Data visualization in intelligent locomotive diagnostic systems – interfaces, ux, and cognitive load

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.

1. 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.

2. 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.

3. Синельников И. А. Бортовой комплекс предиктивной диагностики локомотивов АО «Трансмашхолдинг» // Вестник Института проблем естественных монополий: Техника железных дорог. – 2024. – № 1(65). – С. 22–27.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. Романов Р. А., Белоусов А. А. Экспресс анализ масел – будущее диагностических служб // Экспозиция Нефть Газ. – 2013. – № 7 (32). – С. 26–28.

12. Романов Р. А., Зубкова С. Ю. Анализ масла в своевременной диагностике машинного оборудования // Экспозиция Нефть Газ. – 2013. – № 5 (30). – С. 122–123.

13. Глотов А. В., Черемисинов С., Щербаков М. В. Цифровая система предиктивного анализа работы генерирующего оборудования // Электронная промышленность (ЭП). – 2020. – № 9 (151). – С. 52–59.

14. 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.

15. 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.

16. 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.

17. 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.