Transport engineering Transport engineering Транспортное машиностроение 2782-5957 90772 10.30987/2782-5957-2024-11-37-45 Транспортные системы Transport systems Транспортные системы PROCEDURE OF CHECKING THE HYPOTHESIS THAT SAMPLES OF RAILWAY COMPONENTS AND PARTS BELONG TO THE SAME GENERAL POPULATION МЕТОДИКА ПРОВЕРКИ ГИПОТЕЗЫ О ПРИНАДЛЕЖНОСТИ ВЫБОРОК УЗЛОВ И ДЕТАЛЕЙ ЖЕЛЕЗНОДОРОЖНОГО СОСТАВА К ОДНОЙ ГЕНЕРАЛЬНОЙ СОВОКУПНОСТИ https://orcid.org/0009-0001-3510-2838 Мироненко Никита Олегович Mironenko Nikita Olegovich nm.reg@yandex.ru https://orcid.org/0009-0009-1792-9143 Сергеев Константин Александрович Sergeev Konstantin Aleksandrovich vagon-7@yandex.ru

доктор технических наук;

doctor of technical sciences;

 https://orcid.org/0009-0005-7596-655X Мироненко Олег Игоревич Mironenko Oleg Igorevich olemir@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 https://orcid.org/0009-0008-6174-2709 Бомбардиров Андрей Петрович Bombardirov Andrey Petrovich bomba542@mail.ru

кандидат технических наук;

candidate of technical sciences;

 https://orcid.org/0000-0003-2987-568X Козлов Максим Владимирович Kozlov Maksim Vladimirovich kozlov_m.v@mail

кандидат технических наук;

candidate of technical sciences;

 Московский государственный технический университет имени Н.Э. Баумана (МГТУ) Москва Россия Bauman Moscow State Technical University (BMSTU) Moscow Russian Federation Российский университет транспорта Москва Россия Russian University of Transport Moscow Russian Federation Российский университет транспорта Москва Россия Russian University of Transport Moscow Russian Federation Российский университет транспорта Москва Россия Russian University of Transport Moscow Russian Federation Российский университет транспорта Москва Россия Russian University of Transport Moscow Russian Federation 29 11 2024 29 11 2024 2024 11 37 45 26 09 2024 24 10 2024 https://naukaru.ru/en/nauka/article/90772/view

В статье обсуждаются вопросы использования машинного обучения для анализа и прогнозирования ресурса узлов и деталей железнодорожного подвижного состава. Особое внимание уделено методике проверки гипотезы о том, что выборки данных, собранные из разных источников, принадлежат одной генеральной совокупности. Это критически важно для корректного объединения данных и повышения качества обучающих выборок, применяемых в прогнозных моделях. Разработанный подход способствует повышению точности оценки состояния узлов и деталей, что, в свою очередь, повышает безопасность железнодорожных перевозок.

The paper discusses the use of machine learning to analyze and predict the resource of components and parts of railway rolling stock. Special attention is paid to the procedure of checking the hypothesis that data samples collected from different sources belong to the same general population. This is critically important for correct data aggregation and improving the quality of training samples used in predictive models. The developed approach helps to increase the accuracy of assessing the condition of components and parts, which, in turn, increases the safety of railway transportation.

 обучение анализ подвижной состав прогнозирование ресурс проверка гипотезы данные надежность перевозки training analysis rolling stock forecasting resource checking hypotheses data reliability transportation

T.Beysolow II. Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras. Apress, 2019. ISBN 1484251261. Beysolow T. Applied reinforcement learning with Python: with OpenAI Gym, Tensorflow, and Keras. Apress;2019. Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. 358 с. ISBN 978-5-97060-506-6. Текст : электронный // Лань : электронно-библиотечная система. – URL: https://e.lanbook.com/book/105836 Sharden B, Massaron L, Basketti A. Large-scale machine learning with Python: a textbook [Internet]. Moscow: DMK Press; 2018. onic library system. Available from: https://e.lanbook.com/book/105836 Плас, Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. М.: Питер, 2018. 759 c Plas, Vander J. Python for complex tasks. Data science and machine learning: manual. / Moscow: Piter; 2018. Солнцева, О.Г. Аспекты применения технологий искусственного интеллекта / О.Г. Солнцева // E-Management. 2018. No1. – URL: https://cyberleninka.ru/article/n/aspekty-primeneniya-tehnologiy-iskusstvennogo-intellekta Solntseva OG. Aspects of applying artificial intelligence technologies. E-Management [Internet]. 2018;1. Available from: https://cyberleninka.ru/article/n/aspekty-primeneniya-tehnologiy-iskusstvennogo-intellekta Колесникова, Г.И. Искусственный интеллект: проблемы и перспективы / Г.И. Колесникова //Видеонаука: сетевой журн. 2018. No 2(10). – URL https://videonauka.ru/stati/44-novye-tekhnologii/190-iskusstvennyj-intellekt-problemy-i-perspektivy. Kolesnikova GI. Artificial intelligence: problems and prospects. Videonauka [Internet]. 2018;2(10). Available from: https://videonauka.ru/stati/44-novye-tekhnologii/190-iskusstvennyj-intellekt-problemy-i-perspektivy.