Александр Сергеевич Ададуров – кандидат технических наук, доцент кафедры «Вагоны и вагонное хозяйство», заместитель директора НИАЦ АО «ВНИИЖТ»
Москва
Aleksandr S. Adadurov – Candidate of Engineering, Associate Professor of the Carriages and Carriage Maintenance Department, Deputy Director of the NIAZ of JSC ‘VNIIZhT’.
Moscow
В современной практике управления ресурсом верхнего строения железнодорожного пути используются два принципиально различных подхода к прогнозированию: физическое моделирование с учетом проходов подвижного состава с дефектными колесными парами и статистическое моделирование деградации пути с горизонтом до 15 лет. Указанные подходы развивались независимо и не имели методической связи, что ограничивало возможности прогнозирования для новых условий эксплуатации, не имеющих накопленного массива данных о деградации.
В статье предложена методика двусторонней интеграции физической нагрузочной модели (микроуровень) и статистической деградационной модели Единой корпоративной автоматизированной системы мониторинга деградации инфраструктуры ОАО «РЖД» (макроуровень). Интеграция осуществляется в двух направлениях: снизу вверх – вычисление коэффициентов деградации из физических параметров коэффициента эквивалентности (повреждаемости ε-го элемента верхнего строения пути от прохода колесной пары с дефектом поверхности катания, который определяет аналогичное число проходов бездефектной колесной пары, создающее ту же повреждаемость данного элемента, и наблюдаемой доли дефектованных колесных пар); сверху вниз – уточнение физических параметров по накопленным данным диагностики эталонных участков.
Показано, что характеристическая длительность накопленных данных, при которой вклады физической и статистической моделей равноценны, составляет (3,5 ± 0,8) года: при меньших сроках накопления прогноз преимущественно физический, при больших – статистический. Апробация методики выполнена для четырех участков Восточного полигона ОАО «РЖД» с обращением грузовых поездов массой 14 200 т. Среднее расхождение гибридного прогноза с фактическими данными составило 8–12 %, что превосходит точность отдельных моделей (15–25 % у статистической, 12–18 % у физической без калибровки). Предложенный подход существенно расширяет применимость прогнозирования ресурса верхнего строения пути для условий, в которых накопленный массив данных диагностики ограничен или отсутствует.
In the modern practice of managing the resource of the upper structure of the railway track, two fundamentally different approaches to forecasting are used: physical modeling, taking into account the passages of rolling stock with defective wheelsets, and statistical modeling of track degradation with a horizon of up to 15 years. These approaches were developed independently and did not have a methodological connection, which limited the possibilities of forecasting for new operating conditions that did not have an accumulated array of degradation data.
The article proposes a method of bilateral integration of the physical load model (micro-level) and the statistical degradation model of the Unified Corporate Automated System for Monitoring the Degradation of the Infrastructure of Russian Railways, UCASMD (macro-level). The integration is performed in two directions: bottom-up – calculation of the degradation function coefficient from the physical equivalence coefficient and the observed proportion of defective wheelsets – and top-down – refinement of physical parameters from accumulated diagnostic data of reference sections.
The inverse-variance weighting principle is applied to determine the optimal balance between the two models. It is shown that the characteristic duration of accumulated data at which the contributions of the physical and statistical models are equal is (3.5 ± 0.8) years: below this threshold the forecast is predominantly physical, above it – predominantly statistical. The method was validated on four sections of the Eastern polygon of Russian Railways carrying 14,200-tonne freight trains. The average deviation of the hybrid forecast from actual data was 8–12 %, which outperforms the accuracy of the individual models (15–25 % for the statistical model, 12–18 % for the physical model without calibration). The proposed approach substantially extends the applicability of upper track structure resource forecasting to conditions where accumulated diagnostic data are limited or unavailable.
The authors declare that there are no conflicts of interest present.