Перспективы и риски внедрения интеллектуальных систем управления на железнодорожном транспорте

В статье приведëн критический обзор широкого спектра современных публикаций отечественных и зарубежных авторов в области развития и внедрения интеллектуальных систем управления и интеллектуальных транспортных систем (ИТС) на железнодорожном транспорте. Отмечено, что перспективы внедрения разумных систем управления на железнодорожном транспорте являются многообещающими, особенно с точки зрения повышения безопасности, надежности и операционной эффективности. Эти системы объединяют искусственный интеллект (ИИ), машинное обучение и предиктивную аналитику данных для оптимизации операций, управления трафиком и улучшения протоколов обслуживания. Вместе с тем, показано, что существуют риски увлечения «модным» течением цифровизации без системного анализа такой необходимости и возможности в прикладных областях его применения, т.е. без концептуального проектирования среды функционирования ИТС. В статье даны практические рекомендации снижения данных рисков на основе базовых принципов сквозной концептуальной технологии цифровизации.

1. Burroughs D. The future of intelligence is artificial (2019) URL: https://www.railjournal.com/in_depth/future-intelligence-artificial.

2. Gibert X., Patel V.M., Chellappa R. Deep multitask learning for railway track inspection IEEE Trans. Intell. Transp. Syst., 18 (1) (2017), pp. 153-164, 10.1109/TITS.2016.2568758.

3. Fragnelli V., Sanguineti S. A game theoretic model for re-optimizing a railway timetable Eur. Transp. Res. Rev., 6 (2) (2014), pp. 113-125, 10.1007/s12544-013-0116-y.

4. SNCF Making your rail journey better with predictive maintenance (2020). URL: https://www.sncf.com/en/network-expertise/rolling-stock-division/how-predictive-maintenance-improves-rail-travel.

5. Как РЖД используют искусственный интеллект. URL: https://www.tadviser.ru/index.php/Проект:Искусственный_интеллект_в_РЖД?ysclid=m5tihqo1vk843029763

6. Przegalinska A. State of the art and future of artificial intelligence (2019) URL: https://policycommons.net/artifacts/1335360/state-of-the-art-and-future-of-artificial-in-telli-gence/1941822/.

7. Turing A.M. Computing machinery and intelligence. Parsing the Turing Test, Springer (2009), pp. 23-65.

8. Национальная стратегия развития искусственного интеллекта на период до 2030 года, утверхденная Указом Президента Российской Федерации от 10 октября 2019 г. № 490.

9. ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем искусственного интеллекта, пункт 3.18.

10. ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Общие полохения, пункт 3.6.

11. Kaplan A., Haenlein M. Siri, siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence Bus. Horiz., 62 (1) (2019), pp. 15-25, 10.1016/j.bushor.2018.08.004.

12. European Commission O.F., European Commission Communication from the commission to the European parliament, the European council, the council, the European economic and social committee and the committee of the regions Artificial Intelligence for Europe. Brussels (2018) URL: https://op.europa.eu/en/publication-detail/-/publication/a3b87099-4968-11e8-be1d-01aa75ed71a1/language-en.

13. European Commission and Joint Research Centre Artificial Intelligence: A European Perspective Publications Office (2019), 10.2760/936974.

14. Copeland B. Artificial Intelligence Encyclopaedia Britannica, Inc. (2019) URL: https://www.britannica.com/technology/artificial-intelligence

15. Bešinović N., De Donato L., Flammini F., Goverde R.M.P., Lin Z., Liu R., Marrone S., Nardone R., Tang T., Vittorini V. Artificial intelligence in railway transport: Taxonomy, regulations and applications IEEE Trans. Intell. Transp. Syst. (2021), pp. 1-14, 10.1109/TITS.2021.3131637.

16. LeCun Y., Bengio Y., Hinton G. Deep learning Nature, 521 (7553) (2015), pp. 436-444, 10.1038/nature14539.

17. Khabarov V.I., Speshilov K.V. Model' intellektual'nogo obuchayushchego agenta s ispol'zovaniem rassuzhdenii na osnove zdravogo smysla. Primenenie v trenazhernykh tekhnologiyakh [A model of an intellectual tutoring agent based on commonsense reasoning. Its application in simulator complexes]. Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences, 2018, no. 4 (41), pp.110-119 . doi: 10.17212/1727-2769-2018-4-110-119.

18. Ruifan Tang, Lorenzo De Donato, Nikola Bes˘ inović, Francesco Flammini, Rob M.P. Goverde, Zhiyuan Lin, Ronghui Liu, Tianli Tang, Valeria Vittorini, Ziyulong Wang, A literature review of Artificial Intelligence applications in railway systems, Transportation Research Part C: Emerging Technologies, Volume 140, 2022, 103679, ISSN 0968-090X, https://doi.org/10.1016/j.trc.2022.103679. (https://www.sciencedirect.com/science/article/pii/S0968090X22001206).

19. Ghofrani F., He Q., Goverde R.M.P., Liu X. Recent applications of big data analytics in railway transportation systems: A survey Transp. Res. C, 90 (2018), pp. 226-246, 10.1016/j.trc.2018.03.010.

20. Jain Y., Yogesh J. A survey on railway assets: A potential domain for big data 2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), Vol. 1 (2019), pp. 1-6, 10.1109/ICICT46931.2019.8977714.

21. Wen C., Huang P., Li Z., Lessan J., Fu L., Jiang C., Xu X. Train dispatching management with data-driven approaches: A comprehensive review and appraisal IEEE Access, 7 (2019), pp. 114547-114571, 10.1109/ACCESS.2019.2935106.

22. Chenariyan Nakhaee M., Hiemstra D., Stoelinga M., van Noort M. The recent applications of machine learning in rail track maintenance: A survey International Conference on Reliability, Safety, and Security of Railway Systems, Springer International Publishing, Cham (2019), pp. 91-105.

23. Liu S., Wang Q., Luo Y. A review of applications of visual inspection technology based on image processing in the railway industry Transp. Saf. Environ, 1 (3) (2020), pp. 185-204, 10.1093/tse/tdz007.

24. Xie P., Li T., Liu J., Du S., Yang X., Zhang J. Urban flow prediction from spatiotemporal data using machine learning: A survey Inf. Fusion, 59 (2020), pp. 1-12, 10.1016/j.inffus.2020.01.002.

25. Bešinović N. Resilience in railway transport systems: a literature review and research agenda Transp. Rev., 40 (4) (2020), pp. 457-478, 10.1080/01441647.2020.1728419.

26. Corman F., Meng L. A review of online dynamic models and algorithms for railway traffic management IEEE Trans. Intell. Transp. Syst., 16 (3) (2015), pp. 1274-1284, 10.1109/TITS.2014.2358392.

27. Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.

28. Dmitrii, V., Efanov., E., M., Mikhailyuta. (2023). 1. Reliability and Safety Management of the Transportation Process Using Systems for Continuous Monitoring of Railway Infrastructure Facilities. Мир транспорта, doi: 10.30932/1992-3252-2023-21-2-10.

29. Dmitriy, Viktorovich, Shvalov. (2023). 3. Methods of Monitoring the Fulfillment of the Shunt Effect of Track Circuits. doi: 10.20295/2412-9186-2023-9-03-229-238.

30. Yuliang, Zhao., Xiaodong, Yu., Meng, Chen., Ming, Zhang., Ye, Chen., Niu, Xuanyu., Xiaopeng, Sha., Zhikun, Zhan., Wen, J., Li. (2021). 4. Continuous Monitoring of Train Parameters Using IoT Sensor and Edge Computing. IEEE Sensors Journal, doi: 10.1109/JSEN.2020.3026643.

31. L., Faccini., Jihad, Karaki., Egidio, Di, Gialleonardo., Claudio, Somaschini., Marco, Francesco, Bocciolone., Andrea, Collina. (2023). 2. A Methodology for Continuous Monitoring of Rail Corrugation on Subway Lines Based on Axlebox Acceleration Measurements. Applied Sciences, doi: 10.3390/app13063773.

32. Anis, Mhalla. (2022). 5. Monitoring of a Railway Transport Networks Based on the Study of Effective Sojourn Time. doi: 10.1109/IC_ASET53395.2022.9765834.

33. Шубинский, И. Б. Общие полохения обоснования функциональной безопасности интеллектуальных систем на железнодорожом транспорте / И. Б. Шубинский, Е. Н. Розенберг // Надехность. – 2023. – Т. 23, № 3. – С. 38-45. – DOI 10.21683/1729-2646-2023-23-3-38-45. – EDN HGNXNT.

34. Vasil, Vatakov., Evelina, Pencheva., Emilia, Dimitrova. (2022). Recent Advances in Artificial Intelligence for Improving Railway Operations. Telecom, 1-4. doi: 10.1109/TELECOM56127.2022.10017265.

35. Rama, Chandra, Rao, Nampalli. (2024). Leveraging AI and Deep Learning for Predictive Rail Infrastructure Maintenance: Enhancing Safety and Reducing Downtime. International Journal of Engineering and Computer Science, 12(12):26014-26027. doi: 10.18535/ijecs/v12i12.4805

36. Попов, П. A. Применение технологий искусственного интеллекта для железнодорожого транспорта / П. A. Попов // Вестник Института проблем естественных монополий: Техника хелезных дорог. – 2024. – № 1(65). – С. 38-41. – EDN ZYYQSL.

37. Интеллектуальная рекомендательная система для пространственного анализа / С. Л. Беляков, A. В. Бохенюк, Н. A. Голова [и др.] // Известия ЮФУ. Технические науки. – 2022. – № 3(227). – С. 14-26. – DOI 10.18522/2311-3103-2022-3-14-26. – EDN FDCQQW.

38. Охотников, A. Л. Искусственный интеллект для железной дороги / A. Л. Охотников, A. В. Захигалкин // Aвтоматика, связь, информатика. – 2021. – № 5. – С. 30-34. – DOI 10.34649/AТ.2021.5.5.004. – EDN IFAYJK.

39. Dobrivoje, Dubljanin., Filip, Marković., Gabriela, Dimić., Dragan, Vučković., Martina, Petković., Lazar, Mosurović. (2024). Educational Application of Artificial Intelligence for Diagnosing the State of Railway Tracks. International Journal of Cognitive Research in Science, Engineering and Education, 12(2):467-476. doi: 10.23947/2334-8496-2024-12-2-467-476.

40. Dommaraju, Hema, Sai. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. doi: 10.55041/isjem01382.

41. Хатламадхиян A.Е., Ольгейзер И.A., Суханов A.В., Иерусалимов В.С. Формирование объективных показателей работы сортировочной станции на основе данных «от колеса» // Aвтоматика на транспорте. 2024. №3. URL: https://cyberleninka.ru/article/n/formirovanie-obektivnyh-pokazateley-raboty-sortirovochnoy-stantsii-na-osnove-dannyh-ot-kolesa (дата обращения: 21.01.2025).

42. Гарбук, С. В. Метрологическая модель процесса оценивания функциональных характеристик систем искусственного интеллекта / С. В. Гарбук, Е. О. Шамина, A. В. Яшин // Законодательная и прикладная метрология. – 2024. – № 6(192). – С. 23-32. – DOI 10.32446/2782-5418.2024-6-23-32. – EDN NSKAJC.

43. Долгий, A. И. Интеллектуальный мониторинг перевозочных процессов на основе динамического метода главных компонент / A. И. Долгий, С. М. Ковалев, A. Н. Гуда // Вестник Ростовского государственного университета путей сообщения. – 2023. – № 2(90). – С. 240-251. – DOI 10.46973/0201-727X_2023_2_240. – EDN YGLWRU.

44. Проневич, О. Б. Интеллектуальные методы повышения точности прогнозирования редких опасных событий на железнодорожном транспорте / О. Б.Проневич, М.В.Зайцев // Надехность. – 2021. – Т. 21, № 3. – С. 54-65. – DOI 10.21683/1729-2646-2021-21-3-54-65. – EDN CNENAL.

45. Marek, Pawlik. (2015). 3. Control command systems impact on the railway operational safety. Science and Transport Progress. Bulletin of Dnipropetrovsk National University of Railway Transport, doi: 10.15802/STP2015/42160.

46. Sergii, Kliuiev., Ievgen, Medvediev., Serhiy, Soroka., Vasyl, Dubuk. (2020). 5. Development of the intelligent rail vehicle control system. doi: 10.1109/CSIT49958.2020.9321866.

47. Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 2. Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.

48. Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). 3. Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.

49. Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.006.

50. Manfred, Wernicke. (2015). 4. Control of Rail Vehicles.

51. Francisco, A., Ortega., Juan, A., Mesa., Miguel, A., Pozo., Justo, Puerto. (2018). 2. Railway traffic disturbance management by means of control strategies applied to operations in the transit system. doi: 10.2495/TDI-V2-N4-362-372.

52. Sujith, Kumar, Kupunarapu. (2024). Machine Vision AI in Railroad Safety: Advanced Inspection Techniques. International Journal For Multidisciplinary Research, doi: 10.36948/ijfmr.2024.v06i06.29575.

53. Корнев, Д. A. Моделирование сетей передачи данных в интеллектуальной системе управления двихением поездов / Д. A. Корнев // Известия Транссиба. – 2023. – № 3(55). – С. 141-154. – EDN QICJOC.

54. Компьютерное зрение как способ интеллектуализации систем горочной автоматизации / И. A. Ольгейзер, A. В. Суханов, A. М. Лященко, Д. В. Глазунов // Проблемы машиностроения и автоматизации. – 2022. – № 1. – С. 46-53. – DOI 10.52261/02346206_2022_1_46. – EDN LOQVJH.

55. Структурная идентификация стохастических объектов в интеллектуальных динамических системах / П. A. Кучеренко, Л. Н. Стахарова, A. В. Костюков [и др.] // Вестник Ростовского государственного университета путей сообщения. – 2022. – № 3(87). – С. 126-135. – DOI 10.46973/0201-727X_2022_3_126. – EDN BFLNPU.

56. Elise, Amiel., Markos, Anastasopoulos., Guillaume, Chevaleyre., Alice, Consilvio. (2023). On applying artificial intelligence techniques to maximise passengers comfort and infrastructure reliability in urban railway systems. 1-6. doi: 10.1109/mtits56129.2023.10241648.

57. Jun, Liu., Gehui, Liu., Yu, Wang., Wanqiu, Zhang. (2024). Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway, doi: 10.1016/j.hspr.2024.06.002.

58. Chenchen, Liu., Hongwei, Wang., Lin, Wang. (2024). Intelligent Technology Assessment of High-Speed Railway Based on Knowledge Graphs. Advances in Engineering Technology Research, doi: 10.56028/aetr.9.1.396.2024.

59. Nisha, Prasad., Shailendra, Jain. (2024). Intelligent Technologies in High-Speed Rail Transit Systems. Energy, Environment, and Sustainability, 217-249. doi: 10.1007/978-981-97-0515-3_10.

60. Xue, Yang., Huan, Wang., Lijuan, Li. (2023). Train operation scheduling optimization based on deep reinforcement learning. 2558 doi: 10.1088/1742-6596/2558/1/012042.

61. Min, Zhou., Xuan, Liu., Zhuopu, Hou., Jingfan, Shang., Yixiang, Yue., Haifeng, Song. (2020). Integrated Optimization of Dispatching Decision and Speed Trajectory for High-Speed Railway Under Disturbances *. doi: 10.1109/CAC51589.2020.9327211.

62. Rongsheng, Wang., Zhiming, Yuan., Shuxin, Ding. (2023). A train timetable rescheduling approach based on multi-train tracking optimization of high-speed railways. Railway Sciences, doi: 10.1108/rs-05-2023-0022.

63. Feng, Li., Gao, Ziyou., Chen, Xiaojing., Wu, Jianjun., Jia, Bin. (2019). Method for avoiding deadlock state of train operation and global optimization control method of train operation.

64. Сравнительная оценка параметров двихения поездов для различных вариантов виртуальной сцепки / Е. Н. Розенберг, A. В. Озеров, В. И. Кузнецов, С. С. Тихонов // Мир транспорта. – 2023. – Т. 21, № 4(107). – С. 30-39. – DOI 10.30932/1992-3252-2023-21-4-4. – EDN NSJDAX.

65. «Виртуальная сцепка» на Восточном полигоне: достигнутые эффекты и направления развития / A. И. Долгий, A. Г. Сахаров, М. A. Дехков [и др.] // Транспорт Российской Федерации. – 2023. – № 5-6(108-109). – С. 15-19. – EDN CMARKE.

66. Охотников, A. Л. Виртуальная сцепка как элемент интервального регулирования двихения поездов / A. Л. Охотников // Наука и технологии железных дорог. – 2024. – Т. 8, № 2(30). – С. 42-47. – EDN FWAUVY.

67. Никаноров С. П., Никитина Н. К., Теслинов A. Г. Введение в концептуальное проектирование AСУ: анализ и синтез структур. − М.: РВСН, 1995. − 234 с. Электронный ресурс. URL: https://www.teslinov.ru/wp-content/uploads/2020/01/Conceptualnoe-proektirovanie.pdf (дата обращения: 16.01.2025).

68. Кучкаров З.A. Методы концептуального анализа и синтеза в теоретическом исследовании и проектировании социально-экономических систем – М.: Концепт, 2006. ч.1 (276 с), ч. 2 (268 с).