Preview

Вопросы радиоэлектроники

Расширенный поиск

Методика идентификации технического состояния оборудования электропоездов

https://doi.org/10.21778/2218-5453-2020-4-48-56

Полный текст:

Аннотация

В связи с тем, что оборудование современных электропоездов функционально и технологически усложняется, возрастает актуальность создания бортовых систем предиктивного мониторинга для идентификации их фактического и прогнозируемого технического состояния. В настоящее время такие системы пока не созданы. Одним из возможных путей решения данной задачи можно считать применение нейросетевых технологий. В статье предлагается методика идентификации технического состояния оборудования электропоездов с использованием технологий искусственных нейронных сетей, которая позволяет в режиме реального времени обнаруживать возникновение и развитие неисправностей с отображением информации на дисплее в кабине машиниста. С учетом специфики решаемой задачи обоснован выбор многослойной архитектуры нейронной сети прямого распространения. Все слои нейронной сети являются полностью взаимосвязанными, при этом определено количество нейронов входного и выходного слоев сети, равное числу контролируемых параметров технического состояния электропоезда и числу его возможных технических состояний соответственно. В качестве функции активации нейронов сети выбрана логистическая функция. Для обучения искусственной нейронной сети применяется эвристический подход.

Об авторах

Ю. С. Кучеров
АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева»
Россия

Кучеров Юрий Сергеевич, кандидат технических наук, генеральный директор

117437, Москва, ул. Профсоюзная, д. 108



Р. В. Допира
АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева»
Россия

Допира Роман Викторович, доктор технических наук, профессор, ведущий научный сотрудник

117437, Москва, ул. Профсоюзная, д. 108



А. А. Шведун
Военная академия воздушно-космической обороны им. Г. К. Жукова
Россия

Шведун Андрей Александрович, адъюнкт

170100, Тверь, ул. Жигарева, д. 50



Д. В. Ягольников
Военная академия воздушно-космической обороны им. Г. К. Жукова
Россия

Ягольников Дмитрий Владимирович, кандидат технических наук, докторант

170100, Тверь, ул. Жигарева, д. 50



Список литературы

1. Патент РФ на изобретение № 2386563 / 20.04.2010. Бюл. № 11. Костюков В. Н., Костюков А. В., Бойченко С. Н., Стариков В. А., Зайцев А. В., Щелканов А. В. Система мониторинга электропоездов.

2. Бабокин Г. И., Шпрехер Д. М. Контроль технического состояния электромеханических систем при помощи нейросетевых схем распознавания // Известия Тульского государственного университета. 2010. № 1. С. 109–114.

3. Бабокин Г. И., Шпрехер Д. М. Нейросетевая технология диагностики электромеханических систем горных машин // Известия вузов. Горный журнал. 2011. № 3. С. 39–44.

4. Kiselev M. I., Pronyakin V. I., Tulekbaeva A. K. Technical diagnostics functioning machines and Mechanisms. IOP Conf. Ser.: MSE, 2018, vol. 312.

5. Генов А. А., Русаков К. Д., Хиль С. Ш. Идентификация состояния сложной технической системы в условиях неопределенности измерительной информации // Программные продукты и системы. 2017. Т. 30. № 3. С. 373–377.

6. Метод идентификации технического состояния радиотехнических средств с применением технологий искусственных нейронных сетей / Р. В. Допира, А. А. Шведун, Д. В. Ягольников, И. Е. Яночкин // Программные продукты и системы. 2019. Т. 32. № 4. С. 628–638.

7. Русаков К. Д., Хиль С. Ш. О задаче выбора признаков наблюдаемого состояния сложного динамического объекта в условиях различного качества измерительной информации. Нейрокомпьютеры и их применение: тез. докл. XV Всерос. науч. конф. М.: Изд-во МГППУ, 2017. С. 246–248.

8. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.

9. Пекунов В. В. Извлечение информации из нейронных сетей прямого распространения в виде простых алгебраических моделей // Информационные технологии. 2017. Т. 23. № 1. С. 76–80.

10. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representations by error propagation, in parallel distributed processing. Cambridge, MA, MIT Press, 2011. Vol. 1, pp. 318–362.

11. Теория и практика машинного обучения / В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов. Ульяновск: Изд-во УлГТУ, 2017. 290 с.

12. Samad T. Back-propagation improvements based on heuristic arguments. proceedings of international joint conference on neural networks. Washington, 1990. Vol. 1, pp. 565–568.

13. Махотило К. В., Вороненко Д. И. Модификация алгоритма Левенберга-Марквардта для повышения точности прогностических моделей связного потребления энергоресурсов в быту // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. 2005. С. 83–90.

14. Жуков Д. А., Клячкин В. Н. Влияние объема контрольной выборки на качество диагностики состояния технического объекта // Автоматизация процессов управления. 2018. № 2. С. 90–95.

15. Полезная модель к патенту РФ № 194498 / 12.12.2019. Бюл. № 35. Шведун А. А., Ягольников Д. В., Солдатенко В. А., Созонтов И. А. Искусственная нейронная сеть для идентификации технического состояния радиотехнических средств.


Для цитирования:


Кучеров Ю.С., Допира Р.В., Шведун А.А., Ягольников Д.В. Методика идентификации технического состояния оборудования электропоездов. Вопросы радиоэлектроники. 2020;(4):48-56. https://doi.org/10.21778/2218-5453-2020-4-48-56

For citation:


Kucherov Y.S., Dopira R.V., Shvedun A.A., Yagolnikov D.V. Method of identification of technical condition of equipped train equipment. Issues of radio electronics. 2020;(4):48-56. (In Russ.) https://doi.org/10.21778/2218-5453-2020-4-48-56

Просмотров: 9


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2218-5453 (Print)
ISSN 2686-7680 (Online)