Тренды

Ежегодно на железнодорожном транспорте в России и мире происходят тысячи небольших поломок. Поезда отправляют в депо и чинят, но каждый лишний день ремонта поезда – это не только прямой убыток, но еще и дополнительные расходы, связанные с простоем локомотива.

Еще несколько лет назад телеметрические данные поездов обрабатывались людьми. Инженеры-диагносты просматривали отчеты о работе за несколько суток работы фактически вручную. Информацию можно было считать некорректно, часть ошибок просто пропустить и не зафиксировать.

РЖД постоянно модернизирует системы диагностики, а также предлагает сторонним разработчикам поучаствовать в этой работе. Современные системы предиктивной аналитики используют возможности искусственного интеллекта, машинного зрения, дополненной реальности, а также другие направления, позволяющие повысить уровень надежности локомотивов.

Технология

Предиктивная аналитика – совокупность методов анализа данных, используемая для прогнозирования поведения объектов и субъектов или течения процессов.

С помощью искусственного интеллекта, больших данных, машинного обучения на базе алгоритмов и исторических параметров эксплуатации предиктивная аналитика позволяет предсказать сбои и поломки.

Чем больше данных для анализа, тем точнее будет прогноз. Оснащенный современными сенсорами и датчиками локомотив, в зависимости от условий работы, передает от 1 терабайта данных в месяц. Проанализировать эту информацию ни один человек не в состоянии. Обработав их с помощью систем искусственного интеллекта, можно оптимизировать параметры надежности и минимизировать количество поломок.

Еще несколько лет назад телеметрические данные поездов обрабатывались людьми

Реализация

В 2016 году, чтобы повысить эффективность анализа, началось внедрение автоматизированной системы мониторинга и прогнозирования технического состояния поездов «Умный локомотив». В ее основу легла модель, созданная компаниями «ЛокоТех» и Clover Group.

Система позволяет в режиме реального времени оценивать состояние локомотивов и прогнозировать отказ того или иного узла еще до наступления аварии.

Информацию о состоянии техники передают датчики, сенсоры и микропроцессорные системы управления (МСУ), которые регистрируют информацию о параметрах работы.

Во время каждого захода локомотива в депо на обслуживание или ремонт с его бортовой системы считываются записанные в пути следования телеметрические данные. Оператор загружает их в программу «Умный локомотив», где автоматически начинается конвертация и обработка информации. После этого запускаются алгоритмы выявления неисправных датчиков. Это позволяет предсказывать потенциальные инциденты в работе оборудования и просчитать вероятности отказа различных узлов локомотива. В результате угрозы происшествий и аварий в пути сведены к минимуму. Большинство поломок выявляются в среднем за месяц до того, как они реально произойдут.

В настоящее время система «Умный локомотив» анализирует 23 вида оборудования поездов более чем по 300 параметрам. Это позволяет обнаружить порядка 60 категорий сбоев в работе и автоматически определять нарушения эксплуатации, связанные с неправильными действиями сотрудников.

Результаты

Только в 2019 году система «Умный локомотив» выявила 100 тыс. инцидентов, каждый из которых мог привести к поломке. Затраты на аварийный ремонт уже удалось сократить в три раза, а потери времени из-за неплановых работ – на 12%.

Удалось снизить и сроки обслуживания техники в депо. Время на диагностику локомотива сократилось с 2 часов до 5 минут.

Перспективы

Следующий уровень использования предиктивной аналитики – создание единой цифровой экосистемы, позволяющей прогнозировать уровень неисправностей и проводить упреждающий ремонт по всей стране.

С 2018 года на базе сервисного локомотивного депо (СЛД) Братское реализуется пилотный проект «Цифровое депо».

К началу 2020 года в рамках эксперимента на полигоне уже внедрили более 30 различных цифровых и технологических решений, объединенных в одну интеллектуальную систему.

Автоматизация процессов позволила минимизировать риски человеческого фактора на качество процесса ремонта, а современные технологические решения сокращают время нахождения локомотивов в депо. Так, в 2 раза снизились временные затраты на производственные операции, а производительность труда выросла на 30%.

Цель проекта – повысить коэффициент готовности к эксплуатации (КГЭ) локомотива до 0,95 и увеличить качество ремонта. Достичь заявленных показателей поможет сокращение времени на проведение плановых сервисных работ, в частности текущего ремонта (ТР) ТР-1 и технического обслуживания (ТО) ТО-2.

Цифровое депо – первые результаты:

• в 2 раза снизились временные затраты на производственные операции;
• в 3 раза снизилось время цикловых операций при ремонте;
• на 30% выросла производительность труда.

Фото: Shutterstock/FOTODOM