Аннотации №11 2021

Журнал «Железнодорожный транспорт», № 11, 2021 г.

БОРОДИН А.Ф., заведующий отделением эксплуатации железных дорог и взаимодействия транспортных систем, АО «Институт экономики и развития транспорта» (АО «ИЭРТ»), заведующий кафедрой «Управление эксплуатационной работой и безопасностью на транспорте» Российского университета транспорта (РУТ (МИИТ)), доктор технических наук, профессор

ВЕРБОВ Д.М., ОАО «РЖД», начальник Центра инновационного развития, кандидат экономических наук

РУБЦОВ Д.В., АО «ИЭРТ», начальник отдела технологического обеспечения автоматизированных систем

НОВИКОВ П.О., АО «ИЭРТ», старший научный сотрудник, кандидат технических наук

Автоматизированная система организации вагонопотоков: современная теория и практика

С. 4–17. 13 рис.

Рассказано о новом подходе к управлению вагонопотоками на основе программных средств АСОВ с учетом обновленных Инструктивных указаний по организации вагонопотоков на железных дорогах ОАО «РЖД». Приведены методические решения по повышению транзитности вагонопотоков с дополнениями, позволяющими комплексно оценить эффективность назначений сквозных поездов с учетом различных факторов. Отражены бизнес-процессы организации и оперативного управления вагонопотоками и перечислены основные направления их автоматизации. Отмечена необходимость создания принципиально нового программного комплекса оптимизационного расчета плана формирования.

Ключевые слова: АСОВ; план формирования поездов; программное обеспечение; цифровизация; грузовые поезда; Инструктивные указания; грузовые станции; организация вагонопотоков.

Литература

• Бородин А.Ф. Новые инструктивные указания по организации вагонопотоков / А.Ф.Бородин // Железнодорожный транспорт. – 2007. – № 10. – С. 24–28.
• Прокофьева Е.С. Стоимостная оценка вагоно-часа с учетом рисков в производственной деятельности ОАО «РЖД» / Е.С.Прокофьева // Экономика железных дорог. – 2018. – № 4. – С. 19–28.
• Бородин А.Ф. Автоматизированная система прогноза ресурсов сети / А.Ф.Бородин, В.В.Панин // Железнодорожный транспорт. – 2017. – № 4. – С. 18–27.
• Дмитриев Е.О. Расчетные параметры инструктивных указаний по организации вагонопотоков / Е.О.Дмитриев, А.С.Петров // Современные технологии управления транспортным комплексом России: инновации, эффективность, результативность : сб. мат. / ред. коллегия В.А.Козырев, Г.В.Черняева, Н.Н.Зенина [Электронное издание]. – М. : РУТ (МИИТ), 2019. – С. 68–75.
• Бородин А.Ф. Эффективно использовать станционные мощности / А.Ф.Бородин // Железнодорожный транспорт. – 2006. – № 6. – С. 37–43.
• Технология автоматизированного планирования и управления маршрутными перевозками / [А.Ф.Бородин, В.В.Панин, С.Л.Щепанов и др.] // Железнодорожный транспорт. – 2018. – № 3. – С. 8–15.
• Организация сетевых вагонопотоков в одногруппные поезда / [А.П.Батурин, А.Ф.Бородин, В.В.Панин и др.] // Железнодорожный транспорт. – 2005. – № 6. – С. 17–24.
• Агеев Р.В. Алгоритм расчета вагонопотоков / Р.В.Агеев // Мир транспорта. – 2010. – Т. 8. – № 1 (29). – С. 58–60.

ЛАПИДУС Б.М., председатель Объединенного ученого совета ОАО «РЖД», Почетный председатель Международного совета по железнодорожным исследованиям (IRRB), доктор экономических наук, профессор

Об основных направлениях научных исследований в интересах опережающего развития ОАО «РЖД» и их приоритезации

С. 22–29. 12 рис.

Сформулированы цель опережающего развития железнодорожного транспорта и основные задачи, которые должны быть решены компанией «РЖД» для достижения этой цели. Отмечено, что базой научной поддержки опережающего развития служат фундаментальные и поисковые мультидисциплинарные исследования, а центром связи фундаментальной, прикладной и университетской науки является Объединенный ученый совет ОАО «РЖД». Перечислены пять приоритетных направлений научно-технических исследований и разработок в холдинге «РЖД» для опережающего развития железнодорожного транспорта и темы, предусмотренные в плане работы на 2022–2023 гг. Объединенного ученого совета в рамках каждого из направлений. Показано, что для обеспечения прорывных результатов, долгосрочного лидерства необходимо ориентироваться на целевые показатели стратегических программ не по базовому, а по оптимистичному сценарию.

Ключевые слова: опережающее развитие; приоритетные направления; Объединенный ученый совет ОАО «РЖД»; мультидисциплинарные исследования; оптимистичный сценарий.

ТУЛУПОВ А.В., Центр инновационного развития – филиал ОАО «РЖД» (ЦИР), заместитель начальника

ВАСИЛЬЕВ И.П., ЦИР, ведущий эксперт

ИОНОВ Д.А., ЦИР, заместитель начальника информационно-аналитического отдела

КАРАСЕВ О.И., Московский государственный университет имени М.В. Ломоносова (МГУ), директор центра научно-технологического прогнозирования экономического факультета, кандидат экономических наук

ШИТОВ Е.А., МГУ, Центр компетенций научно-технологической инициативы «Центр хранения и анализа больших данных» (ЦК НТИ ЦХАБД), руководитель направления консалтинга и экспертизы

АРХИПОВ Д.Г., МГУ, ЦК НТИ ЦХАБД, старший аналитик направления консалтинга и экспертизы

Перспективы научно-технологического развития железнодорожных компаний

С. 30–35. 2 рис.

Показано, что ключевым источником конкурентных преимуществ современных компаний является развитие науки, техники и технологий, поэтому железнодорожная отрасль как один из системообразующих секторов экономики нуждается во внедрении инновационных решений. Отмечена растущая конкуренция между разными видами транспорта, которая обусловливает необходимость грамотного планирования научно-технологического развития компании, оценки его перспектив и влияния на экономические результаты.

Ключевые слова: научно-технологическое развитие; железнодорожная отрасль; стратегическое планирование; цифровизация.

Литература

• Комплексный анализ форм инновационной деятельности зарубежных железнодорожных компаний / [О.И.Карасев, М.М.Железнов, С.С.Тростьянский, Ю.А.Шитова] // Мир транспорта. – 2020. – № 18 (2). – С. 158–170.
• Экология железных дорог / [Л.Борда-де-Агуа и др.]. – Springer Nature, 2017. – 320 с.
• Новые перспективы транспортной мобильности / Ченг-Мин Фэн // IATSS Research. – Vol. 38. – Issue 1. – July 2014. 
• Инновационная экосистема железнодорожного транспорта: практика ведущих компаний / [М.М.Железнов, О.И.Карасев, А.В.Белошицкий, Е.А.Шитов] // Мир транспорта. – 2019. – № 17 (4). – С. 244–258. 
• Приоритеты научно-технологического развития железнодорожной отрасли в контексте цифровизации: зарубежный опыт /  [О.И.Карасев, М.М.Железнов, А.В.Белошицкий, Е.А.Шитов] // Мир транспорта. – 2019. – № 17 (6). – С. 20–37.

ЧЕРНУХА А.В., ОАО «РЖД», Центр инновационного развития (ЦИР), первый заместитель начальника центра

ОРЕХОВ Д.В., ЦИР, начальник отдела учета и управления интеллектуальной собственностью

КЛЕФОРТОВ Д.Б., ЦИР, ведущий технолог

НАУМОВА М.А., ЦИР, ведущий технолог

БРАТКОВСКАЯ И.В., ЦИР, ведущий инженер

Система управления интеллектуальной собственностью ОАО «РЖД»

С. 36–39. 2 рис.

Показано, как формируются интеллектуальные активы ОАО «РЖД, насколько они разнообразны и относятся практически ко всем видам интеллектуальной деятельности, которым в соответствии с законом предоставляется правовая охрана. Приведены примеры интеллектуальных активов, куда входят средства математического моделирования и планирования грузо- и пассажиропотоков, объекты техники железнодорожного транспорта в целом и их составные части, средства индивидуализации оказываемых услуг и многое другое.

Ключевые слова: интеллектуальная собственность; правовая охрана; портфель интеллектуальных прав; патентная информация; патентный ландшафт.

ПЕВЗНЕР В.О., Научный центр «Путевая инфраструктура и вопросы взаимодействия колесо – рельс» АО «Научно-исследовательский институт железнодорожного транспорта» (НЦ «ЦПРК» АО «ВНИИЖТ»), главный научный сотрудник, профессор, доктор технических наук

СИДОРОВА Е.А., НЦ «ЦПРК» АО «ВНИИЖТ», старший научный сотрудник, кандидат технических наук

ШАПЕТЬКО К.В., НЦ «ЦПРК» АО «ВНИИЖТ», научный сотрудник

АНИСИНА И.М., ФГУП «Российский федеральный ядерный центр – Всероссийский научно-исследовательский институт экспериментальной физики» (РФЯЦ–ВНИИЭФ), научный сотрудник

СЛАСТЕНИН А.Ю., НЦ «ЦПРК» АО «ВНИИЖТ», ведущий инженер

О влиянии длинных неровностей пути на безопасность движения

С. 40–44. 9 рис.

Исследовано влияние длинных неровностей профиля железнодорожного пути на динамику подвижного состава. Показана актуальность вопроса на результатах анализа обстоятельств ряда случаев сходов подвижного состава, выявившего во всех случаях в местах сходов помимо других факторов наличие длинных неровностей. Приведены результаты исследования причин возникновения неровностей, описаны особенности их геометрических параметров, представлены результаты имитационного моделирования.

Ключевые слова: сход подвижного состава; длинные неровности в профиле; алгебраическая разность смежных уклонов; динамика подвижного состава

Литература

• Воздействие на путь вагонов с повышенной осевой нагрузкой / 

[В.В.Третьяков, И.Б.Петропавловская, В.О.Певзнер и др.] // Вестник ВНИИЖТ – 2016. – Т. 75. – № 4 – С. 233–238.

• Pevzner. V. Needed additions to the diagnostic system of high-speed lines / V.Pevzner, K.Shapetko, A.Slastenin // Advances in Intelligent Systems and Computing – 2021. – Vol. 1258 AISC. – P. 496–505. – DOI 10.1007/978-3-030-57450-5_43.
• Вершинский С.В. Динамика вагона / С.В.Вершинский, В.Н.Данилов, В.Д.Хусидов. – М. : Транспорт. – 1991. – 360 с.
• Влияние длинных неровностей продольного профиля на безопасность движения в условиях интенсификации перевозочного процесса / [В.О.Певзнер, А.И.Чечельницкий, К.В.Шапетько и др.] // Вестник ВНИИЖТ. – 2020. – Т. 79. – № 5. – 271–275.
• Максимов В.Н. Силы, действующие на вагон на сортировочных горках / В.Н.Максимов // Вестник ВНИИЖТ. – 1963. – № 4. – С. 36–40.
• Chen G. A new wheel/rail spatially dynamic coupling model and its verification / G.Chen, W.M.Zhai // Vehicle System Dynamics. – 2004. – – Vol. 41. – № 4. – Pp. 301–322.

КОССОВ В.С., АО «Научно-исследовательский и конструкторско-технологический институт подвижного состава» (АО «ВНИКТИ»), генеральный директор, доктор технических наук, профессор

ФЕДОТОВ М.В., АО «ВНИКТИ», заведующий лабораторией

С.Н. ЖУРАВЛЕВ, АО «ВНИКТИ», заместитель главного инженера

БЕНЬКОВИЧ Н.И., АО «ВНИКТИ», заведующий отделом, кандидат технических наук

О развитии технической диагностики  локомотивного оборудования

С. 45–49. 7 рис.

Представлены четыре уровня развития систем технической диагностики локомотивного оборудования, наиболее эффективными из которых являются последние два: предиктивной (предсказательной) и прескриптивной (предписывающей) видов диагностики. Описана работа систем автоматизированной обработки данных с использованием современных облачных технологий Big Data и искусственных нейронных сетей, созданных в целях обработки сотен мегабайт диагностической информации для локализации отказавших узлов, оценки фактического состояния оборудования и прогнозирования его изменения в дальнейшем.

Ключевые слова: диагностика локомотивного оборудования; предиктивная диагностика; прескриптивная диагностика; автоматизированная система контроля параметров работы локомотивов и учета дизельного топлива (АСК).

Литература

• Вичугова А. Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных [Электронный ресурс] / А.Вичугова. – 2020. – Режим доступа: https://www.bigdataschool.ru/blog/types-of-data-analytics.html.
• Бринк Х. Машинное обучение / Х.Бринк, Дж.Ричардс, М.Феверолф. – СПб. : Питер, 2017. – 336 с.
• Осовский С. Нейронные сети для обработки информации / С.Осовский : пер. с польского И.Д.Рудинского. – М. : Финансы и статистика, 2002. – 344 с.
• Использование нейросетевых диагностических моделей для контроля технического состояния тепловозов по данным бортовых подсистем диагностики / [В.А.Перминов, М.В.Федотов, А.В.Грищенко и др.] // Перспективы развития сервисного обслуживания локомотивов : Мат. первой Междунар. научно-практ. конф. – М. : МИИТ-ТМХ-Сервис, 2014. – 293 с.
• Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / О.Жерон. – СПб. : Альфа-книга, 2018. – 688 с.

БУТЫРКИН А.Я., Российский университет транспорта (РУТ (МИИТ)), профессор кафедры «Управление транспортным бизнесом и интеллектуальные системы», доктор экономических наук

ГЕЛИС В.А., РУТ (МИИТ), аспирант

КУЛИКОВА Е.Б., РУТ (МИИТ), доцент кафедры «Управление транспортным бизнесом и интеллектуальные системы», кандидат технических наук

Использование предиктивной аналитики в процессах моделирования и машинного обучения на транспорте

С. 50–54. 5 рис.

Представлен анализ потенциала прогрессивных подходов к моделированию на основе методов машинного обучения применительно к транспортной сфере. Сформированы формализующие технологии схемы. Обозначены специфические особенности распространенных алгоритмов и методов. Приведены результаты оценки перспективных моделей.

Ключевые слова: предиктивная аналитика; прогнозирование; моделирование; машинное обучение; большие данные; транспортная логистика; пассажирская логистика; прогрессивные технологии.

Литература

• Notes from the AI frontier: Applications and value of deep learning // McKinsey & Company, 2018. – URL: https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning
• A Ya Butyrkin et al 2020 IOP Conf. Ser.: Mater. Sci. Eng. 918 012057. 
• Интегрированная транспортная система // Центр стратегических разработок, 2018. – URL: https://www.csr.ru/upload/iblock/9f5/9f59e8789c4af88f7a67ce69c17d288e.pdf
• Unlocking success in digital transformations // McKinsey & Company, 2019. – URL: https://www.mckinsey.com/business-functions/organization/our-insights/unlocking-success-in-digital-transformations
• Рашка С. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow /  С.Рашка, В.Мирджалили – М. : Диалектика-Вильямс, 2021. – 848 с.
• Элбон К. Машинное обучение с использованием Python / К.Элбон. – П. : БВХ, 2019. – 384 с.
• Bishop C. Pattern Recognition and Machine Learning / C.Bishop. – NY : Springer-Verlag, 2006. – 758 p.
• Spiegelhalter D. The Art of Statistics: Learning from Data / D.Spiegelhalter. – NY : Pelican Books, 2019. – 426 p.
• Goodgellow I. Deep Learning / I.Goodgellow, Y.Bengio, A.Courville. – The MIT Press, 2016. – 802 p.
• Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems / A.Geron. – O’Reilly Media, Inc., 2019. – 510 p.
• Kuhn M. Applied Predictive Modeling / M.Kuhn. – NY : Springer-Verlag, 2018. – 615 p.
• Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting / [X.Shi, Z.Chen, H.Wang, etc.]  // Proceedings of the 28th International Conference on Neural Information Processing Systems journal, 2015. – 802–810 p.

ШИГАЕВ О.Б., Центр организации труда и проектирования экономических нормативов – филиал ОАО «РЖД», заместитель директора

ДОЛГУШЕВА О.В., Центр организации труда и проектирования экономических нормативов – филиал ОАО «РЖД», эксперт

Оценка эффективности использования трудовых ресурсов как инструмент повышения производительности труда

С. 55–59. 8 рис.

Рассматриваются перспективы развития оценки использования трудовых ресурсов на основе принципов научной организации труда как одного из основных факторов внутреннего повышения эффективности производственной деятельности подразделений ОАО «РЖД».

Ключевые слова: научная организация труда; оценка эффективности использования трудовых ресурсов; производительность труда.

ЗАСТРЕЛКИН Д.Ю., Центр организации труда и проектирования экономических нормативов – филиал ОАО «РЖД», эксперт

Методы предиктивного определения необходимой численности работников

С. 60–63. 2 рис.

Представлены методы предиктивного расчета численности работников, необходимой для организации перевозочного процесса, используемые в ОАО «РЖД». Приведены их достоинства и недостатки для различной глубины прогноза.

Ключевые слова: научная организация труда; нормативная численность; предиктивный расчет численности работников.

ОРЛОВ Г.Г., Центр организации труда и проектирования экономических нормативов – филиал ОАО «РЖД», ведущий эксперт

Повышение операционной эффективности за счет усиления проектной деятельности

С. 64–65. 1 рис.

Представлена ретроспектива формирования инфраструктуры проектной деятельности ОАО «РЖД» в области выявления резервов повышения эффективности трудовых процессов и роста производительности труда. Описаны текущие результаты, перспективные проекты и планы развития проектной деятельности ОАО «РЖД».

Ключевые слова: производительность труда; эффективность производственных процессов; научная организация труда; оптимизация технологии производства.

СЮЙ ВАН, переводчик, краевед

Из истории КВЖД и угольных шахт Чжалайнора

С. 66–68. 4 рис.

Рассматривается одна из малоизвестных широкой общественности страниц истории Северного Китая – строительство Китайско-Восточной железной дороги (КВЖД) и разработки месторождений Чжалайнорских угольных копей в конце XIX – начале XX в.

Ключевые слова: Китайско-Восточная железная дорога (КВЖД); Маньчжурия; Чжалайнор; Чжалайнорские копи; уголь.

КИСЕЛЁВ И.П., Петербургский государственный университет путей сообщения Императора Александра I (ПГУПС), инженер путей сообщения, профессор кафедры «Строительство дорог транспортного комплекса», доктор исторических наук

КИТУНИН А.А. ПГУПС, инженер путей сообщения, доцент кафедры «История, философия, политология и социология», кандидат исторических наук

Перспективы грузовых высокоскоростных перевозок

С. 69–78. 17 рис.

Окончание статьи, посвященной грузовым высокоскоростным железнодорожным перевозкам. Приведено описание выпущенного в конце 2020 г. первого китайского высокоскоростного грузового поезда. Освещены вопросы создания для него в КНР автоматической системы управления погрузкой и выгрузкой контейнеров. Отмечено, что такая система позволяет устранить имеющую место на транспорте дисгармонию технологий, заключающуюся в использовании тяжелого ручного труда при погрузочно-разгрузочных работах на инновационном подвижном составе. В заключение дается краткий анализ перспектив развития грузовых перевозок по железнодорожным высокоскоростным магистралям, в том числе в России.

Ключевые слова: грузовые высокоскоростные железнодорожные перевозки; высокоскоростной грузовой поезд; автоматическая система управления погрузкой и выгрузкой контейнеров; дисгармония технологий.