vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2024_1_141vrgup-207Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSТребования и условия для перспективных диагностических комплексов и программного обеспечения железнодорожной инфраструктурыRequirements and conditions for advanced diagnostic systems and software for railway infrastructureСоловьев,В. В.SolovyovV. V.

Владислав Викторович Соловьев, преподаватель

кафедра «Транспортное строительство»

Москва

Vladislav Viktorovich Solovyov, Lecturer

Chair «Transport Construction»

Moscow

vladvc@mail.ruФедороваС. В.FedorovaS. V.

Снежана Владимировна Федорова, преподаватель

кафедра «Транспортное строительство»

Москва

Snezhana Vladimirovna Fedorova, Lecturer

Chair «Transport Construction»

Moscow

sfedts@mail.ruРоссийская открытая академия транспорта Российского университета транспорта (РУТ (МИИТ))Russian Open Academy of Transport of the Russian University of Transport (RUT (MIIT))20243003202401141150Copyright © Соловьев, В.В., Федорова С.В., 20242024Соловьев, В.В., Федорова С.В.Solovyov V.V., Fedorova S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/207

   Рассмотрены преимущества от внедрения и унификации основных характеристик многофункциональных диагностических комплексов (МДК), предлагаемого алгоритмического, программного и аппаратного обеспечения, элементы которого могут устанавливаться на различные виды подвижного состава, обеспечивая при этом практически непрерывный мониторинг участков железнодорожного пути.

   Предложен новый подход, основанный на агрегировании математического и программного обеспечения, сочетающего математический аппарат обработки массивов квазислучайных данных и нейросетевых моделей, которые позволили бы ограничить объемы обучающих выборок при достаточной точности обработки как графической, так и табличной информации, полученной в ходе работы путеизмерительных средств на железных дорогах.

   Научная новизна исследования заключается в рассмотрении вопросов разработки и внедрения алгоритмического и математического обеспечения, которое позволило бы иметь возможность работать с первичной информацией от различных диагностических средств и программно-аппаратных комплексов.

   The purpose of the study is to show the benefits of providing and unifyingthe main characteristics of multifunctional diagnostic complexes (MDC), to provide algorithmic, software and hardware, the elements of which can be held in various types of rolling stock, while forming an almost continuous monitoring section of railway tracks.

   A new approach is proposed based on the aggregation of mathematical and software combining the mathematical apparatus for processing arrays of quasi-random data and neural network models, which would allow limiting the volume of training samples with sufficient accuracy of processing both graphical and tabular information obtained during the operation of track measuring devices on railways.

   Scientific novelty includes issues of design and development of algorithmic and mathematical software; the resource will be able to work with the latest information from various diagnostic tools and software and hardware systems.

диагностированиеискусственные нейронные сетимногофункциональные диагностические комплексыпрограммное обеспечениесверхточная архитектураобработка данныхслучайный процессdiagnosticsartificial neural networksmultifunctional diagnostic systemssoftwareconvolutional architecturedata processingrandom processReferencesСоловьев, В. В. Особенности выбора и настройки математического и алгоритмического обеспечения, используемого в процессе мониторинга и диагностики верхнего строения железнодорожного пути / В. В. Соловьев // Внедрение современных конструкций и передовых технологий в путевое хозяйство. – 2023. – Т. 19. – С. 25–40. – EDN: YWUROB.Solovyov, V. V. Features of the selection and configuration of mathematical and algorithmic software used in the process of monitoring and diagnostics of the upper structure of the railway track / V. V. Solovyov // Introduction of modern structures and advanced technologies in track facilities. – 2023. – Vol. 19. – P. 25–40. – EDN: YWUROB.Горева, Т. И. Нейросетевые модели диагностики технических систем // Т. И. Горева, Н. Н. Портнягин, Г. А. Пюкке // Вестник КРАУНЦ. Физико-математические науки. – 2012. – Вып. 1 (4). – С. 31–43 – doi: 10.18454/2079-6641-2012-4-1-31-43 (дата обращения: 28. 02. 2024).Goreva, T. I. Neural network models for diagnosing technical systems / T. I. Goreva, N. N. Portnyagin, G. A. Pyukke // Vestnik KRAUNC. Physical and Mathematical Sciences. – 2012. – Iss. 1 (4). – P. 31–43 – doi: 10.18454/2079-6641-2012-4-1-31-43 (date of access: 02/28/2024).Кацуба, Ю. Н. Применение искусственных нейронных сетей для диагностирования изделий / Ю. Н. Кацуба, И. В. Власова / Международный научно-исследовательский журнал. – 2015. – № 3 (34). – С. 1–5. – ISSN 2303-9868.Katsuba, Yu. N. Application of artificial neural networks for diagnosing products / Yu. N. Katsuba, I. V. Vlasova // International Research Journal. – 2015. – No. 3 (34). – P. 1–5. – ISSN 2303-9868.Дьяконов, В. П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В. П. Дьяконов, В. В. Круглов. – Москва : Солон-Пресс, 2020. – С. 2–7. – ISBN 978-5-91359-381-8.Dyakonov, V. P. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Tools of artificial intelligence and bioinformatics / V. P. Dyakonov, V. V. Kruglov. – P. 2–7. – Moscow : Solon-Press, 2020. – ISBN 978-5-91359-381-8.Гафаров, Ф. М. Искусственные нейронные сети и их приложения : учебное пособие / Ф. М. Гафаров, А. Ф. Галимянов. – Казань : Издательство Казанского университета, 2018. – 121 c.Gafarov, F. M. Artificial neural networks and their applications : textbook / F. M. Gafarov, A. F. Galimyanov. – Kazan : Kazan University Publishing House, 2018– 121 p.Резницкий, М. А. Программная реализация автоматизированной системы обнаружения дефектов верхнего строения пути на основе технологии свёрточных нейронных сетей / М. А. Резницкий, Л. В. Аршинский // Молодая наука Сибири. – 2018. – № 1 (1). – С. 23–35. – ISSN 2658-610Х.Reznitsky, M. A. Software implementation of an automated system for detecting defects in the super-structure of a track based on convolutional neural network technology / М. А. Reznitsky, L. V. Arshinsky // Young science of Siberia. –2018. – No. 1 (1). – P. 23–35. – ISSN 2658-610Х.Фисенко, В. Т. Компьютерная обработка и распознавание изображений / В. Т. Фисенко, Т. Ю. Фисенко. – Санкт-Петербург : Изд-во СПБГУ ИТМО, 2008. – 192 с.Fisenko, V. T. Computer processing and image recognition / V. T. Fisenko, T. Yu. Fisenko // Saint Petersburg : Saint Petersburg State University ITMO Publishing House, 2008. – 192 p.Резницкий, М. А. Решение задачи анализа верхнего строения пути по его изображениям / М. А. Резницкий // Информационные технологии и проблемы математического моделирования сложных систем. – Иркутск : ИрГУПС, 2016. – Вып. 16. – С. 15–20. – ISSN 2658-3704.Reznitsky, M. A. Solution of the problem of analyzing the upper structure of a track using its images / M. A. Reznitsky // Information technologies and problems of mathematical modeling of complex systems. – Irkutsk : IrGUPS, 2016. – Iss. 16. – P. 15–20. – ISSN 2658-3704.Алгоритм определения параметров основания зданий и сооружений с помощью обработки георадиолокационных изображений // Приборы и системы. Управление, контроль, диагностика / А. А. Локтев, Д. А. Локтев, В. В. Королев, А. А. Кузнецов. – 2022. – № 4. – С. 11–17. – DOI: 10.25791/pribor.4.2022.1331.An algorithm for determining the parameters of the foundation of buildings and structures using the processing of ground penetrating radar images // Instruments and Systems : Monitoring, Control, Diagnostics / A. A. Loktev, D. A. Loktev, V. V. Korolev, A. A. Kuznetsov. – 2022. – No. 4. – P. 11–17. – DOI: 10.25791/pribor.4.2022.1331.Локтев, Д. А. Использование метода анализа размытия изображения для определения внешних дефектов железнодорожного пути / Д. А. Локтев, Ю. А. Быков, Н. И. Коваленко // Наука и техника транспорта. – 2016. – № 1. – С. 69–75. – ISSN 2074-9325.Loktev, D. A. Using an image blur analysis method to identify external defects in a railway track / D. A. Loktev, Yu. A. Bykov, N. I. Kovalenko // Science and technology of transport. – 2016. – No. 1. – P. 69–75. – ISSN 2074-9325.

The authors declare that there are no conflicts of interest present.