ЭТРАН — Незаменимая программа на железных дорогах
Чтобы оформить документы на перевозку груза по железной дороге, надо быть «немного» железнодорожником. Предоставляемая клиентом информация, подразумевает знание устава железных дорог и правил перевозки грузов. Но есть легкий путь. Установка специализированной программы – ЭТРАН.
Данное ПО полностью исключает:
- вероятность ошибки при подаче заявки;
- задержку отправки по причине нехватки денежных средств на ЕЛС;
- неточности при расчете платы за перевозку.
Заказать вагоны и отправить груз можно и без использования ЭТРАНа. Но намного удобнее один раз приобрести программный комплекс и пользоваться им со своего ПК. А для отправителей массовых грузов установка такого ПО – необходимость. Далее посмотрим, кто, как, зачем и что делает в АС ЭТРАН.
Для чего нужен ЭТРАН
АС ЭТРАН – платформа, для оформления железнодорожных документов на перевозку груза. Задача данного комплекса заключается в ускорении организации преддоговорных отношений между перевозчиком, отправителем и получателем груза. Дело в том, что вся информация, которая нужна для оформления документов, находится на едином сервере.
На этот сервер загружены все законы, нормативы и сборники, которые нужны для подачи заявки и заполнения перевозочных документов. В программную оболочку установлена автоматическая проверка правильности заполнения всех граф документа. Если пользователь допустит ошибку, программа об этом информирует.
Возможности ЭТРАН
- подать заявку ГУ-12 на оформление перевозки;
- быстро оформить накладную и сопутствующие бумаги для перевозки;
- следить за процессом перевозки по своей накладной;
- увидеть предварительный размер тарифа;
- раскредитовать груз;
- оформить и закрыть ведомость подачи и уборки на подъездной путь;
- проверить наличие средств на едином лицевом счете (ЕЛС).
Такой подход в корни меняет процесс оформления документов на перевозку. До 2002 года клиенты РЖД подавали рукописную заявку на бумажном носителе в СТЦ. Там документ проверялся на правильность заполнения, и, если нет ошибок, отправлялся на рассмотрение. При неправильном заполнении заявки, она возвращалась клиенту на исправление, и процедура повторялась снова.
В ЭТРАНе заявка проверяется автоматически при заполнении, после отправки сразу попадает в нужный отдел ОАО «РЖД», где ее рассматривают. При таком способе заключение договора перевозки происходит быстрее.
Для кого предназначен ЭТРАН
Для всех организаций, которые отправляют и получают груз по железной дороге. Конечно, если клиенту необходима разовая услуга, покупать АС ЭТРАН нет смысла. А вот для тех предприятий, которые работают с ОАО РЖД по договору на эксплуатацию, или их пути примыкают к жд путям ППЖТ – необходимо оформление электронной транспортной накладной.
Также ЭТРАНом пользуются экспедиторы и операторы подвижного состава. Экспедитор, выступая плательщиком за отправителя или получателя, может:
- следить за выполнением заявки;
- контролировать денежные средства на ЕЛС;
- своевременно планировать расходы в пути следования;
- оформлять переадресовку без лишних простоев и платы за занятость жд пути.
Собственники вагонов, посредством данного программного комплекса, быстро оформляют «порожняк» отправителям массовых сырьевых грузов. При наличии в собственности большого количества вагонов, ЭТРАН позволяет исключить простои вагонов на промежуточных станциях, а это хорошая экономия на плате по занятости жд пути.
Проект «Цифровой вагон»: предиктивные ремонты
В июле мы писали о старте проекта «Цифровой вагон». Он позволяет выстраивать предиктивную аналитику на основании данных о состоянии колесных пар. Меня зовут Надежда Костякова, я лидер команды разработки проекта в ПГК и расскажу, как он развивается, а также о проблемах, с которыми мы столкнулись в процессе, и способах их решения.
Как мы пришли к предиктивной аналитике
Напомню, что главное для оператора предоставить клиенту исправные качественные вагоны под погрузку вовремя и в нужном количестве. Контроль технического состояния вагонов – задача комплексная, за нее ответственно большое подразделение в составе компании – департамент эксплуатации подвижного состава. Его специалисты основную часть своих решений по ремонту принимают на основании натурного осмотра. Если выявлена неисправность, то вагон отправляется в ремонт.
Когда на сети начали массово устанавливать датчики, которые измеряют технические показатели колесных пар вагонов, мы разработали модуль — ИС КТИ (контрольно-технические измерения). Он позволяет нам анализировать информацию о толщине гребня и обода колесной пары. Это ключевые показатели, с помощью которых определяют техническое состояние колесных пар и принимают решение о том, куда вагон отправится – к клиенту или в депо на ремонт.
Система уже успешно функционирует, наша команда улучшает ее – ищет пути повышения качества и количества данных, а также разрабатывает новые возможности анализа. Например, бизнес-эксперты обратили внимание, что с помощью ИС КТИ можно не только смотреть на последнее актуальное состояние вагона, но и прогнозировать его состояние в будущем.
Для чего это нужно:
- исключить процедуру натурного осмотра вагона и экономить время сотрудников;
- замечать неисправности, незаметные глазу.
В результате компания может спрогнозировать заранее, какой вагон нужно отправлять в ремонт, и получить рекомендации о том, какие виды работ потребуются.
В общем, будущее перед нами открывалось волшебное. Но как этого достичь? Мы начали с анализа тех данных, которые у нас есть. Вскоре стало понятно, что с ними невозможно работать: у них было несколько источников шума из-за того, что замеры снимаются не только при движении вагона «туда», но и «обратно». Получается, что одни и те же датчики снимают замеры с разных колесных пар, и сопоставить данные – задача не из легких. В результате можно было запросто запутаться. Это ставило под угрозу всю нашу идею.
Первые проблемы с данными
Чтобы корректно обрабатывать входящие данные, мы начали разрабатывать алгоритм для предобработки данных КТИ — на брейншторме сформировали набор гипотез, которые необходимо было проверить специалистам ПГК по анализу данных. Мы не ограничивали себя в методах, но старались начинать с более простых и понятных алгоритмов, которыми можно управлять.
Когда мы говорим о процессе подготовки данных, можно использовать простые алгоритмы: например, дерево решений, основанное на экспертных правилах. Но нельзя исключать и возможность обучения автоэнкодера при необходимости. Процесс тестирования разных алгоритмов шел параллельно, на отчетных встречах команды мы публиковали результат каждого из них.
Через некоторое время был определен победитель. Выбранный алгоритм предобработки обладал важными преимуществами: понятность, управляемость, простота реализации и, самое главное, эффективность. С его помощью мы могли привести наши данные в вид, пригодный для анализа, и использовать для построения рекомендаций.
Снижение затрат на верификацию алгоритма
Данные есть, они очищены, но возникла новая проблема. Как собрать обучающую выборку для построения модели? Зачастую она формируется достаточно просто: мы берем данные, которые у нас есть, и создаем из них целевую переменную. Однако сейчас целевую переменную собрать было неоткуда, ведь мы хотели получать рекомендации до возникновения поломки.
В итоге нам не оставалось ничего кроме сбора данных для целевой переменной с помощью натурных осмотров. Это длительный и трудоемкий процесс, поэтому отправлять все вагоны на такую проверку дорого для компании. Более того, если мы будем направлять весь парк на осмотр, специалисты просто не справятся с увеличенным потоком работы. Как следствие, обучающую выборку надо было собрать таким образом, чтобы она была максимально эффективна с точки зрения трудозатрат.
Для этого мы разработали ранжирующий алгоритм рекомендации, а затем провели эксперимент, в ходе которого он на основе технических показателей колесных пар вагона позволил отобрать неисправные с наибольшей вероятностью. Именно эти вагоны были направлены на натурный осмотр к специалистам, все их неисправности фиксировались. После его окончания стало понятно, что предложенный алгоритм с высокой точностью определяет наличие неисправностей. Это позволило сразу же выявить неисправные вагоны и отправить их в ремонт.
Такой сбор данных с вовлечением специалистов позволил нам добиться нескольких целей:
- понять, что выявлять неисправности по данным КТИ действительно возможно;
- проверить работу разработанного алгоритма рекомендации;
- собрать данные для дальнейшей доработки алгоритмов;
- отремонтировать неисправные вагоны и улучшить состояние нашего парка.
Эти небольшие достижения помогли нам поверить в наш проект и, что крайне важно, увидеть результаты работы. Это мощный стимул для новых побед. Работа над проектом продолжается, мы находимся на промежуточном этапе — передаем данные в пилотном формате. Будем рассказывать вам о нашем прогрессе в следующих статьях.
- транспорт
- логистика
- предиктивный ремонт
- анализ данных
- рекомендации
- датчики
- internet of things
При подготовке материала использовались источники:
https://habr.com/ru/companies/pgk/articles/584120/