Purpose. Obtaining an approximating function (or a system of approximating equations), which, with a minimum error, will make approximations to the available data on a train of railway objects through 1 platform scales. Methodology. To solve this problem, numerical methods are used, namely, the approximation by polynomial functions of the nth order. The experimental data on the basis of which the experiments were carried out were obtained from the weighing and identification system of wagon in motion on a single platform scale. The approximation process is automated using a program written in the Python programming language in which the polyPit and polyid functions of the numPy library are used to obtain the polynomial coefficients. Findings. Due to the use of polynomial approximation in data processing from tensometric railroad weighing systems, it was possible to obtain a system of linear equations that, with minimal error, restored the experimental data that were obtained from the existing system of the Severny GOK: Metinvest enterprise. When normalizing the readings of the sensors from conventional units, obtained from the summing box to the range of values [0; 1] it became possible, in percentage terms, to describe a railway object. This makes it possible to avoid the dependence of the final results on the travel speed of the carriage or locomotive, which leads to an increase in the accuracy of the identification of cars in the rolling stock due to the use of the percentage of the axles staying on the weighing platform (approach / exit). It became possible to determine the type of carriage with the same number of axles, but different characteristics of the center space and the base of the rolling stock. Originality. The novelty is to obtain a general method of approximation of experimental data of the passage of wagons through a single-platform scales, which can be used to train intelligent systems and generate close to real data of the passage of a car (due to the imposition of noise, etc.). Practical value. Improving the accuracy and speed of the carriage identification as a whole, which reduces the plant downtime, contributes to an increase in the number of weighed and identified moving objects, as well as the ability to identify the type of carriage with the same number of axles in the train. The methods presented in the work can be used both for identification and for tasks, the end result of which is the classification of input data (neural networks, etc.)., Цель работы. Получение аппроксимирующей функции (или системы аппроксимирующих уравнений), которая с минимальной погрешностью сделает приближения к имеющимся данным по поезду железнодорожных объектов через 1-но платформенные весы. Методы исследования. Для решения поставленной задачи используются численные методы, а именно аппроксимация полиноминальными функциями n-го порядка. Экспериментальные данные, на основе которых выполняются опыты были получены из системы взвешивания и идентификации вагонов в движении на одно платформенных весах. Автоматизация процесса аппроксимации происходит с помощью программы, написанной на языке программирования Python в которой, для получения коэффициентов многочлена, использовано функции polifit и polyid библиотеки numPy. Полученные результаты. Благодаря использованию полиноминальной аппроксимации при обработке данных с тензометрических железнодорожных весовых систем удалось получить систему линейных уравнений, которые с минимальной ошибкой восстановили экспериментальные данные, которые были получены с существующей системы предприятия Северный ГОК: Метинвест. При нормализации показаний датчиков от условных единиц, полученный из суммирующей коробки к диапазону значений [0; 1] появилась возможность, в процентном соотношении, описать подвижной железнодорожный объект. Это дает возможность избежать зависимость конечных результатов от скорости проезда вагона или локомотива, что приводит к повышению точности идентификации вагонов в подвижном составе за счет использование процентного соотношение перебывания осей на весовой платформе (наезд/съезд). Появилась возможность определить тип вагона с одинаковым количеством осей, но разными характеристиками межосевого пространства и базы подвижного состава. Научная новизна. Новизна заключается в полученные общего метода аппроксимации экспериментальных данных проезда вагонов через одноплатформенные весы, который можно использовать для обучения интеллектуальных систем и генерации приближенных к реальным данным проезда вагона (за счет наложения шумов, пр.). Практическая ценность. Повышение точности и скорости идентификации вагона в целом, что уменьшает время простоя предприятия, способствует увеличению количества взвешенных и идентифицированных движущихся объектов, а так же возможность идентифицирования типа вагона с одинаковым количеством осей в железнодорожном составе. Методы, приведенные в работе, могут быть использованы как для идентификации, так и для задач, конечным результатом которых является классификация входных данных (нейронные сети и т.п.)., Мета роботи. Отримання апроксимуючої функції (або системи апроксимуючих рівнянь), яка з мінімальною похибкою зробить наближення до наявних даних по проїзду залізничних об’єктів через 1-но платформні залізничні ваги. Методи дослідження. Для розв'язання поставленої задачі використовуються числові методи , а саме апроксимація поліноміальними функціями n-го порядку. Експериментальні данні, на основі яких виконуються досліди було отримано з системи зважування та ідентифікації вагонів у русі на одно платформних вагах. Автоматизація процесу апроксимації відбувається за допомогою програми, написаної на мові програмування Python в якій, для отримання коефіцієнтів многочлена, використано функції polifit та polyid бібліотеки numPy . Отримані результати. Завдяки використанню поліномінальної апроксимації при обробці даних з тензометричних залізничних вагових систем вдалось отримати систему лінійних рівнянь, які з мінімальною похибкою відновили експериментальні дані, що були отримані з існуючої системи підприємства Північний ГЗК: Метінвест. При нормалізації показань датчиків від умовних одиниць, отриманих з підсумкової коробки до діапазону значень [0 ; 1] з'явилась змога, у процентному співвідношенні, описати рухомий залізничний об’єкт. Це дає змогу уникнути залежності кінцевих результатів від швидкості проїзду вагона або локомотива, що призводить до підвищення точності ідентифікації вагонів у рухомому складі за рахунок використання процентного співвідношення перебування осей на ваговій платформі(наїзд/з’їзд). З’явилась можливість визначити тип вагона з однаковою кількістю осей, але різними характеристиками міжосьового простору та бази рухомого складу. Наукова новизна. Новизна полягає в отриманні загального методу апроксимації експериментальних даних проїзду вагонів через одноплатформні ваги, який можна використовувати для навчання інтелектуальних систем та генерації, наближених до реальних даних проїзду вагона( за рахунок накладання шумів, тощо. ). Практична цінність. Підвищення точності та швидкості ідентифікації вагона у цілому а також можливість ідентифікувати тип вагона з однаковою кількістю осей у залізничному складі, зменшує час простою підприємства, що сприяє збільшенню кількості зважених та ідентифікованих рухомих об’єктів. Методи, наведені у роботі, можуть буди використанні як для ідентифікації, так і для задач, кінцевим результатом яких є класифікація вхідних даних( нейронні сітки та т.п. ).