34-я международная научно-техническая конференция "Системы безопасности – 2025"·Методические, информационные, технические и организационные проблемы безопасностиУДК 614.842

ОПРЕДЕЛЕНИЕ ГРАНИЧНЫХ УСЛОВИЙ ПАРАМЕТРОВ ПРИ ФОРМИРОВАНИИ БАЗЫ ДАННЫХ О ПОЖАРАХ ПАССАЖИРСКИХ ЖЕЛЕЗНОДОРОЖНЫХ ПОДВИЖНЫХ СОСТАВОВ

DETERMINATION OF BOUNDARY CONDITIONS OF PARAMETERS IN THE FORMATION OF A DATABASE ON FIRES OF PASSENGER RAILWAY ROLLING STOCK

  1. 1 ФГБОУ ВО «Академия Государственной противопожарной службы МЧС России»
1 ноября 2025 4 просмотров 7 мин чтения
Аннотация

Рассматриваются вопросы прогнозирования параметров тушения пожаров в пассажирских железнодорожных составах с использованием нейросетевых технологий. Ключевым условием является установление корректных границ для оперативно-тактических параметров. В качестве адекватного метода предложен подход на основе межквартильного размаха (IQR). На основе анализа статистики пожаров за 5 лет определены реалистичные границы ключевых показателей. Полученные ограничения рекомендованы для моделирования и генерации данных при обучении нейросетей.

#пассажирский железнодорожный состав#пожар#прогнозирование#нейронная сеть#программный комплекс#межквартильный размах#граничные условия#синтез данных#поддержка принятия решений
Abstract

The article discusses the issues of forecasting fire extinguishing parameters in passenger railway trains using neural network technologies. The key condition is to establish correct boundaries for operational and tactical parameters. An approach based on the interquartile range (IQR) is proposed as an adequate method. Based on the analysis of fire statistics over 5 years, realistic boundaries for key indicators have been determined. The obtained limitations are recommended for modeling and generating data during neural network training.

#passenger train#fire#forecasting#neural network#software package#interquartile range#boundary conditions#data synthesis#decision support
Полный текст1342 слов

По железнодорожным магистралям перевозится несколько тысяч наименований грузов, отличающихся по степени взрыво- и пожароопасности. Наибольшую угрозу в этом отношении представляют сортировочные и грузовые станции, оснащённые разветвлённой сетью путей. На крупных станциях ежедневно обрабатывается до 20 тысяч грузовых вагонов, среди которых особую опасность составляют цистерны, перевозящие легко воспламеняющиеся и горючие жидкости, ядовитые вещества, а также сжиженные газы.

Особое внимание требует анализ пожаров в пассажирских железнодорожных составах [1, 2], которые, несмотря на меньшую частоту по сравнению с грузовыми вагонами, представляют повышенную опасность из-за наличия людей и ограниченности путей эвакуации. Анализ реальных пожаров показывает, что очаги возгорания в таких составах чаще всего локализуются в местах эксплуатации электрооборудования (подвагонные кабели, распределительные щиты), систем отопления и освещения, а также в результате неосторожного обращения пассажиров с огнём. Временные параметры реагирования - такие как время следования, подачи первого ствола и локализации - в этих случаях критически важны, поскольку даже незначительная задержка может привести к быстрому распространению огня по салону вагона из-за горючих материалов отделки.

В рамках исследований автором рассматривались вопросы управления силами и средствами при тушении пассажирских железнодорожных подвижных составов с учетом применения нейросетей, а также ее роль и влияние на конечный результат. Так, программный комплекс под названием «Нейромодуль прогнозирования оперативных параметров тушения пассажирского железнодорожного состава» (далее – программный комплекс), который представляет собой специализированное программное обеспечение, ориентированное на решение задачи прогнозирования временных и ресурсных характеристик при ликвидации пожаров в пассажирских железнодорожных составах (рисунок 1) обеспечивает поддержку принятия решений при тушении такого типа пожаров лицом, принимающим решения (далее – ЛПР) [3].

Рисунок 1 – Графический интерфейс программного комплекса

Однако, для первоначального обучения требуется существенный объем данных, который не может быть сформирован без синтезирования части данных [4]. В этом случае встает вопрос о корректном определении граничных условий синтезированных (то есть, искусственно созданных) данных.

Также следует отметить, что могут возникнуть пожары на существенном удалении от подразделений пожарной охраны. В этом случае активные действия по тушению подразделения пожарной охраны предпринять не смогут. Исходя из сказанного, можно сделать вывод о том, что корректно программный комплекс (нейромодуль) может быть использован в пределах нормативной досягаемости подразделений пожарной охраны. В частности, 20 минут в сельской местности и 10 минут в черте населенных пунктов. Случаи удаленного пожара также должны учитываться в будущем при наполнении базы данных, однако, делать это необходимо с осторожностью.

При анализе временных и количественных параметров пожаров на подвижных железнодорожных составах возникает необходимость в установлении граничных условий для выявления аномальных значений, которые могут искажать статистическую обработку и моделирование. Традиционно для этих целей применяется правило трёх сигм, однако его использование оправдано только при нормальном распределении данных. В реальных условиях параметры, такие как «Время следования», «Время локализации» и другие, характеризуются выраженной положительной асимметрией и не подчиняются нормальному закону, что делает применение правила 3σ некорректным. Например, для времени следования среднее значение составляет 9,91 мин при стандартном отклонении 12,20 мин, что приводит к нижней границе по правилу 3σ около –26,7 мин - физически невозможному результату, поскольку время не может быть отрицательным.

Более адекватным и устойчивым методом определения границ допустимых значений является метод межквартильного размаха (IQR), который не предполагает нормальности распределения и устойчив к выбросам. IQR рассчитывается как разница между третьим (Q3) и первым (Q1) квартилями, а границы аномальных значений определяются как (нижняя) и (верхняя). Для учета физической недопустимости отрицательных значений времени и расстояния нижние границы были ограничены нулём, а для дискретных показателей (количество единиц техники, стволов) границы округлены до ближайших целых чисел.

Поскольку, несмотря на относительно малое количество фактических данных, многие оперативно-тактические параметры деятельности по организации и тушению пожаров подвижных железнодорожных составов пожарно-спасательными подразделениями практически можно отнести к случайным или труднопрогнозируемым, из чего можно предположить, что в случае накопления общей базы данных по пожарам подвижных железнодорожных составов до существенного количества, общая совокупность отдельного показателя с большой долей вероятности будет подчиняться закону нормального или логнормального распределения.

Для обеспечения обучения нейронных сетей необходимо применить метод статистического моделирования, который позволит синтезировать выборку из гораздо более существенного количества наблюдений. При этом в качестве граничных условий, определяющих количественные параметры показателей синтезируемых моделей однозначно следует принимать параметры уже фактически произошедших пожаров. Следует отметить, что критического значения охватываемый календарный период как таковой не имеет.

Таким образом, на основе анализа 287 случаев пожаров на железнодорожном транспорте за период 2016–2020 гг. были установлены следующие граничные условия по методу IQR:

расстояние до пожарной части: 0,00 – 15,50 км;

время следования: 0,00 – 19,00 мин;

время подачи первого ствола: 0,00 – 6,00 мин;

время локализации: 0,00 – 17,00 мин;

время ликвидации открытого горения: 0,00 – 17,00 мин;

время ликвидации последствий пожара: 0,00 – 51,50 мин;

время тушения: 0,00 – 29,00 мин;

количество основных ПА: 1 – 4 ед.;

количество специальных ПА: 0 ед. (значения >0 являются редкими, но значимыми);

Пожарный поезд: 0 ед. (наличие поезда — исключительный случай);

Количество стволов: 1 – 3 шт.

Полученные граничные условия по методу IQR позволяют установить реалистичные пределы для моделирования таких сценариев и формировать обоснованные синтезированные параметры на основе фактических данных о течении пожара и эффективности действий подразделений, а синтезированные данные на основе этих ограничений, по мнению автора, могут быть использованы при формировании соответствующих баз данных.

Вывод. На основе анализа 287 случаев пожаров на подвижных железнодорожных составах за период 2016–2020 гг. были установлены обоснованные граничные условия ключевых оперативно-тактических параметров, необходимые для формирования достоверной базы данных при разработке и обучении программного комплекса «Нейромодуль прогнозирования оперативных параметров тушения пассажирского железнодорожного состава». Учитывая, что распределение временных и количественных показателей характеризуется выраженной положительной асимметрией, в качестве наиболее устойчивого и адекватного метода определения границ выбросов был использован метод межквартильного размаха, не требующий предположений о нормальности распределения и устойчивый к аномальным значениям. Полученные ограничения позволяют выявлять статистические выбросы, сохраняя при этом реалистичность моделируемых сценариев, и могут быть также использованы в качестве основы для синтезирования данных при обучении нейросетевых моделей, обеспечивая их адекватность и практическую применимость в системах поддержки принятия решений.

СПИСОК ЛИТЕРАТУРЫ

1. Аникин С.Н. Графическая модель интерпретации управления на этапах тушения пассажирского железнодорожного подвижного состава в том числе при использовании нейронных сетей // Сибирский пожарно-спасательный вестник. 2025. № 3 (38). С. 43-55.

2. Аникин, С.Н. Управленческий анализ организации тушения пожара подвижного железнодорожного состава на примере факторов организации эксперимента / С.Н. Аникин, М.М. Данилов, Р.С. Марков // Гражданская оборона на страже мира и безопасности : Материалы V Международной научно-практической конференции, посвященной Всемирному дню гражданской обороны. В 4-х частях, Москва, 01 марта 2021 года. – Москва: Академия Государственной противопожарной службы МЧС Росси, 2021. – С. 129-135.

3. Свидетельство о государственной регистрации программы для ЭВМ № 2025665191 Российская Федерация. «Нейромодуль прогнозирования оперативных параметров тушения пассажирского ЖД состава» : заявл. 29.05.2025 : опубл. 11.06.2025 / С.Н. Аникин, М.М. Данилов, А.Н. Денисов ; заявители: С.Н. Аникин, М.М. Данилов, А.Н. Денисов.

4. Окунев Сергей Витальевич Рассмотрение способов формирования наборов данных для обучения нейронных сетей // Вестник науки и образования. 2020. №2-3 (80). URL: https://cyberleninka.ru/article/n/rassmotrenie-sposobov-formirovaniya-naborov-dannyh-dlya-obucheniya-neyronnyh-setey (дата обращения: 25.10.2025).

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.