Платформа предсказания отказов оборудования на подвижном составе

Основная операционная цель проекта – проверка гипотез и разработка платформы по предсказанию отказов оборудования, установленного на подвижном составе (железнодорожные вагоны, метро, электропоезда) на основании телеметрии датчиков, полученной в процессе эксплуатации.

Стратегические цели на основании MVP:

• Снижение операционных затрат за счёт уменьшения незапланированных простоев и аварийных ремонтов

• Повышение надёжности и доступности подвижного состава

• Увеличение срока службы оборудования за счёт своевременного обслуживания

• Повышение безопасности эксплуатации — предотвращение аварий, связанных с отказом критических узлов

• Цифровая трансформация железнодорожной отрасли:

  - Производители узлов получают бесценную информацию об условиях эксплуатации, вносят изменения в технологии производства, конструктив, программное обеспечение

  - Эксплуатанты подвижного состава переходят от реактивного/планового к предиктивному техобслуживанию парка.

Разработана интеллектуальная система по предсказанию отказов компонентов подвижного состава.

Отработаны следующие кейсы и типы оборудования:

• Перегрев тормозных букс

• Отказ открытия автоматических дверей

• Оценка ресурса и засоренности воздушных фильтров

• Оценка состояния аккумуляторных батарей (выявление деградации, прогноз времени отказа)

• Выход из строя пожарных извещателей

и другие узлы и агрегаты с огромным потенциалом масштабирования.

Наиболее качественные результаты система дает при периоде прогнозирования – 48 часов. Данный интервал покрывает подавляющее большинство маршрутов движения подвижного состава, обеспечивает возможность оперативной реакции на получение информации о прогнозируемом событии.

Точность предсказания достигает по некоторым узлам 99%

Платформа готовится к трансформации в полноценную экосистему.

Используемые модели в прототипе:

• LSTM-RNN — прогноз отказа по временным рядам

• VAE-Autoencoder — детекция аномалий без разметки

• CatBoost — табличные признаки (агрегированные параметры, дельты, скорость дрейфа)

• Гибрид LSTM + фичи из ClickHouse (feature-store на лету)

Главная сложность – недостаток исторических данных об отказах. Подтвержденные отказы  – редкие события, особенно в исправно обслуживаемом парке. Без размеченных данных обучить модель практически невозможно. В ряде случаев модель «видела» только норму и не распознавала аномалии. В итоге выполняли синтетическую генерацию телеметрии.

Пример: обучение модели для предсказания отказов дверей осуществлялось на данных, собранных с более чем ста поездных составах, в каждом из которых не менее 11 вагонов с данными эксплуатации с 2023 по 2025 год. Глубокий анализ данных с 42 сенсоров, покрывающих основные типы отказов дверной системы (концевые выключатели, световые барьеры, датчики защиты, системы блокировки, приводы и двигатели, датчики положения)

Также отмечаем низкое качество телеметрии, наличие "шума", пропусков.

Сложности при реализации внесла динамическая и нестационарная среда: сезонность (зима/лето), маршрут (горы/равнина; лес/степь), пассажиропоток.

Девиз команды проекта: Безопасность, комфорт и надёжность — под контролем искусственного интеллекта.

В рамках проекта разработана специализированная аналитическая платформа, предназначенная для раннего выявления деградации и прогнозирования отказов критических систем пассажирских вагонов. Система получает телеметрию с бортовых датчиков (температура, давление, вибрации, состояние исполнительных систем, дискретные сигналы автоматики) и генерирует интерпретируемые прогнозы о состоянии оборудования с горизонтом 12–72 часа. Передача данных осуществляется через GSM/LTE-канал в серверное хранилище, где поток телеметрии преобразуется в синхронизированные временные ряды.

Разметка данных строится автоматически, фиксируем выход параметров за пороги, устойчивый рост по тренду, срабатывание аварийных датчиков или факт ремонта — формируем классы «норма/предотказ/отказ».

Результатом работы моделей является оценка риска отказа конкретного узла вагона с указанием причины (на основе вкладов признаков и attention-весов модели). В наших примерах точность раннего предупреждения по ряду подсистем достигает 0.8–0.9 F1 на горизонтах 24–48 часов.

Платформа работает с данными, уже доступными на большинстве современных пассажирских вагонов: тормозная система, климат, электрооборудование, ходовая часть, вспомогательные системы. Перечень апробированного на платформе оборудования активно расширяем.

При проектировании системы закладывали максимально легкое потенциальное внедрение в ИТ-инфраструктуру железнодорожного оператора, интеграцию с производителями узлов и компонентов.

Наша цель — не просто предсказать отказ, а обеспечить своевременное и целевое вмешательство, чтобы пассажирский поезд прибыл в пункт назначения вовремя, в тепле, свете и полной безопасности.

ВАЖНО: На основании полученных результатов начали разработку и внедрение целой экосистемы участников отрасли железнодорожного транспортного машиностроения от производителей компонентов, до эксплуатантов подвижного состава, включающую следующую функциональность:

• Маркировка и прослеживаемость на жизненном цикле единицы подвижного состава (производитель->компонент->эксплуатант->сервисная компания)

• Пульт оператора для координации действий – оператор получает предупреждения и рекомендации в режиме реального времени для оперативного реагирования и планирования работ

• Цифровая карта технического состояния – визуализация состояния всего парка: статусы, тревоги, индекс здоровья с аналитикой по типам вагона, неисправности, региону и пр.

• Превентивные действия и цифровое ТО 4.0 для планирования превентивного обслуживания и исключения из эксплуатации вагонов с предотказными состояниями

• Взаимодействие с производителями компонентов в рамках экосистемы в части рекламационной работы, сквозные процессы гарантийного и постгарантийного ремонта

Россия