Группа исследователей из Российского университета транспорта (МИИТ) разработала модель, способную прогнозировать риски на железной дороге, извлекая необходимые сведения из разнонаправленных данных

Ученые составили модель для матрицы рисков в сегменте железнодорожной автоматики и телемеханики (ЖАТ). Сейчас при анализе рисков в этой категории используются показатели потерь поездо-часов в случае отказа оборудования.
Модель, построенная авторами исследования, базируется на нейросети Кохонена, она относится к самообучающимся. То есть после базовой настройки и прохождения первичного обучения она способна сама реагировать на изменения параметров и анализировать риски исходя из новых вводных.
При построении модели сотрудники РУТ МИИТ внесли показатели работы оборудования, при которых сбивается график движения поездов. Так как сеть самообучающаяся, то информация об оборудовании уже во время использования системы может дополняться.
Стоит отметить, что системы, оценивающие риски, на железной дороге уже внедрены. В частности, РЖД применяют методологию управления рисками и анализа надежности (УРРАН), в которой используется модель ALARP – «Риск настолько низкий, насколько это практически возможно». Для снижения всех возможных рисков проводится множество мероприятий, связанных с защитой инфраструктуры, обучение сотрудников. Однако с каждым годом количество данных, которые используются в аналитических системах, растет, и проводить расчеты привычными методами становится все сложнее.

Увеличение объема данных на железной дороге обусловлено автоматизацией, цифровизацией и ростом интенсивности движения. Причем в ближайшие годы эти тренды будут только нарастать. Как следствие, данных станет еще больше, поэтому потребуются новые подходы к их обработке.

«Нейронные сети способны анализировать большие объемы данных, отмечать их закономерности и адаптироваться к изменяющимся условиям, что делает их мощным инструментом для предсказания потенциальных угроз. Это особенно актуально в условиях цифровизации и внедрения технологий Industry 4.0, когда сбор и обработка данных становятся более доступными и точными», – подчеркивают авторы исследования.

По оценкам авторов исследования, нейросети могут использоваться для анализа рисков во всех сегментах железнодорожной инфраструктуры. Высокая скорость обработки информации может способствовать еще большему повышению безопасности объектов, также сократится число простоев. Кроме того, могут уменьшиться затраты на ремонт оборудования.