Математика и ИИ делают поезда экономичнее
Учёные ОмГУПС создали гибридную модель, которая использует физические законы и машинное обучение для повышения точности управления движением поездов.
Исследователи Омского государственного университета путей сообщения предложили новую систему для управления железнодорожным транспортом. Её суть – в сочетании двух подходов: традиционных физических уравнений, описывающих силы тяги, торможения и сопротивления, и алгоритмов машинного обучения, которые умеют находить закономерности в реальных данных. Для обучения модели использовалась информация о более чем 1500 поездках грузовых составов на Западно-Сибирской железной дороге – сведения с бортовых регистраторов фиксировали скорость, работу двигателей, нагрузки на тормоза и пройденные расстояния. В результате точность расчёта траектории удалось повысить на 10-15%, а расхождение между расчётным и фактическим временем движения на изученных маршрутах не превышало одной минуты.
Важно понимать: пока речь идёт именно о повышении точности моделирования, а не о доказанной экономии электроэнергии в тех же процентах. Испытания алгоритма в реальных условиях ещё впереди. При этом технология не превращает поезд в беспилотник: решение в перспективе могут встроить в системы автоведения или использовать как инструмент поддержки решений машиниста.
От лаборатории к рельсам
В России у разработки есть сразу несколько перспективных направлений. В первую очередь – проверка на практике: планируется апробация модели совместно с ООО «АВП Технология» (разработчик систем автоведения) и Дирекцией тяги РЖД. Если испытания подтвердят заявленную точность, алгоритм может стать частью программного обеспечения, которое рассчитывает оптимальные режимы движения. Система будет определять моменты ускорения и торможения, скорость на разных участках с учётом реальных условий.
Наибольший интерес пока представляет грузовое движение: именно на данных с таких поездов обучали модель. В случае успеха это может снизить расход электроэнергии и уменьшить механические нагрузки на подвижной состав – а значит, потенциально сократить затраты на обслуживание и ремонт. В дальнейшем технологию можно будет адаптировать и для других маршрутов, а затем – исследовать её применение в пассажирском движении, включая пригородные и скоростные поезда.
Как ИИ приходит на железную дорогу
Ещё в 2024 году исследователи ОмГУПС изучали перспективы энергооптимального управления электровозами 2ЭС6 и отмечали, что для построения динамических моделей особенно важны реальные данные с локомотивов. В 2025 году в журнале «Известия Петербургского университета путей сообщения» появилась работа о выборе методов машинного обучения для энергооптимального движения. Тогда же опубликовали исследование алгоритма автоведения для «Сапсана», где авторы оценивали потенциальную экономию электроэнергии более чем на 11%.
Мировой тренд развивается в том же направлении. В Китае в 2022 году создали ИИ-модель для экономичного ведения поездов, а в 2023 году зарубежные исследователи добились снижения энергопотребления грузового поезда на несколько процентов с помощью нейросетевых методов. В Европе проект R2DATO объединяет десятки партнёров и направлен на развитие цифрового и автоматизированного управления железными дорогами, повышение эффективности и безопасности движения.
Точность сегодня – экономия завтра
Ценность гибридной модели на текущем этапе – в повышении точности расчётов, а не в уже доказанной экономии ресурсов. Заявленные 10-15% – это улучшение расчета траектории, а не подтверждённое снижение расхода электроэнергии. Реальный экономический эффект можно будет оценить только после эксплуатационных испытаний, когда станут понятны фактические показатели по энергопотреблению, износу техники и времени движения.
Проверить алгоритм на реальных маршрутах и сравнить его работу с существующими методами управления планируется в ближайшие три года. При положительных результатах возможна интеграция в системы автоведения локомотивов, а затем – расширение на другие типы подвижного состава и направления.
В долгосрочной перспективе такие гибридные модели могут стать частью более широкой цифровой инфраструктуры железных дорог – вместе с двойниками локомотивов, системами анализа состояния оборудования и планированием перевозок.
