Прогнозирование рисков функционирования железнодорожной инфраструктуры с помощью искусственных нейронных сетей

Современные объекты и системы железнодорожной инфраструктуры являются ключевыми компонентами транспортного комплекса отечественных железных дорог, обеспечивающими стабильное экономическое и социальное развитие страны. Однако их функционирование сопряжено с множеством рисков, включая природные катаклизмы, технические сбои и нарушения, негативное влияние человеческого фактора. Такие риски могут привести к серьёзным последствиям: снижению уровня безопасности перевозочного процесса, повышению расходов на ремонт и эксплуатацию технических средств, вынужденным задержкам грузоперевозок. В условиях повышения объёмов грузоперевозок и пассажирского трафика, а также наличию высоких требований к надёжности и безопасности объектов железнодорожного транспорта, возникает необходимость в разработке эффективных методов прогнозирования и минимизации рисков, возникающих в процессе эксплуатации объектов транспортной инфраструктуры. Традиционные подходы к анализу рисков зачастую оказываются недостаточно точными и не способны учитывать сложные взаимосвязи между факторами, указанными выше.

Использование искусственных нейронных сетей открывает новые возможности для прогнозирования рисков функционирования железнодорожной инфраструктуры, что делает предложенную работу весьма актуальной. Нейронные сети способны анализировать большие объёмы данных, отмечать их закономерности и адаптироваться к изменяющимся условиям, что делает их мощным инструментом для предсказания потенциальных угроз. Это особенно актуально в условиях цифровизации и внедрения технологий Industry 4.0, когда сбор и обработка данных становятся более доступными и точными.

Целью данной статьи является разработка модели прогнозирования рисков функционирования железнодорожной инфраструктуры на основе искусственных нейронных сетей для повышения надёжности, безопасности и эффективности эксплуатации железнодорожного транспорта.

Для этого решается следующий перечень задач:

1. Провести анализ и выявить особенности методологии управления ресурсами, рисками и анализа надежности объектов железнодорожной инфраструктуры.

2. Описать принципы построения матрицы рисков поездо-часов потерь.

3. Выявить особенности применения нейронной сети Кохонена для прогнозирования рисков.

4. Описать структуру нейронной сети Кохонена, указать вектор исходных данных модели, составить алгоритм ее функционирования.

5. Указать наборы данных для организации обучения с учителем и сделать вывод о целесообразности применения искусственной нейронной сети для оценки рисков.

Согласно внедряемой в настоящее время ОАО «РЖД» методологии управления ресурсами, рисками и анализа надежности (УРРАН) в основе процесса управления качеством функционирования железнодорожной инфраструктуры и подвижного состава лежит понятие риска

В методологии признается, что риск является неизбежным фактором производственной деятельности, он существует объективно, часто характеризуется внезапностью и случайностью наступления рискового события. Различными мероприятиями можно снижать уровень риска, однако полностью его исключить невозможно, но при этом сами мероприятия требуют затрат ресурсов

Величина рисков характеризуется количественной (числовой) и качественной оценкой. Целесообразный уровень риска в методологии определяется на основе модели ALARP – «Риск настолько низкий, насколько это практически возможно». По сути ALARP – это точка оптимума между затратами на снижение риска и уровнем риска

Точка ALARP находится на границе нежелательного и допустимого уровня риска. Для возможности реализации глубокого анализа риска используют модель, называемую матрицей риска. В матрице риска помимо интегрального риска можно анализировать значения его составляющих, для этого вдоль одной оси в ней указывают уровни тяжести последствий, связанных с реализацией рискового события, а вдоль другой – вероятность или частоту рисковых событий в заданном интервале времени.

В зависимости от характера последствий в методологии рассматриваются различные виды рисков, однако касательно железнодорожной инфраструктуры основное внимание уделяется рискам, прямо или косвенно связанным с надежностью и безопасностью её функционирования.

В каждом хозяйстве ОАО «РЖД» конкретный вид риска отличается. В качестве примера рассмотрим матрицу рисков, связанных с надежностью функционирования железнодорожной автоматики и телемеханики. Мерой тяжести последствий в ней используется величина поездо-часов потерь из-за отказа объекта железнодорожной автоматики и телемеханики (ЖАТ) – системы ЖАТ на некоторой станции или перегоне. Величина поездо-часов потерь в матрице рисков откладывается вдоль одной оси, а частота возникновения – вдоль другой

В матрице рисков качественные уровни присвоены не только интегральному уровню риска, но и каждой из его составляющих. Для каждой клетки матрицы указана не только качественная оценка интегрального уровня риска, но и в скобках ее координаты в матрице, описывающие сочетание составляющих риска.

Для каждой из составляющих риска помимо качественных уровней имеются еще и количественные граничные значения (минимум и максимум). Количественные значения определяются классом и специализацией железнодорожной линии, на которой находится объект ЖАТ, поэтому общее количество матриц рисков соответствует количеству сочетаний классов и специализаций железнодорожных линий.

Анализ уровня риска с помощью указанной матрицы осуществляется путем оценки его прогнозного значения и определения клетки в матрице.

Если анализ фактического уровня риска, как правило, определяется путем обработки статистики за некоторый прошедший интервал времени, то при определении прогнозного уровня риска статистические данные отсутствуют. Необходимость прогнозирования риска возникает при изменении условий эксплуатации и содержания объекта ЖАТ, при введении в эксплуатацию нового объекта ЖАТ и ряде иных задач.

В настоящее время для прогнозирования уровня риска преимущественно используют методы аналитического и имитационного моделирования. Однако реализуемые на основе данных методов расчеты весьма трудоемки и ресурсоемки, так как уровень риска поездо-часов потерь сложно связан с характеристиками перевозочного процесса и показателями надежности объекта ЖАТ.

Предлагается в качестве механизма качественной оценки уровня риска использовать модель искусственной нейронной сети, в которой реализуются методы искусственного интеллекта. Это позволит совместить в одном процессе оценку и анализ риска.

Искусственная нейронная сеть – это математическая модель, в чем-то аналогичная биологической нейронной сети

Это связано со следующими их особенностями:

– они предназначены для решения задач кластеризации – разделения совокупности признаков на отдельные области, что и требуется осуществлять в матрице рисков;

– способны самообучаться в процессе работы, поэтому точность анализа с их использованием непрерывно повышается;

– они просты в реализации, трудоемкость вычислений невелика;

– результат на выходе формируется в соответствии с принципом «победитель забирает все», поэтому он всегда однозначен для одного набора входных данных.

Сеть Кохонена имеет два слоя: входной и выходной

Разработку структуры нейронной сети Кохонена можно выполнить в три этапа:

– определить вектор входного набора данных;

– определить вектор выходного набора данных;

– разработать морфологическую структуру сети (структуру взаимосвязей).

В качестве входного набора требуется указать те количественные показатели объекта ЖАТ и перевозочного процесса, которые влияют на поездо-часы потерь из-за отказов. Входной набор исходных данных для оценки риска поездо-часов потерь из-за отказов объекта ЖАТ представлен в таблице 2. В процессе эксплуатации сети Кохонена данный набор может корректироваться и расширяться.

Количество выходов сети должно соответствовать количеству распознаваемых уровней риска в соответствии с матрицей рисков из таблицы 1. Это могут быть интегральные уровни риска, определяемые цветом клеток матрицы, либо уровни, определяемые координатами клеток указанными в скобках. Разработаем нейронную сеть, предназначенную для анализа интегрального уровня риска, тогда количество её выходов будет равно четырем, а активации каждого из выходов будет соответствовать свой цвет.

Структура сети Кохонена имеет вид, представленный на рисунке 1

Рисунок 1 - Нейронная сеть Кохонена

DOI:10.60797/IRJ.2025.153.35.3

Сеть функционирует следующим образом. Нейроны входного слоя представлены кругами с цифрами внутри. Вычислений входные нейроны не выполняют, а разветвляют входные сигналы на нейроны скрытого слоя с помощью соответствующих соединений (синапсов). Каждое из соединений имеет уникальный вес , где  – номер нейрона входного слоя,  – номер нейрона скрытого слоя. Нейроны скрытого слоя вычисляют средневзвешенное с учетом весов связей значение из сигналов входного слоя по формуле:

(1)

Нейроны выходного слоя реализуют принцип «победитель забирает все:

(2)

Таким образом, для конкретного набора данных только на выходе только одного нейрона формируется единица, означающая распознанный уровень риска поездо-часов потерь, тогда как на других выходах формируется ноль.

Перед использованием нейронной сети для прогнозирования рисков поездо-часов потерь она должна пройти процедуру обучения. Обучение может быть реализовано как с учителем, так и без учителя, однако обучение с учителем может быть выполнено быстрее. В этом случае, на входы сети подают обучающие наборы данных, полученные по различным объектам ЖАТ с известными уровнями интегрального риска, либо для которых выполнен расчет уровня риска аналитическим или имитационным методом. Процедура обучения завершается после того, как нейронная сеть с заданной достоверностью будет определять уровень риска для контрольных наборов данных.

В работе рассмотрена принятая методология оценки риска поездо-часов потерь для объектов железнодорожной инфраструктуры и приведены ее особенности, а также предложена модель применения искусственных нейронных сетей для прогнозирования рисков функционирования объектов транспортного комплекса. Применение такой сети позволит грамотно учитывать сложные взаимосвязи между множеством описанных выше факторов, что позволит обеспечить высокую точность прогнозов рисков поездо-часов потерь, минимизировать простои и сократить затраты на обслуживание и ремонт инфраструктуры. Однако для более практичной реализации и совершенствования модели требуется продолжить исследования в области оптимизации архитектуры нейронных сетей, расширения набора данных и интеграции с современными технологиями (IoT, Big Data), что будет рассмотрено в будущих публикациях.

Таким образом, применение искусственной нейронной сети позволит упростить задачу прогнозирования рисков, связанных с функционированием железнодорожной и иной инфраструктуры. Аналогичным образом может быть получена нейронная сеть для оценивания рисков для других объектов железнодорожной инфраструктуры.