Когда высокоскоростной поезд мчится по рельсам, его безопасность и надежность — главное дело. Внутри поезда есть система, которую называют сердцем — это тяговый комплекс. Именно он заставляет состав разгоняться и ехать. Но со временем от постоянной работы детали этого комплекса начинают сдавать. Больше всего проблем доставляют токоприемник (та штука, которая достает ток от проводов сверху), тяговый трансформатор, преобразователь и тяговые моторы. Если вовремя не заметить неполадки, поезд может стать опасным. Поэтому инженеры и ученые постоянно ищут способы следить за здоровьем этих узлов и сразу распознавать поломки.

Машинное обучение отлично умеет находить скрытые закономерности и образы, и его уже довольно часто применяют для диагностики тяговых систем. Но до сих пор не было подробного и понятного обзора — как именно развивался этот подход, где он уже работает, с какими трудностями сталкивается и куда двигается дальше.

Группа исследователей из Департамента промышленной инженерии Университета Цинхуа решила восполнить этот пробел и в издании Frontiers of Engineering Management опубликовала работу под названием «Машинное обучение для диагностики неисправностей тяговых систем высокоскоростных поездов: обзор».

Сначала авторы коротко объясняют, как устроена эта система и зачем нужна каждая ее часть. Они подробно останавливаются на четырех главных компонентах:

• токоприемник (контактирует с проводами и часто искрит);
• тяговый трансформатор (понижает напряжение);
• тяговый преобразователь (меняет род тока и частоту);
• тяговый двигатель (крутит колеса).

Для каждого из них перечислены типичные поломки — например, износ щеток или перегрев обмоток.

Дальше авторы разбирают, какие методы машинного обучения применяют для поиска этих неисправностей. Они делят все подходы на две большие группы.

Первая группа — традиционные методы, где без людей не обойтись. Здесь специалисты сами решают, по каким признакам оценивать работу системы. Например, берут сигналы с датчиков, обрабатывают их с помощью преобразования Гильберта или вейвлет-анализа (это такие способы выделять из шума полезные колебания), а потом эти готовые признаки скармливают классификаторам. Классификаторами служат опорные векторы (SVM) или искусственные нейронные сети попроще (ANN). Главный минус такого подхода — нужно очень хорошо понимать физику процесса и иметь богатый опыт, иначе вы выберете не те признаки.

Вторая группа — глубокое обучение. Тут компьютер сам учится отличать здоровые сигналы от больных. Благодаря мощным видеокартам и параллельным вычислениям, модели типа сверточных нейросетей (CNN), долгой краткосрочной памяти (LSTM) или автокодировщиков могут брать сырые данные на вход и сразу выдавать диагноз. Человеку почти не надо лезть в процесс. Это называется «end-to-end» — от датчика до вердикта.

Авторы также свели в одну таблицу все работы по диагностике каждого из четырех компонентов — какой метод где применяли и какие результаты получили. Это очень удобно для тех, кто только ищет подход к своей задаче.

Но в конце ученые честно говорят о трех серьезных проблемах, которые возникают в реальной жизни, а не в лаборатории.

• Первая проблема — нестационарные режимы работы. Поезд то разгоняется, то тормозит, то идет под уклон, то в горку. Сигналы с датчиков становятся сложными и постоянно меняют свой характер. То, что работало на ровном участке, перестает работать на подъеме.
• Вторая проблема — неидеальные данные. В реальности мало размеченных примеров (кто будет подписывать терабайты записей?), классы поломок сильно несбалансированы (здоровых записей в тысячи раз больше, чем аварийных), плюс встречаются ошибочные метки — лаборант мог перепутать файл.
• Третья проблема — модели остаются черными ящиками. Нейросеть говорит: «Поломка 37%», но почему она так решила, никто не объяснит. А в поездах хочется понимать причину, чтобы не отправить состав в ремонт из-за ложной тревоги.

Исходя из этих трудностей, авторы предлагают направления для будущей работы. Для нестационарных условий — пробовать перенос обучения (transfer learning), когда модель, обученная на одном режиме, адаптируется к другому. Для плохих данных — использовать полуконтролируемое или самонаблюдательное обучение. А для прозрачности — разрабатывать методы объяснимого искусственного интеллекта.

Для дальнейших исследований этот обзор — как хорошая карта местности. Молодой специалист, который хочет заняться диагностикой поездов, тратит не полгода на раскачку, а за пару дней понимает, какие методы уже пробовали, где у них слабые места и за что хвататься в первую очередь. Авторы честно перечисляют болевые точки (нестационарность, плохие данные, непрозрачность) — это прямой список тем для диссертаций и грантов.

В реальной жизни польза может оказаться огромной. Если удастся создать систему, которая надежно ловит зарождающиеся дефекты токоприемника или двигателя прямо во время движения, железнодорожники смогут заменять деталь не по плану (раз в месяц, даже если она еще исправна), а точно перед поломкой. Это экономит миллионы рублей на запасных частях и внеплановых ремонтах. А главное — снижает риск аварий. Поезд не встанет в тоннеле или на мосту, если его сердце перестанет биться ровно.

• Первый минус — обзор написан довольно обще, хотя заявлена систематичность. Авторы перечисляют методы, но почти не сравнивают их количественно на одних и тех же данных. Читатель видит таблицу: «исследователь А применил LSTM и получил точность 97% на своих данных, исследователь Б применил SVM и получил 94% на других данных». Но эти цифры несопоставимы, потому что исходные сигналы, условия эксперимента и критерии разметки различаются. Без единого бенчмарка трудно сказать, что на самом деле работает лучше.
• Второй момент — авторы говорят о проблеме нестационарных режимов, но почти не обсуждают, как учесть скорость поезда, нагрузку на состав или профиль пути. В реальном поезде сигнал с того же токоприемника зависит от того, идет ли поезд 50 км/ч или 300 км/ч, и от того, дует ли встречный ветер. В обзоре есть красивые слова про transfer learning, но нет ни одного примера, где бы эту адаптацию проверили на реальных записях с действующей магистрали. Все работы в таблицах выглядят так, будто их делали на записях с одного и того же стабильного участка.
• Третье — про непрозрачность моделей. Авторы пишут, что это проблема, но не предлагают ни одного конкретного подхода к объяснимости именно для тяговых систем. Например, могли бы упомянуть LIME или SHAP для временных рядов, но обходятся общей фразой. Получается, что критика есть, а рецептов нет — это снижает практическую ценность обзора для инженера, которому завтра нужно отчитываться перед начальником, почему нейросеть решила остановить поезд.

Ранее мы опубликовали 10 инноваций в железнодорожной отрасли.