Визуализация данных в интеллектуальных системах диагностики масла локомотива

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.

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.