УДК 656.212.5 УДК 004.896

ФОРМИРОВАНИЕ ОБЪЕКТИВНЫХ ПОКАЗАТЕЛЕЙ РАБОТЫ СОРТИРОВОЧНОЙ СТАНЦИИ НА ОСНОВЕ ДАННЫХ «ОТ КОЛЕСА»

Опубликовано в Автоматика на транспорте · Том 10, Номер 3 · Страницы 254–268 · Рубрика: ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ
DOI: https://doi.org/10.20295/2412-9186-2024-10-03-254-268
Получено: 29.09.2024 Одобрено: 29.09.2024 Опубликовано: 29.09.2024
Представлен новый принцип формирования показателей грузовой сортировочной станции, основанный на использовании данных от различных считывающих устройств и датчиков, расположенных на путях станции (данных «от колеса»). Показана актуальность и объективность использования предлагаемого подхода, реализующего представленные принципы получения реальных показателей грузовой станции. Реализация осуществлена на базе данных, формируемых системой контроля и подготовки информации о перемещениях вагонов и локомотивов на станции в реальном времени. Показано отличие результатов, полученных по итогу реализации предлагаемого подхода, от информации, формируемой в реальных справках и журналах отчетности ОАО «РЖД». Предложены гипотезы-описания отличия информации «от колеса» и информации, полученной при ручном вводе данных о перемещениях вагонов и локомотивов. В заключении описаны дальнейшие перспективы автоматизации расчета и прогнозирования работы станции на основе данных «от колеса».
сортировочная станция, модель станции «от колеса», планирование грузовых перевозок, показатели работы станции
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Захаров Д. В. Цифровизация экономики: проблемы и перспективы // Развитие науки, национальной инновационной системы и технологий: сборник научных трудов по материалам Международной научно-практической конференции (13 мая 2020 г.). Белгород: АПНИ, 2020. С. 102.

2. Nadkarni S., Prügl R. Digital transformation: a review, synthesis and opportunities for future research // Management Review Quarterly. 2021. Т. 71. P. 233–341.

3. Развитие комплекса системообразующих технических решений цифровой станции / А. Е. Хатламаджиян [и др.] // Труды АО «НИИАС»: сборник статей. 2021. Т. 2. Вып. 11. С. 26–37.

4. Khabarov V. I., Volegzhanina I. S. Digital Railway as a precondition for industry, science and education interaction by knowledge management // IOP Conference Series: Materials Science and Engineering. 2020. Т. 918. № 1. P. 012189.

5. Shubinsky I. B., Rozenberg E. N., Schäbe H. Methods for ensuring and proving functional safety of automatic train operation systems // Reliability: Theory & Applications. 2024. Т. 19. № 1 (77). С. 360–375.

6. Цифровая железнодорожная станция — от концепции к реальному внедрению / В. Е. Андреев Рис. 4. Иллюстрация примера различия простоев без переработки по СКПИ ПВЛ РВ и АСУ СТ (Ч — четная система, Н — нечетная система)

7. Выполнение проекта «Цифровая сортировочная станция» в рамках реализации программы «Цифровая экономика Российской Федерации» / Е. А. Заболотская [и др.] // Modern Science. 2020. № 12–4. С. 82–87. EDN JCTTJB.

8. Шабельников А. Н., Смородин А. Н. Комплексная автоматизация узловой сортировочной станции // Автоматика, связь и информатика. 2018. № 4. С. 12–14.

9. A survey on machine learning for data fusion / T. Meng [et al.] // Information Fusion. 2020. Т. 57. P. 115–129.

10. Макарова А. А. Автоматизированная система оперативного управления перевозками // Экосистема цифровой экономики: проблемы, реалии и перспективы. Орел: ОрелГУЭТ, 2018. С.114–118.

11. Никандров В. А. От организационного единства к плодотворному сотрудничеству // Автоматика, связь, информатика. 2011. № 7. С. 11.

12. Ольгейзер И. А. Безопасность роспуска составов на сортировочных горках. Граничные условия функционирования при эксплуатации горочных систем автоматизации // Безопасность движения поездов: труды XIX Всероссийской научно-практической конференции. М., 2019. Ч. 1. С. 65–67.

13. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приема и диагностики подвижного состава на сортировочных станциях // Вагоны и вагонное хозяйство. 2019. № 2. С. 9–13.

14. Замышляев А. М., Калинин А. В., Долганюк С. И. Система МАЛС: задачи и перспективы // Автоматика, связь, информатика. 2016. № 10. С. 30–33.

15. UAV-YOLOv8: A small-object detection model based on improved YOLOv8 for UAV aerial photography scenarios / G. Wang [et al.] // Sensors. 2023. Т. 23. № 16. P. 7190.

16. Image segmentation based on improved unet / X. Li [et al.] // Journal of Physics: Conference Series. 2021. Т. 1815. № 1. P. 012018.

17. Шабельников А. Н., Ольгейзер И. А., Суханов А. В. Концепция цифровой платформы на сортировочных станциях // Мир транспорта. 2021. Т. 19. № 1. C. 60–73. DOI:https://doi.org/10.30932/1992-3252-2021-19- 1-60-73.

18. Laroca R., Boslooper A. C., Menotti D. Automatic Counting and Identification of Train Wagons Based on Computer Vision and Deep Learning. URL: https://arxiv.org/abs/2010.16307.

19. Trends and future perspective challenges in big data / M. Naeem [et al.] // Advances in Intelligent Data Analysis and Applications: Proceeding of the Sixth Euro-China Conference on Intelligent Data Analysis and Applications (15–18 October 2019, Arad, Romania). Springer Singapore, 2022. P. 309–325.

Войти или Создать
* Забыли пароль?