Искусственный интеллект меняет концепцию безопасности на железнодорожном транспорте

Исследования показывают, как методы глубокого обучения и синтеза данных могут автоматизировать обнаружение ошибок, делая инфраструктуры более устойчивыми.

Железнодорожная инфраструктура представляет собой сложную сеть, постоянно подвергающуюся нагрузкам из-за износа, старения и факторов окружающей среды, что может привести к сбоям, критически важным для безопасности железнодорожного транспорта. Традиционно обслуживание и проверка жизненно важных элементов, таких как пути, мосты, туннели и сигнальное оборудование, основывались на традиционных методах. Эти подходы обычно выполняются вручную и периодически, что делает их дорогостоящими, трудоемкими и, что наиболее важно, подверженными человеческим ошибкам.

Как применить ИИ для отслеживания технического обслуживания

Периодический характер этих проверок резко ограничивает возможности операторов выявлять проблемы безопасности на железнодорожном транспорте на ранней стадии, задерживая принятие мер и увеличивая риск неожиданных сбоев или, в худшем случае, аварий. Вместо этого современный ландшафт мобильности требует возможности мониторинга в реальном времени и более эффективного профилактического обслуживания.

В этом контексте исследование, опубликованное наМеждународный журнал информационных и коммуникационных технологий предлагает инновационное решение, использующее возможности искусственного интеллекта для анализа оперативных данных. Существенным препятствием в этой области исторически была нехватка и несбалансированность данных об ошибках: некоторые типы аномалий настолько редки, что обучение надежной модели машинного обучения практически невозможно из-за отсутствия достаточного количества выборок.

Безопасность на железнодорожном транспорте, методы искусственного интеллекта для обнаружения неисправностей

Суть новой методологии заключается в способности преодолеть проблему нехватки данных с помощью передовых методов глубокого обучения и синтеза данных. Система сочетает в себе два новаторских метода для создания более надежного и сбалансированного набора обучающих данных:

1. ESMOTE (усовершенствованный метод синтетической передискретизации меньшинства): этот метод синтетической передискретизации работает для улучшения разнообразия данных меньшинства (редкие ошибки). Группируя похожие выборки и интерполируя их, ESMOTE генерирует новые выборки, которые расширяют представление менее частых классов неисправностей.
2. CSGAN (условно-классовая генеративная состязательная сеть): параллельно эта генеративно-состязательная нейронная сеть способна создавать синтетические данные, которые с высокой точностью отражают отличительные характеристики различных категорий неисправностей.

Этот двойной подход снижает зависимость от наборов данных, размеченных вручную, и повышает стабильность модели. После того, как данные подготовлены соответствующим образом, система переходит к извлечению характеристик из рабочих сигналов с использованием многомасштабной остаточной сети (ResNet). Этот тип нейронной сети особенно эффективен при улавливании мелкозернистых закономерностей и закономерностей в данных, сохраняя при этом устойчивость к изменениям условий эксплуатации.

Кроме того, чтобы гарантировать применимость модели к различным железнодорожным средам, используется адаптивная к подобластям стратегия трансферного обучения. Это позволяет вам применять информацию и знания, полученные из одного набора данных, к другому, обеспечивая точную идентификацию ошибок даже в несколько разных контекстах.

Преимущества для железнодорожных операторов

Эффективность новой системы была подтверждена строгими испытаниями, которые продемонстрировали точность диагностики, близкую к 94%. Это представляет собой значительное улучшение по сравнению с предыдущими моделями, которые часто давали сбои из-за ручного извлечения признаков или работы с несбалансированными наборами данных.

Повышенная точность и возможность обнаружения в реальном времени предлагают немедленные и практические преимущества железнодорожным операторам:

• Оптимизация ресурсов: своевременное и точное обнаружение неисправностей позволяет присвоить ограниченным ресурсам технического обслуживания более высокий приоритет и оперативное вмешательство, вмешиваясь именно там и тогда, когда это необходимо.
• Уменьшение сбоев: возможность выявлять проблемы до того, как они перерастут в критические сбои, сводит к минимуму количество сбоев в обслуживании, повышая надежность сети и удовлетворенность пассажиров.
• Повышенная безопасность. По сути, автоматизация и точность мониторинга помогают сделать железнодорожную инфраструктуру более безопасной и устойчивой.

Исследование обрисовывает будущее, в котором ИИ станет не просто помощником, а важной опорой для управления и прогнозного обслуживания сложных и жизненно важных сетей железнодорожного транспорта.