CC BY
90
УДК 656.25:621.318.5
В. Ю. ДУБ (ДПТ)
Д1АГНОСТУВАННЯ СТАНУ РЕЛЕ З ВИКОРИСТАННЯМ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ
В данш робот автором виконано наукове обгрунтування методу дiагностування електромагнiтних нор-мальнодшчих реле постiйного струму за допомогою нейронних мереж.
В этой работе автором выполнено научное обоснование метода диагностирования электромагнитных нормальнодействующих реле постоянного тока с помощью нейронных сетей.
In the paper the scientific substantiation of diagnostic method for the electromagnetic normal-acting DC relays by means of the neural networks is performed.
Вступ
Сучасш тенденцп розвитку технологи об-слуговування систем з^знично! автоматики, пов'язаш з переходом вщ планово-попере-джувального обслуговування й ремонту до об-слуговування й ремонту по дiйсному техшчно-му стану, створюють передумови для розробки i широкого використання нових засобiв та ме-тодiв автоматизованого контролю й дiагносту-вання.
В пристроях затзнично! автоматики, що експлуатуються на затзницях Укра!ни, для ви-конання вщповщальних операцiй, пов'язаних iз безпекою руху по!ящв, застосовуються реле першого класу надiйностi типу НМШ i РЭЛ. Технологiя !х обслуговування в умовах ремон-тно-технолопчно! дiльницi з ряду причин не задовольняе сучасним вимогам [1]. Iснуючi за-соби вимiрювання й контролю параметрiв реле фiзично i морально застарiли. При виявленш прихованих дефектiв виробництва, що е основною причиною збо!в у робот й вiдмов реле, роздшьний контроль параметрiв не завжди ефективний. Бiльш достовiрний дiагноз забез-печуеться в результатi спiльного аналiзу тяго-во! й мехашчно! характеристик реле, а також деяких параметрiв. Необхщшсть розкриття реле, а також застосування для контролю регулю-вальних параметрiв механiчного iнструмента (щупи й грамометри), також можна вщнести до недолiкiв юнуючо! технологи. Навт однокра-тне застосування таких шструменпв може привести до забруднення й мшродеформацш кон-тактних поверхонь, порушення регулювальних параметрiв. При цьому практично не виявля-ються таю дефекти, як затирання в магштнш систем^ затирання якоря об кожух реле, вщсу-тнiсть або недостатня величина спшьного ходу контактiв у збудженому сташ реле. Зазначенi
дефекти приводять вщповщно до нестабшьнос-т параметрiв, збiльшеного перехiдного опору й навт до незамикання контактiв реле [2].
Пюля закриття реле в деяких випадках спо-стер^аеться вiдхилення регулювальних пара-метрiв i поява прихованих дефектiв. Виявити таю приховаш дефекти iснуючими методами не завжди можливо.
У зв'язку iз цим виникае задача розробки бшьш ефективно! методики технiчного контролю й дiагностування, що дозволила б iз мiнiма-льними витратами й без зняття кожуха визна-чати технiчний стан реле.
Метою дано! роботи е дослщження можли-востi дiагностування реле залiзнично! автоматики шляхом анатзу криво! споживання струму за допомогою нейронно! мереж1, вибiр стру-ктури i параметрiв ШНМ, необхщних для ефек-тивного розпiзнавання сигнатв, а також наукове обгрунтування методу дiагностування елект-ромагнiтних нормальноддачих реле постiйного струму за допомогою нейронних мереж.
Методика дiагностування
Застосування апарата нейронних мереж (ШНМ) для дiагностування релейно! апарату-ри дозволяе виршувати такi завдання, як кла-сифiкацiя несправностей монтажу контакпв без застосування детермiнованих алгоритмiв дiагностування, розпiзнавання небезпечних вiдхилень вiд заданих часових параметрiв, прогнозування стану реле за рахунок аналiзу змiни в чаш його параметрiв, розпiзнавання стану реле за кривою перехщного струму при включенш й виключеннi реле, акустичний контроль роботи рухомих мехашчних частин реле й ш. Разом iз класичними методами вим> рювання параметрiв реле, нейромережевi технологи дозволяють одержати максимальну ю© Дуб В. Ю., 2009
льюсть шформаци про стан реле без зняття за-хисного кожуха. Ця задача стае особливо актуальною при дiагностуваннi реле, що входять до складу релейних блоюв електрично! централiзацil, оскiльки в цьому випадку доступ до частини контакпв реле е, як правило, обмеженим [3].
Аналiз перехщних процесiв у електрично-му колi живлення реле за допомогою ШНМ дозволяе виявляти (непрямим методом) вщхи-лення регулювальних параметрiв реле вiд но-рми i наявнiсть прихованих дефектiв. У проце-сi дiагностування рееструеться цифровий образ перехщного струму, що по^м використо-вуеться як вхщний вектор першого шару ШНМ. У процес навчання нейронна мережа встановлюе залежнiсть форми перехiдного струму вщ стану реле.
При подачi напруги в коло живлення реле Р (рис. 1) з резистора Я, тдключеного послщо-вно з його обмоткою, зшмаеться сигнал, про-порцшний струму в обмотцi реле. Для перетво-рення перехiдного струму з аналогово! форми в цифрову використовують спецiалiзованi ана-лого-цифровi перетворювачi (АЦП), що тд-ключаються через стандартш iнтерфейси до персонального комп'ютера (ПК).
Рис. 1. Схема зняття криво! струму при включенш реле
Результати
З метою спрощення задач^ на першому ета-пi дослiджень для дiагностування було вибрано лише чотири стани реле НМШ2-900: справний стан;
знято тягу (вщ'еднано контактну
1)
2) групу);
3)
4)
додаткове навантаження якоря; деформацiя контактiв.
За допомогою пристрою, схема якого показана на рис. 1, було отримано кривi струму для декiлькох реле, що знаходились в одному з чо-тирьох вищевказаних станiв (рис. 2 - 5).
Рис. 2. Крив1 струму для стану 1
800 -т
800 -
700 -
600 -
500 -
400 -
300 -
200 -
100 -
0 - 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
I 31 61 91 121 151 181 211 241 271
вщгш.п Б" ¡дн-> г о сигналу
Рис. 3. Крив1 струму для стану 2
Рис. 4. Крив1 струму для стану 3
Рис. 5. Крив1 струму для стану 4
Для зменшення кшькосп обчислювальних операцiй i скорочення часу навчання ШНМ, частоту дискретизаци вхiдного сигналу було зме-ншено таким чином, щоб отримати одновимiр-ний масив даних, який мютить лише 300 дис-кретних значень. При такому стисненш сигнал все ще зберiгаe вщмггш ознаки i е придатним для анатзу.
Для моделювання ШНМ було обрано пакет прикладних програм Neural Network Toolbox, що функцiонуе пiд управлшням ядра системи Matlab [7]. Конф^уращю i параметри ШНМ було вибрано близькими до мшмальних необ-хщних.
NET = £
wixi ;
Рис. 6. Структура нейронно! мережi
На рис. 6 показано, структуру моделi ШНМ, створено! в системi МайаЪ. Вона являе собою двошаровий перцептрон з кшьюстю нейронiв 10 i 4, вiдповiдно, у першому i другому шарi. Кожен iз десяти нейрошв першого шару мае по 300 вхщних синапсiв, що сшвпадае з числом входiв ШНМ i з розмiрнiстю вхiдного сигналу. Другий шар мiстить чотири нейрони, що вщпо-вiдае кiлькостi виходiв ШНМ. Число виходiв дорiвнюе кiлькостi сташв реле, що контролю-ються, а реакщею ШНМ на поданий вхщний сигнал е поява сигналу високого рiвня на тому з И виходiв, який вiдповiдае технiчному стану реле.
Елементом ШНМ е формальний нейрон (ФН, рис. 7) [6]. Мереж^ побудованi з таких нейрошв, можуть сформувати довшьну багато-мiрну функцiю на виходi.
OUT = F (NET)
(1) (2)
де xi - вх1дн1 сигнали, сукупн1сть bcix вх1дних сигнал1в нейрона утворюе вектор x; wi - вагов1 коефщенти, сукупшсть вагових коефщотпв утворюе вектор синаптичних ваг w ; NET - зва-жена сума вхщних сигнал1в; F - нелшшна фун-кщя, що називаеться функщею активаци. Нейрони першого шару мають по 300 вход1в x, а другого - по 10. Кожний нейрон, незалежно вщ шару, мае один вихщ (аксон) i3 сигналом OUT. Параметрами нейрона, що визначають його роботу, е вектор ваг w i вид функци активаци F.
У якосп функци активаци застосовано ri-перболiчний тангенс (рис. 8.):
NET _ -NET
от = th(NET) = eNET + e_ net (3)
Рис. 8. Гшербол1чний тангенс
Безперервнiсть першо! похщно! функци до-зволяе навчати мережу градiентними методами, наприклад, метод зворотного поширення поми-лки (back propagation). Функщя симетрична щодо точки (0, 0), це - перевага порiвняно iз сигмощою.
Робота багатошарового перцептрона (БШП) описуеться формулами [6]:
NETfl =1
Vvi
OUTjl = F (NETfl );
j+i)= OUTji ■
(4)
(5)
(6)
Рис. 7. Формальний нейрон
Нейрон складаеться зi зваженого суматора й нелшшного елемента. Функщонування нейрона визначаеться формулами:
де вдекс i- номер входу, j - номер нейрона в шар^ l - номер шару; xijl - i-й вхiдний сигнал j-го нейрона в шарi l; wijl - ваговий коефiцiент i-го входу j-го нейрона у шарi l; NETjl - сигнал NET j-го нейрона в шарi l; OUTji - вихiдний сигнал нейрона j у шарi l.
Пакет NN7001 мае графiчний штерфейс, що дае змогу просто i наглядно вщображати пара-метри i структуру ШНМ, а також налаштувати ШНМ за допомогою вiкна менеджера даних, не звертаючись до командного вiкна системи ШайаЪ (рис. 9). Двовимiрний масив трШ ёМа мiстить усi вхщш сигнали, що використову-ються для навчання, двовимiрний масив target_data мютить еталоннi вихiднi сигнали (0 або 1), що вщповщають вхiдним сигналам з масиву input_data.
Навчений двошаровий перцептрон реалiзуe таку функцiю [5]:
У(п) = f
"1
X %f
N
X агхг (n)
i=0
(7)
Рис. 9. В1кно менеджера даних нейронно!' мереж1
Пюля введення Bcix необхщних параметрiв ШНМ, вибору алгоритму навчання Feedforward backprop (пряме поширення сигналу i зворотне поширення помилки) та числа епох навчання (у даному випадку 100 епох) за допо-могою кнопки Train запускають процес навчання ШНМ. На персональному комп'ютерi з тактовою частотою процесора 1,86 ГГц навчання ШНМ вщбулось за 50 хвилин. Протягом 100 епох навчання середня вщносна помилка на ви-ходах нейронно! мережi досягла свого мшма-льного значення: трохи бшьше нiж 10-4, що щ-лком достатньо для надiйного розшзнавання cигналiв (рис. 10).
де ai - ваговий коефщент i-го входу нейрона п шару 1; a^ - ваговий коефщент i-го входу
нейрона п шару 2; xi - вхщш значення нейронно! мереж1; f - функцiя активаци; y(n) - значення виходу нейрона п; N, H1 - розмiрнicть вxiдниx cигналiв, вiдповiдно, шару 1 i шару 2.
Використання результат навчання ШНМ можливе безпосередньо у cередовищi Matlab, однак для задач дiагноcтування реле бiльш зру-чним було б використання cпецiалiзованого програмного забезпечення. У зв'язку з цим було розроблено програму, яка призначена для визначення стану реле за кривою струму. Сигнал, що у цифровому виглядi (одновимiрний масив з трьохсот елеменпв) вщтворюе криву перехщного струму в обмотщ реле при вклю-ченнi живлення, подаеться на входи моделi ШНМ, ваговi cинаптичнi коефiцiенти нейронiв яко! зберiгаютьcя у двох (за кшьюстю шарiв) одновимiрниx масивах. Ще в двох одновимiр-них масивах збер^аються значення зсуву (bias), що використовуються для бiльш ефективного навчання ШНМ Вхщний сигнал у виглядi файлу з розширенням .dat завантажуеться в пам'ять програми (масив даних). У програмi передба-чена можливють iмпортування даних результа-тiв навчання (синаптичних вагових коефщен-тiв i зcувiв) iз системи Matlab. Пюля вводу не-обxiдниx даних програма, реалiзуючи несклад-ний алгоритм, моделюе роботу ШНМ, тобто обчислюе для кожного нейрона значення суми NET i функцi! активацi! OUT. Нейрони другого (вихщного шару) отримують iнформацiю з ак-cонiв першого шару. Для бшьш наглядного представлення результатiв дiагноcтування i можливоcтi трактувати значення виxодiв як iмовiрноcтi cтанiв реле у програмi для активацi! нейронiв вихщного шару застосовано SOFTMAX функцiю [6]:
NET
OUT =
ъ
NET,
(8)
Рис. 10. Граф1к навчання ШНМ
Такий вибiр функцi! забезпечуе суму зна-чень виxодiв шару, рiвну одиницi за будь-яких значень cигналiв NET, даного шару. Таким чином, сукупшсть подiй (ус стани реле) утворить повну групу подiй.
Графiчний штерфейс програми розроблено у вiзуальному середовищi Delphi [4]. На рис. 10 - 13 показано вшна програми при розшзна-ванш справного i несправного станiв реле.
tvr «1
4« »■и« 223 37
г 3
т W 31 эн
S
) НА п яг «6 Нб
«
■ii- «а «а Ш J'y Вт
ф
Рис. 10. Завантаження входного сигналу, що вiдповiдаe справному реле
•*тХ* з «#+¿1 . J t_? Всл|Ьлн trtw PayMijHtlai | Дг t-гъ
Рис. 11. Визначення справного стану реле
Рис. 12. Завантаження сигналу, що ввдповщае не-справностi (стан 4)
^bwpf J | & DiWInHM | | j | -J РмЫ1»а>| j | ^ Bt
Рис. 13. Визначення несправного стану (стан 4)
Висновки
На основi проведених дослiджень можна зро-бити наступнi висновки. За допомогою аналiзу форми криво! струму при включент реле можна розтзнавати стани реле з досить великою точшс-тю. Враховуючи те, що при цьому з'являеться можливiсть розтзнавати приховаш дiагностичнi ознаки несправностей та дефекпв реле, викорис-тання нейронних мереж е ефективним. Для роз-ширення дiапазону несправностей, що контро-люються, необхщно розробити методику дiагнос-тування з використанням криво! струму при включенш та виключеннi реле та сигналiв на контактах.
Б1БЛ1ОГРАФ1ЧНИЙ СПИСОК
1. Аркатов, В. С. Ремонтно-технологический участок СЦБ [Текст] / В. С. Аркатов, А. И. Баженов, И. Е. Дмитренко. - М.: Транспорт, 1987. - 224 с.
2. Корсунский, Г. М. Применение метода осцилло-графического анализа динамических характеристик электромагнитных реле для его технической диагностики [Текст] / Г. М. Корсунский, А. Ф. Мироненко, П. С. Федорец // Техника средств святи. - 1979. - Вып. 5 (38).
3. Гаврилюк, В. И. Диагностирование релейно-контактных устройств железнодорожной автоматики [Текст] / В. И. Гаврилюк, В. Ю. Дуб // В1сник Дншропетр. нац. ун-ту зал1зн. трансп. 1м. акад. В. Лазаряна. - 2006. - Вип. 12. - Д.: Вид-во ДНУЗТ, 2006. - 280 с.
4. Тейкстейра, С. Borland Delphi 6. Руководство разработчика [Текст] : [пер. с англ.] / С. Тейкстейра, К. Пачеко. - М.: Изд. дом «Вильямс», 2002.
5. Галушкин, А. И. Теория нейронных сетей [Текст] / А. И. Галушкин. - Кн. 1. - М.: ИПРЖР, 2000.
6. Уоссерман, Ф. Нейрокомпьютерная техника: Теория и практика [Текст] / Ф. Уоссерман. - М.: Мир, 1992. - 237 с.
7. Медведев, В. С. Нейроные сети. Matlab 6 [Текст] / В. С. Медведев, В. Г. Потемкин; под общ. ред. В. Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002.
Надшшла до редколегп 03.09.2009.
Прийнята до друку 21.09.2009.
