inttransИнтеллектуальный транспортIntelligent transport3033-6007АО «НИИАС»10.24412/3033-6007-2026-137-69-79inttrans-72Research ArticleИНТЕЛЛЕКТҮАЛbНЫЕ ТРАНСПОРТНЫЕ СИСТЕМЫВизуализация данных в интеллектуальных системах диагностики масла локомотиваData visualization in intelligent locomotive diagnostic systems – interfaces, ux, and cognitive loadОвтинВ. И.OvtinV. I.

Овтин Валерий Иванович, Заместитель руководителя управления планирования

Москва

Ovtin Valery Ivanovich, Deputy Head of the Planning Department

Moscow

ovtin@yandex.ruОбщество с ограниченной ответственностью «ЛокоТех-Промсервис» (ООО ЛТПС)РоссияLoko-Tech-Promservice Limited Liability Company (LTPS LLC)Russian Federation20261309202601(37)6979Copyright © Овтин В.И., 20262026Овтин В.И.Ovtin V.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.intelligent-transport.ru/jour/article/view/72

Внедрение интеллектуальных систем предиктивной диагностики в техническое обслуживание подвижного состава требует не только надёжной архитектуры сбора и анализа данных, но и эффективного взаимодействия с пользователем. Одним из ключевых элементов таких систем становится визуализация, позволяющая операторам, инженерам и техникам быстро и точно интерпретировать техническую информацию. Цель статьи обосновать необходимость удобных и интуитивно понятных интерфейсов в системах диагностики, исследовать влияние визуализации на когнитивную нагрузку персонала, а также предложить подходы и примеры графических решений. В работе анализируются основные типы графиков и их применимость в контексте эксплуатации локомотива, рассматриваются аспекты пользовательского опыта и проектирования интерфейсов с учётом специфики железнодорожной отрасли. Сделан акцент на повышении эффективности принятия решений на основе визуальных данных.

The implementation of predictive intelligent diagnostic systems in the maintenance of rolling stock requires not only a reliable data collection and analysis architecture, but also effective user interaction. One of the key elements is data visualization, which allows operators, engineers, and technicians to quickly and accurately interpret technical information. The purpose of the article is to substantiate the need for user-friendly and intuitive interfaces in diagnostic systems, to investigate the impact of visualization on the cognitive load of staff, and to propose approaches and examples of graphical solutions. The paper analyzes the main types of graphs and their applicability in the context of locomotive operation, examines aspects of user experience and interface design, taking into account the specifics of the railway industry. The emphasis is placed on improving the efficiency of decision-making based on visual data.

Интеллектуальная системадиагностикавизуализацияинформацияинтерфейссистема диагностикиIntelligent systemdiagnosticsvisualizationinformationinterfacediagnostic systemReferencesБуйносов А. П., Худояров Д. Л., Тюшев И. А. Предиктивная диагностика тяговых электродвигателей локомотивов 2ЭС6 «Синара» // Наука и образование транспорту. – 2021. – № 1. – С. 18–20.Буйносов А. П., Худояров Д. Л., Тюшев И. А. Предиктивная диагностика тяговых электродвигателей локомотивов 2ЭС6 «Синара» // Наука и образование транспорту. – 2021. – № 1. – С. 18–20.Овтин В. И. К вопросу о необходимости разработки интеллектуальной системы диагностики масла локомотива на основе СВЧ анализа как метода предиктивной диагностики оборудования в эксплуатации // Транспортное дело России. – 2023. – № 4. – С. 210–214. DOI: 10.52375/20728689_2023_4_210.Овтин В. И. К вопросу о необходимости разработки интеллектуальной системы диагностики масла локомотива на основе СВЧ анализа как метода предиктивной диагностики оборудования в эксплуатации // Транспортное дело России. – 2023. – № 4. – С. 210–214. DOI: 10.52375/20728689_2023_4_210.Синельников И. А. Бортовой комплекс предиктивной диагностики локомотивов АО «Трансмашхолдинг» // Вестник Института проблем естественных монополий: Техника железных дорог. – 2024. – № 1(65). – С. 22–27.Синельников И. А. Бортовой комплекс предиктивной диагностики локомотивов АО «Трансмашхолдинг» // Вестник Института проблем естественных монополий: Техника железных дорог. – 2024. – № 1(65). – С. 22–27.Петров А. Е. Внедрение технологий промышленного интернета вещей в машиностроении // Международные научные студенческие чтения – 2025: сб. ст. II Междунар. науч.-практ. конф., Петрозаводск, 24 апр. 2025 г. – Петрозаводск: Новая Наука, 2025. – С. 152–161.Петров А. Е. Внедрение технологий промышленного интернета вещей в машиностроении // Международные научные студенческие чтения – 2025: сб. ст. II Междунар. науч.-практ. конф., Петрозаводск, 24 апр. 2025 г. – Петрозаводск: Новая Наука, 2025. – С. 152–161.M. V. Fedotov and V. V. Grachev, «Predictive analytics of the technical condition of diesel locomotive systems using neural network predictive models,» Bull. Sci. Res. Results, vol. 7, no. 3, pp. 45–52, 2021.M. V. Fedotov and V. V. Grachev, «Predictive analytics of the technical condition of diesel locomotive systems using neural network predictive models,» Bull. Sci. Res. Results, vol. 7, no. 3, pp. 45–52, 2021.Бердышева Ю. А., Жаркова Е. А. Информационные технологии как фактор развития цифровой трансформации железнодорожного транспорта // Вестник СГУПС: гуманитарные исследования. – 2023. – № 4 (19). – С. 55–60.Бердышева Ю. А., Жаркова Е. А. Информационные технологии как фактор развития цифровой трансформации железнодорожного транспорта // Вестник СГУПС: гуманитарные исследования. – 2023. – № 4 (19). – С. 55–60.Федотов М. В., Грачев В. В. Предиктивная аналитика технического состояния систем тепловозов с использованием нейросетевых прогнозных моделей // Бюллетень научных исследований и инноваций (БРНИ). – 2021. – № 3. – С. 102–114.Федотов М. В., Грачев В. В. Предиктивная аналитика технического состояния систем тепловозов с использованием нейросетевых прогнозных моделей // Бюллетень научных исследований и инноваций (БРНИ). – 2021. – № 3. – С. 102–114.Малышева Т. В., Лысенков А. И. Развитие системы управления качеством на основе предиктивной аналитики предупреждения рисков несоответствия продукции // Известия Самарского научного центра РАН. – 2024. – № 2 (118). – С. 39–47.Малышева Т. В., Лысенков А. И. Развитие системы управления качеством на основе предиктивной аналитики предупреждения рисков несоответствия продукции // Известия Самарского научного центра РАН. – 2024. – № 2 (118). – С. 39–47.Михеев В. А., Томилова О. С., Бородин А. В. Предиктивный ремонт тягового подвижного состава на базе бортовых микропроцессорных систем управления // Известия Транссиба. – 2019. – № 2 (38). – С. 8–16.Михеев В. А., Томилова О. С., Бородин А. В. Предиктивный ремонт тягового подвижного состава на базе бортовых микропроцессорных систем управления // Известия Транссиба. – 2019. – № 2 (38). – С. 8–16.Ададуров А. С., Федорова В. И., Бойко А. М. Общие принципы построения предиктивной системы диагностики нового электропоезда ЭС2Г «Ласточка» и первые экспериментальные данные // Наука и управление (НАУ). – 2022. – № 75-2. – С. 14–22.Ададуров А. С., Федорова В. И., Бойко А. М. Общие принципы построения предиктивной системы диагностики нового электропоезда ЭС2Г «Ласточка» и первые экспериментальные данные // Наука и управление (НАУ). – 2022. – № 75-2. – С. 14–22.Романов Р. А., Белоусов А. А. Экспресс анализ масел – будущее диагностических служб // Экспозиция Нефть Газ. – 2013. – № 7 (32). – С. 26–28.Романов Р. А., Белоусов А. А. Экспресс анализ масел – будущее диагностических служб // Экспозиция Нефть Газ. – 2013. – № 7 (32). – С. 26–28.Романов Р. А., Зубкова С. Ю. Анализ масла в своевременной диагностике машинного оборудования // Экспозиция Нефть Газ. – 2013. – № 5 (30). – С. 122–123.Романов Р. А., Зубкова С. Ю. Анализ масла в своевременной диагностике машинного оборудования // Экспозиция Нефть Газ. – 2013. – № 5 (30). – С. 122–123.Глотов А. В., Черемисинов С., Щербаков М. В. Цифровая система предиктивного анализа работы генерирующего оборудования // Электронная промышленность (ЭП). – 2020. – № 9 (151). – С. 52–59.Глотов А. В., Черемисинов С., Щербаков М. В. Цифровая система предиктивного анализа работы генерирующего оборудования // Электронная промышленность (ЭП). – 2020. – № 9 (151). – С. 52–59.G. Sandag, P. Jamyan-Osor, and N. Natsag, «Definition of diagnostic parameters for locomotive diesel engines,» Izv. Transsiba, no. 1 (53), pp. 2–9, 2023.G. Sandag, P. Jamyan-Osor, and N. Natsag, «Definition of diagnostic parameters for locomotive diesel engines,» Izv. Transsiba, no. 1 (53), pp. 2–9, 2023.J. C. Rodrigues, I. Cost, J. Torres Farinha, and M. Mendes, «Predicting motor oil condition using artificial neural networks and principal component analysis,» Eksploat. Niezawodn. – Maint. Reliab., vol. 22, no. 3, pp. 440–448, 2020.J. C. Rodrigues, I. Cost, J. Torres Farinha, and M. Mendes, «Predicting motor oil condition using artificial neural networks and principal component analysis,» Eksploat. Niezawodn. – Maint. Reliab., vol. 22, no. 3, pp. 440–448, 2020.T. Omiya, K. Hanyuda, and E. Nagatomi, «Predicting engine oil degradation across diverse vehicles and identifying key factors,» Mech. Syst. Signal Process., vol. 229, p. 112345, 2025.T. Omiya, K. Hanyuda, and E. Nagatomi, «Predicting engine oil degradation across diverse vehicles and identifying key factors,» Mech. Syst. Signal Process., vol. 229, p. 112345, 2025.G. Sandag, N. Erdenesuren, A. Samdantsoodol, and P. Jamyan-Osor, «Determining the diagnostic parameters for locomotive diesel engines,» in Proc. East. Asia Soc. Transp. Stud. (EASTS), vol. 14, 2023.G. Sandag, N. Erdenesuren, A. Samdantsoodol, and P. Jamyan-Osor, «Determining the diagnostic parameters for locomotive diesel engines,» in Proc. East. Asia Soc. Transp. Stud. (EASTS), vol. 14, 2023.

The authors declare that there are no conflicts of interest present.