аспирант
Москва, г. Москва и Московская область, Россия
аспирант
Москва, г. Москва и Московская область, Россия
сотрудник
Москва, г. Москва и Московская область, Россия
УДК 004.8 Искусственный интеллект
ББК 392 Железнодорожный транспорт
Локомотивный транспорт является одним из актуальных направлений развития в общей инфраструктуре отраслевой экономики. На текущий момент времени актуализируется целый ряд задач и проблем, связанных с модернизацией существующих и созданием новых систем диагностики двигателей на данном транспорте. Основной целью представленной статьи является выполнение анализа относительно возможности повышения надежности тягового подвижного состава за счет интеграции инструментария предиктивной аналитики качества моторного масла. Автором актуализируются задачи, связанные с необходимостью внедрения инновационных подходов к анализу показателей моторного масла в режиме реального времени для принятия соответствующих мер по корректировке его состава. В рамках работы предложено решение данной проблемы при применении средств предиктивной аналитики в связке с интеллектуальными технологиями для мониторинга показателей моторного масла. Результаты статьи описывают возможное решение задачи путем применения искусственных нейронных сетей в определении текущего состояния агрегата, а также прогнозировании возможных изменений технического состояния двигателя относительно наработки. В результате статьи также представлена алгоритмическая интерпретация решения исходной задачи посредством внедрения инструментов предиктивной аналитики. Новизна работы состоит в предпринимаемой попытке комплексного исследования и систематизации результатов относительно применения предикативной аналитики для повышения надежности тягового подвижного состава путем анализа показателей моторного масла. Материалы статьи имеет практическое значение, состоящее в возможности их использования для создания прикладных решений в последующих исследованиях.
подвижный состав, локомотив, масло, аналитика, мониторинг, диагностика, искусственный интеллект
1. Федотов М. В., Грачев В. В. Предиктивная аналитика технического состояния систем тепловозов с использованием нейросетевых прогнозных моделей // БРНИ. 2021. №3. С. 102-114.
2. Добрынин С. Л., Бурковский В. Л. Мониторинг и предиктивная аналитика технологического оборудования на базе промышленного интернета вещей // Вестник ВГТУ. 2020. №5. С. 7-12.
3. Турениязова А.И., Спришевский К.В. Анализ возможностей и проблем внедрения искусственного интеллекта // SAI. 2023. №Special Issue 3. С. 201-204.
4. Батоев В.Б. Использование предиктивной аналитики в правоохранительной деятельности // Общество и право. 2022. №4 (82). С. 99-107.
5. Кузнецов А. Г., Харитонов С. В., Каменских С. А. Разработка нейросетевого регулятора для дизеля // Известия вузов. Машиностроение. 2023. №5 (758). С. 90-100.
6. Лакин И.К., Павлов В.В., Мельников В.А. «Умный локомотив»: диагностирование тяговых электродвигателей тепловозов с использованием методов машинного обучения // Транспорт Российской Федерации. Журнал о науке, практике, экономике. 2018.
7. Ковалишин Ф. П. Исследование релаксации электрических параметров отработанного моторного масла // Вестник молодежной науки. 2023. №2 (39). С. 6-14.
8. Нурлыгаянов Т. Р., Демин А. Ю. Использование искусственного интеллекта для оценки качества нефтехимических жидкостей // Инновационная наука. 2023. №8-1. С. 10-14.
