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