CC BY
23
УДК 681.518.3
DOI: 10.24412/2071-6168-2021-11-324-337
АВТОМАТИЗАЦИЯ УСТРОЙСТВ МИКРОПРОЦЕССОРНОЙ РЕЛЕЙНОЙ ЗАЩИТЫ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
В.Н. Сизых, А.В. Данеев, М.В. Востриков, К.В. Менакер
В работе для повышения селективности и технической эффективности микропроцессорных устройств релейной защиты фидеров контактной сети переменного тока предлагается применение разработанной искусственной нейронной сети для сопоставления информации о текущей поездной ситуации (веса движущихся по участку поездов, текущие их координаты и скорости движения, типы локомотивов и т.д.), полученной с автоматизированной системы ГИД "Урал-ВНИИЖТ", с параллельно снимаемыми с терминалов релейной защиты значениями электрических параметров, с одновременным формированием множества унифицированных шаблонов в виде хеш-кодов.
Ключевые слова: нейронная сеть, микропроцессорная релейная защита, аварийная поездная ситуация, шаблон, фидер контактной сети, селективность, обучение, хеш-код, график исполненного движения.
Непрерывная тенденция, связанная с увеличением длин поездов, обращением сдвоенных поездов, введением «виртуальной автосцепки», уменьшением интервала попутного следования поездов неизменно приводит к увеличению нагрузки на устройства системы тягового электроснабжения: увеличению величины тока и уменьшению уровня напряжения в контактной сети, смещению углов вектора комплексного сопротивления в область значений уставок аварийного срабатывания микропроцессорных устройств релейной зашиты. В работе [1] приводится анализ статистики аварийных срабатываний микропроцессорных устройств релейной защиты на дистанциях электроснабжения Забайкальской железной дороги. Среди аварийных срабатываний - большое число срабатываний по неустановленным причинам связано, как показывают измерения и исследования, с режимами работы систем тягового электроснабжения близким к аварийным, вследствие тенденций, указанных выше [2]. Разработки [3, 4] направлены на снижение числа подобных срабатываний микропроцессорных устройств релейной защиты, и основаны, в том числе, на введении в алгоритмы работы современных автоматизированных устройств аварийной защиты элементов обучаемости на основе анализа информации о текущей поездной информации, полученной с системы ГИД "Урал-ВНИИЖТ" (ГИД), формирования шаблонов электрических параметров и использования нейронных сетей.
Система ГИД, в первую очередь, предназначена для управления ходом перевозочного процесса с автоматизированных рабочих мест диспетчерского и руководящего аппарата всех уровней управления эксплуатационной работой. Однако, информационные возможности системы широки и также используются работниками других служб и ведомств. Система ГИД имеется, в том числе, и на каждой тяговой подстанции для анализа дежурными поездной обстановки [5]. В состав системы ГИД, помимо информации о количественных показателях движущихся поездов, неизменно входит подсистема получения информации с устройств сигнализации, централизации и блокировки (СЦБ) о состоянии занятости или свободности изолированных участков соответствующих путей на станциях и перегонах, о показаниях входных и выходных светофоров, об установке маршрутов приема и отправления, о положении стрелок и т.д. [6]. В системе ГИД также имеются немаловажные функции расчета среднего веса, длины и скорости движения поездов за определенный или заданный период времени.
Поскольку у дежурного эксплуатационного персонала тяговых подстанций уже имеется доступ к автоматизированной системе ГИД, то для решения поставленной задачи не потребуется дополнительных финансовых и организационных затрат.
Задачей данного исследования является разработка методологии формирования унифицированных шаблонов электрических параметров, присущих соответствующим режимам работы устройств систем тягового электроснабжения, при различных поездных ситуациях, на основе работы нейронной сети (НС) в режиме постоянного обучения и дальнейшего их соотношения с текущими фактическими значениями.
Основная часть. На Забайкальской железной дороге наибольшее распространение получили микропроцессорные терминалы релейной защиты типа БМРЗ - 27,5 - ФКС и ЦЗА -27,5 - ФКС (ФТС). Поскольку данные устройства представляют собой законченные технические решения, поставленную задачу предлагается решить следующим образом: организовать процесс формирования шаблонов электрических параметров и работу нейронной сети либо на отдельной ПЭВМ, либо на ПЭВМ дежурного эксплуатационного персонала, на которой уже имеется доступ к системе ГИД.
В общем виде, упрощенная топологическая схема разработанной нейронной сети на примере нагрузок фидеров контактной сети, питающих четный путь, представлена на рис. 1. Входной слой НС представлен переменными, характеризующими занятость или свободность соответствующих блок-участков, информация по которым снимается с путевых реле рельсовых цепей и передается посредством устройств диспетчерской централизации в систему ГИД и далее на обрабатывающую ее ПЭВМ. По времени последовательного занятия и освобождения известных по длине блок-участков, система ГИД определяет и передает в ПЭВМ текущие средние значения скорости движения поездов, которые фиксируются с помощью весовых коэффициентов четвертого внутреннего слоя НС. Второй и третий внутренние слои НС представлены значениями весов поездов, движущихся по контролируемому участку и типами локомотивов. Данная информация также поступает в ПЭВМ с системы ГИД. Пятый внутренний слой НС представлен переменными, характеризующими схему питания и секционирования контактной сети (1 - раздельная схема, 2 - узловая схема, 3 - встречно-кольцевая схема, 4 - параллельная схема). Информация относительно текущей схемы питания контактной сети может быть снята автоматическим путем с устройств телесигнализации (ТС) тяговой подстанции (контроль соответствующих выключателей и разъединителей) или может быть введена в ручном режиме дежурным по тяговой подстанции.
Результатом функционирования разработанной НС будут являться прогнозные значения тока, напряжения, модуля и аргумента комплексного сопротивления, соответствующие текущей поездной ситуации. Данные значения записываются в виде переменных внутренних слоев 6-9 НС соответственно. В режиме обучения НС значения электрических параметров снимаются первичными измерительными элементами терминалов релейной защиты, далее сопоставляются с текущей поездной ситуацией и записываются в виде переменных соответствующих слоев в ПЭВМ. При большом числе сформированных однотипных статистических данных находится среднее значение того или иного электрического параметра.
В режиме прогнозирования средние значения электрических параметров, найденные в режиме обучения НС, сравниваются с текущими измеренными значениями при условии однотипности поездной ситуации. При значительном отклонении сравниваемых параметров НС выдает дежурному эксплуатационному персоналу соответствующий сигнал, который при необходимости может быть продублирован в систему релейной защиты. Дежурный по тяговой подстанции при этом сохраняет возможность оперативного управления устройствами систем тягового электроснабжения, а также получает возможность анализа причин сложившейся аварийной поездной ситуации.
Следует отметить, что при одновременном нахождении нескольких поездов на участке, за питание которого отвечает соответствующий фидер, находятся результирующие значения электрических параметров, которые сравниваются с их фактическими измеренными значениями.
Описание разработанной НС в терминах линейной алгебры осуществим на основе бинарных матриц, которые просты в описании и наиболее пригодны для цифровой обработки. Входной слой, характеризующий занятость или свободность блок-участков, (с учетом среднего расстояния между тяговыми подстанциями 50-60 км и длиной блок-участков 2-2,5 км) представим в виде 32-х разрядного вектора двоичных чисел (1). Значение «1» записывается в строке, соответствующей занятому блок-участку. Информация о занятости блок-участков снимается с системы ГИД.
В =
(ЬЛ
Ь2 Ьз ЬА Ьв
й31 \ь32/
/2 \ I 4
6 8 10
\62/ \б4/
, номер блок участка
(1)
Рис. 1. Упрощенная топологическая схема разработанной нейронной сети на примере нагрузок фидеров контактной сети, питающих
четный путь
Внутренний слой, характеризующий массу поезда, (с учетом максимальной массы сдвоенного поезда 14200 тонн и дискретизации массы в 100 тонн) представим в виде 128-ми разрядного вектора двоичных чисел (2). Значение «1» записывается в строке (строках), соответствующих массе каждого движущегося поезда на участке. Информация о массе движущихся поездов снимается с системы ГИД.
/ 1500 \
М =
/Ш1\ т2
т3
тА
т5
т127 \т128/
1600 1700 1800 1900
, 14100, \ 14200/
, масса поезда, т
(2)
14200^
Внутренний слой, характеризующий тип электровоза (с учетом числа марок и модификаций электровозов, применяемых на Забайкальской железной дороге) представим в виде 16-ти разрядного вектора двоичных чисел (3). Значение «1» записывается в строке (строках), которые соответствуют поездам, ведомыми электровозами разных марок соответственно. Информация о типах локомотивов движущихся поездов снимается с системы ГИД.
/ ВЛ80С \ ' ВЛ80С (3 секции) * ВЛ80С (4 секции) ВЛ85 2ЭС5К
Е =
в2
<?3
е4 _
. е15 .
\
марка электровоза
(3)
/
ЭП1 ЭП1М
Внутренний слой, характеризующий текущую скорость движения поезда (с учетом предела конструкционной скорости обращающегося подвижного состава и дискретизации скорости движения в 1 км/ч) представим в виде 128-ми разрядного вектора двоичных чисел (4). Значение «1» записывается в строке (строках), соответствующей текущим скоростям движения поездов по участку. Информация о текущей скорости движущихся поездов снимается с устройств СЦБ и передается через систему ГИД в базу данных НС.
У =
р2 р4
^127 \^128/
( 0 \ ' 1
2
3
4
\ 126 / 427/
, скорость поезда, км/ч
(4)
Р =
Внутренний слой, характеризующий схему питания и секционирования контактной сети с учетом четырех основных режимов (1 - раздельная схема, 2 - узловая схема, 3 - встречно-кольцевая схема, 4 - параллельная схема) представим в виде 4-х разрядного вектора (5). Значение «1» записывается в строке, соответствующей действующей схеме питания и секционирования контактной сети участка.
I = I 2 I, номер схемы питания и секционирования КС (5)
\рА/ \ 4/
Внешние слои, характеризующие значения амплитуды тока и напряжения, модуля и аргумента комплексного сопротивления (с учетом изменения допустимой амплитуды тока от 0 до 1200 А, допустимого уровня напряжения в контактной сети от 19 до 29 кВ, модуля комплексного сопротивления контактной сети от 0 до 128 Ом, аргумента комплексного сопротивления контактной сети от 0 до 120 градусов и приемлемой точности дискретизации 10 А, 100 В, 1 Ом, 1 градус соответственно) представим в виде 128-ми разрядных векторов (6-9). Значение «1» записывается в строках, соответствующих текущим измеренным значениям электрических параметров.
1 =
и =
'2 /з
/4 /5
\ 7127 /
\/128/ ' и2
и3
и4
и5
0
0 10 20
30
40
, амплитуда тока, А
(6)
и
и
127 128'
1260 \l270/ 17000 17100 17200
17300 17400
,напряжение КС, В
(7)
, 29600, \29700/
F =
7 =
/2 /з
/4 /5
, /127 . \/128/
¿2 0 1
2
_ 3
4
^127 \zi2s/ 126 \ 127
, модуль компл. сопротивления, Ом
(8)
0
1 2
3
4
\126/ \127/
аргумент компл. сопротивления, эл. градусы
(9)
С учетом приведенного описания слоев НС на основе бинарных матриц рассмотрим алгоритм ее работы. Первый слой в предлагаемой НС представляет собой вектор В, в строки которого записаны логические единицы, в соответствии с занятостью поездами текущих блок-участков. Информация в данный вектор поступает с системы ГИД и далее передается нейронам следующего слоя. На рис. 2 приведена типовая модель искусственного нейрона с учетом весовых коэффициентов [7].
Вход а
Каждому соединению между нейроном входного слоя и нейроном последующего скрытого слоя назначается числовой вес ^ и находится их взвешенная сумма:
х = ао)а + + са)с, (10)
В нашем случае для бинарных векторов числовые коэффициенты ^ принимаются равными «1» при условии имеющейся связи между нейроном последующего слоя с одним нейроном предыдущего слоя. При связи нейрона последующего слоя с двумя или несколькими п-нейронами предыдущего слоя соответствующие весовые коэффициенты должны принимать кратное значение:
(11)
Равенство весовых коэффициентов связано с равнозначностью вклада каждого активного нейрона предыдущего слоя в действие зависимого нейрона последующего слоя, например при занятии одним и тем же поездом нескольких блок-участков.
Все суммы всех взвешенных входов нейронов можно найти с помощью произведения
матриц:
Х = (12)
где Ш — матрица весов связей, соединяющих предыдущий и последующий слои НС; К — матрица входов сети; X — итоговая матрица, содержащая суммы всех взвешенных входов для последующего слоя.
Выражение (12) необходимо применять для каждого слоя.
Матрица весов связей, соединяющих первый и второй слои нейросети, может быть найдена посредством суммы произведений векторов М и В для каждого /-го поезда:
Для НС, представленной на рис. 1, матрица весов связей примет вид:
" Л"
о о о
0 0
1 1
(13)
Ш2=Г
о
о о
0
1 о о о
О
X
о
1 1 о о о о о
о
1 + 2
о
0
1 о о о о о
О
х
О
оо 0 0 0 0 0 0 0 0
оо 0 0 0 0 0 0 0 0
оо 0 0 0 0 0,5 0,5 0 0
оо 0 0 0 0 0 0 0 0
0 0,5 0,5 0 0 0 0 0 0 0
о о 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
00 0 0 0 0 0 0 0 0
00 0 0 0 0 0 0 0 0/
Итоговая матрица, содержащая суммы всех взвешенных входов для второго слоя:
= Ш2 X В, (14)
Для нейронной сети, представленной на рис. 1 матрица суммы всех взвешенных входов примет вид:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
00 0 0 0 0 0,5 0,5 0 0 1 1
00 0 0 0 0 0 0 0 0 0 0
0 0,5 0,5 0 0 0 0 0 0 0 X 0 1
0 0 0 0 0 0 0 0 0 0 0 0
00 0 0 0 0 0 0 0 0 1 0
00 0 0 0 0 0 0 0 0 1 0
00 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0/ 0/ у 10/
=
V
В случае одновременного движения по участку двух или нескольких поездов одинаковой массы (рис. 3), матрицы весов связей и суммы взвешенных входов примут вид:
Ш.2 =-•
2
Л 1 0
0
0
1
0
0
0
О
01 1 0 0 0 0 0
О
0
0 0 0
1
Х2 =
0
0 0 0 1 0 0 0
V 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0
0 0 0 0 0 1 1
\0/
000 000 000 000
00 00 00 00
0 0,5 0 0 00 00 00
^0 0 00
00 00 00
0,5 0 0 0 0,5 0,5 0 0
0 0,5 0 0
0,5 0 0 0 0,5 0,5 0 0 0 0 0 0 0 0 0 0
000 000 000 000
00 00 00 00
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
^ 0 0
1 0
0 0
0 2
0 0
1 0
1 0
10/
Числовое значение 2 в полученной матрице суммы взвешенных входов указывает на присутствии на анализируемом участке двух поездов одинаковой массы.
Аналогичным образом, для разработанной НС матрица весов связей, соединяющих второй и третий слои нейросети, может быть найдена посредством суммы произведений векторов Е и М для каждого /-го поезда:
ж23 = хм(т], (15)
Итоговая матрица, содержащая суммы всех взвешенных входов для третьего слоя:
^3 = ^23x^2 , Для НС, представленной на рис. 1:
0
(16)
Ж23 =
0
0 0 0 1 0
\0/
0
0 0 0 1 0 0 0 0 0
+
0 0 0 0 т 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
1 X 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
\0/ 0 V0 0 0 0 0 0 0 0 0 0
10/ 0 0 0 0 0 0 0 0 0
Х3 =
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 X 1 1
0 0 0 0 1 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0/ 0/ 0 10/
0 0 0 0 0 0 0 0 0 0
Внутренний слой Масса поезда, т
Рис. 3. Фрагмент НС для двух одновременно движущихся поездов одинаковой массы
по участку
Матрица весов связей, соединяющих третий и четвертый слои разработанной НС, может быть найдена посредством суммы произведений векторов V и Е для каждого /-го поезда:
= (17)
Итоговая матрица, содержащая суммы всех взвешенных входов для третьего слоя:
= Ж34 X Х3, Для НС, представленной на рис. 1:
(18)
Ж34 =
Л 1 0
0
0
0
0
1
0
о
0
0 0 0 1 0
О
+
0
0 0 0 0 1 0 0
\0/
=
0
0000 0000 0000 0000 0 0 0 0 0 0 1 000
0
0 0 1 0 0
О
0
00 00 00 00 0 0 0 0 0 0 1000
х
00000000 00000000 00000000 00000000 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 00001000 00000000 00000000
00000000 0
0 0 0 0 1 1 0
0
0 0 1 1 0
О
о
0000000 0000000 Ч 0 0 0 0 0 0 0/
Матрица весов связей, соединяющих четвертый и пятый слои разработанной НС, может быть найдена посредством произведения векторов Р и V (отсутствие суммы в выражении связано с одним конкретным режимом работы данной тяговой подстанции):
^45 = хКт], (19)
Итоговая матрица, содержащая суммы всех взвешенных входов для третьего слоя:
(20)
0 0 0 0 0 0 00 0 0
0 -(0 0 0 0 0 00 0 0
1 "\0 0 0 0 0 0,5 0,5 0 0
1 0 0 0 0 0 00 0 0
= Ж45 х Х4,
Для НС, представленной на рис. 1:
Лт ' 0
0
Ж45 = - • 2
0
О
О
0 о
0
1 1 о
О
Представленный алгоритм в виде последовательности выражений (13-20) позволяет зафиксировать текущую поездную ситуацию, которой в режиме обучения нейронной сети будут соответствовать измеренные амплитудные значения тока и напряжения, а также значения модуля и аргумента комплексного сопротивления контактной сети.
Я5 =
000 000
00 00
0 0
0 0
000 000
0 0 0 0 0 0,5 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0
х
/ =
\
'2 /з
/4 /5
\ 7127 /
/М
и =
7 =
¿2 /М /з
, ^ = /4 /5
I2127/ уЬ/
(21)
и2 и3
Щ
и5
1 ^127 1128/ ^128 Для НС, представленной на рис. 1:
0 0 0 0 1 0 0
\0/
С учетом возможности многократной фиксации одной и той же поездной ситуации за определенный конечный период времени с незначительно отличающимися значениями электрических параметров предлагается каждой индивидуальной поездной ситуации сопоставлять 11-ти битный вектор усредненных значений электрических параметров и средних абсолютных отклонений, округленных до ближайших дискретных целых значений, указанных в матрицах
(6-9):
1 =
и =
0 0 А
0 0 0
0 0 0
0 , 1 = 0 , ^ = 0
0 0 0
0 0 0
1 0 0
\0/ 10/ 10/
Ек = 1 8
Ж!'"
8
- ЕГ-7^ !Г-7|У-У;1 ¿, и1,и1_1,и1_2,и1_3,и1_4,и1_5,и1_6,и1_7, и =
8
8
7 _ |. - _ £fc=7t zi Xfc=7t|z
¿S — I I, Z(,Z(_1,Z(_2,Z(_3,Z(_4,Z(_5,Z(_6,Z(_7,Z — ^ , ^
Fs = (i,fi,fi_1,fi_2,fi-3,fi-4.,fi-s,fi-6,fi-7,f = \ (22)
где i - номер текущей фиксации одной и той же поездной ситуации за определенный конечный период времени.
Выражения (22) удобно представить в виде одного вектора строки:
R = augment(Is1Q,Is11,Us1Q,Us11Zs1Q,Zs11Fs1Q,Fs11), (23)
С целью идентификации соответствующей поездной ситуации в период обучения и штатной работы НС целесообразно использовать проверенный, зарекомендовавший себя в решении множества задач, алгоритм хеширования SHA-2 (SHA-256) [8, 9].
Для реализации алгоритма идентификации соответствующей поездной ситуации запишем в последовательный вектор значения следующих друг за другом строк матриц НС: Н = augment[BT,row(W12,1 ...128),X2T,row(W23,1 ...16),Х3Т,
row(W34,1 ...128),X4T,row(W45,1 ...4),Х5Т], (24)
Полученный вектор-строку H для нейронной сети, представленной на рис. 1, преобразуем в двоичный вид (см. рис. 4). Причем значения 0 и 1 в векторе H оставляем без изменений. Отличные же от двоичных чисел преобразуем в двоичный вид с помощью таблицы символов ASC-II [9]. Так числовому значению 2 будет соответствовать двоичное число 00110010. Числовому значению 0,5 - 0 00101100 00110101. Числовому значению 14 - 00110001 00110100 и т.д.
ВТ tow (tV 12,1) row(W12,2) row(W12,3)
0110001100 0000000000 0000000000 000000 0 00101100 00110101 0 00101100
гow(W 12, 3) row( W12,4) row(W 12,5")
00110101 00 0000000000 0 0 00101100 00110101 0 00101100 00110101 0000000
гow(W 12, 6) row(W 12,7) row(W 12,8) row(W12,9) row{W 12.10) X2T
0000000000 0000000000 0000000000 0000000000 0000000000 0010100000
row(W23,1") row(W23,2) row(W23,3") row(W23,4) row(W23.5) row(W23,6)
0000000000 0000000000 0000000000 0010000000 0000100000 0000000000
row(W23, 7) row(W23,8) X3T row(W34,1) row(W34,2) row(W34,3)
0000000000 0000000000 00011000 00000000 00000000 00000000
row(W34, 4) row(W34,5) row(W34,6) row(W34,7) row(W34,8) row(W34,9)
00000000 00000000 00010000 00001000 00000000 00000000
row (W34,10") X4T row(W4S, 1") row(W45,2) row(W45,3)
00000000 0000011000 0000000000 0000000000 00000
row) W45,3) row(W45,4) X5T
000101100 00110101 0 00101100 00110101 000 0000000000 0010
Рис. 4. Вектор-строка Н в двоичном виде Преобразуем полученный вектор Н в удобный вид (см. рис. 5).
01100011 00000000 00000000 00000000 00000001 01100001 10101000 10110000
11010100 00000000 00000010 11000011 01010001 01100001 10101000 00000000
00000000 00000000 00000000 00000000 00000000 00000000 10100000 00000000
00000000 00000000 00000000 10000000 00001000 00000000 00000000 00000000
00000000 00011000 00000000 00000000 00000000 00000000 00000000 00010000
00001000 00000000 00000000 00000000 00000110 00000000 00000000 00000000
00000010 11000011 01010001 01100001 10101000 00000000 00001 ода 10000000
Рис. 5. Вектор-строка Н в двоичном преобразованном виде
Заполняем крайний неполный байт вектора Н нулями, первый бит последнего байта единицей и далее нулями до тех пор, пока данные не станут кратными 512 без последних 64 бит (в нашем случае 448 бит) (см. рис. 5).
Добавляем 64 бита в конец, где 64 бита - целое число с порядком байтов, обозначающее длину входных данных в двоичном виде. В нашем случае 438, в двоичном виде -«110110110» (см. рис. 6).
Таким образом, получили входную последовательность, которая всегда будет без остатка делиться на 512.
Создаем 8 значений хеша. Это константы, представляющие первые 32 бита дробных частей квадратных корней первых 8 простых чисел: 2, 3, 5, 7, 11, 13, 17, 19: М=0х6а09е667, Ы=0хЬЬ67ае85, h2=0x3c6ef372, h3=0xa54ff53a, h4=0x510e527f, h5=0x9b05688c, h6=0x1f83d9ab, h7=0x5be0cd19.
01100011 00000000 00000000 00000000 00000001 01100001 10101000 10110000
11010100 00000000 00000010 11000011 01010001 01100001 10101000 00000000
00000000 00000000 00000000 00000000 00000000 00000000 10100000 00000000
00000000 00000000 00000000 10000000 00001000 00000000 00000000 00000000
00000000 00011000 00000000 00000000 00000000 00000000 00000000 00010000
00001000 00000000 00000000 00000000 00000110 00000000 00000000 00000000
00000010 11000011 01010001 01100001 10101000 00000000 00001000 10000000
00000000 00000000 00000000 00000000 00000000 00000000 00000001 10110110
Рис. 6. Вектор-строка Н в двоичном преобразованном виде
Создаем дополнительно 64 константы. Каждое значение — это первые 32 бита дробных частей кубических корней первых 64 простых чисел (2-311) (см. рис. 7).
0х428а2®8 0x71374491 0хЬ5с0йэс£ 0хе9Ь5(ЗЬа5 0х3956с25Ь Ох59Й11Й 0х923£82а4 0хаЫс5е65
0хй807аа98 0х12835Ы)1 0x243185Ье 0х550с7(1с3 0х72Ье5а74 Ох80(1еЬНе Ох9ЬасОба7 0хс19Ь£174
0хе49Ь69с1 0хе1Ъе4786 ОхО£с19с1с6 0х240са1сс 0x2de92c6f 0х4а7484аа 0х5сЬ0а9ас 0х76£9886а
Ох983е5152 0ха831с66с1 ОхЬ00327с8 0хЬ£597:Гс7 ОхсбеООЬВ 0хй5а79147 0х06саб351 0x14292967
Ох27Ь70а85 0х2е1Ь2138 0x4d2cбdfc 0x53380(113 0х650а7354 Ох76баОаЫ> 0х81с2с92е 0х92722с85
0ха2Ь£е8а 1 0ха81аб64Ь 0хс24Ь8Ь70 0хс7бс51аЗ 0х6192е819 0x66990624 0х£40е3585 0x106аа070
0х19а4с116 0х1е37бс08 0x2748774с 0х34Ь0ЬеЬ5 Ох391сОсЬЗ 0х4е68аа4а 0х5Ь9сса41: 0х682ебйЗ
0x748 £Б2ее 0х78а5б36£ 0х84с87814 0х8сс70208 ОхЭОЬеЖа 0ха450бсеЬ 0хЬе£9аЗ£7 0хс67178£2
Рис. 7. Дополнительные константы
Следующие шаги будут выполняться для каждого 512-битного фрагмента входных данных. Копируем входные данные из табл. 3 в новый массив, где каждая запись является 32-битным словом (см. рис. 8).
01100011000000000000000000000000 00000001011000011010100010110000
11010100000000000000001011000011 01010001011000011010100000000000
00000000000000000000000000000000 00000000000000001010000000000000
00000000000000000000000010000000 00001000000000000000000000000000
00000000000110000000000000000000 00000000000000000000000000010000
00001000000000000000000000000000 00000110000000000000000000000000
00000010110000110101000101100001 10101000000000000000100010000000
00000000000000000000000000000000 00000000000000000000000110110110
Рис. 8. Исходный массив, записанный 32-битным словом
Добавляем к полученному массиву ещё 48 слов, инициализированных нулями, чтобы получить массив w[0...63] (см. рис. 9).
опооопоооооодаюооооооооиюооо 1101010000000000000000101 ] 000011 огоооооооооооооооооооовдоооооооо ооооооооооооооооооооооооюоооооо 00000000000110000000000000000000 ооооюомоооооооооооооосюооооооо 00000010110000110101000101100001 оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооммооооооооооосдоооооо оосооооооооооооооооооооооооооосо оооооооооооооооооооооооооооооосо ООСОООООООООООООООООООООООООООШ
оооооооооооооооооооооооооооооооо оооооооооооюооооооооооооооооооо ооооооооооомооооооооооооооооооо оосооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооосо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо
ОООООООООООМООООООООООООООООООО
оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооосо оооооооооооооооооооооооооооососо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооюооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооосо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооосо оооооооооооооооооооооооооооооооо
00000001011000011010100010110000 01010001011000011010100000000000 00000000000000001010000000000000 ооооюооооооооооооооовдмооооооо 00000000000000000000000000010000 00000110000000000000000(100000000 Ц.ЩЦУ-;П.-|.л.Г| :■::■! .:: С1-Д.1 ИЛ 00000000000000000000000110110110 ооооооооооооооооооооооооомооооо оооооооооооомоооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооотоооооооооооооооооооооооо 000000(ю00000000000000000м10(ю00 оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо 00000000000000000000000001X100000
оооооооооооооооооооооооооооооооо
00000000000000000000000001X100000 оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо оооооооооооооооооооооооооооооооо
Рис. 9. Исходный массив с добавлением 48 двоичных слов
333
Изменяем добавленные на предыдущем шаге нулевые двоичные слова в конце массива, используя следующий алгоритм (см. рис. 10). Значения s0 и s1 получаются как результат сложения по модулю два двоичных слов в соответствующих строках. Операция п»
реализует перестановку массива битов, начиная с разряда п, отсчитываемых справа, в начало двоичного слова (например, применение операции 7 для двоичного числа
01101111001000000111011101101111> 11011110110111100100000011101110). При выполнении оператора «rightsЫft» значение для каждого бита смещается вправо на количество битовых позиций, заданное в виде аргумента. Значение, присваиваемое самому правому биту, теряется.
Рис. 10. Алгоритм изменения нулевых двоичных слов в конце массива
Следующим шагом алгоритма хеширования инициализируем переменные a, b, c, d, e, f, g, h и приравниваем их соответствующим значениям хеша h0, hi, h2, h3, h4, h5, h6, h7. Далее запускаем цикл сжатия, который будет изменять значения a...h (см. рис. 11).
После цикла сжатия модифицируем значения хеша, добавляя к ним соответствующие переменные a ... h. Всё сложения происходит по модулю 2:
h0 = h0 xor a, hi = hi xor Ь, h2 = h2 xor c, h3 = h3 xor d, h4 = h4 xor e, h5 = h5 xor f,
h6 = h6 xor g, h7 = h7 xor h, (25)
Последним шагом собирается финальный хеш:
digest = h0 append hi append h2 append h3 append h4 append h5
append h6 append h7, (26)
Для вектора Я, представленного в виде рис. 4, финальный хеш имеет вид: digest= (14969b236412237aia52ce37bfe3abaa2bff3969036230000d9453131 c5be603) Каждой поездной ситуации, закодированной в виде хеш-кода, в соответствие ставится комплект усредненных электрических параметров, записанный в виде R матрицы (см. выражение 23).
Заключение. Подводя итоги, следует отметить, что разработанная искусственная НС, после предварительного обучения, позволяет сопоставить информацию о текущей поездной ситуации, полученную с системы ГИД, с параллельно и одномоментно снимаемыми с терминалов релейной защиты значениями электрических параметров в виде тока, напряжения и комплексного сопротивления, формируя при этом множество унифицированных шаблонов в виде хеш-кодов. НС при совместной работе с микропроцессорными устройствам релейной защиты обеспечит контроль действующих электрических параметров контактной сети в заданных ста-
тистических пределах в каждый момент времени и среагирует соответствующим образом, в случае выхода параметров за допустимые значения. Это, в свою очередь, приведет к заблаговременному прогнозированию предаварийных и аварийных режимов работы систем тягового электроснабжения, а, следовательно, и к уменьшению числа срабатываний устройств релейной защиты, в том числе, и по неустановленным причинам.
Рис. 11. Алгоритм цикла сжатия
По мнению авторов, главным преимуществом предлагаемой НС уже на первом этапе ее внедрения является возможность проведения анализа множества поездных ситуаций, в том числе, сопровождаемых выходом электрических параметров, контролируемых устройствами релейной защиты, за допустимые (полученные статистическим путем) пределы. Выявление причин появления подобных ситуаций позволит принять своевременные меры и существенно снизить их число. Применение разработанной НС, по сути, равносильно применению непрерывно изменяемых в соответствии с текущей поездной ситуацией уставок с переменными допусками в алгоритмах работы современных микропроцессорных устройств релейной защиты фидеров контактной сети переменного тока.
Список литературы
1. Епифанов, Е. Л. Проблемы существующих устройств релейной защиты фидеров контактной сети и пути их решения / Е.Л. Епифанов, С.А. Филиппов, М.В. Востриков // 115 лет железнодорожному образованию в Забайкалье: образование - наука - производство : Материалы Всероссийской научно-практической конференции, Чита, 07-08 декабря 2017 года. - Чита: Забайкальский институт железнодорожного транспорта - филиал федерального государственного бюджетного образовательного учреждения высшего профессионального образования "Иркутский университет путей сообщения", 2017. С. 217-223.
335
2. Востриков, М. В. Прогнозирование динамики пусковых и переходных токов с целью повышения селективности микропроцессорных устройств релейной защиты фидеров контактной сети / М. В. Востриков, К. В. Менакер, А. В. Пультяков // Транспорт Урала. - 2021. - № 1(68). С. 86-92. DOI 10.20291/1815-9400-2021-1-86-92.
3. Патент № 2708684 C1 Российская Федерация, МПК G01R 31/00. Устройство фильтрации и выделения первой гармоники в микропроцессорных устройствах релейной защиты фидеров контактной сети на основе схем ФАПЧ: № 2018134810 : заявл. 01.10.2018 : опубл. 11.12.2019 / К. В. Менакер, М. В. Востриков, Д. А. Яковлев, Е. В. Ярилов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования Иркутский государственный университет путей сообщения (ФГБОУ ВО ИрГУПС).
4. Vostrikov M. V. Creation of a learning microprocessor system for protection of contact network feeders using adaptive parametric identification methods / M. V. Vostrikov, K. V. Menaker, V. A. Ushakov // IOP Conference Series: Materials Science and Engineering : International Conference on Transport and Infrastructure of the Siberian Region, SibTrans 2019, Moscow, 21-24 мая 2019 года. - Moscow: Institute of Physics Publishing, 2020. P. 012066. DOI 10.1088/1757-899X/760/1/012066.
5. Малунова, Д. А. Система взаимодействия и поддержки баз данных пользователей системы ГИД "Урал-ВНИИЖТ" / Д. А. Малунова, А. В. Забродин // Интеллектуальные технологии на транспорте. 2019. № 4(20). С. 5-13.
6. Мусиенко, Н. Н. Анализ участковой скорости в системе гид "Урал - ВНИИЖТ" / Н. Н. Мусиенко, Е. Г. Гусакова // Труды международной научно-практической конференции "транспорт-2015", Ростов-на-Дону, 21-24 апреля 2015 года / ФГБОУ ВПО «РОСТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ». Ростов-на-Дону: Ростовский государственный университет путей сообщения, 2015. С. 176-177.
7. Миркин, Е. Л. Модель искусственного нейрона с нелинейными синаптическими входами / Е. Л. Миркин, Ж. А. Мусакулова // Проблемы автоматики и управления. 2012. № 1(22). С. 79-88.
8. Криптографические методы защиты информации : Учебник / М. Ю. Рытов, М. Л. Гулак, А. П. Горлов [и др.]. Старый Оскол: ООО «Тонкие наукоемкие технологии», 2021. 276 с.
9. Веселова А.С. Принципы сбора и обработки данных для расчета показателей эффективности функционирования систем железнодорожной автоматики и телемеханики / Веселова А.С., Горелик А.В., Журавлев И.А., Неваров П.А., Орлов А.В., Савченко П.В., Солдатов Д.В., Тарадин Н.А. // Депонированная рукопись № 165-В2016 12.12.2016.
Сизых Виктор Николаевич, д-р техн. наук, профессор, [email protected], Россия, Иркутск, Иркутский государственный университет путей сообщения,
Данеев Алексей Васильевич д-р техн. наук, профессор, [email protected], Россия, Иркутск, Иркутский государственный университет путей сообщения,
Востриков Максим Викторович, старший преподаватель, [email protected], Россия, Чита, Забайкальский институт железнодорожного транспорта - филиал ФБГОУ ВО ИрГУПС,
Менакер Константин Владимирович, канд. техн. наук, доцент, menkot@,mail. ru, Россия, Чита, Забайкальский институт железнодорожного транспорта - филиал ФБГОУ ВО ИрГУПС
AUTOMATION OF MICROPROCESSOR RELAY PROTECTION DEVICES BASED ON THE USE OF NEURAL NETWORK TECHNOLOGIES
V.N. Sizykh, A.V. Daneyev, M.V. Vostrikov, K.V. Menaker
In order to increase the selectivity and technical efficiency of microprocessor relay protection devices for AC contact network feeders, it is proposed to use the developed artificial neural network to provide information about the current train situation (weights of trains moving along the section, their current coordinates and speeds, types of locomotives, etc.) obtained from the Ural-
336
VNIIZHT automated GUIDE system, with electrical parameters values removed in parallel from relay protection terminals, with the simultaneous formation of many unified templates in the form of hash codes.
Key words: neural network, microprocessor relay protection, emergency train situation, template, contact network feeder, selectivity, training, hash code, schedule of executed movement.
Sizykh Viktor Nikolaevich, doctor of technical sciences, professor, [email protected], Russia, Irkutsk, Irkutsk State University of Railway Transport,
Daneev Alexey Vasilyevich, doctor of technical sciences, professor, daneev@mail. ru, Russia, Irkutsk, Irkutsk State University of Railway Transport,
Vostrikov Maxim Viktorovich, Senior Lecturer, [email protected], Russia, Chita, Zabaikalsky Institute of Railway Transport - branch of FBGOUINIr-GUPS,
Menaker Konstantin Vladimirovich, candidate of technical sciences, docent, [email protected], Russia, Chita, Zabaikalsky Institute of Railway Transport - branch of FBGOU IN IrGUPS
УДК 531.2
DOI: 10.24412/2071-6168-2021-11-337-342
МЕТОД РАСПОЗНАВАНИЯ ПРЕДЕЛЬНЫХ СОСТОЯНИЙ ПОВРЕЖДЕННЫХ КОНСТРУКЦИЙ ПО ЭКСПЛУАТАЦИОННОЙ ПРИГОДНОСТИ НА ОСНОВЕ РАЗДЕЛЕНИЯ В ПРОСТРАНСТВЕ ПРИЗНАКОВ
Д.П. Мандрица, Д.А. Авсюкевич, А.Н. Миронов, А.М. Алексанян
Рассмотрены предельные состояния специальных сооружений по эксплуатационной пригодности после аварийных нагрузок и воздействий, предлагается новое определение эксплуатационной пригодности несущих конструкций. Для определения уровней эксплуатационной пригодности специальных сооружений после аварийных нагрузок и воздействий предлагается метод распознавания на методов диагностики технических состояний несущих конструкций специальных сооружений с учетом различных видов повреждений и разрушений поврежденно-стей (разрушений).
Ключевые слова: эксплуатационная пригодность, аварийные нагрузки и воздействия, уровни повреждений, пространство признаков.
В настоящее время под эксплуатационной пригодностью конструкций понимаются такие их начальные характеристики, чтобы при различных расчетных воздействиях не происходило образование или чрезмерное раскрытие трещин, а также не возникали чрезмерные перемещения, колебания и другие повреждения, затрудняющие нормальную эксплуатацию [1].
Для обоснования эксплуатационной пригодности специальных сооружений СК РКК важным является формирование предельных состояний (уровней эксплуатационной пригодности), позволяющей на определенных этапах эксплуатации выявлять техническое состояние несущих конструкций и сооружений, получивших повреждения при различных аварийных ситуациях. Такие предельные состояния являются особыми [1] и допускаются при различных аварийных и других видах нагрузок. Главным отличием уровней таких предельных состояний является: последовательное приложение аварийных и эксплуатационных динамических нагрузок и воздействий; накопления повреждений и деформаций в несущих конструкциях после аварийных нагрузок.
Анализ процессов появления трещин, повреждений и разрушений при различных аварийных нагрузках и воздействиях указывает на следующие особенности наступления предельных состояний [2].
