Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
УДК 004.45 Cистемное программное обеспечение
ББК 392 Железнодорожный транспорт
Цель исследования: Разработка системы прогнозирования срока эксплуатации узлов и деталей железнодорожного подвижного состава. Задача, решению которой посвящена статья: Определение срока эксплуатации колес колесных пар железнодорожного подвижного состава до их очередной обточки. Методы исследования представлена методика прогнозирования ресурса узлов и деталей железнодорожных колесных пар с использованием системы оценки ожидаемых параметров, включая пробег колес. Исследование включает использование трех различных алгоритмов машинного обучения: линейной регрессии, случайного леса и градиентного бустинга. Показаны обученные модели каждого алгоритма, а также сходимость метрик MSE, MAPE и R-squared при каждой итерации обучения. Новизна работы результаты исследования позволяют предсказывать период эксплуатации колесных пар с высокой точностью и включают механизм обратной связи для автоматизации и обновления модели, что повышает точность прогнозирования. Результаты исследования: На основе представленной методики разработана система, позволяющая определять временной промежуток эксплуатации колес колесных пар подвижного состава до проведения очередной их обточки. Выводы: Предлагаемая методика позволит прогнозировать период эксплуатации определенных узлов и деталей в условиях заданного полигона до момента восстановления их рабочего состояния, основываясь на системе оценки ожидаемых параметров при помощи машинного обучения.
разработки, процессы, производство, оптимизация, предприятие, колесная пара, искусственный интеллект, обучение
1. Плас Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. М.: Питер, 2018. 759 c
2. T.Beysolow II. Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras. Apress, 2019. ISBN 1484251261.
3. Колесникова Г.И. Искусственный интеллект: проблемы и перспективы / Г.И. Колесникова //Видеонаука: сетевой журн. - 2018. - No 2(10). -URL https://videonauka.ru/stati/44-novye-tekhnologii/190-iskusstvennyj-intellekt-problemy-i-perspektivy.
4. Солнцева О.Г. Аспекты применения технологий искусственного интеллекта / О.Г. Солнцева // E-Management. 2018. No1.URL: https://cyberleninka.ru/article/n/aspekty-primeneniya-tehnologiy-iskusstvennogo-intellekta.
5. Шарден Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти ; перевод с английского А. В. Логунова. Москва : ДМК Пресс, 2018. 358с. ISBN 978-5-97060-506-6. Текст : электронный // Лань : электронно-библиотечная система. URL: https://e.lanbook.com/book/105836.
