Бортовой аналитический комплекс для транспортных средств

Изобретение относится к устройству диагностики и мониторинга технического состояния транспортных средств (ТС). Сущность бортового аналитического комплекса состоит в следующем. В качестве подблока данных о допустимых, номинальных и предельных значениях параметров используют подблок триггеров с возможностью оценки совокупности параметров и формирования оповещений. В качестве информационно-управляющей панели используют монитор водителя. Для получения первого и второго типов данных с ТС используют датчики телеметрии с соответствующими узлами предварительной обработки поступающих данных. При этом анализируемая информация поступает в блок предиктивной аналитики, снабжённый N-числом моделей предиктивной аналитики. Технический результат заявленного изобретения заключается в комплексном мониторинге состояния ТС в режиме реального времени, предупреждении критических отказов ТС, прогнозировании изменения состояния ТС. 3 з.п. ф-лы, 1 ил.

 

Изобретение относится к устройству удаленной диагностики и мониторинга в режиме реального времени технического состояния парка транспортных средств.

Известна система диагностики и метод диагностики (патент WO 2021079438 A1, G01M 17/08, G01M 99/00, опубл. 29.04.2021 г.). Целью настоящего изобретения является создание системы диагностики, с помощью которой можно повысить вероятность реализации высокоточного анализа и/или эффективного анализа износа устройства. Система диагностики в соответствии с настоящим изобретением содержит: блок сбора данных, который получает величину износа, указывающую степень износа устройства, установленного в транспортном средстве, причем информация об износе соответствует каждому из множества рассчитанных дней/времен. На основе данных измерений, в которых состояние устройства измеряется в каждый из дней/времени, и информации о движении, включая информацию о маршруте, указывающую маршрут, пройденный транспортным средством; и блок анализа износа, который получает первую информацию, указывающую результаты состояния движения транспортного средства, используя информацию о маршруте, и анализирует износ устройства, используя первую информацию и величину износа за множество дней/времен.

Недостатком является только осуществление мониторинга величины износа, т.е снижение эксплуатационных характеристик изделия. Помимо этого, в системе не представлено прогнозирование состояния транспортного средства.

Известно устройство обнаружения аномалий, метод обнаружения аномалий и компьютерная программа (патент WO 2019016996 A1, B61L 15/00, B61L 27/00, опубл. 24.01.2019 г.). Варианты осуществления настоящего изобретения обеспечивают высокоточное обнаружение аномалий. Согласно одному варианту осуществления устройство обнаружения аномалий включает в себя: генератор условий, устройство установки порога и детектор аномалий. Генератор генерирует множество условий для классификации разности между прогнозируемым значением состояния транспортного средства и измеренным значением состояния транспортного средства на основе информации о движении транспортного средства, при этом прогнозируемое значение основывается на значении управляющей команды и модель предсказания. Устройство установки порога устанавливает множество порогов для условий. Детектор аномалий выполняет обнаружение аномалий на транспортном средстве на основе модели прогнозирования, пороговых значений и условий.

Данное устройство реализует только одну из стратегий предиктивной аналитики, и не позволяет определять остаточный ресурс узла, вероятность отказа в указанном временном интервале и вероятность отказа по времени эксплуатации или по пробегу.

Известен способ прогнозирования ожидаемого срока службы комплектующей детали наблюдаемого транспортного средства и блок обработки, характеризующийся тем, что данные о состоянии комплектующих деталей выбранных транспортных средств передают в блок обработки (патент RU 2720651, G01M 99/00, G01D 21/00, опубл. 12.05.2020 г.). Рабочий параметр для каждой из комплектующих деталей выбранных транспортных средств подается в блок обработки, при этом рабочий параметр влияет на данные о состоянии соответствующей выбранной комплектующей детали. Блок обработки определяет зависимость между рабочим параметром и данными о состоянии для каждой из выбранных комплектующих деталей. Одна зависимость, которая лучше всего подходит для комплектующей детали наблюдаемого транспортного средства, выбирается посредством алгоритма. Далее, рабочий параметр комплектующей детали наблюдаемого транспортного средства передают в блок обработки. Кроме того, блок обработки прогнозирует ожидаемый срок службы комплектующей детали наблюдаемого транспортного средства, используя выбранную зависимость и рабочий параметр комплектующей детали наблюдаемого транспортного средства.

Недостатком являются ограниченные функциональные возможности - система не позволяет определять остаточный ресурс узла и вероятность отказа по времени эксплуатации или по пробегу, также не реализовано обнаружение аномалий.

Известна система прогнозирования неисправностей для транспортных средств, содержащая датчики, связанные с отдельными компонентами множества транспортных средств (патент GB 2378248 А, G05B 23/02, G01D 3/08, G01M 17/00, опубл. 05.02.2003 г.). Данные компонентов собираются и передаются средствам анализа, где они анализируются и создаются две модели. Данные сравниваются с этими моделями, чтобы установить функциональное состояние компонентов и предсказать будущий отказ. Модель «нормальных характеристик» представляет собой нормальную работу транспортного средства, и каждому компоненту назначается диапазон допустимых значений измерения. Данные вне этого диапазона указывают на то, что произошла ошибка. Модель, основанная на знаниях, предоставляет информацию о времени между получением определенного значения измерения от определенного компонента и отказом этого компонента. Все новые полученные данные используются для обновления моделей. Передача данных может быть беспроводной и может осуществляться напрямую от датчиков к средствам анализа или проходить через приемник данных, связанный с каждым транспортным средством. Вариант осуществления показывает использование в поездах, где контролируется ряд компонентов железнодорожного транспортного средства (например, двери вагона, тормоза, отопление и т. д.). Также раскрыт способ предсказания неисправности.

Недостатком являются ограниченные функциональные возможности. Система не позволяет определять остаточный ресурса узла и осуществлять полноценный мониторинг состояния транспортных средств.

Известен способ и устройство для анализа неисправностей транспортных средств (патент ЕР 3865963 А1, G05B 23/02, G07C 5/08, опубл. 18.08.2021 г.). Способ включает в себя: получение информации о неисправности, подлежащей диагностике; получение из базы данных заранее определенных характеристик, относящихся к диагностируемой неисправности, которая указана в информации о неисправности, подлежащей диагностике; обработка с помощью модели анализа неисправностей информации о неисправностях, подлежащей диагностике, и предопределение извлеченные характеристики, при этом модель анализа разломов является предпочтительной моделью, определяемой путем обучения модели слияния с использованием исторических данных о разломах и исторических характеристик, связанных с разломами, на основе алгоритма классификации; и генерируют результат диагностики неисправности для диагностируемой неисправности.

Недостатком являются ограниченные функциональные возможности. Система позволят осуществлять только мониторинг текущего состояния транспортного средства, нет возможности прогнозирования состояния.

Известна бортовая диагностика в режиме реального времени на основе выходных параметров системы оповещения о техническом обслуживании коммерческого парка (патент US 2019066407 А1, G06Q 50/30, G07C 5/00, G07C 5/08, опубл. 28.02.2019 г.). Система предупреждений о техническом обслуживании коммерческого парка также способна выполнять анализ шаблонов на уровне машины, чтобы сопоставить ранее заявленную потребность в техническом обслуживании конкретного транспортного средства с последующей поломкой конкретного транспортного средства в коммерческом парке, чтобы предсказать вероятность подобных поломок в будущем других транспортных средств в коммерческом парке. Кроме того, система оповещения о техническом обслуживании коммерческого парка может генерировать отчеты о состоянии технического обслуживания и оценивать затраты на техническое обслуживание для выявленных машиной потребностей в техническом обслуживании транспортных средств, которые затем сравниваются с фактическими затратами на техническое обслуживание, чтобы повысить точность оценки будущих затрат.

Недостатком являются ограниченные функциональные возможности, а именно отсутствие определения остаточного ресурса узла, вероятности отказа по времени эксплуатации или по пробегу и обнаружения аномалий.

Наиболее близким техническим решением, выбранным в качестве прототипа, является устройство бортового контроля технического состояния транспортного средства (патент RU 2631750, G07C 5/08, опубл. 26.09.2017 г.). Устройство содержит блок съема визуальной информации, блок съема акустической информации, датчик скорости, блок датчиков контроля параметров технического состояния двигателя, блок предварительной обработки сигналов, аналого-цифровой преобразователь, таймер, блок памяти, подблок прогноза состояния, подблок данных о допустимых номинальных и предельных значениях параметров, подблок значений параметров технического состояния ТС, блок предварительной обработки цифровой информации, блок передачи информации по радиоканалу, зуммер и блок блокировки транспортного средства. Устройство дополнительно снабжено блоком обработки видео / аудиопотока, блоком памяти с возможностью записи на внешний Flash накопитель, подблоком анализа предотказного технического состояния, подблоком оценки фактической работоспособности ТС, подблоком базы данных неисправностей и рекомендаций.

Недостатком данной системы является ограниченный объем информации для диагностики состояния транспортного средства - система анализирует только данные скорости и параметры технического состояния двигателя. Система не позволяет определять вероятности отказа в указанном временном интервале, вероятность отказа по времени эксплуатации или по пробегу, а также производить обнаружение аномалий. В системе нет возможности длительного хранения больших объемов данных параметров функционирования узлов транспортного средства и результатов работы системы. В системе отсутствует диспетчерский пункт управления, позволяющий в режиме реального времени удаленно оценивать состояние парка транспортный средств.

Задачей изобретения является осуществление комплексного мониторинга состояния транспортных средств в режиме реального времени, предупреждение критических отказов транспорта и оперативное реагирование на их возникновение, а также прогнозирование изменение технического состояния, которое способно повлиять на работоспособность систем транспортного средства и безопасность движения. Все это позволяет минимизировать затраты на ремонт и обслуживание, сократить простои оборудования, уменьшить время, затрачиваемое на техобслуживание.

Технический результат достигается тем, что система дополнительно снабжена

– датчиком для получения первого типа данных с транспортного средства (данных телеметрии);

– датчиком для получения второго типа данных с транспортного средства (данных телеметрии);

– бортовым аналитическим блоком, включающим подблок предварительной обработки данных датчика 1, подблок предварительной обработки данных датчика 2, подблок временного хранения и передачи данных, подблок оценки фактической работоспособности транспортного средства;

- подблоком оценки фактической работоспособности транспортного средства;

- диспетчерским пунктом;

- блоком хранения и структурирования данных;

- базой данных телеметрии;

- базой исторических данных о поломках;

- базой данных неисправностей и рекомендаций;

- блоком мониторинга состояния транспортного средства;

- подблоком триггеров;

- локом предиктивной аналитики на основе машинного обучения;

- N-числом моделей предиктивной аналитики;

- подблоком предсказания и прогнозирования на базе модели;

- подблоком интерпретации результатов и рекомендаций по принятию решений.

Датчики для получения первого и второго типа данных с транспортного средства (данных телеметрии) позволяют получать информацию о большом количестве параметров узлов, устройств и систем транспортного средства. Это позволяет реализовать комплексный мониторинг, диагностику и прогнозирование.

Бортовой аналитический блок, работающий на базе подблока оценки фактической работоспособности транспортного средства, позволяет осуществлять мониторинг состояния транспортного средства в режиме реального времени и оперативно выводит полученную информацию водителю или диспетчеру для принятия мер.

Блок хранения и структурирования данных характеризуется хранением данных в сжатом формат с высокой скоростью чтения и записи данных, возможностью масштабирования и расширения, высоким уровнем надежности, отказоустойчивости и производительности.

Диспетчерский пункт служит для удаленного предоставления обработанных данных пользователю посредством инструментов визуализации в результате мониторинга и прогнозирования, а также выводит информацию о рекомендациях по производственным процессам и причины отказов оборудования.

База данных телеметрии позволяет хранить большие объемы данных о параметрах функционирования узлов и систем транспортного за длительные промежутки времени.

База исторических данных о поломках - это начальная и историческая информация о функционировании узлов, агрегатов и систем транспортного средства, статистика причин отказов, проведенных ремонтов и сервисного обслуживания. Это позволяет на базе исторического опыта осуществлять более точное прогнозирование состояние транспортного средства.

База данных неисправностей и рекомендаций предоставляет возможность осуществлять длительное хранение результатов работы системы, а также оперативно передавать данные водителю и диспетчеру. Помимо этого, диспетчер может запросить из базы данные по конкретной дате или временному промежутку.

Блок мониторинга состояния транспортного средства работает на базе блока триггеров, который позволяет учитывать не только отдельные параметры, но их совокупное изменение, которое может являться признаком неправильной работы узлов и систем транспортного средства, а также может вызвать риск отказа транспортного средства на маршруте и наступления фатальных последствий.

Блок предиктивной аналитики на основе машинного обучения позволяет осуществлять комплексное прогнозирование состояния узлов и систем транспортного средства за счет большого числа моделей предиктивной аналитики. Использование машинного обучения позволяет осуществлять прогнозирование с высокой точностью.

Модели предиктивной аналитики позволяют предсказывать остаточный ресурса узла, предсказывать вероятности отказа в указанном временном интервале, осуществлять обнаружение аномалий в режиме реального времени, определять вероятность отказа по времени эксплуатации или по пробегу. Помимо этого, использование технологии бустинга позволяет максимально эффективно с наименьшими затратами определить параметры моделей (весовые характеристики, параметры взаимосвязей переменных и т. п.) за счет использования опыта предыдущих шагов и возможности проверки большого количества параметров за одну итерацию.

Подблок предсказания и прогнозирования на базе модели реализует формирование прогнозов на основе предиктивных стратегий, т.е. выявление трендов в изменениях параметров на различных промежутках времени, аномальные отклонения от трендов, и определение причин возникновения аномалий на основе заданных корреляционных зависимостей и исторических данных.

Подблок интерпретации результатов и рекомендаций по принятию решений формирует рекомендации для процесса принятия решения о продолжении эксплуатации или осуществлении ремонта, необходимого для устранения выявленных неисправностей.

Основным назначением бортового аналитического комплекса для транспортных средств является удаленная диагностика и мониторинг в режиме реального времени технического состояния парка транспортных средств (как беспилотных, так и под управлением человека-водителя), а также экспертная поддержка процесса принятия решения о продолжении эксплуатации или осуществлении ремонта, в том числе о характере и объеме ремонта, необходимого для устранения выявленных неисправностей. Благодаря своим функциональным особенностям платформа позволяет осуществлять мониторинг технического состояния, направленный на предупреждение критических отказов транспорта и оперативное реагирование, в случае их возникновения, а также прогнозирование изменения технического состояния, которое способно повлиять на работоспособность узлов, агрегатов и систем транспортного средства.

Заявленный комплекс содержит:

1) Датчик для получения первого типа данных с транспортного средства (данных телеметрии);

2) Датчик для получения второго типа данных с транспортного средства (данных телеметрии);

3) Бортовой аналитический блок;

4) Подблок предварительной обработки данных датчика 1;

5) Подблок предварительной обработки данных датчика 2;

6) Подблок временного хранения и передачи данных;

7) Подблок оценки фактической работоспособности транспортного средства;

8) Монитор водителя;

9) Диспетчерский пункт;

10) Блок хранения и структурирования данных;

11) База данных телеметрии;

12) База исторических данных о поломках;

13) База данных неисправностей и рекомендаций;

14) Блок мониторинга состояния транспортного средства;

15) Подблок валидации данных;

16) Подблок обработки данных;

17) Подблок определения аномалий;

18) Подблок формирования расписаний для проверки триггеров;

19) Подблок триггеров;

20) Блок предиктивной аналитики на основе машинного обучения;

21) Подблок расписания функционирования предиктивных моделей;

22) N-число моделей предиктивной аналитики;

23) N-число подблоков первичной обработки данных;

24) N-число подблоков извлечения данных;

25) N-число подблоков преобразования данных;

26) N-число подблоков передачи данных;

27) N-число подблоков извлечения признаков и преобразования данных;

28) N-число подблоков предсказания и прогнозирования на базе модели;

29) N-число подблоков интерпретации результатов и рекомендаций по принятию решений.

На фиг. 1 представлена схема заявляемого устройства бортового аналитического комплекса для транспортных средств.

Транспортное средство оснащено двумя датчикам 1 и 2 для получения разных типов данных параметров функционирования транспортного средства - данных телеметрии. Значения этих параметров поступают на бортовой аналитический блок 3.

Бортовой аналитический блок состоит из следующих подблоков: 4 - подблок предварительной обработки данных датчика 1, 5 - подблок предварительной обработки данных датчика 2, подблок временного хранения и передачи данных 6, подблок оценки фактической работоспособности транспортного средства 7.

Подблок предварительной обработки данных 4 служит для получения данных с датчика 1, дедубликации данных, преобразования их в формат, необходимый для чтения следующим блоком 5, передачи обработанных данных с фильтрацией данных. Фильтрация данных позволяет на основе встроенной логики изменять временные интервалы сбора параметров и задавать параметр Δ, который характеризует величину, на которую должен измениться параметр для его регистрации. Это необходимо для того, чтобы максимально эффективно использовать ресурсы и не перегружать их большими объемами данных. Аналогичным образом функционирует подблок предварительной обработки данных 5 для получения и обработки данных с датчика 2.

Данные с подблоков предварительной обработки данных 4 и 5 передаются на подблок временного хранения и передачи данных 6, служащий для передачи данных на блок хранения и структурирования данных 10, а именно в базу данных телеметрии 11 и в подблок оценки фактической работоспособности транспортного средства 7. Временное хранение данных необходимо в ситуациях, когда блок хранения и структурирования данных 10 по каким-то причинам не доступен или потеряна связь с ним.

Данные с подблока временного хранения и передачи данных 6 поступают на подблок оценки фактической работоспособности транспортного средства 7, который осуществляет процесс соотнесения получаемых данных с триггерами для выявления нарушений в работе подсистем и узлов транспортного средства, а также формирования оповещений. Триггеры учитывают ограниченное количество параметров (данных телеметрии), отдельное и совокупное изменение которых выше (или ниже) определенных значений может являться признаком неправильной работы транспортного средства (узлов и систем), а также может вызвать риск отказа транспортного средства на маршруте и наступления фатальных последствий. Данные с подблока оценки фактической работоспособности транспортного средства 7 поступают на монитор водителя 8 и в диспетчерский пункт 9. Монитор водителя 8 установлен в кабине водителя транспортного средства и позволяет оперативно отображать ограниченную информацию о нарушениях в работе систем и узлов транспортного средства и рекомендации по принятию дальнейших решений из подблока оценки фактической работоспособности транспортного средства 7 и базы данных неисправностей и рекомендаций 13. Диспетчерский пункт 9 позволяет удаленно получать полную информацию из подблока оценки фактической работоспособности транспортного средства 7 и базы данных неисправностей и рекомендаций 13, а также данные из базы исторических данных о поломках 12. Также диспетчерский пункт 9 позволяет запрашивать из приведенных модулей данные за определенные промежутки времени.

Блок хранения и структурирования данных 10 состоит из базы данных телеметрии 11, которая получает данные телеметрии транспортного средства (параметры функционирования узлов и систем транспортного средства) от подблока временного хранения и передачи данных 5, базы исторических данных о поломках 12, в которой хранятся и структурируются данные о сроках и объемах обслуживания от различных эксплуатирующих и обслуживающих организаций, и базы данных неисправностей и рекомендаций 13.

Данные из базы данных телеметрии 11 поступают на блок мониторинга состояния транспортного средства 14, а именно в подблок валидации данных 15, осуществляющий проверку полученных данных на предмет их корректности. Данный подблок проверяет соответствуют ли полученные данные какого-либо параметра предписанному ему типу данных. Затем данные из подблока 15 поступают на подблок обработки данных 16, предназначенный для преобразования данных в вид, необходимый для функционирования подблока определения аномалий 17. Примером такого преобразования может служить получение значений параметров, необходимых для работы определенных триггеров; удаление нулевых значений; выделение значений параметров, соответствующих определенным временным интервалам. Данные из подблока 16 передаются на подблок определения аномалий 17 - это процесс соотнесения получаемых данных с подблоком триггеров 19 для выявления нарушений в работе подсистем и узлов транспортного средства, а также формирования оповещений. Данный подблок работает согласно подблоку формирования расписания для проверки триггеров 18, задающему временные интервалы, через которые должна осуществляться проверка тех или иных триггеров. Подблок триггеров 19 состоит из N триггеров 19.1-19.N и задает параметры для функционирования подблока 17. Триггеры учитывают отдельное и совокупное количество параметров (данных телеметрии), изменение которых выше (или ниже) определенных значений может являться признаком неправильной работы транспортного средства (узлов и систем), а также может вызвать риск отказа транспортного средства. В результате работы блока мониторинга состояния транспортного средства 14 формируются оповещения, которые передаются в базу данных неисправностей и рекомендаций 13.

В отличии от подблока оценки фактической работоспособности транспортного средства 7, который работает в режиме реального времени, блок мониторинга состояния транспортного средства 14 осуществляет более длительную обработку данных, так как позволяет определять более сложные триггеры, которым для функционирования необходимы значения большего количества параметров и / или данные за длительные промежутки времени.

Данные из базы данных телеметрии 11 также передаются на блок предиктивной аналитики 20 на основе машинного обучения, который работает за счет N числа моделей 22.1-22.N, содержащих в себе гипотезы и стратегии предиктивной аналитики. Последовательность шагов обработки и анализа данных в рамках каждой модели 21.1-22.N будет одинаковая, поэтому модели состоят из аналогичных подблоков. Модели работают согласно данным подблока расписания функционирования предиктивных моделей 21, который является инструментом для выполнения задач по расписанию: формирует очередность задач, отслеживает их выполнение (в случае невыполнения какой-либо задачи, выдает информацию об ошибке), формирует временные интервалы для запуска задач.

Каждая модель содержит подблок первичной обработки данных 23.1-23.N, который включает в себя подблок извлечения данных 24.1-24.N, подблок преобразования данных 25.1-25.N, подблок передачи данных 26.1-26.N. Подблок извлечения данных 24.1-24.N необходим для получения данных из базы данных телеметрии 12. Затем данные поступают на подблок преобразование данных 25.1-25.N для извлечение признаков, необходимых для использования предиктивных моделей, и преобразование данных в вид, пригодный для использование моделью (это алгоритмы снижения размерности и векторизации состояния транспорта за значительный промежуток времени). Следующий подблок передачи данных 26.1-26.N отвечает за передачу данных, прошедших первичную обработку в результате работы модуля 23.1-23.N, на подблок извлечения признаков и преобразования данных 27.1-27.N.

Подблок 27.1-27.N считает статистические параметры предиктивных моделей, например, среднеквадратичное отклонение. Затем данные поступают на подблок предсказания и прогнозирования на базе модели 28.1-28.N, служащий для формирования прогнозов на основе предиктивных стратегий, т.е. выявление трендов в изменениях параметров на различных промежутках времени, аномальные отклонения от трендов, и определение причин возникновения аномалий на основе заданных корреляционных зависимостей и исторических данных. Данный подблок функционирует за счет стратегий предиктивной аналитики, формирующих предиктивные модели и прогностические данные.

Стратегия 1. Модель линейной регрессии для предсказания остаточного ресурса узла - позволяет определить период (N дней / циклов) работы до отказа узла.

Стратегия 2. Модель классификации для предсказания вероятности отказа в указанном временном интервале - позволяет определить сломается ли узел в следующие N дней / циклов использования.

Стратегия 3. Обнаружение аномалий в режиме реального времени - позволяет определять наличие аномального поведения показателей в текущий момент времени.

Стратегия 4. Модель, предсказывающая вероятность отказа по времени эксплуатации или по пробегу (Survival Analysis) - позволяет определять на основе статичных характеристик узла изменение риска отказа с течением времени эксплуатации.

Построение предиктивных моделей основывается на гипотезах, определяющих взаимозависимости параметров и узлов, а также условия, по которым можно определить или предвидеть поломку того или иного узла (устройства).

В подблоке интерпретации результатов и рекомендаций по принятию решений 29.1-29.N на основе работы предыдущего подблока 28.1-28.N формируются рекомендации для процесса принятия решения о продолжении эксплуатации или осуществлении ремонта, необходимого для устранения выявленных неисправностей. Данные, полученные в результате функционирования блока предиктивной аналитики на основе машинного обучения 20, передаются в базу данных неисправностей и рекомендаций 13. База данных 13 позволяет хранить и структурировать данные результатов работы блоков 14 и 20.

Пример осуществления изобретения приведен ниже.

Рассмотрим пример осуществления изобретения на транспортном средстве - трамвае.

С помощью датчика для получения первого типа данных с транспортного средства (данных телеметрии) (1) мы можем получать такую информацию, как:

– скорость, км/ч;

– температура салона (для 1 и 2 секции), ºС;

– потребление энергии (для 1+2 секций, 3 секции), КВт/ч;

– рекуперация энергии (для 1+2 секций, 3 секции), КВт/ч;

– уровень песка в песочнице, % (для 6 песочниц);

– педаль безопасности, включена / выключена;

– реверсор (вперед), включен / выключен;

– реверсор (назад), включен / выключен;

– перегрев тормозных реостатов (ТР), наличие / отсутствие;

– связь с инвертором тока (ИТ), наличие / отсутствие (для 3 ИТ);

– экстренное торможение, включено / выключено;

– превышение напряжения инвертора тока (ИТ), Вольт (для 3 ИТ);

– превышение переменного (Icd) тока инвертора тока (ИТ), Ампер (для 3 ИТ);

– превышение тока фаз инвертора тока (ИТ), Ампер (для 3 ИТ);

– сбой драйвера инвертора тока (ИТ), наличие / отсутствие (для 3 ИТ);

– антизажим двери, наличие / отсутствие / нет питания (для 6 дверей);

– включение песочниц, включено / выключено;

– температура наружного воздуха, ºС;

– тормоз, расторможка / заторможка (для 6 тормозов);

– «стрелка», включена / выключена;

– «проезд», включен / выключен;

– напряжение сети секции, Вольт (для 3 секций);

– ток двигателя секции, Ампер (для 3 секций);

– напряжение аккумуляторной батареи (АКБ) секции, Вольт (для 8 АКБ);

– ток аккумуляторной батареи (АКБ), Ампер (для 2 АКБ);

– рельсовый тормоз, включен / выключен;

– кнопка «кондиционер», включена / выключена;

– экстренное торможение, включено / выключено;

– аварийное торможение, включено / выключено;

– отклонение от нормального режима работы бортового преобразователя (БП) (для 5 БП);

– ход / тормоз, включено / выключено;

– контроллер хода / тормоза, включено / выключено;

– связь трехфазного бортового преобразователя (БПТ) (для 2 БПТ);

– температура инвертора тока (ИТ), ºС (для 3 ИТ).

С помощью датчика для получения второго типа данных с транспортного средства (данных телеметрии) (2) мы можем получать такую информацию, как:

- тип транспорта;

- версия программы;

- температура в кабине, °С;

- наружная освещенность, Люм.;

- температура на улице, °С;

- опорная температура в кабине водителя, °С;

- опорная температура в салоне трамвая, °С;

- температура в салоне, °С (для 3-х секций);

- срабатывание датчиков противозажима у дверей (для 6 дверей);

- кнопка блокировки дверей, включена / выключена;

- кнопка блокировки хода, включена / выключена;

- наличие высокого напряжения;

- питание вагона, включено / выключено;

- кнопка обогрева кабины, включена / выключена;

- кнопка дополнительного отопителя кабины, включена / выключена;

- кнопка обогрева салона, включена / выключена;

- кнопка обогрева стекла, включена / выключена;

- кнопка блока коммутационных выключателей (БКВ), включена / выключена;

- кнопка автомата 550/24, включена / выключена;

- кнопка кондиционера, включена / выключена;

- автомат 550/24, включен / выключен (для 2 секций);

- автомат отопления кабины, включен / выключен (для 2 секций);

- автомат отопления салона, включен / выключен (для 2 секций);

- автомат кондиционера, включен / выключен (для 2 секций);

- режим автономного хода (АХ) тележки, включен / выключен;

- тележка в режиме высоковольтного автомата (АВ) от локального коммутатора блока коммутационных выключателей (ЛК-БКВ), включен / выключен (для 3 тележек);

- тележка в режиме автономного хода (АХ) от локального коммутатора блока коммутационных выключателей (ЛК-БКВ), включен / выключен (для 3 тележек);

- состояние переключателя автономного хода (АХ) от локального коммутатора аккумуляторной батареи (ЛК-АКБ), включен / выключен (для 2 переключателей АХ);

- перегрев тормозных реостатов (ТР), наличие / отсутствие (для 3 тележек);

- направление движения, градусы;

- снижение точности в горизонтальной плоскости, метры;

- приблизительная погрешность определения координат, метры;

- корректность данных определения координат;

- широта и долгота, градусы;

- количество используемых спутников, шт.;

- скорость км/ч;

- текущие дата/время в UTC, час / мин,

- параметры 16 камер в салоне: имя камеры, наличие связи с камерой, IP-адрес камеры, количество сбоев камеры;

- количество сбоев жесткого диска с момента включения, количество раз;

- готовность жесткого диска;

- заполнение буфера записи, %;

- название модели жесткого диска;

- количество переполнений буфера записи с момента включения, количество раз;

- состояние жесткого диска;

- температура жесткого диска, °С.

Значения этих параметров поступают на бортовой аналитический блок (3) через защищенные VPN каналы с помощью Ethernet. Бортовой аналитический блок - это компактный комплекс высокоточной навигации и высокоскоростной мобильной связи, который предназначен для агрегации каналов связи в единый широкополосный канал и передачи данных через несколько независимых каналов, в том числе принадлежащих различным операторам связи. При помощи агрегации каналов связи решается проблема стабильности / надежности и максимальной скорости передаваемых данных.

Бортовой аналитический блок также содержит подблоки предварительной обработки данных датчика 1 и 2 (4, 5) - это программные решения, которые делают запрос на получение данных и осуществляют их обработку.

Программные компоненты бортового аналитического блока (3) включают в себя подблок временного хранения и передачи данных (6) - прокси-сервер, служащий для кэширования и передачи данных в блок хранения и структурирования данных, развернутый на базе сервера. Кэширование данных необходимо в ситуациях, когда сервер по каким-то причинам не доступен или потеряна связь с ним, и позволяет осуществлять временное хранение данных. Обработанные бортовым аналитическим блоком данные посредством коммуникационных элементов - антенны и блока связи (3G / LTE) поступают в режиме близком к реальному времени (Near Real-Time) в блок хранения и структурирования данных (10) через защищенные VPN-каналы c использованием протокола HTTP.

Подблок оценки фактической работоспособности транспортного средства (7) - это программное решение, работающее на базе триггеров. Список триггеров включает типы оповещений, соответствующие тому или иному триггеру: ЭО - экстренное оповещение (уровень критичности высокий); О - оповещение (уровень критичности средний); П - предупреждение (информирование), а также программное описание процесса срабатывания, исходя из параметров телеметрии, получаемых с трамваев.

Монитор водителя (8) может быть выполнен с использованием сенсорного дисплея и предназначен для взаимодействия водителя / машиниста с программно-аппаратным комплексом и отображения необходимых параметров.

Монитор водителя служит для управления цифровой информационной системой, вывода диагностической и иной информации. В качестве дисплея лучше использовать матрицы с высоким разрешением, широкими углами обзора и высокой яркостью.

Диспетчерский пункт (9) - web-интерфейс, служащий для предоставления обработанных данных пользователю посредством инструментов визуализации, например, Grafana. Данный сервис отображает параметры функционирования транспортных средств, данные предиктивной аналитики и мониторинга. Отдельно организован доступ к исторической базе данных о поломках.

Все пункты, описанные далее работают на базе сервера и представляют собой программно-алгоритмическую обработку данных.

База данных телеметрии (11) - решение, использующее для хранения данных систему Clickhouse. ClickHouse - это колоночная аналитическая система управления базами данных (СУБД) с открытым кодом, позволяющая выполнять аналитические запросы в режиме, близком к реальному времени (Near Real-Time). Данное решение позволяет хранить данные в течение длительного промежутка времени. Clickhouse формирует запросы на получение данных и систематизируют их за счет индексации по хосту (номеру трамвая), по типу сигнала (наименованию параметра) и по времени. Данная индексация позволяет быстро получать нужные данные из базы. В результате формируется таблица, в которой показаны параметры, полученные с конкретного трамвая: время фиксации параметра; наименование параметра, значение параметра и отнесение этого параметра к определенному типу данных (float или int).

База исторических данных (12) о поломках может работать на базе системы управления базами данных PostgreSQL и содержит данные о сроках и объемах обслуживания от различных эксплуатирующих и обслуживающих организаций - в форме таблиц. Эти данные содержат такую важную, в рамках предиктивной аналитики, информацию, как:

- бортовой и инвентарный номер транспортного средства;

- дата обнаружения неисправности;

- дата устранения неисправности

- обстоятельства выявления неисправности: возврат, ЕО (ежедневное обслуживание), РК (контрольный осмотр), ТО (техническое облуживание);

- тип неисправности, описание;

- название узла, в котором обнаружена неисправность;

- область узла: система торможения, тяга, система климата, доступ в салон и т.д.

- пробег транспортного средства в момент обнаружения неисправности;

- место приписки транспортного средства.

База данных неисправностей и рекомендаций (13) работает аналогично базе данных телеметрии за счет использования Clickhouse и хранит результаты работы системы - мониторинга и предиктивной аналитики.

Блок мониторинга (14) получает данные базы данных телеметрии, работающей на базе Clickhouse, и осуществляет их обработку согласно определенным правилам - триггерам.

Подблок валидации данных (15) - проверка полученных данных на предмет их корректности. Параметры, используемые блоком мониторинга, могут иметь три следующих типа данных: float, int, string. Данный подблок проверяет соответствуют ли полученные данные какого-либо параметра предписанному ему типу данных. String - это текстовый формат данных, в нашем случае является наименованием параметра (имя параметра, под которым данные хранятся в системе); int - параметры, имеющие целочисленное значение; float - параметры, имеющие значение с плавающей точкой.

Подблок обработки данных (16) - преобразование данных в вид, необходимый для функционирования триггеров. Примером такой обработки может служить получение значений параметров, необходимых для работы определенных триггеров; удаление нулевых значений; выделение значений параметров, соответствующих определенным временным интервалам.

Подблок определения аномалий (17) - процесс соотнесения получаемых данных с триггерами для выявления нарушений в работе подсистем и узлов транспортного средства, а также формирования оповещений согласно подблоку формирования расписаний для проверки триггеров (18).

Подблок определения аномалий функционирует за счет данных подблока триггеров (19), которые учитывают отдельное или совокупное количество параметров, изменение которых выше (или ниже) определенных значений может являться признаком неправильной работы ТС (узлов и систем). Например, если трамвай имеет скорость более 5 км/ч и при этом стоит ручной тормоз - это срабатывание триггера. Пример другого триггера - кондиционер выключен более 25 минут при температуре салона более 25 градусов Цельсия. Триггеры являются некими правилами, идентифицирующими нарушения в работе транспортного средства. Таким образом, это программно-алгоритмическое решение включает в себя данные о допустимых значениях параметров и их совокупностей, а также логику формирования оповещений на основе этих данных, соответствующих тому или иному триггеру, например: ЭО - экстренное оповещение (уровень критичности высокий); О - оповещение (уровень критичности средний); П - предупреждение (информирование).

Блок предиктивной аналитики на основе машинного обучения (20) предназначен для предупреждение критических отказов транспорта, а также прогнозирования изменений технического состояния ТС, которые способны повлиять на работоспособность узлов, агрегатов и систем транспортного средства. Данный блок функционирует на базе подблока расписания функционирования предиктивных моделей (22.1-22.N), представляющего собой программное решение.

Блок предиктивной аналитики работает за счет моделей, содержащих в себе гипотезы и стратегии предиктивной аналитики.

Для работы моделей должен быть сформулирован ряд гипотез - предположений о том, по каким параметрам и условиям можно определить или предвидеть поломку того или иного узла (устройства).

Например, для трамвая могут быть выделены гипотезы для следующих узлов:

- тяговый инвертор двигателя;

- исполнительные механизмы тормозов;

- двери;

- датчик скорости (датчик частоты вращения);

- высоковольтный быстродействующий автомат (ВБ-11);

- вентилятор тягового инвертора двигателя;

- тормозной реостат.

Пример гипотезы для тягового инвертора двигателя: можно определять поломку тягового инвертора двигателя, по различию параметров тока двигателя, а также предсказывать поломку тягового инвертора двигателя по телеметрии токов двигателя, достигнув точности (recall) 0.8, при чувствительности не меньше 0.8 (Recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм).

N-число подблоков первичной обработки данных (23.1-23.N) отвечает за извлечение, преобразование и загрузку данных.

N-число подблоков извлечения данных (24.1-24.N) подразумевает под собой загрузку данных из базы данных телеметрии, работающей на базе Clickhouse. Таким образом, формируется таблица, содержащая дату и время получения параметра телеметрии, его название (имя) и само значение параметра, отнесенное в зависимости от типа данных к value_float (значение с плавающей точкой) и value_int (целочисленные значения).

N-число подблоков преобразования данных (25.1-25.N) - извлечение признаков, необходимых для использования предиктивных моделей, и преобразование данных в вид, пригодный для использование моделью (это алгоритмы снижения размерности и векторизации состояния транспорта за значительный промежуток времени).

В качестве примера данного шага можно привести программный алгоритм для функционирования гипотезы для исполнительных механизмов тормозов (ИМТ), он показывает преобразование данных о срабатывании ИМТ во временные задержки между сигналами срабатывания. В результате, формируется набор данных, включающий в себя: delay list - набор всех задержек на осях за заданный промежуток времени, delay_daily_pct - список, содержащий средние значения задержек за каждый день; average delay - среднее значение для всех задержек; min_date и max_date - временной интервал получения параметров; delay_daily_pct average - средняя задержка, рассчитывающаяся относительно набора данных из колонки 3; 1-6_axis, % - процентное соотношение количества задержек на конкретной оси к общему количеству задержек, not null IMT values - необходимые параметры для функционирования модели.

N-число подблоков извлечения признаков и преобразования данных (27.1-27.N) - это модуль, который считает статистические параметры предиктивных моделей, например, среднеквадратичное отклонение.

N-число подблоков предсказания и прогнозирования на базе модели (28.1-28.N) - формирование прогнозов на основе предиктивных стратегий, т.е. выявление трендов в изменениях параметров на различных промежутках времени, аномальные отклонения от трендов, и определение причин возникновения аномалий на основе заданных корреляционных зависимостей и исторических данных.

Данный модуль будет функционировать за счет стратегий предиктивной аналитики, формирующих предиктивные модели и прогностические данные. Построения предиктивных моделей основывается на гипотезах, определяющих взаимозависимости параметров и узлов, а также условия, по которым можно определить или предвидеть поломку того или иного узла (устройства).

Стратегия 1. Модель линейной регрессии для предсказания остаточного ресурса узла - позволяет определить период (N дней / циклов) работы до отказа узла.

В ней x₁ - это значение некоторого параметра телеметрии в момент времени t₁, x_n - значение этого же параметра в момент времени t_n. Задача данной стратегии определить оптимальные значения коэффициентов уравнения регрессии w₁…w_n, при которых значение функции потерь будет минимальным. Таким образом, формируется функция f (x) - уравнение прямой, описывающей поведение параметров с течением времени. Исходя из этого, можно предсказать значение параметра x в некоторые следующие моменты времени - t_n+1… t_n+k .

Данная стратегия позволяет определять период (N дней / циклов) работы до отказа узла в тех случаях, когда ресурс узла ограничен и имеет некоторое значение. Например, когда известно, что при достижении определенного пробега высока вероятность необходимости осуществления замены детали. С помощью данной стратегии можно определить через какой промежуток времени данный пробег будет достигнут в будущем.

Также стратегия может использоваться в качестве первоначального шага, который позволяет прогнозировать поведение параметра с течением времени, для последующих моделей классификации.

Стратегия 2. Модель классификации для предсказания вероятности отказа в указанном временном интервале - позволяет определить сломается ли узел в следующие N дней / циклов использования.

В рамках данной стратегии предиктивной аналитики будет использоваться бинарный признак, отвечающий положительно и отрицательно на вопрос: сломается ли узел в следующие N дней / циклов использования; 1 - да, сломается, 0 - нет, не сломается.

Таким образом, X→D_f - множество допустимых значений признака (т.е. 1 или 0); X - это матрица значений параметров функционирования тех или иных узлов, необходимых для расстраиваемой гипотезы, Y - это класс, к которому относиться некий набор параметров. Например, известно, что при показаниях инвертора тока выше 300 А (x₁) и показаниях тока двигателя секции большее 600 А (x₂), узел сломан (y₁). Благодаря данной гипотезе можно определить сломается ли узел (D_f) при иных значениях данного параметра. Данный пример носит условный характер, на практике для определения D_f необходимо иметь большие обучающие выборки - значения y для параметров x и хорошо обученную модель классификации.

Стратегия 3. Обнаружение аномалий в режиме реального времени - позволяет определять наличие аномального поведения показателей в текущий момент времени.

В анализе данных существует два раздела, которые направлены на поиск аномалий: детектирование выбросов (Outlier Detection) и «новизны» (Novelty Detection).

Выбросы могут появляться в результате:

- ошибок в данных (неточности измерения, округления, неверной фиксации данных и т. п.);

- наличия шумовых объектов (то есть объектов, которые неверно классифицированы);

- присутствия объектов «других» выборок (это может быть вызвано, например, показаниями от сломанного датчика).

Новизна чаще всего появляется из-за принципиально нового поведения объекта, например, работа двигателя после поломки. В рамках предиктивной аналитики интересен именно поиск новизны для определения поломок устройств и узлов.

Стратегия 4. Модель, предсказывающая вероятность отказа по времени эксплуатации или по пробегу (Survival Analysis) - позволяет определять на основе статичных характеристик узла изменение риска отказа с течением времени эксплуатации.

Для поиска оптимальных алгоритмов для той или иной стратегии относительно некоторой гипотезы проводятся эксперименты, позволяющие оценить эффективность данных алгоритмов. Помимо этого, для поиска оптимальных математических моделей можно использовать ансамблирование.

Ансамбль - это некоторый набор предсказателей, которые вместе дают лучший результат в отличии от одиночного предсказателя. Технологии ансамблирования впоследствии делятся на Бэггинг и Бустинг. Бустинг наиболее эффективен для классических алгоритмов машинного обучения, описанных выше, которые используются в рамках предиктивной аналитики.

Бустинг позволяет максимально эффективно с наименьшими затратами определить гиперпараметры - параметры математической модели (весовые характеристики, параметры взаимосвязей переменных и т. п.) за счет использования опыта предыдущих шагов и возможности проверки большого количества гиперпараметров за одну итерацию.

Используя описанные выше стратегии и алгоритмы, а также технологию бустинга, можно разработать предиктивные модели для функционирования N-числа подблоков предсказания и прогнозирования на базе модели (28.1-28.N).

Интерпретация результатов и рекомендации по принятию решений (29.1-29.N) - на основе работы предыдущего модуля формируются рекомендации для процесса принятия решения о продолжении эксплуатации или осуществлении ремонта, необходимого для устранения выявленных неисправностей.

1. Бортовой аналитический комплекс для транспортных средств, содержащий подблок допустимых, номинальных, предельных значений параметров, датчик для получения данных с транспортного средства, подблок предварительной обработки данных датчика для получения данных с транспортного средства, подблок оценки фактической работоспособности транспортного средства, информационно-управляющая панель, база данных неисправностей и рекомендаций, блок таймера, отличающийся тем, что дополнительно введен второй датчик для получения данных с транспортного средства и второй подблок предварительной обработки данных второго датчика для получения данных с транспортного средства, при этом подблок оценки фактической работоспособности транспортного средства входит в состав дополнительно введенного бортового аналитического блока, в который также входит блок временного хранения и передачи данных, в качестве информационно-управляющей панели используют монитор водителя, при этом база данных неисправностей и рекомендаций включена в состав дополнительно введенного блока хранения и структурирования данных, при этом комплекс дополнительно содержит блок предиктивной аналитики на основе машинного обучения, блок мониторинга состояния транспортного средства, включающий дополнительно подблок триггеров, выполняющий функции подблока допустимых, номинальных, предельных значений параметров, и подблок формирования расписаний для проверки триггеров, выполняющий функции блока таймера.

2. Бортовой аналитический комплекс для транспортных средств по п.1, отличающийся тем, что блок хранения и структурирования данных снабжен базой данных телеметрии и базой исторических данных о поломках.

3. Бортовой аналитический комплекс для транспортных средств по п.1, отличающийся тем, что снабжен диспетчерским пунктом, представляющим собой web-интерфейс.

4. Бортовой аналитический комплекс для транспортных средств по п.1, отличающийся тем, что блок предиктивной аналитики на основе машинного обучения содержит подблок расписания функционирования предиктивных моделей, выполняющий роль блока таймера, и N-число моделей предиктивной аналитики.