Требования и условия для перспективных диагностических комплексов и программного обеспечения железнодорожной инфраструктуры

   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.

1. Соловьев, 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.

2. 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).

3. 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.

4. 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.

5. Гафаров, Ф. М. Искусственные нейронные сети и их приложения : учебное пособие / Ф. М. Гафаров, А. Ф. Галимянов. – Казань : Издательство Казанского университета, 2018. – 121 c.

6. 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.

7. Фисенко, В. Т. Компьютерная обработка и распознавание изображений / В. Т. Фисенко, Т. Ю. Фисенко. – Санкт-Петербург : Изд-во СПБГУ ИТМО, 2008. – 192 с.

8. 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.

9. 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.

10. 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.