Транспортні системи та технології

Анотація

Стрілочні електроприводи є критично важливими компонентами інфраструктури залізничної сигналізації, а їх відмови становлять 15-20 % усіх збоїв у роботі сигнальних систем європейських мереж, спричиняючи значні експлуатаційні та економічні втрати. Метою дослідження була розробка підходу до предиктивного обслуговування стрілочних електроприводів мереж колії 1520 мм на основі цифрового двійника, що забезпечує раннє виявлення несправностей за електричними сигнатурами потужності, зареєстрованими під час кожного циклу переведення. Методологія дослідження поєднала чотиришарову архітектуру цифрового двійника (фізичний шар, шар даних, аналітичний шар і шар прийняття рішень) із порівнянням трьох архітектур глибокого навчання: одновимірної згорткової нейронної мережі (1D-CNN), мережі довгої короткочасної пам’яті (LSTM) та гібридної CNN-LSTM-моделі. Їх зіставляли з логістичною регресією, методом опорних векторів (SVM) і випадковим лісом на синтетичному фізично обґрунтованому наборі з 5000 кривих потужності для стрілочних електроприводів СП-6М та ВСП-220. Моделі оцінювали за багатокласовою класифікацією п’яти категорій стану та прогнозуванням деградації на горизонті 50 циклів. Гібридна CNN-LSTM досягла найвищої точності класифікації (macro F1 = 0,938), а LSTM – найкращого результату для прогнозу деградації (R² = 0,937); обидві істотно перевершили найкращу baseline-модель (Random Forest: F1 = 0,871, R² = 0,845). Експерименти cross-generator validation та artefact ablation підтвердили, що перевага глибокого навчання походить з виявлення переносних ознак форми сигналу, а не з запам’ятовування симуляції. Рекомендовано конфігурацію розгортання: 1D-CNN на edge для класифікації у реальному часі, LSTM на серверному рівні для прогнозу деградації, Random Forest як проміжне рішення для операторів з обмеженими розміченими даними. Практична цінність отриманих результатів полягає у формуванні науково обґрунтованих рекомендацій з розгортання аналітичного шару цифрового двійника на мережах колії 1520 мм, що сприяє переходу від планового до обслуговування за фактичним станом та зменшенню непланових простоїв

Ключові слова: