, система консультирования водителей, прогнозирование неисправностей, аварийный перенос расписания), удобного в использовании инструмент анализа тягового усилия, системы инструментов поддержки принятия решений, работающей на этапе проектирования, строительства и эксплуатации.
Подводя итог, стоит отметить что ИИ является ключевым механизмом дальнейшего развития железнодорожного транспорта и железной дороги в целом. Но прежде чем в полной мере реализовать потенциал методов ИИ в системах высокосортных железных дорог, необходимо решить ряд проблем. Во-первых, надежность алгоритмов должна быть тщательно проверена. Так как многие из них напоминают модель «черного ящика», в которых отсутствует интерпретация внутренней динамики, поэтому не исключено возникновение сбоев, даже если на этапе проектирования появится небольшая ошибка. Во-вторых, внедрение новых приборов и устройств на основе искусственного интеллекта для железнодорожной системы по-прежнему является дорогостоящим, а также потребует больших ресурсов для обучения персонала. В-третьих, безопасность и стабильность системы искусственного интеллекта требует инновационных методов обеспечения безопасности.
XIIIМеждународная научно-практическая конференция Библиографический список:
1. Harvard Business Review. 10 promising AI applications in health care [Электронный ресурс]. 2018. Дата обновления: 05.10.2018. Режим доступа: https://hbr.org/2018/05/10-promising-ai-applications-in-health-care (дата обращения 19.04.2021).
2. European Court of Auditors. A European high-speed rail network: Not a reality but an ineffective patchwork. [Электронный ресурс]. 2019. Режим доступа: https://www.eca.europa.eu/en/Pages/DocItem.aspx?did=46398 (дата обращения 29.04.2021)
3. Esveld C. Recent developments in high-speed track. 1st Int. Conf. on Road and Rail Infrastructure. University of Zagreb Zagreb 2010.
4. Nau D, Ghallab M, Traverso P. Automated Planning: Theory & Practice. San Francisco, CA: Morgan Kaufmann Publishers Inc., 2004.
5. Antsaklis PJ, Passino KM, Wang SJ. An introduction to autonomous control systems. IEEE Control Systems Magazine, 1991. С. 5-13.
6. Lee J, Ni J, Djurdjanovic D, et al. Intelligent prognostics tools and e-maintenance. Computers in Industry, 2006. С. 476-89.
7. Vichare NM, Pecht MG. Prognostics and health management of electronics. IEEE Transactions on Components and Packaging Technologies, 2006. С. 222-229.
8. Zhai W, Wang K, Cai C. Fundamentals of vehicle-track coupled dynamics. Vehicle System Dynamics, 2009. С. 1349-76.
© Ю.А. Помозова, А.Е. Мастилин, 2021
