На базе этой информации эксплуатируется комплекс предиктивной аналитики технического состояния грузовых вагонов, позволяющий ежегодно обнаруживать десятки тысяч дефектов, развитие которых могло привести к авариям. Сегодня назрела необходимость его модернизации.

Виталий Гондоров, начальник отдела технологического и информационного обеспечения Управления вагонного хозяйства Центральной дирекции инфраструктуры.

Эксплуатируемые устройства контролируют различные параметры подвижного состава.

Тепловой контроль состояния буксовых узлов колесных пар и тормозного оборудования ведет комплекс технических средств многофункциональным КТСМ. Также на выявление неисправностей буксовых узлов направлены посты акустического контроля ПАК и ПАК-М, которые обнаруживают неисправности посредством измерения и анализа акустических шумов при проходе поезда.

Выявлением букс, имеющих сдвиг корпуса с шейки оси, а также измерением толщины гребня и обода колес с помощью лазерных датчиков занимается подсистема "Букса", установленная в цифровом диагностическом комплексе для измерений геометрических параметров колесных пар подвижного состава "Комплекс-2".

Лазерные датчики автоматизированной системы определения отрицательной динамики АСООД и системы обнаружения вагонов с отрицательной динамикой ОВОД выявляют вагоны с повышенными колебаниями кузова (отрицательная динамика), что свидетельствует о нарушении геометрии деталей ходовых частей.

Перед пунктами подготовки вагонов к перевозкам устанавливается система автоматизированного визуального контроля основных технических характеристик подвижного состава "Техновизор", измеряющая фрикционные клинья и тормозные колодки. "Техновизор" – часть интегрированного поста автоматизированного приема и диагностики подвижного состава на сортировочных станциях ППСС. Задача ППСС – комплексный контроль и выявление технических и коммерческих неисправностей. Помимо "Техновизора" в ППСС входят другие подсистемы, которые следят за габаритами и отрицательной динамикой, весом груза, равномерностью загрузки и динамическим воздействием колеса на рельс, идентификацией подвижного состава. С 2024 года внедряется подсистема "Элемент", осуществляющая визуальный контроль подвагонного пространства. В частности, уже реализована возможность автоматического измерения параметров тормозной рычажной передачи. По данным всех этих средств диагностики, в прошлом году отстранили от движения почти 60 тыс. вагонов.

Между тем далеко не всякий обнаруженный дефект требует отцепки вагона. Основная часть неисправностей находится в стадии зарождения и развития, при которой возможна дальнейшая эксплуатация. Важно знать, как поведут себя дефекты и когда можно ожидать от них опасности, чтобы направить подвижной состав в сервис. Поэтому диагностические данные становятся основой для формирования модели предиктивной аналитики технического состояния грузовых вагонов.

Показания всех средств диагностики собираются в автоматизированной системе контроля подвижного состава АСК ПС и системе комплексного оперативного контроля технического состояния подвижного состава по показаниям систем диагностики СКАТ. Вся эта информация обогащается данными об отказах грузовых вагонов из комплексной автоматизированной системы учета, контроля устранения отказов технических средств и анализа их надежности КАСАНТ. Весь массив поступает в единую комплексную систему управления вагонным хозяйством ЕК АСУВ, где и формируется модель предотказного состояния.

Сегодня уже реализованы алгоритмы по определению предотказного состояния буксового узла, толщины гребней и обода колес, вагона в целом.

При этом текущая архитектура предотказной аналитики сформирована в 2019 году и не учитывает новых возможностей диагностической аппаратуры и вычислительных программ. Поэтому Управлением вагонного хозяйства инициированы работы по модернизации комплекса предиктивной аналитики с целью улучшения его прогнозных показателей.

Например, в ЕК АСУВ из-за ограничений в мощности передается сравнительно небольшой объем проводимых диагностикой измерений, что не позволяет осуществлять прогнозирование с достаточной достоверностью. Решать эту проблему предлагается за счет внедрения алгоритмов предварительной обработки информации для формирования критериев безотказной модели на линейных постах контроля, чтобы на центральный уровень, в ЕК АСУВ, передавать уже обработанные данные, требующие меньших ресурсов для анализа в сравнении с исходной информацией. Такой подход позволит увеличить достоверность идентификации вагонов в ЕК АСУВ. Повышению точности прогноза будет способствовать и обработка косвенных параметров, таких как скорость движения, температура окружающего воздуха, которые влияют на работу вагона и необходимы для объективной оценки показаний средств диагностики.

Внесение изменений в архитектуру предотказной аналитики предполагает применение технологий искусственного интеллекта, увеличивающих скорость и точность прогнозов.