Рис. 1. Промышленный инспекционный FPV-дрон (квадрокоптер) с защитным каркасом
Владислав Витальевич Егельский, аспирант кафедры «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина
Vladislav V. Egelsky, Postgraduate Student of the Department of Operation of Transport Systems and Logistics
1, Gagarin Sq., Rostov-on-Don, 344003
Николай Николаевич Николаев, кандидат технических наук, доцент кафедры «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина
Nikolai N. Nikolaev, Cand. Sci. (Eng.), Associate Professor of the Department of Operation of Transport Systems and Logistics
1, Gagarin Sq., Rostov-on-Don, 344003
Елена Владимировна Егельская, кандидат технических наук, доцент кафедры «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина
Elena V. Egelskaya, Cand. Sci. (Eng.), Associate Professor of the Department of Operation of Transport Systems and Logistics
1, Gagarin Sq., Rostov-on-Don, 344003
Анатолий Аркадьевич Короткий, доктор технических наук, профессор, заведующий кафедрой «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина
Anatoly A. Korotkiy, Dr. Sci. (Eng.), Professor, Head of the Transport Systems Operation and Logistics Department
1, Gagarin Sq., Rostov-on-Don, 344003
Леонид Александрович Терновской, аспирант кафедры «Эксплуатация транспортных систем и логистика»
344003, г. Ростов-на-Дону, пл. Гагарина
Leonid A. Ternovskoi, Postgraduate Student of the Department of Transport Systems and Logistics
1, Gagarin Sq., Rostov-on-Don, 344003
Введение. Обследование крановых путей мостовых кранов в производственных цехах и на складах — сложная и небезопасная задача. Риск для специалистов связан с большой высотой, на которой расположены пути, а также с тем, что проходные галереи вдоль них часто отсутствуют. При этом стандартный визуально-измерительный контроль отличается низкой скоростью обследования. В научной литературе широко представлены исследования, в которых рассматриваются возможности искусственного интеллекта (ИИ) для обеспечения производственной безопасности: методы контроля производственных рисков и предотвращения аварий, взаимосвязь аварийности с компетенциями машинистов кранов, распознавание дефектов съемных грузозахватных приспособлений средствами компьютерного зрения, а также дистанционный мониторинг безопасности кранов по данным видео с IP-камер. Однако эти решения не касаются обследования самих крановых путей, которые обладают рядом специфических особенностей — прежде всего значительной протяженностью (нередко до 200 метров и более). Применение ИИ здесь требует видеоаналитического контроля по всей длине пути и обучения нейросети распознаванию специфических местных дефектов и отклонений геометрии, чего существующие методы не обеспечивают. Сегодня такое обследование выполняется в форме визуально-измерительного контроля с непосредственным осмотром и планово-высотной съемкой тахеометрами и теодолитами. Эти методы точны, но трудоемки и медленны. Таким образом, существует запрос на применение ИИ для идентификации неисправностей крановых путей с сохранением точности при повышении безопасности и скорости. Цель данного исследования — разработка метода дистанционного обследования крановых путей мостовых кранов, расположенных на высоте в производственных помещениях, позволяющего минимизировать воздействие опасных и вредных производственных факторов на персонал при сохранении точности, скорости и достоверности получаемых результатов.Материалы и методы. В качестве базовой информации были использованы данные о дефектах крановых путей, полученные в ходе обследования их на промышленных предприятиях. Методическая часть по выявлению дефектов крановых путей основана на ГОСТ Р 56944–20161. Нейронные сети компьютерного зрения обучали на основе открытых библиотек для языка Python. Для распознавания дефектов использовалась модернизированная предобученная нейронная сеть YOLOv8. Результаты исследования. Разработан метод дистанционной дефектации надземных крановых путей мостовых кранов с применением беспилотного летательного аппарата авторской конструкции (квадрокоптер с защитным каркасом, оснащённый лидаром Livox MID-40, камерой глубины Orbbec Gemini 2, RGB-камерой 4K и системой позиционирования DWM1000 с поддержкой TWR и TDOA). На основе данных обследования 352 надземных крановых путей общей протяжённостью около 14 километров, полученных в 2024 году, была обучена модернизированная нейронная сеть компьютерного зрения YOLOv8. В результате было создано целостное трёхмерное облако точек, охватывающее рельсы, подкрановые балки и опоры с привязкой к створам и осям колонн. Построенная трёхмерная модель позволила в автоматизированном режиме выявить и классифицировать локальные дефекты и оценить их размеры с точностью до одного миллиметра. Автоматизированная оценка геометрии показала, что отклонения отметок рельсов в рассматриваемой модели не превышают допустимые по ГОСТ Р 56944–20162 значения (40 миллиметров в одном сечении и 10 миллиметров на соседних колоннах), что подтвердило работоспособность метода.Обсуждение. Полученные результаты свидетельствуют о достижении поставленной авторами цели — о разработке метода дистанционного обследования крановых путей мостовых кранов. Этому способствовал значительный объём проведённых обследований, обеспечивший разнообразную выборку дефектов для обучения нейронных сетей. Сравнение с ранее проведенными исследованиями показало уникальность предложенного подхода к обследованию путей мостовых кранов: уже описанные методы на основе искусственного интеллекта и БПЛА применялись для контроля персонала, оценки съёмных грузозахватных приспособлений, стальных канатов или для обследования башенных кранов на открытом воздухе, однако ни один из них не был пригоден для выявления локальных дефектов надземных крановых путей внутри производственных помещений. Основным ограничением разработанного метода является время полёта БПЛА (не более 20 минут), обусловленное малой ёмкостью аккумуляторов, которую без повышения предельного размера аппарата (0,5 метра) невозможно увеличить в стеснённых условиях закрытых помещений. Результаты разработки нового метода интерпретируются как положительные: он обеспечивает осмотр путей по всей длине с близкого расстояния, построение 3D-модели методом фотограмметрии позволяет оценить размеры дефектов и снизить трудоёмкость и продолжительность обследования не менее чем в два раза. Все это делает целесообразным его дальнейшее развитие и внедрение в практику.Заключение. Основным итогом исследования стал разработанный метод дистанционного обследования крановых путей мостовых кранов, расположенных на высоте в производственных помещениях. В ходе проделанной работы были обучены нейронные сети поиска дефектов и создан алгоритм обследования с построением трёхмерной модели, обеспечивающей автоматизированную оценку геометрических отклонений рельсов в продольной и поперечной плоскостях и выявление локальных дефектов. Ключевое достоинство метода — обеспечение безопасности экспертов за счёт исключения подъёма на высоту, а также возможность обследования труднодоступных участков и обнаружения ранее незаметных дефектов, что снижает вероятность возникновения впоследствии аварийных ситуаций. Дальнейшие исследования в этом плане будут направлены на дополнение системы функцией автоматической идентификации состояния металлоконструкций самих грузоподъёмных кранов и их возможных дефектов.
Introduction. Inspecting the overhead crane runways in production workshops and warehouses is a challenging and dangerous task. The risks for specialists are associated with the high altitude at which the runways are located and the lack of walkways along them. At the same time, standard visual and dimensional inspection is characterized by a low inspection speed. The scientific literature contains numerous studies on the potential of artificial intelligence (AI) to ensure occupational safety: methods for monitoring occupational risks and preventing accidents, the relationship between accident rates and the competencies of crane operators, the detection of defects in removable load‑handling devices using computer vision tools, as well as remote monitoring of crane safety based on video data from IP cameras. However, these solutions do not address the inspection of crane runways, which have specific features, primarily their considerable length (often up to 200 meters or more). The application of AI requires video-analytical monitoring along the entire length of the runway and training a neural network to recognize local defects and geometric deviations, which existing methods do not provide. Today, crane runway inspection is conducted through visual and dimensional control methods, including direct inspection and surveying using total stations and theodolites. While these methods are accurate, they are labor-intensive and time-consuming. Therefore, there is a need for the use of AI to improve safety and speed while maintaining accuracy in identifying faults in crane runways. The aim of this research is to develop a method for remote inspection of the overhead crane runways located at height in industrial facilities. This will help minimize the exposure of workers to hazardous and harmful working conditions while maintaining accuracy, speed, and reliability of the inspection results.
Materials and Methods. Data on crane runway defects collected during inspections at industrial facilities was used as the basis for the study. The methodology for identifying defects in crane runways was based on GOST R 56944–20161. Computer vision neural networks were trained using open libraries for Python language. A modernized pre-trained YOLOv8 neural network was used to detect defects.
Results. A method for remote detection of defects on overhead crane runways was developed using an unmanned aerial vehicle designed by the authors (a quadcopter with a protective frame, equipped with a Livox MID‑40 lidar, an Orbbec Gemini 2 depth camera, a 4K RGB camera, and a DWM1000 positioning system supporting TWR and TDOA). Based on survey data collected in 2024 from 352 overhead cranes with a total runway length of approximately 14 kilometers, a modernized YOLOv8 neural network for computer vision was trained. This resulted in the creation of a complete three-dimensional point cloud that covered the runways, crane beams and supports, as well as reference to column lines and centers. The three-dimensional model allowed for the automatic identification and classification of local defects, as well as the estimation of their sizes with accuracy of one millimeter. Automated geometry assessment showed that the deviations in the runway markings in the model in question did not exceed the permitted values according to GOST R 56944–2016 (40 millimeters in one section and 10 millimeters on adjacent columns), which confirmed the effectiveness of the method.
Discussion. The results obtained indicate that the authors’ goal has been achieved — the development of a method for remote inspection of overhead crane runways. This was made possible by conducting a significant number of surveys, which provided a diverse range of defects for training neural networks. A comparison with previous studies has shown the uniqueness of the proposed approach to inspecting overhead crane runways. Methods based on artificial intelligence and unmanned aerial vehicles (UAVs) have previously been used to monitor personnel, assess removable lifting attachments, and inspect tower cranes outdoors. However, these methods were not suitable for detecting local defects in overhead crane runways inside production facilities. The main limitation of the developed method was the flight time of the UAV (no more than 20 minutes), which was due to the low battery capacity. This capacity could not be increased without increasing the maximum size of the device (0.5 meters) in the confined conditions of enclosed spaces. The new method's results were positive, as it enabled inspection of tracks along their entire length from a close distance. By building a 3D model using photogrammetry, it was possible to assess the size of defects and reduce labor intensity and duration of the survey by at least half. These benefits made its further development and practical implementation worthwhile.
Conclusion. The main outcome of the study was the development of a method for remote inspection of overhead crane runways located at height in industrial facilities. During the research, neural networks were trained to detect defects, and an algorithm was created for inspection. This involved creating a three-dimensional model that allowed for automated assessment of geometric deviations in the runways in both longitudinal and transverse planes, as well as the identification of local defects. The key benefit of this method was that it eliminated the need for experts to climb to heights, ensuring their safety. Additionally, it allowed for the inspection of hard-to-reach areas and the detection of previously invisible defects, reducing the likelihood of future emergency situations. Further research in this field will focus on improving the system's ability to automatically identify the condition of load-bearing metal structures and possible defects in cranes.
Введение. Обследование крановых путей мостовых кранов в производственных цехах и складских помещениях является сложной задачей, сопряженной с риском для экспертов и специалистов по диагностике и обследованию подъемных сооружений. В настоящее время обследование крановых путей мостовых кранов проводится согласно приказу Ростехнадзора от 26.11.2020 № 461 «Об утверждении федеральных норм и правил в области промышленной безопасности «Правила безопасности опасных производственных объектов, на которых используются подъемные сооружения3 в форме визуально-измерительного контроля путем непосредственного осмотра по всей их длине, а также в форме контроля геометрических параметров в ходе планово-высотной съемки при помощи специальных приборов — тахеометров и теодолитов. Опасность при таком обследовании обусловлена нахождением крановых путей на значительной высоте, как правило, не менее 3–5 метров. В отдельных случаях высота их может превышать 20 метров.
Мостовые краны по способу опоры на крановые пути бывают двух типов: опорные и подвесные. В опорной конструкции на подкрановую балку (чаще всего двутавровую) прикреплены с помощью сварки или болтовых соединений рельсы, которые и подвергаются износу более всего. При установке кранов большой грузоподъемности для обследования опорных крановых путей могут быть организованы проходные галереи. Однако при грузоподъемности менее 10 тонн проходные галереи могут отсутствовать. При подвесной конструкции кранов (когда крановые пути выполнены в виде двутавровых балок) проходных галерей тоже, как правило, не бывает. В этом случае осмотр проводится с ремонтных площадок, а также с помощью передвижных вышек-тур. Это многократно увеличивает трудоемкость и продолжительность обследования, а также риски падения с высоты. Следовательно, существует потребность в разработке методов обследования, которые не требуют подъема специалистов и экспертов на высоту и обеспечивают при этом точность обнаружения и оценки дефектов. Кроме того, существует задача разработки более быстрых и эффективных методов контроля, чем непосредственный визуальный осмотр.
В научной литературе уже описаны возможности искусственного интеллекта для обеспечения производственной безопасности. Известна цифровая платформа видеоконтроля [
Разработан и применяется метод оценки СГП на основе алгоритмов компьютерного зрения, обученных с помощью платформы Roboflow [
В зарубежных исследованиях [
Известно, что беспилотные летательные аппараты (БПЛА) проводят визуальный осмотр труднодоступных участков конструкции башенных кранов [
Авторы [
Известны исследования об интегральной оценке риска эксплуатации стальных канатов при помощи технологий компьютерного зрения [
Существует ряд БПЛА, разработанных целенаправленно для работы в помещениях и замкнутых пространствах [
Анализ опубликованных результатов подобных исследований показал наличие пробела в научном знании — отсутствие метода обследования, применимого к крановым путям, расположенным на высоте внутри производственных помещений. Такой метод должен выявлять дефекты крановых путей с достаточно высокими точностью и скоростью обследования при обеспечении безопасности персонала. Этот метод может быть основан на интеграции научных знаний, изложенных в анализе уже проведенных исследований, с добавлением уникальных и необходимых компонентов.
Цель данного исследования — разработать метод дистанционного обследования крановых путей мостовых кранов, расположенных на высоте в производственных помещениях, который позволит минимизировать воздействие опасных и вредных производственных факторов на технический персонал и обеспечит точность, скорость и достоверность полученных результатов.
Для достижения этой цели необходимо решить следующие задачи:
Материалы и методы. В качестве базовой информации использовались данные о дефектах на рельсовых путях мостовых кранов. Они получены при обследовании мостовых кранов в рамках проведения экспертного контроля за грузоподъемными кранами на машиностроительных предприятиях. Обследование проводилось в 2024 году, в ходе его было осмотрено 352 надземных крановых пути общей протяженностью 14 километров. Методическая часть исследования основана на ГОСТ Р 56944–20164. Нейронные сети компьютерного зрения обучали на основе открытых библиотек для языка Python. Для распознавания дефектов использовалась модернизированная предобученная нейронная сеть YOLOv8. Ее архитектура представляет собой трехчастную систему, состоящую из экстрактора признаков (программного модуля CSPDarknet53), комбинатора признаков (модуля C2f) и выходного предсказывающего блока (модуля decoupled head). YOLOv8 разработана компанией Ultralytics и обладает открытым исходным кодом, доступным для дальнейшей модернизации под нужды конкретного проекта.
Аппаратной основой платформы служила летающая мобильная система с модульной архитектурой (рис. 1).
Рис. 1. Промышленный инспекционный FPV-дрон (квадрокоптер) с защитным каркасом
Авторами предложена собственная конструкция беспилотного летательного аппарата (квадрокоптера), собранная из компонентов, произведенных в Китае и доступных для покупки у дистрибьюторов подобного оборудования.
Для позиционирования БПЛА относительно базовых станций и так называемых анкеров применены датчик DWM1000 — поддержка позиционирования TWR (Two-Way Ranging — метод определения расстояния между двумя устройствами с помощью обмена сигналами) и датчик TDOA (Time Difference of Arrival — метод позиционирования, который определяет местоположение объекта, измеряя разницу во времени прихода его сигнала на несколько приёмных станций (анкеров) с известными координатами).
Сенсорный комплекс включает в себя три ключевых типа датчиков:
— средства пространственного зондирования (мультилинзовый лидар Livox MID-40, камера глубины Orbbec Gemini 2);
— средства визуального восприятия (комплект DJIO3 AirUnit — цифровая FPV-система, включающая в себя компактную RGB камеру 4K и передатчик);
— системы позиционирования и стабилизации (датчики DWM1000, инерциальные модули NAV40, системы ближнего обнаружения на базе прошивки ArduPilot, резервные методы навигации — визуальная одометрия и оптическая навигация на базе лидара и камер).
Вычислительная подсистема построена на процессорном модуле Aocoda-RC F765 V2 с графическим ускорением, поддерживающим исполнение алгоритмов компьютерного зрения, нейросетевой обработки и слияния данных.
Методика обследования надземного рельсового кранового пути опорной конструкции с применением беспилотного летательного аппарата осуществлялась в соответствии со следующим алгоритмом (рис. 2):
Рис. 2. Алгоритм применения БПЛА для обследования надземных крановых путей
Рис. 3. Зона первичного (1) и точного сканирования (2)
В пунктах алгоритма 8 и 9 точность выявленных отклонений и дефектов на стадии испытаний способа верифицируется путем сравнения с результатами визуально-измерительного контроля. После завершения испытаний способа параметры его точности будут указаны в нормативно-технической документации.
Результаты исследования. Разработан метод дефектации надземных крановых путей с применением беспилотных летательных аппаратов. Выявлены локальные дефекты крановых путей. Данные получены при обследовании мостовых кранов в рамках проведения экспертного обследования грузоподъемных кранов на машиностроительных предприятиях.
В частности, решены следующие поставленные авторами задачи:
Рис. 4. Модель однобалочного мостового крана с крановыми путями
На рис. 4 представлена модель однобалочного мостового крана с крановыми путями, полученная из трехмерного облака точек, указаны оси рельсов А и Б, а также номера створов — колонн со средней линией между ними.
Фотографии дефектов на рис. 5–10 были получены в цехах промышленного предприятия в ходе реального обследования при имеющихся освещенности и оптической прозрачности воздуха.
Оценка дефектов выполнена с помощью обученной нейронной сети компьютерного зрения.
На рис. 5 показан дефект стыка двутавровой балки с некачественной приваркой фиксирующей накладки.
Рис. 5. Дефект стыка
На рис. 6 продемонстрирован дефект перфорации двутавровой балки подвесного мостового крана (в области сварного шва).
Рис. 6. Перфорация двутавровой балки
На рис. 7 приведен пример износа рельса с выкрашиванием боковых кромок и раковинами на рабочей поверхности.
Рис. 7. Износ рельса с выкрашиванием и раковинами
На рис. 8 виден результат истирания двутавровой балки колесом подвесного мостового крана. Дефект может появиться в результате изгиба балки либо неисправности конструкций крана.
Рис. 8. Истирание боковой поверхности двутавровой балки
На рис. 9 виден износ рельса в результате буксования колеса опорного крана.
Рис. 9. Износ рельса в результате буксования колеса крана
На рис. 10 — дефект теплового стыка двутавровой балки с отсутствием нижней накладки.
Рис. 10. Дефект в области теплового стыка двутавровой балки
Оценка геометрии крановых путей, представленных в виде модели на рис. 4, дала следующие результаты, они показаны на рис. 11.
Рис. 11. Оценка геометрии рельсов А и Б в вертикальной плоскости по высотным отметкам HA и НБ
Допускаемая разность отметок рельсов в одном поперечном сечении по оси симметрии [P1] равна 40 мм, допускаемая разность отметок рельсов на соседних колоннах [P2] равна 10 мм (согласно ГОСТ Р 56 944–2016)6. Сравнив данные на рис. 11 с допускаемыми значениями, можно сделать вывод, что отклонения геометрии на рассматриваемой модели крановых путей лежат в пределах допуска.
Данный метод дефектации дает возможность получать данные фото-видеофиксации для оценки размеров дефектов с точностью до одного миллиметра.
Обсуждение. Полученные в ходе применения разработанного авторами метода результаты полностью удовлетворяют и поставленной цели исследования, и задачам по ее реализации. Достижению точных и четких показателей способствовал большой объем проведенных обследований надземных крановых путей, который позволил получить разнообразные и многочисленные образцы дефектов геометрии крановых путей, а также локальных дефектов. Обработка данных дала возможность обучить нейронные сети компьютерного зрения и получить полнофункциональные трехмерные модели, позволяющие выявлять и оценивать дефекты в автоматизированном режиме.
Сравнение полученных результатов с литературными данными, теориями, другими разработками позволяет сделать вывод об уникальности данного исследования, поскольку в отношении надземных крановых путей подобный метод ранее не разрабатывался.
На текущий момент главным недостатком разработанного метода является ограничение работы беспилотного летательного аппарата по времени из-за нехватки заряда аккумуляторов. При этом нет возможности установить аккумуляторы большей емкости, так как это потребует увеличения размеров самого беспилотного летательного аппарата. Предельный размер беспилотного летательного аппарата поэтому может составлять не более 0,5 метра, это обусловлено стесненными условиями полета в закрытых помещениях, а время полета — не более 20 минут (в зависимости от нагрузки от оборудования).
Полученные результаты исследования следует интерпретировать как положительные, метод следует развивать и внедрять в технологию обследования надземных крановых путей. На практике метод позволяет:
— производить осмотр крановых путей по всей длине с близкого расстояния;
— оценивать размер локальных дефектов по результатам фото-видеофиксации через программное обеспечение комплекса;
— построить 3D модель кранового пути методом фотограмметрии с последующей оценкой отклонений от прямолинейности в продольной и поперечной плоскости;
— снизить трудоемкость и продолжительность обследования не менее чем в два раза.
Заключение. В заключение следует отметить, что работа, проведенная авторами, имеет значимые результаты, главный из которых — разработка метода дистанционного обследования крановых путей мостовых кранов, расположенных на высоте. В ходе исследования были обучены нейронные сети поиска дефектов и разработан алгоритм обследования крановых путей с созданием трехмерной модели, позволяющей оценивать геометрические отклонения рельсов в продольной и поперечной плоскости. Главное положительное свойство метода — обеспечение безопасности экспертов и специалистов, обследующих подъемные сооружения. Кроме того, метод позволяет рассматривать труднодоступные участки крановых путей, выявлять дефекты, которые могли быть не замечены ранее, что снижает вероятность возникновения аварийных ситуаций.
В дальнейших планах исследований рельсовых путей грузоподъемных кранов — разработка дополнения ксистеме идентификации их состояния: система должна в автоматическом режиме проводить обследование крановых путей, а также анализировать состояние металлоконструкций кранов и выявлять наличие в них дефектов.
1. ГОСТ Р 56944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия» (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 1 июня 2016 года № 463-ст). URL: https://ohranatruda.ru/upload/iblock/8fe/4293754222.pdf?ysclid=mnsrn94qrk671517049 (дата обращения: 10.04.2026).2. ГОСТ Р 56944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия» (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 1 июня 2016 года № 463-ст). C. 2. URL: https://ohranatruda.ru/upload/iblock/8fe/4293754222.pdf?ysclid=mnsrn94qrk671517049 (дата обращения: 10.04.2026).3. Приказ Ростехнадзора от 26.11.2020 № 461 «Об утверждении федеральных норм и правил в области промышленной безопасности «Правила безопасности опасных производственных объектов, на которых используются подъемные сооружения». URL: https://www.consultant.ru/document/cons_doc_LAW_373321/ (дата обращения: 14.07.2026).4. ГОСТ Р 56944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия» (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 1 июня 2016 года № 463-ст). С. 3. URL: https://ohranatruda.ru/upload/iblock/8fe/4293754222.pdf?ysclid=mnsrn94qrk671517049 (дата обращения: 10.04.2026).5. ГОСТ Р 56944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия» (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 1 июня 2016 года № 463-ст). С. 12. URL: https://ohranatruda.ru/upload/iblock/8fe/4293754222.pdf?ysclid=mnsrn94qrk671517049 (дата обращения: 10.04.2026).6. ГОСТ Р 56944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия» (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 1 июня 2016 года № 463-ст). С. 17. URL: https://ohranatruda.ru/upload/iblock/8fe/4293754222.pdf?ysclid=mnsrn94qrk671517049 (дата обращения: 10.04.2026).
The authors declare that there are no conflicts of interest present.