Научная статья на тему 'Применене нейросетевых технологий для диагностирования стрелочных переводов постоянного тока'

Применене нейросетевых технологий для диагностирования стрелочных переводов постоянного тока Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

CC BY
165
115
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
НЕЙРОМЕРЕЖЕВі ТЕХНОЛОГії / ДіАГНОСТУВАННЯ / СТРіЛОЧНИЙ ПЕРЕВіД / ПОСТіЙНИЙ СТРУМ / ДИАГНОСТИРОВАНИЕ / ПОСТОЯННЫЙ ТОК / НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ / СТРЕЛОЧНЫЙ ПЕРЕВОД / NEURAL NETWORK TECHNOLOGY / DIAGNOSIS / TURNOUT TRANSLATION / DC

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Гаврилюк В. И., Дуб В. Ю., Маловичко В. В.

В этой работе авторами предложен метод диагностирования и контроля отказов стрелочных переводов с электродвигателями постоянного тока на базе нейронных сетей.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

APPLICATION OF NEURAL NETWORK TECHNOLOGY TO DIAGNOSE DC TURNOUTS

In the paper a procedure of diagnostics and check of failures of switches with DC electric engines on the basis of neural networks is proposed by the authors.

Текст научной работы на тему «Применене нейросетевых технологий для диагностирования стрелочных переводов постоянного тока»

УДК 656.25:621.318.5

В. I. ГАВРИЛЮК, В. Ю. ДУБ, В. В. МАЛОВ1ЧКО (ДПТ)

ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖНИХ ТЕХНОЛОГ1Й ДЛЯ Д1АГНОСТУВАННЯ СТР1ЛОЧНИХ ПЕРЕВОД1В З ДВИГУНАМИ ПОСТ1ЙНОГО СТРУМУ

В данiй робот авторами запропоновано метод дiагностування та контролю ввдмов стрiлочних переводiв з електродвигунами постiйного струму за допомогою нейронних мереж.

В этой работе авторами предложен метод диагностирования и контроля отказов стрелочных переводов с электродвигателями постоянного тока на базе нейронных сетей.

In the paper a procedure of diagnostics and check of failures of switches with DC electric engines on the basis of neural networks is proposed by the authors.

Вступ

Дiагностування стршочних переводiв з дви-гуном постшного струму за допомогою аналiзу криво! змши струму у його колi живлення до-зволяе своечасно виявляти та прогнозувати вiдмови переводiв пiд час !х роботи в реальних умовах експлуатацii. Оскiльки постшне спосте-реження за формою криво! змши струму на практищ здшснювати проблематично, задача автоматизацii розпiзнавання аномальних кри-вих споживаного струму е актуальною.

Методика вимiрювання

Останнiм часом широкого розвитку набули математичш методи обробки дiагностичноi iнформацii, що базуються на застосуваннi штучних нейронних мереж (ШНМ). До числа переваг нейронних мереж можна вщнести мо-жливють знаходження прихованих залежнос-тей мiж несправнiстю й формою дiагностично-го сигналу, прийняття ршень в умовах непов-но! iнформацii, автоматично! класифшаци об-разiв форми сигналу а також прогнозування вщмов [1]. Застосування апарата нейронних мереж для дiагностування стрiлочних перево-дiв за формою споживаного струму дозволить виявляти бшьшють несправностей в автоматичному режимi та своечасно шформувати про них обслуговуючий персонал.

Метою дано'1 роботи е визначення оптимально! структури нейронноi мережi для побудо-ви автоматизовано! системи контролю та дiаг-ностування стрiлочних переводiв за кривою змiни струму у колi живлення стрiлочного еле-ктродвигуна. На нейронну мережу покладаеть-ся задача автоматичного визначення несправ-

ностей стршочних переводiв за заданими дiаг-ностичними ознаками.

Результати

За допомогою використання ШНМ ми мо-жемо дiагностувати наступнi несправност стрiлочних переводiв:

1) зменшення опору лшшних провiдникiв Л1 та Л2;

2) вiдсутнiсть зазору в кореш вютряка стрiлки;

3) забруднення башмаюв стрiлки;

4) засипання стрiлочного переводу;

5) люфти в з'еднаннях робочо! тяги;

6) величини струму переводу стршки та струму фрикцii;

7) вихщ з ладу блоку випрямляча;

8) обмерзання або забруднення контакпв автоперемикача;

9) обрив секцiй обмоток якоря двигуна;

10) коротке замикання в якорi двигуна;

11) дефекти шдшипниюв двигуна.

Дiагностичнi ознаки, за якими визначаеться

виникнення несправностей, наведет в попере-дшх публiкацiях [2, 3].

Умовно вс вищезгаданi несправностi можна подшити на два типи:

1. Несправносп, контроль яких не потребуе спектрального аналiзу (несправностi 1 - 8).

2. Несправносп, що контролюються з вико-ристанням спектрального анатзу (несправностi 9 - 11).

Найпростшим елементом штучних нейронних мереж е формальний нейрон (ФН, рис. 1) [4]. Мереж^ побудоваш з таких нейрошв, мо-жуть сформувати довшьну багатомiрну функ-цiю на виходь

© Гаврилюк В. I., Дуб В. Ю., Малов1чко В. В., 2010

Рис. 1. Формальний нейрон

Нейрон складасться зi зваженого суматора й нелшшного елемента. Функцiонування нейрона визначаеться формулами:

NET = £

щ х

OUT = е (жт):

(1) (2)

ним». Перший шар (лiворуч) називаеться сен-сорним або вхщним, внутрiшнi шари назива-ються прихованими або асоцiативними, остан-нш (самий правий, на малюнку складаеться з одного нейрона) - вихщним або результуючим. Кiлькiсть нейронiв у шарах може бути довшь-ною. Позначимо кiлькiсть шарiв i нейрошв у шарi. Вхiдний шар: N нейронiв; NH нейронiв у кожному прихованому шарi; ЫО вихвдних нейрошв. х - вектор вхщш сигнали мереж1, у -вектор вихщних сигналiв.

де х^ - вхщш сигнали, сукупнiсть всiх вхщних сигналiв нейрона утворюе вектор х; щ - ваговi коефiцiенти, сукупнiсть вагових коефiцiентiв утворюе вектор синаптичних ваг щ ; NET - зва-жена сума вхiдних сигналiв; Е - нелiнiйна фун-кщя, що називаеться функцiею активацп. Ней-рони першого шару мають по 300 входiв х, а другого - по 10. Кожний нейрон незалежно вщ шару мае один вихщ (аксон) iз сигналом Оит. Параметрами нейрона, що визначають його роботу, е: вектор ваг щ i вид функцн активацл Е.

У якостi функцп активацн застосовано п-перболiчний тангенс (рис. 8):

МЕТ _ _МЕТ 0ит = ЩЖТ) = МЕТ _ - МЕТ . (3)

е + е

Рис. 3. Багатошаровий перцептрон

Вхiдний шар не виконуе нiяких обчислень, а лише розподшяе вхiднi сигнали, тому iнодi його враховують, iнодi — ш. Позначимо через N1 повну кшьюсть шарiв у мережi, враховуючи вхiдний.

Робота багатошарового перцептрона (БШП) описуеться формулами [6]:

МЕТп = 1

Х' ;

оит А = Е (ШТ}1);

х..,,= ОиТ.,.

г](1+1) ]1

(4)

(5)

(6)

Рис. 2. Ппербол1чний тангенс

Безперервшсть першо! похщно! функцн до-зволяе навчати мережу гравдентними методами, наприклад, методом зворотного поширення помилки (Ъаек propagation). Функщя симетри-чна щодо точки (0, 0), це - перевага в порiв-няннi iз сигмо1дою.

Формальнi нейрони можуть поеднуватися в мережi рiзними способами. Найпоширешшим видом мережi став багатошаровий перцептрон (рис. 3). Мережа складаеться з довшьно! кшь-костi шарiв нейрошв. Нейрони кожного шару з'еднуються з нейронами попереднього й на-ступного шарiв за принципом «кожний з кож-

де iндекс i- номер входу, ' - номер нейрона в шар^ I - номер шару; Ху1 - i-й вхiдний сигнал у'-го нейрона в шарi I; щу - ваговий коефщент i-го входу у-го нейрона у шарi I; МЕТ}1 - сигнал МЕТу-го нейрона в шарi I; ОиТц - вихщний сигнал нейрона' у шарi I.

Для дiагностування стрiлочного переводу необхiдно записати форму дiагностичного сигналу (криво! струму) у цифровому виглядь Криву змши струму знiмають з резистора, по-слiдовно включеного в лiнiйне коло, перетво-рюють за допомогою аналого-цифрового пере-творювача у цифрову форму та записують у пам'ять комп'ютера.

Пiсля запису виконують попередне перетво-рення дiагностичного сигналу, що включае зниження частоти його дискретизацн для зме-ншення обсягу обчислювальних робiт, нормат-защю рiвня сигналу, деякi iншi перетворення

для тдвищення ефективносп розпiзнавання образiв.

Для дiагностування несправностей 1-го типу на входи першого шару ШНМ можна подати (пiсля необхiдноi обробки) цифровий сигнал, що несе iнформацiю про криву змши струму.

Рис. 4. ШНМ для анал1зу д1агностичного сигналу:

а) для розтзнавання аномально! форми криво! струму, б) для виявлення гармонж 300 [ 600 Гц у спектр!

Для дiагностування несправностей 2-го типу сигнал за допомогою перетворення Фур'е пред-ставляють у виглядi спектрограми. Для навчан-ня БШП iз сигналiв, отриманих у результат роботи як справних стршочних переводiв, так i за наявносп рiзних несправностей, формують навчальну вибiрку (НВ). Вiд складу, повноти, якост НВ значною мiрою залежать час навчан-ня ШНМ i вiрогiднiсть одержуваних моделей.

Перед навчанням БШП необхщно визначити конфiгурацiю i параметри БШП: вибрати число шарiв i нейронiв у шарi, задати дiапазон змiни входiв, виходiв, ваг i граничних рiвнiв з огляду на множину значень обрано! функцii активаци; присво!ти початковi значення ваговим коефщь ентам i граничним рiвням i додатковим параметрам (наприклад, крутост функцii активацii, якщо вона буде настроюватися при навчанш).

Кiлькiсть входiв ШНМ дорiвнюе числу дис-кретних цифрових значень, на якi розбито дiаг-ностичний сигнал, а кшьюсть виходiв (а отже i нейрошв у вихiдному шарi) - числу можливих дiагностичних повiдомлень (рис. 4). Оптималь-не число нейронiв прихованого шару визнача-ють експериментально.

Блок-схема алгоритму (рис. 5) вщображае процес навчання БШП на прикладi двошарово-го перцептрона. Оператори 1-6 виконують ран-домiзацiю синаптичних ваг 1-го i 2-го шарiв нейронно! мережi (n - номер нейрона у шарц m - номер вхiдного синапса (дендрита) нейрона; layer1[n, m] (layer2[n, m]) - ваговий коефщ> ент m-го входу нейрона n першого (другого) шару; NQ1, NQ2 - кшьюсть нейронiв, вщповщ-но, у першому i другому шарц IQ1, IQ2 - кшь-юсть вхiдних синапсiв нейронiв першого i другого шару), потiм нейроннш мереж по черзi пред'являють еталонш зразки всiх вхiдних i вщповщних !м вихiдних векторiв (оператор 8), що належать до навчально! вибiрки (НВг- , де i -номер вибiрки). Кiлькiсть циклiв навчання до-рiвнюe розмiровi НВ к (оператор 7). Оператори 9 - 18 обчислюють значення аксошв нейрошв

1-го i 2-го шарiв БШП (axon 1, axon2) за формулами (3, 4). Дат нейронна мережа працюе за алгоритмом зворотного поширення помилки. Оператори 19, 20 визначають помилку (err2[n]) для кожного нейрона 2-го шару; 21, 22 - поправку для кожного нейрона шару 2. Оператори 24 - 27 коректують синаптичш ваги нейрошв

2-го шару, Оператори 28 - 32 обчислюють поправку для кожного нейрона шару 1. Оператори 33 - 36 коректують синаптичш ваги нейрошв 1-го шару. По закшченш циклу (оператор 7) виконусться порiвняння середнього квадратичного вщхилення помилки iз заданим значенням (min, оператор 23). Якщо вщхилення менше цього значення, то навчання БШП вважасться завершеним, в противному разi процес повто-рюеться.

Навчений двошаровий перцептрон реатзуе таку функщю [5]:

У (n) = f

"1

Z %f

Z arxi (n)

i=0

(7)

де а7 - ваговий коефщент 7-го входу нейрона п шару 1; а^ - ваговий коефiцiент 7-го входу

нейрона п шару 2; х7 - вхщш значення нейронно! мережц /- функщя активацii; у(п) - значення виходу нейрона п; N И\ - розмiрнiсть вхiдних сигналiв, вiдповiдно, шару 1 i шару 2.

Пюля закiнчення навчання проводять розш-знавання стану стрiлочного переводу за формою криво! струму, що не входить до НВ, з метою тестування правильносп роботи ШНМ за алгоритмом, показаним на рис. 6.

Риа 5. Алгоритм нaвчaння двoшapoвoгo ^p^mpora

струму з послщовним збудженням i значну час-тину несправностей стрiлочного переводу з до-сить великою точшстю, а застосування до вирь шення ще! задачi нейромережних технологiй дозволить максимально автоматизувати систему дiагностування та контролю, а також розтзнава-ти прихованi несправностi.

Б1БЛЮГРАФ1ЧНИЙ СПИСОК

1. Заенцев, И. В. Нейронные сети: основные модели [Текст] : учеб. пособие к курсу «Нейронные сети» для студ. 5 курса магистратуры каф. электроники физ. ф-та Воронежского гос. ун-та / И. В. Заенцев. - Воронеж, 1999.

2. Малов1чко, В. В. Визначення д1агностичних оз-нак для автоматизованого контролю техшчного стану стршочних електродвигушв [Текст] / В. В. Малов1чко, В. I. Гаврилюк, В. Я. К1зяков // Вюник Дншропетр. нац. ун-ту зал1зн.. трансп. 1м. акад. В. Лазаряна. - 2007. - Вип. 16. - Д.: Вид-во ДНУЗТ, 2007. - С. 9-12.

3. Малов1чко, В. В. Ддагностування стршочних перевода по кривим споживання струму в умовах експлуатаци на станци [Текст] / В. В. Малов1чко // Зб. наук. пр. - Донецький ш-т зал1зн. трансп. Украшсько!' держ. академи зал1зн. трансп. -Вип. 11. - Донецьк, 2007.

4. Галушкин, А. И. Теория нейронных сетей [Текст] / А. И. Галушкин. - Кн. 1. - М.: ИПРЖР, 2000.

5. Уоссерман, Ф. Нейрокомпьютерная техника: Теория и практика [Текст] / Ф. Уоссерман. - М.: Мир, 1992. - 237с.

Надшшла до редколегн 14.01.2010. Прийнята до друку 20.01.2010.

Рис. 6. Алгоритм пошуку несправностей Висновки

З перерахованого вище можна зробити висно-вок, що за допомогою анашзу форми криво! змiни струму, та !! спектрального анашзу можна вияв-ляти всi основш несправностi двигуна постiйного

i Надоели баннеры? Вы всегда можете отключить рекламу.