Искусственный интеллект как инструмент эффективного содержания объектов железнодорожной инфраструктуры
Путь и путевое хозяйство. 2025, № 11. С. 30—32.
Railway Track and Facilities. 2025;(11): 30—32.
Цифровые технологии
Научная статья
УДК 004.896
Искусственный интеллект как инструмент эффективного содержания объектов железнодорожной инфраструктуры
Давыдов Николай Александрович1, Ерошенко Сергей Валерьевич2, Танташев Руслан Рафаильевич3, Васильев Александр Александрович4
1старший специалист по анализу данных лаборатории искусственного интеллекта и нейронных сетей Филиала № 11 ООО «ОЦРВ» Сириус. ФТ «Сириус», Россия, nikolay.davydov@ocrv.ru, spin-код 9262-2773.
2руководитель группы анализа структурированных данных лаборатории искусственного интеллекта и нейронных сетей Филиала № 11 ООО «ОЦРВ» Сириус. ФТ «Сириус», Россия.
3младший специалист по анализу данных лаборатории искусственного интеллекта и нейронных сетей Филиала № 11 ООО «ОЦРВ» Сириус. ФТ «Сириус», Россия.
4директор Дирекции по управлению проектами производственного блока ООО «ОЦРВ». Москва, Россия.
Аннотация. В статье описан прототип системы прогнозирования отступлений от норм содержания верхнего строения пути, с применением технологий искусственного интеллекта. Прогнозирование позволит планировать профилактическую работу на пути для повышения безопасности и бесперебойности движения поездов.
Ключевые слова: искусственный интеллект, прогнозирование отступлений, машинное обучение, нейронная сеть.
Digital technologies
Original article
Artificial intelligence as a tool for effective maintenance of railway infrastructure facilities
Davydov Nikolay1, Eroshenko Sergey2, Tantashev Ruslan3, Vasiliev Alexander4
1Middle data analysis specialist at the Laboratory artificial intelligence and neural networks of Branch № 11 of OCRV LLC Sirius. Sirius Federal Territory, Russia, nikolay.davydov@ocrv.ru, spin-code 9262-2773.
2group leader of structured data analysis at the Laboratory artificial intelligence and neural networks of Branch № 11 of OCRV LLC Sirius. Sirius Federal Territory, Russia.
3Junior data analysis specialist at the Laboratory artificial intelligence and neural networks of Branch № 11 of OCRV LLC Sirius. Sirius Federal Territory, Russia.
4Director of the Directorate for project management of the production unit of LLC OCRV. Moscow, Russia.
Abstract. The article describes a prototype system for predicting the number of deviations from the maintenance standards of the upper structure of the path, using artificial intelligence technologies. Forecasting deviations can help plan preventive maintenance along the way, increasing the safety and continuity of the railway line.
Keywords: artificial intelligence, deviation forecasting, machine learning, neural networks.
Список источников
1. Применение технологий искусственного интеллекта в цифровизации процессов путевого хозяйства ОАО «РЖД»/ А.А. Васильев, Э.В. Фурего, А.А. Любченко, С.В. Ерошенко // Путь и путевое хозяйство. 2024. № 10. С. 2–5. EDN: IYDGPO.
2. A literature review of Artificial Intelligence applications in railway systems / Tang R., Donato L., Besinovic N., Flammini F., Goverde R., Lin Z., Liu R., Tang T., Vittorini V., Wang Z. // Transportation Research. Part C: Emerging Technologies. 2022. Vol. 140, № 7. DOI: https://doi.org/10.1016/j.trc.2022.103679.
3. Recent applications of big data analytics in railway transportation systems: a survey / F. Ghofrani, Q. He, R.M.P. Goverde, X. Liu // Transportation Research. Part C: Emerging Technologies. 2018. Vol. 90, № 5. P. 226–246. DOI: https://doi.org/10.1016/j.trc.2018.03.010.
4. Urban flow prediction from spatiotemporal data using machine learning: a survey / P. Xie, T. Li, J. Liu, S. Du, X. Yang, J. Zhang // Information Fusion. 2020. Vol. 59. P 1–12. DOI: https://doi.org/10.1016/j.inffus.2020.01.002.
5. Инструкция по текущему содержанию железнодорожного пути: утв. Распоряжением ОАО «РЖД» от 14.11.2016 № 2288/р (ред. от 13.12.2022).
6. Инструкция по оценке состояния рельсовой колеи путеизмерительными средствами и мерам по обеспечению безопасности движения поездов: утв. Распоряжением ОАО «РЖД» от 28.02.2020 № 436/р (ред. от 09.11.2020).
7. Малинский С.В., Шарова В.О. Перспективные методы анализа периодических неровностей пути в задачах оценки безопасности движения // Путь и путевое хозяйство. 2024. № 4. С. 9–11. EDN: YDTHUW.
8. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. N 9 (8). P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.