CC BY
38
Список литературы
1. Балагин, Д. В. Математическая модель процесса нагрева топливного трубопровода высокого давления топливной аппаратуры тепловозных дизелей [Текст] / Д. В. Балагин, О. В. Балагин // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2013. -№ 4 (16). - С. 9 - 13.
2. Володин, А. И. Тепловизионный контроль технического состояния узлов подвижного состава [Текст] / А. И. Володин, О. В. Балагин, В. К. Фоменко // Наука и техника транспорта / РОАТ «МИИТ». - М. - 2009. - № 1. - С. 27 - 31.
3. Володин, А. И. Моделирование тепловых процессов в якоре электрической машины постоянного тока [Текст] / А. И. Володин, О. В. Балагин, В. К. Фоменко // Труды всерос. науч.-практ. конф. «Транспорт 2008» / Ростовский гос. ун-т путей сообщения. - Ростов-на-Дону, 2008. - С. 7 - 11.
4. Володин, А. И. Разработка технологии тепловизионного контроля технического состояния паяных соединений якоря тягового электродвигателя [Текст] / А. И. Володин, О. В. Балагин, В. К. Фоменко // Транспорт Урала / Уральский гос. ун-т путей сообщения. -Екатеринбург. - 2009. - № 4 (23). - С. 21 - 24.
5. Балагин, О. В. Разработка технологии тепловизионного контроля технического состояния секций холодильников тепловозных дизелей [Текст]: Дис... канд. техн. наук: 05.22.07 / Балагин Олег Владимирович. - Омск, 2005. - 165 с.
References
1. Balagin D. V., Balagin O. V. Mathematical models process of heating fuel pipeline high pressures of diesel engines fuel equipment of [Matematicheskaia model' protsessa nagreva top-livnogo truboprovoda vysokogo davleniia toplivnoi apparatury teplovoznykh dizelei]. Izvestiia Transsiba - The Trans-Siberian Bulletin, 2013, no. 4 (16), pp. 9 - 13.
2. Volodin A. I., Balagin O. V, Fomenko V. K. Thermovision control technical conditions knots of a rolling stock [Teplovizionnyi kontrol' tekhnicheskogo sostoianiia uzlov podvizhnogo sostava]. Nauka i tehnika transporta - Science and Technology of Transport., 2009, no. 1, pp. 27 - 31.
3. Volodin A. I. Modelirovanie teplovykh protsessov v iakore elektricheskoi mashiny postoian-nogo toka [Modeling of thermal processes in an anchor of the electrical machines direct current]. Trudi Vserossiiskoy nauchno-prakticheskoi konferencii «Transport-2008» (Works of the All-Russian scientific and practical conference «Transport 2008»). Rostov on Don, 2008, рр. 7 - 11.
4. Volodin A. I., Balagin O. V, Fomenko V. K Development of technology thermovision controls of technical condition solder connections of an anchor traction electric motors [Razrabotka tekhnologii teplovizionnogo kontrolia tekhnicheskogo sostoianiia paianykh soedinenii iakoria ti-agovogo elektrodvigatelia]. Transport Urala - Transport of the Urals, 2009, no. 4 (23), pp. 21 - 24.
5. Balagin O. V. Razrabotka tekhnologii teplovizionnogo kontrolia tekhnicheskogo sostoianiia sektsii kholodil'nikov teplovoznykh dizelei (Development technology of thermovision control technical condition of diesel engines sections refrigerators). Phd's thesis, Omsk, OSTU, 2005, 165 р.
УДК 629.47:658.2
С. М. Овчаренко, В. А. Минаков, В. Р. Ведрученко
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ПРИ РЕШЕНИИ ЗАДАЧИ ИДЕНТИФИКАЦИИ КАТАСТРОФИЧЕСКОГО ИЗНОСА ДЕТАЛЕЙ ДИЗЕЛЯ
Приводятся результаты исследования возможности применения искусственных нейронных сетей в задачах идентификации предотказного состояния дизеля типа Д49 по результатам спектрального анализа кар-
терного масла. Полученные результаты необходимы для разработки программного обеспечения по оценке степени износа деталей тепловозного дизеля по результатам спектрального анализа моторного масла.
Возможность оценки технического состояния дизеля локомотива без его разборки приобрела актуальность практически с момента начала его эксплуатации. Осмотр деталей ци-линдропоршневой группы (ЦПГ) и кривошипно-шатунного механизма (КШМ) дизеля осуществляется только на крупных видах ремонта. Детали именно этих групп в значительной степени подвержены динамическим и тепловым нагрузкам, что приводит к их интенсивному изнашиванию. Необходимо, чтобы параметры системы ремонта соответствовали текущему уровню надежности работы эксплуатируемых технических объектов, в частности, тепловозных дизелей. Реализация системы ремонта по техническому состоянию предполагает наличие эффективных методов диагностирования. Применительно к тепловозному дизелю одним из наиболее эффективных методов безразборной оценки степени износа деталей ЦПГ и КШМ можно считать метод, основанный на использовании результатов спектрального анализа моторного масла. В настоящее время наиболее перспективным тепловозным дизелем считается дизель типа Д49 (ЧН 26/26), который устанавливается на несколько серий отечественных тепловозов.
В настоящее время известны по крайней мере два подхода к оценке технического состояния дизеля с использованием результатов спектрального анализа моторного масла. Первый основан на реализации вероятностного алгоритма, второй - на установлении зависимостей между количеством изношенного металла с деталей и изменением их геометрических размеров [1].
Методика оценки степени износа деталей и узлов дизеля заключается в установлении соотношения объема металла, изношенного с детали, и изменения геометрических размеров детали. Периодический контроль текущих значений концентрации продуктов износа в моторном масле позволяет оценить объем металла, изношенного с деталей и, соответственно, степень износа их отдельных групп. В процессе эксплуатации деталей и узлов дизеля скорость их износа зависит от множества факторов. Например, при неправильной установке детали или при достижении предельных значений износа будет наблюдаться резкое увеличение скорости износа. В процессе эксплуатации дизелей важно не только отслеживать текущую степень износа деталей, но и фиксировать начало периода резкого возрастания скорости изнашивания даже отдельной детали. Разработка алгоритма решения задачи осложняется многокомпонентным химическим составом материалов контролируемых деталей. В работе предлагается использование метода идентификации начала катастрофического изнашивания деталей с применением искусственных нейронных сетей (ИНС).
При решении задач классификации устанавливается класс объекта по его характеристикам. В данном случае объектом - являются детали дизеля, а их характеристикой - объем продуктов износа.
Количество скрытых слоев определяется при обучении сети с минимальной тестовой и производительной ошибкой. Число входных нейронов определяется количеством рассматриваемых химических элементов, а число выходных сигналов - количеством контролируемых деталей. Каждый входной нейрон содержит в себе количественные значения химических элементов, полученных в ходе моделирования процесса накопления продуктов износа в масле дизеля.
Обучение нейронной сети осуществляется за счет корректировки весов синапсов. ИНС получает знания о поведении системы по входным значениям на каждой итерации процесса обучения. Алгоритм процесса обучения нейронной сети представлен на рисунке 1.
В качестве обучающей выборки используется информация, полученная в результате моделирования процесса износа деталей. Данные группируются по отдельным химическим элементам с привязкой к определенным группам деталей дизеля. На рисунке 2 показаны результаты моделирования процесса изнашивания деталей с расчетом объема металла, изношенного с отдельных групп деталей дизеля в зависимости от наработки.
База данных
I
Выбор примера
Применение нейронной сети
ответ сети
Подстройка весов сети
Сеть обучена
ошибка мала
Расчет ошибки
ошибка велика
Рисунок 1 - Алгоритм обучения нейронной сети
Очевидно, что количество металла, поступающее в моторное масло, с разных групп деталей на одинаковую наработку будет разным. Максимальное количество металла, изношенного с деталей, при моделировании наблюдается у цилиндровых втулок (ЦВ), поршневых пальцев (1111), головки поршня (ГП), компрессионных (КК) и маслосъемных колец (МК).
Соотношение количества химических элементов, содержащихся в моторном масле при различных соотношениях износа деталей, - одна из основных характеристик, при построении и при обучении нейронной сети. Под обучением понимается процесс адаптации нейронной сети к изначально заданному образцу сети путем модификации (в соответствии с тем или иным алгоритмом) весовых коэффициентов связей между нейронами.
Все расчеты выполнены в компьютерной программной среде «Statistica Automated Neural Networks».
Перед началом обучения сети и при установке значений на входной слой нейронов применены следующие настройки:
- категориально-целевые переменные (выходной слой) - наименование детали;
- непрерывно-входная (выходной слой) - значения химических элементов;
- стратегия создания модели - автоматизированная нейронная сеть (АНС);
- размер подвыборок - обучающая - 70 %, контрольная - 15, тестовая - 15 %;
- тип сети - многомерный персептрон;
- количество скрытых нейронов - от 10 до 30;
- функция ошибки - сумма квадратов;
- функции активации скрытых и выходных нейронов - логистическая, гиперболическая;
- количество эпох - 1000;
- затухающая регулировка весов на скрытом слое: - min - 0,0001, max - 0,001.
В результате обучения ИНС получено шесть наиболее производительных сетей с минимальной ошибкой и адекватной реакцией на входные значения, из которых выбрана одна с максимальной высокой производительностью. Главная характеристика сетей - это архитектура и функция активации скрытых и выходных нейронов.
Нейронная сеть типа многослойный персептрон MLP 9-17-13 (рисунок 3) содержит на входном слое девять значений, 17 скрытых нейронов, на выходном слое - 13 значений. Функция активации как для скрытого слоя нейронов, так и для выходных нейронов является логистической.
^ку v^ vn
Выходные значения сети
Рисунок 3 - Нейронная сеть типа MLP 9-17-13: ЦВ - цилиндровая втулка; ПП - поршневой палец; КК и МК - компрессионные и маслосъемные кольца; ЮП -юбка поршня; ТТТТТТ и КШ - шатунные и коренные шейки; ПрП - палец прицепного шатуна; ГП - головка поршня; КВ и ШВ - коренные и шатунные вкладыши; БВВП и БВПП - бронзовые втулки вставки поршня и прицепного шатуна
Логистическая форма сигмоидальной нелинейности в общем виде определяется следующим образом:
Фj(и j(n)) =
1
(-оо, ( n))
1 + e j
а > 0, -да < и . (n) <+да,
(1)
где и. (п) - локальное полеу нейрона.
Амплитуда выходного сигнала нейрона с такой активационной функцией лежит в диапазоне 0 < у. < 1. Дифференцируя выражения (1) по и. (п), получим:
Ф j (и j (n))
а • e
(-аи j(n))
[1 + e J ]
(-аи j(n))
Так как у. (п) = ф. (и. (п)), то можно избавиться от е аи вить производную функцию активации в виде:
Ф .(п)) = аУ.(п)[1 - У.(п)]■
(2)
в выражении (2) и предста-
(3)
Для нейронов, расположенных на выходном слое у ■ (п) = о^ (п), локальный градиент (ошибка) нейрона ] выражается следующим образом:
5.(п) = е.(п) ■ф.(V. (п)) = а^. (п)- (п)] •(п)[1- ° (п)], (4)
где 0](п) - функциональный сигнал на выходе у'-го нейрона; йу(п) - целевой сигнал.
■НИ ИЗВЕСТИЯ Транссиб а 43
Для произвольного скрытого нейрона j локальный градиент выражается так:
5 j(n)=(vj (n))X sJ (n)wj(n)=ayj(n)[1" yj (n)]X sJ (n)wkj(n). (5)
k Ii
Следует обратить внимание на то, что согласно выражению (2) производная Vj(Pj (n))
достигает своего максимального значения при yjn) = 0,5, а минимального значения (нуля) -при yj(n) = 0 и yj(n) = 1. Так как величина коррекции синаптических весов в сети пропорциональна производной ф' (v (n)), то для максимального изменения синаптических весов нейрона его функциональные сигналы (вычисленные в соответствии с сигмодаидальной функцией) должны находиться в середине диапазона [2, 3].
Матрица ошибок ИНС (таблица 1) отождествляет количество верно определенных входных значений при тестировании перекрестной проверки обученной нейронной сети.
Таблица 1 - Матрица ошибок сети MLP 9-17-13
Износ Все Правильно Неправильно Правильно (%) Неправильно (%)
БВВП 160 159 1 99,38 0,63
БВПП 272 261 11 95,96 4,04
ГП 164 160 4 97,56 2,44
КВ 176 168 8 95,00 5,00
КК 165 164 1 99,39 0,61
КШ 130 111 29 85,38 14,62
МК 170 169 1 99,41 0,59
ПП 164 154 10 93,90 6,10
ПрП 163 161 2 98,77 1,23
ЦВ 255 253 2 99,22 0,78
ТТТВ 240 233 7 97,08 2,92
11П11 245 233 12 95,10 4,90
ЮП 162 161 1 99,38 0,62
ВСЕ 2291 2195 96 95,81 4,19
На основе полученных результатов обучения можно сделать вывод о том, что НС - MLP 9-17-13 характеризуется высокими показателями производительности. Данная сеть также имеет минимальную обучающую ошибку в 5 % по каждой рассматриваемой детали, кроме 1111 и КШ, где ошибка не превышает 7 и 15 % соответственно.
Анализ чувствительности рассматриваемой модели ИНС (таблица 2) показывает соотношение «вход - выход». Под чувствительностью функции f по отношению к ее параметрам w понимается величина [2]
* =!^ ■ (6)
OW / W
Таблица 2 - Анализ чувствительности сети
MLP 9-17-13
Fe 27,59906
Sn 21,98530
Mo 21,60815
Cr 19,63955
Si 19,28844
Al 18,83557
Cu 18,81850
Mn 17,04018
Ni 1,008668
Функция ^(н) рассматриваемой сети описывает осуществляемое сетью отображение «входа» на «выход», а н - вектор всех синаптических весов сети. Частные производные функции ^(н) по всем элементам вектора весов н вычисляются без затруднений. Исходя из
формулы (1) следует заметить, что сложность вычисления каждой отдельной частной производной линейно зависит от W - общего количества весов, содержащихся в сети. Эта линейность сохраняется постоянно, где синаптические веса присутствуют в цепочке вычислений [2].
Из анализа чувствительности сети (см. таблицу 2) следует, что основное влияние на эффективность прогноза осуществляют все виды химических элементов, кроме никеля. Никель в данном случае никак не воздействует на прогноз состояния деталей, поэтому его можно не применять в обучении НС и прогнозировании [2, 4].
Описательные статистики нейронной сети MLP 9-17-13 (таблица 3) показывают минимальные, максимальные, средние выборки при обучении по каждому элементу входных сигналов.
Таблица 3 - Описательные статистики сети MLP 9-17-13
Выборка Описательные статистики
Fe Cu Cr Mo Mn Al Si Ni Sn
Max (обуч.) 0,071 0,0619 0,0003 0,0003 0,0006 0,0003 0,0025 0 0,0126
Max (обуч.) 116,5 46,511 0,4841 0,9607 1,2060 1,0577 14,097 33E+07 9,1738
Среднее (обуч.) 2,981 2,1832 0,0140 0,0179 0,0294 0,0172 0,2468 15096 0,3375
Стандар. отклон. (обуч.) 8,143 4,3254 0,0338 0,067 0,0843 0,0660 0,9920 72257 0,7040
Min (контр.) 0,071 0,0619 0,0003 0,0003 0,0006 0,0003 0,0025 0 0,0126
Max (контр.) 70,73 53,178 0,2943 0,5812 0,7316 0,6378 16,147 1 6,1422
Среднее (контр.) 2,599 2,1319 0,0122 0,0144 0,0254 0,0181 0,2916 0 0,2917
Стандар. отклон. (контр.) 6,549 4,8082 0,0273 0,053 0,0678 0,0673 1,3304 0 0,5244
Min (тест.) 0,071 0,0621 0,0003 0,0003 0,0006 0,0003 0,0025 0 0,0126
Max (тест.) 103,3 47,037 0,4296 0,8516 1,0697 0,9239 14,228 1 5,9515
Среднее (тест.) 2,234 2,0437 0,0110 0,012 0,0215 0,0216 0,2119 0 0,3301
Стандар. отклон. (тест.) 19,37 1,2112 0,0800 0,1615 0,2009 0,0161 0,1578 0 0,1754
Min (общий) 0,071 0,0619 0,0003 0,0003 0,0006 0,0003 0,0025 0 0,0126
Max (общий) 116,5 53,178 0,4841 0,9607 1,2060 1,0577 16,147 33E+07 9,1738
Среднее (общее) 2,812 2,1546 0,0133 0,0165 0,0276 0,0180 0,2483 10573 0,3259
Стандар. отклон. (общее) 7,709 4,3503 0,0320 0,0632 0,0798 0,0691 1,0444 60471 0,6657
Весовые коэффициенты w, основа обученной сети, в НС MLP 9-17-13 принимают значения от -600 до 600. Гистограмма распределения рассчитанных весов сети на рисунке 4, показывает, что основная группа весов сформирована в значениях от -100 до 100.
120 | 100 80 60 40 п 20 0
-600 -500 -400 -300 -200 -100 0 100 200 300 400 500 600
Рисунок 4 - Гистограмма распределения весов сети
При проведении статистической оценки необходимо рассмотреть уровень доверия, который отражает диапазон значений исходя из средней выборочной совокупности, характеризующей точность полученных значений по отношению к истинным значениям.
№ 4(20) 9014 ИЗВЕСТИЯ Транссиба 45
20 14 I
1.1 ____iL
w -►
Уровень доверия характеризует то, что значение параметров обученной нейронной сети находится в допустимом для нее доверительном интервале. Доверительная вероятность обычно обозначается как 1 - а и выбирается из значений 0,9; 0,95; 0,99 [4].
На рисунке 5 изображена диаграмма в трехмерном пространстве, отображающая уровень доверия полученной нейронной сети. Темные точки на рисунке (тестовые (выборочные) наблюдения) характеризуют принадлежность уровня доверия к полученным в ходе обучения ИНС значениям целевой и выходной функций. Следует заметить, что отклонения уровней являются незначительными и не выходят за пределы 5 %, что допустимо при решении рассматриваемой задачи.
Рисунок 5 - Уровень доверия рассматриваемой НС: у - остаток; х и ъ - целевая и выходная функции
Список литературы
1. Овчаренко, С. М. Метод безразборного контроля величины износа трущихся деталей тепловозных дизелей [Текст] / С. М. Овчаренко, Е. И. Сковородников // Наука и техника транспорта / Российская открытая акад. трансп., Московский гос. ун-т путей сообщения. - М. -2006. - № 2. - С. 64 - 71.
2. Хайкин, С. O. Нейронные сети: полный курс [Текст] / С. O. Хайкин. - М., 2006. -1104 с.
3. Галушкин, А. И. Нейронные сети: основы теории [Текст] / А. И. Галушкин. М., 2010. -496 с.
4. Боровиков, В. П. Популярное введение в современный анализ данных в системе Statis-tica: Учебное пособие [Текст] / В. П. Боровиков. - М., 2013. - 288 с.
References
1. Ovcharenko S. M., Skovorodnikov E. I. Method dimension to control the amount of wear of rubbing parts of diesel engines [Metod bezrazbornogo kontrolia velichiny iznosa trushchikhsia de-talei teplovoznykh dizelei]. Nauka i tekhnika transporta - Science and Technology of Transport, 2006, no.2, pp. 64 - 71.
2. Haykin S. O. Neironnye seti (Neural Networks). Moscow, 2006, 1104 p.
3. Galushkin A. I. Neironnye seti (Neural Networks). Moscow, 2010, 496 p.
4. Borovikov V.P. Populiarnoe vvedenie v sovremennyi analiz dannykh v sisteme STATISTICA (Popular introduction to modern data analysis system Statistica). Moscow, 2013, 288 p.
УДК 621.336
А. Н. Смердин, А. Е. Чепурко, В. Н. Горюнов
СОВЕРШЕНСТВОВАНИЕ МЕТОДИК ЛАБОРАТОРНЫХ И НАТУРНЫХ ИСПЫТАНИЙ ТОКОПРИЕМНИКА ЗА СЧЕТ КОНТРОЛЯ ПЛОТНОСТИ
ВОЗДУШНОЙ СРЕДЫ
В статье приведены усовершенствованные методики аэродинамических натурных и лабораторных испытаний токоприемника. Предложено считать плотность среды ее интегральным показателем. Рассматри-
