Научные основы повышения эффективности внедрения интегрированных интеллектуальных технологий в транспортно-технологический процесс доставки грузов

Р.Р. Сафиуллин¹, Л.А. Симонова^2
1 Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация
² Казанской федеральный университет, г. Набережные Челны, Российская Федерация
Russian Mining Industry №1S / 2025 p. 55-61

Резюме: Исследование направлено на разработку методов оценки и оптимизации эффективности перевозочного процесса в рамках интеграции в единую интеллектуальную транспортную систему страны. Цель интеграции интеллектуальных транспортных систем заключается в объединении всех участников транспортного процесса в единую, высокоорганизованную сеть. Без такого взаимодействия невозможно эффективно управлять логистическими процессами, так как каждый элемент цепочки играет свою уникальную роль и требует постоянной связи с другими участниками. При согласованном взаимодействии всех звеньев цепи возникает возможность сокращения временных и финансовых издержек, повышения качества и более точного выполнения транспортной работы. В исследовании: 1 – сформированы научные основы повышения эффективности внедрения интегрированных интеллектуальных технологий в транспортно-технологический процесс доставки грузов, в основе которых лежит зависимость производительности автомобильного транспорта от параметров автомобильных дорог; 2 – разработаны алгоритм интегральной оценки эффективности перевозочного процесса и комплексная модель формирования интегрального критерия оценки эффективности перевозочного процесса, учитывающая эксплуатационные параметры автомобильных дорог; 3 – доказана гипотеза о приоритетном влиянии параметров транспортной инфраструктуры на производительность автомобильного транспорта; 4 – сформирована модель физической архитектуры интеллектуальной системы организации перевозочного процесса; 5 – разработана программа, позволяющая построить маршрут движения грузового транспорта на основе заданных весовых параметров груза и функции оптимизации.

Ключевые слова: интеллектуальные транспортные системы, транспортная инфраструктура, эффективность перевозок, автоматизация, технико-эксплуатационные показатели, алгоритмы оптимизации

Для цитирования: Сафиуллин Р.Р., Симонова Л.А. Научные основы повышения эффективности внедрения интегрированных интеллектуальных технологий в транспортно-технологический процесс доставки грузов. Горная промышленность. 2025;(1S):55–61. https://doi.org/10.30686/1609-9192-2025-1S-55-61

Информация о статье

Поступила в редакцию: 28.11.2024

Поступила после рецензирования: 24.01.2025

Принята к публикации: 03.02.2025

Информация об авторах

Сафиуллин Руслан Равиллович – кандидат технических наук, доцент кафедры транспортно-технологических процессов и машин, Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0003-2315-3678; e-mail: safiyllin@yandex.ru

Симонова Лариса Анатольевна – доктор технических наук, член-корреспондент Российской академии естествознания, профессор кафедры автоматизации и управления, Набережночелнинский (институт) филиал Казанского федерального университета, г. Набережные Челны, Российская Федерация; https://orcid.org/0000-0002-3653-1845; e-mail: lasimonova@mail.ru

Введение

Принципиальное и резкое изменение геополитической и геоэкономической ситуации в 2022 г. качественно трансформировало характер среды, в которой функционирует транспортный комплекс, и потребовало его масштабной структурной перестройки.

В концепции развития транспортной системы Российской Федерации1 одним из основных направлений предусмотрено внедрение и развитие интеллектуальных технологий и общей цифровизации транспортной системы. В отношении перевозок автомобильным транспортом внедрение цифровых технологий осуществляется посредством развития интеллектуальных транспортных систем и высокоавтоматизированных транспортных средств.

При этом в данной области исследования можно отметить отсутствие концептуального подхода к внедрению интеллектуальных транспортных систем, учитывающего параметры транспортной инфраструктуры в вопросах повышения эффективности перевозочного процесса. На основании изложенного целью исследований является разработка концепции и комплекса методов, направленных на создание единой интегрированной интеллектуальной системы управления транспортно-технологическими процессами доставки грузов.

В основе исследования лежит изучение взаимосвязи параметров, характеризующих транспортный процесс, и их влияние на эффективность доставки грузов. Новым является использование параметров транспортной инфраструктуры в вопросах повышения эффективности транспортного процесса, изучение и раскрытие взаимосвязи эффективности перевозочного процесса от эксплуатационных характеристик автомобильной дороги [1].

Результаты и обсуждение

Разработанный метод комплексной оценки эффективности процесса перевозок грузов с применением интеллектуальных технологий основан на критериальной оценке каждого этапа, из которых состоит технологический перевозочный процесс, с использованием математического аппарата [2; 3]. Сформирован алгоритм (рис. 1), включающий раздельный анализ технико-эксплуатационных и экономических показателей эффективности, а также взаимное сопоставление и анализ результатов.

Рис. 1 Алгоритм интегральной оценки эффективности перевозочного процесса N

Fig. 1 An algorithm for integrated assessment of the efficiency of the transportation process N

На первом этапе исследования сформирован интегральный критерий оценки эффективности перевозок грузов автомобильным транспортом, основанный на применении средневзвешенного показателя:

(1)

где Т_х – технические критерии эффективности; K_n – единичные показатели эффективности, получаемые в результате оценки транспортного процесса с использованием интеллектуальных технологий; Э_y – экономические критерии эффективности; D – область значений показателей оценки эффективности данного вида, регламентируемая стандартами; φ₀ – определенная область значений показателей оценки эффективности данного вида, регламентируемая стандартами [4; 5].

Определена оптимизационная задача, позволяющая оценить эффективность транспортного процесса с использованием интеллектуальной технологии с учетом экономических, технико-экономических, технико-эксплуатационных, качественных и технико-организационных критериев:

(2)

Модель формирования интегрального критерия оценки эффективности перевозочного процесса представлена на рис. 2. В ее основе заложены две системы критериев: технико-эксплуатационные и экономические, их оптимизация осуществляется посредством параметров, составляющих зависимости данных критериев [6; 7].

Рис. 2 Модель формирования интегрального критерия оценки эффективности перевозочного процессом

Fig. 2 A model of shaping the integral criterion to assess the transportation process efficiency

В качестве показателя, характеризующего работу автомобильного транспорта, принята производительность автомобильного транспорта [8; 9]. Определена зависимость производительности от эксплуатационных показателей в общем виде, а также проведено количественное сравнение влияния каждого показателя на производительность с помощью выражения коэффициента μW.

(3)

где W_p1 и W_p2 – производительность автомобильного транспорта при показателе q1, q2 соответственно.

В целях определения зависимостей от технико-эксплуатационных показателей формула производительности приведена к следующему виду:

(4)

где γ_д– коэффициент динамического использования грузоподъемности; β_e – коэффициент использования пробега за несколько ездок; υ_т – техническая скорость, км/ч; P – выполненная транспортная работа, т-км; q – грузоподъемность транспортного средства, т; l_ег – средняя длина ездки с грузом, км; t_е – время ездки, ч; t_пр – время простоя, ч.

Методом регрессионного анализа получена линейная зависимость эффективности перевозочного процесса от рассматриваемых факторов:

(5)

Представленная зависимость показала, что наибольшее влияние оказывают эксплуатационный коэффициент автомобильной дороги и техническая скорость транспортного средства. Следовательно, можно сделать вывод о значимости параметров транспортной инфраструктуры при планировании перевозочного процесса, что подтверждает гипотезу, приведенную в [10–12].

Рис. 3 Модель физической архитектуры интеллектуальной системы организации перевозочного процесса

Fig. 3 A model of the physical architecture of the intelligent system for organizing the transportation process

Следующим этапом исследования после определения ключевых критериев эффективности перевозочного процесса является его автоматизация. На данном этапе завершается подготовительная часть развития системы, связанная с завершением модернизации транспортной инфраструктуры, и осуществляется переход к основной функции – интеллектуальному управлению отдельно транспортными средствами и транспортными потоками [13–15]. На рис. 3 представлена разработанная модель физической архитектуры интеллектуальной системы организации перевозочного процесса, призванная анализировать и обеспечить безопасную эксплуатацию высокоавтоматизированных транспортных средств в рамках локальных интеллектуальных транспортных систем [16–18]. На основании проведенных исследований разработана программа автоматического моделирования оптимального маршрута движения грузового транспортного средства по заданным параметрам эффективности: производительность автомобильного транспорта, наименьшая себестоимость ездки, наименьшее время ездки [19; 20]. Алгоритм работы и пример функционирования программы представлены на рис. 4, 5.Рис. 4 Алгоритм выбора оптимального маршрута движения грузового ТС по заданным параметрам

Fig. 4 An algorithm to select the optimal route of a cargo vehicle based on the given parameters

Рис. 5 Пример выбора оптимального маршрута движения грузового ТС по заданным параметрам (производительность)

Fig. 5 An example of selecting the optimal route of cargo vehicle based on the given parameters (productivity)

Заключение

Цель интеграции интеллектуальных транспортных систем заключается в объединении всех участников транспортного процесса в единую, высокоорганизованную сеть. Без такого взаимодействия невозможно эффективно управлять логистическими процессами, так как каждый элемент цепочки играет свою уникальную роль и требует постоянной связи с другими участниками. Когда все звенья цепи действуют в согласии, возникает возможность сокращения временных и финансовых издержек, повышения качества и более точного выполнения транспортной работы.

Учитывая изложенное, сформированы научные основы повышения эффективности внедрения интегрированных интеллектуальных технологий в транспортно-технологический процесс доставки грузов, в основе которых лежит зависимость производительности автомобильного транспорта от параметров автомобильных дорог.

Разработаны алгоритм интегральной оценки эффективности перевозочного процесса и комплексная модель формирования интегрального критерия оценки эффективности перевозочного процесса, учитывающая эксплуатационные параметры автомобильных дорог, доказана гипотеза о приоритетном влиянии параметров транспортной инфраструктуры на производительность автомобильного транспорта.

На основе проведенных исследований параметров эффективности перевозочного процесса, учитывающих зависимость производительности транспортных средств от параметров транспортной инфраструктуры, сформирована модель физической архитектуры интеллектуальной системы организации перевозочного процесса, разработана программа, позволяющая построить маршрут движения грузового транспорта на основе заданных весовых параметров груза и функции оптимизации.

Список литературы

1. Бегишев И.Р. Правовое регулирование беспилотных транспортных средств. Транспортное право. 2021;(3):7–10. Begishev I.R. The legal regulation of unmanned means of transport. Transportnoe Pravo. 2021;(3):7–10. (In Russ.)

2. Glistau E., Coello Machado N. Smart logistics in the context of Industry 4.0: Research prospects and future perspectives. Procedia Computer Science. 2021;181:609–616.

3. Caris A., Macharis C., Janssens G.K. Decision support in intermodal transport: A new research agenda. Computers in Industry. 2013;64(2):105–112. https://doi.org/10.1016/j.compind.2012.12.001

4. Сафиуллин Р.Н., Сафиуллин Р.Р., Сорокин К.В. Метод оценки и прогнозирования технического состояния ресурсных элементов карьерных самосвалов на основе контрольных карт Шухарта. Горный информационно-аналитический бюллетень. 2024;(7):111–124. https://doi.org/10.25018/0236_1493_2024_7_0_111 Safiullin R.N., Safiullin R.R., Sorokin K.V. Assessment and prediction of technical condition of dump truck life components using the Shewhart control charts. Mining Informational and Analytical Bulletin. 2024;(7):111–124. https://doi.org/10.25018/0236_1493_2024_7_0_111

5. Safiullin R., Arias Z.P. Comprehensive assessment of the effectiveness of passenger transportation processes using intelligent technologies. The Open Transportation Journal. 2024;18:e26671212320514. https://doi.org/10.2174/0126671212320514240611100437

6. Борисов С.В., Колтунова Е.А., Кладиев С.Н. Совершенствование структуры имитационной модели тягового асинхронного электропривода рудничного электровоза. Записки Горного института. 2021;247:114–121. https://doi.org/10.31897/PMI.2021.1.12 Borisov S.V., Koltunova E.A., Kladiev S.N. Traction asynchronous electric drive of mine electric locomotivesimulation model structure improvement. Journal of Mining Institute. 2021;247:114–121. https://doi.org/10.31897/PMI.2021.1.12

7. Богданова Н.А. Обоснование направлений развития предприятия по выпуску автотранспорта с использованием прогнозных моделей (на примере ПАО «Нефаз»). В кн.: Арефьев И.Б., Волкова В.Н. (ред.) Анализ и прогнозирование систем управления в промышленности, на транспорте и в логистике: труды 24-й междунар. науч.-практ. конф. молодых ученых, студентов и аспирантов, г. Санкт-Петербург, 23–25 апр. 2024 г. СПб.: Медиапапир; 2024. С. 108–112.

8. Сержан С.Л., Скребнев В.И., Малеванный Д.В. Исследование влияния шероховатости стальных и полимерных труб на потери напора при гидротранспорте хвостовой пульпы. Обогащение руд. 2023;(4):41–49. https://doi.org/10.17580/or.2023.04.08 Serzhan S.L., Skrebnev V.I., Malevanny D.V. Study of the effects of steel and polymer pipe roughness on the pressure loss in tailings slurry hydrotransport. Obogashchenie Rud. 2023;(4):41–49. https://doi.org/10.17580/or.2023.04.08

9. Петраков Д.Г., Пеньков Г.М., Золотухин А.Б. Экспериментальное исследование влияния горного давления на проницаемость песчаника. Записки Горного института. 2022;254:244–251. https://doi.org/10.31897/PMI.2022.24 Petrakov D.G., Penkov G.M., Zolotukhin A.B. Experimental study on the effect of rock pressure on sandstone permeability. Journal of Mining Institute. 2022;254:244–251. https://doi.org/10.31897/PMI.2022.24

10. Курганов В.М., Грязнов М.В., Колобанов С.В. Оценка надежности функционирования экскаваторно-автомобильных комплексов в карьере. Записки Горного института. 2020;241:10–21. https://doi.org/10.31897/pmi.2020.1.10 Kurganov V.M., Gryaznov M.V., Kolobanov S.V. Assessment of operational reliability of quarry excavator-dump truck complexes. Journal of Mining Institute. 2020;241:10–21. https://doi.org/10.31897/pmi.2020.1.10

11. Мустафаев А.С., Сухомлинов В.С., Бажин В.Ю., Буковецкий Н.А., Суров А.В. Плазменная технология получения сверхчистого корунда. Цветные металлы. 2024;(4):21–29. https://doi.org/10.17580/tsm.2024.04.03 Mustafaev А.S., Sukhomlinov V.S., Bazhin V.Yu., Bukovetskiy N.A., Surov А.V. Plasma technology for producing ultrapure corundum. Tsvetnye Metally. 2024;(4):21–29. (In Russ.) https://doi.org/10.17580/tsm.2024.04.03

12. Великанов В.С. Прогнозирование нагруженности рабочего оборудования карьерного экскаватора по нечетко-логистической модели. Записки Горного института. 2020;241:29–36. https://doi.org/10.31897/pmi.2020.1.29 Velikanov V.S. Mining excavator working equipment load forecasting according to a fuzzy-logistic model. Journal of Mining Institute. 2020;241:29–36. https://doi.org/10.31897/pmi.2020.1.29

13. Большунов А.В., Васильев Д.А., Дмитриев А.Н., Игнатьев С.А., Кадочников В.Г., Крикун Н.С. и др. Результаты комплексных экспериментальных исследований на станции Восток в Антарктиде. Записки Горного института. 2023;263:724– 741. Режим доступа: https://pmi.spmi.ru/pmi/article/view/16308 (дата обращения: 18.11.2024). Bolshunov A.V., Vasilev D.A., Dmitriev A.N., Ignatev S.A., Kadochnikov V.G., Krikun N.S. et al. Results of complex experimental studies at Vostok station in Antarctica. Journal of Mining Institute. 2023;263:724–741. Available at: https://pmi.spmi.ru/pmi/article/view/16308 (accessed: 02.10.2024).

14. Беликова Д.Д., Морозов Е.В., Хисамутдинова Э.Л. Оптимальное управление силовыми агрегатами горных машин в диапазоне эксплуатационных режимов при применении системы контроля качества моторного масла. Горный информационно-аналитический бюллетень. 2021;(6):95–103. https://doi.org/10.25018/0236_1493_2021_6_0_95 Belikova D.D., Morozov E.V., Khisamutdinova E.L. Optimizing control of mining machine power-units within the normal power setting range by means of engine oil quality monitoring. Mining Informational and Analytical Bulletin. 2021;(6):95– 103. (In Russ.) https://doi.org/10.25018/0236_1493_2021_6_0_95

15. Симонова Л.А. Информационное обеспечение управления технологическими маршрутами. Saarbrucken: LAP LAMBERT; 2012. 196 с.

16. Safiullin R.N., Reznichenko V.V., Safiullin R.R. The software adaptive system for managing the heavy cargo transportation process based on the automated vehicle weight and size control system. Journal of Physics: Conference Series. 2021;1753:012063. https://doi.org/10.1088/1742-6596/1753/1/012063

17. Petrakov D.G., Loseva A.V., Alikhanov N.T., Jafarpour H. Standards for selection of surfactant compositions used in completion and stimulation fluids. International Journal of Engineering. 2023;36(9):1605–1610. https://doi.org/10.5829/ije.2023.36.09c.03

18. Жуковский Ю.Л., Сусликов П.К. Оценка потенциального эффекта применения технологии управления спросом на горных предприятиях. Устойчивое развитие горных территорий. 2024;16(3):895–908. https://doi.org/10.21177/1998-4502-2024-16-3-895-908 Zhukovsky Yu.L., Suslikov P.K. Assessment of the potential effect of applying demand management technology at mining enterprises. Sustainable Development of Mountain Territories. 2024;16(3):895–908. https://doi.org/10.21177/1998-4502-2024-16-3-895-908

19. Клебанов А.Ф., Бондаренко А.В., Жуковский Ю.Л., Клебанов Д.А. Организация удаленных центров управления горным предприятием: стратегические предпосылки и этапы реализации. Горная промышленность. 2024;(4):174–183. https://doi.org/10.30686/1609-9192-2024-4-174-183 Klebanov A.F., BondarenkoA.V., Zhukovsky Yu.L., Klebanov D.A. Establishing remote control centers of a mining operation: strategic prerequisites and implementation stages. Russian Mining Industry. 2024;(4):174–183. (In Russ.) https://doi.org/10.30686/1609-9192-2024-4-174-183

20. Литвинова Т.Е., Герасёв С.А. Поведение фосфата церия (III) в карбонатно-щелочной среде. Записки Горного института. 2024:1–8. Режим доступа: https://pmi.spmi.ru/pmi/article/view/16416 (дата обращения: 18.11.2024). Litvinova T.E., Gerasev S.A. Behaviour of cerium (III) phosphate in a carbonate-alkaline medium. Journal of Mining Institute. 2024:1–8. Available at: https://pmi.spmi.ru/pmi/article/view/16416 (accessed: 18.11.2024).