Россия
Статья посвящена решению актуальной проблемы фрагментации данных в процессе эксплуатации автономных рефрижераторных вагонов (АРВ) на сети железных дорог ОАО «РЖД». Ключевой задачей является разработка архитектуры единой цифровой платформы, автоматизация информационного поля, образуемого системами бортовой телематики (данные о температуре, местоположении, параметрах работы оборудования), его бесшовная интеграция с данными от корпоративных автоматизированных систем (АСУ) ОАО «РЖД» и объединение с внутренними системами оперативного, коммерческого и технического учета. Цель: разработка единой цифровой платформы АРВ, обеспечивающей формирование общего источника достоверных данных, сохранность грузов и безотказность оборудования АРВ. Материалы и методы: в работе использованы методы системного анализа для существующих решений в телематике рефрижераторного подвижного состава. Выявлены несовершенства информационного обмена между системами и проведена формализация требований к платформе. Принципы сервис-ориентированной архитектуры (СОА) использовались для проектирования архитектуры единой цифровой платформы АРВ. Концепции промышленного интернета вещей (IIoT) применялись для сбора данных от различных систем, а правила гибридного управления данными («единый слой данных» — Data Fabric) — для интеграции и обработки этих данных. Результаты: внедрение предложенной платформы позволит преодолеть проблемы разрозненности и запаздывания информации, оптимизировать логистические процессы, создать единый источник достоверных данных, реализовать переход к обслуживанию по фактическому состоянию и повысить безопасность движения поездов. Практическая значимость: информация от бортовых систем АРВ и от корпоративных АСУ ОАО «РЖД» поступает бессвязно, что требует ручного сопоставления данных и, как следствие приводит к запаздыванию реакции на инциденты, что влечет порчу груза. Результаты работы позволят существенно увеличить эффективность использования рефрижераторного парка, обеспечат сохранность грузов, снизят операционные затраты и укрепят конкурентные позиции железнодорожного транспорта на рынке перевозок скоропортящихся продуктов.
автономный рефрижераторный вагон, телематика, интеграция данных, предиктивная аналитика
1. ГОСТ Р 58664-2019. Услуги на железнодорожном транспорте. Перевозка скоропортящихся грузов. Общие требования к качеству. URL: https://internet-law.ru/gosts/gost/72246/ (дата обращения: 01.12.2025).
2. The International Union of Railways. Best Practices for Perishable Goods Transport by Rail. 3rd ed. Paris, UIC Publications. 2022. 134 p.
3. Правила перевозок железнодорожным транспортом скоропортящихся грузов (утв. приказом Минтранса России от 04.03.2019 № 66). URL: https://base.garant.ru/72265752/ (дата обращения: 30.10.2025).
4. Шевченко А. В. Современные решения для автономных рефрижераторных вагонов модели 16- 5213, обеспечивающие повышение их эксплуатационной надежности и работоспособности // Труды Ростовского государственного университета путей сообщения. 2025. № 1 (70). С. 126–131. EDN AMPSPG
5. Ефанов Д. В., Смирнов А. А. Система мониторинга устройств железнодорожной автоматики на основе промышленного «Интернета вещей» // Мир транспорта. 2020. Т. 18, № 6. С. 118–134.
6. Лихова О. А., Кузьмина К. А., Жолондковский П. С. Технология блокчейн в логистике и управлении цепями поставок: описание применения и прогноз развития // Новое слово в науке: стратегии развития: сборник материалов V Международной научно-практичской конференции Чебоксары, 2018. С. 243–250.
7. Kafka: The Definitive Guide: Real-Time Data and Stream Processing at Scale / G. Shapira [et al.] USA: O’Reilly Media, 2021. Рp. 332–334.
8. Gartner Research. Innovation Insight: Data Fabric Architectures Are Key to Modern Data Management. 2023. URL: https://www.gartner.com/en/ documents/4018889 (дата обращения: 01.12.2025).
9. Предиктивная аналитика в железнодорожной логистике: матрица технологических решений и стратегия внедрения / Е. С. Гаврилюк, Т. Н. Бикмулина, Д. А. Попов, О. С. Хамдамов // Естественно-гуманитарные исследования. 2025. № 3 (59). С. 99– 104.
10. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, no. 8. Pp. 1735–1780. 11. Chen T., Guestrin C., Boost X. G. A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘16). 2016. Pp. 785–794.
11. Качалов Д. Л., Мишустин А. В., Фархадов М. П. Современные методы обработки больших данных в крупномасштабных системах. Математические модели современных экономических процессов, методы анализа и синтеза экономических механизмов // Актуальные проблемы и перспективы менеджмента организаций в России: материалы XI Всероссийской научно-практической конференции (Самара, 24–28 апреля 2017 года). Вып. 11. Самара: Самарский научный центр РАН, 2017. С. 65– 71. EDN YMZHKD
12. Software-Defined Networking: A Comprehensive Survey / D. Kreutz [et al.] // Proceedings of the IEEE. 2015. Vol. 103, no. 1. Pp. 14–76.
13. Blockchain Technology in the Energy Sector: A Systematic Review of Challenges and Opportunities / M. Andoni [et al.] // Renewable and Sustainable Energy Reviews. 2019. Vol. 100. Pp. 143–174.
14. Шинкарук А. С., Куликов М. Ю., Барышников А. В. Совершенствование производственных и управленческих процессов при ремонте и техническом обслуживании пассажирских вагонов с использованием «цифровых двойников» // Транспортное машиностроение. 2024. № 12 (36). С. 70– 77. DOI:https://doi.org/10.30987/2782-5957-2024-12-70-77. EDN ENMKIC
