Применение глубокого обучения для предсказания отказов подвижного состава

Эта работа открывает серию исследований, объясняющих необходимость и возможность прогрессивной диагностики технического состояния железнодорожного подвижного состава, и предлагает принципиально новое решение этой проблемы на основе современного интеллектуального алгоритма глубокого обучения. Здесь сформирована абстрактная концепция аномальности данных, дана формальная математическая постановка задач поиска и прогнозирования отказов промышленного оборудования, описаны основные компоненты программной реализации решения этих задач с применением модели рекуррентной нейросети (LSTMавтоэнкодера), а также приведены оценка качества работы и аргументация в пользу выбора глубокого обучения среди актуальных методов в области искусственного интеллекта.

1. D. Hawkins, Identification of Outliers. London: Chapman and Hall, 1980

2. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proc. Nat. Acad. Sci. U.S.A., vol. 79, no. 8, pp. 2554–2558, 1982.

3. S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.

4. N. Srivastava, E. Mansimov, and R. Salakhutdinov, “Unsupervised Learning of Video Representations using LSTMs,” in Proc. Int. Conf. Mach. Learn. (ICML), 2016, pp. 843–852.

5. J. F. Kolen and S. C. Kremer, A Field Guide to Dynamical Recurrent Networks. New York: Wiley-IEEE Press, 2001.

6. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to Sequence Learning with Neural Networks,” in Adv. Neural Inf. Process. Syst. (NIPS), 2014, pp. 3104–3112.

7. A. Sagheer and M. Kotb, “Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems,” Sci. Rep., vol. 9, p. 19038, 2019.

8. N. Whiteley, A. Gray, and P. Rubin-Delanchy, “Statistical exploration of the Manifold Hypothesis,” J. Amer. Stat. Assoc., 2025. (Early Access).

9. A. Vaswani et al., “Attention is all you need,” in Adv. Neural Inf. Process. Syst. (NIPS), 2017, pp. 5998–6008.

10. K. Besbes et al., “Sizing of an electric powertrain using a hybrid model combining Simcenter Amesim and Modelica components,” in Proc. IEEE Veh. Power Propuls. Conf. (VPPC), 2020, pp. 1–6.