CC BY
31
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ BIBLIOGRAFIC DESCRIPTION
Грачев, Н. В. Анализ мероприятий по повышению энергоэффективности газотурбовозов. - Текст : непосредственный // Известия Транссиба. - 2020. -№ 2 (42). - С. 35 - 44.
Grachev N. V. Analysis of measures to improve the energy efficiency of gas turbine locomotives. Journal of Transsib Railway Studies, 2020, no. 2 (42), pp. 35 - 44 (In Russian).
УДК 629.4.053.2
Ю. А. Давыдов, А. К. Пляскин, А. С. Кушнирук
Дальневосточный государственный университет путей сообщения (ДВГУПС), г. Хабаровск,
Российская Федерация
РАСПОЗНАВАНИЕ ДЕФЕКТОВ МОТОРНО-ОСЕВЫХ ПОДШИПНИКОВ КОЛЕСНО-МОТОРНОГО БЛОКА ЛОКОМОТИВА НА ОСНОВЕ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ПРОГНОЗИРОВАНИЯ ВЫХОДНЫХ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ
Аннотация. В статье представлены результаты проведенного авторами исследования, целью которого была разработка модели распознавания дефектов моторно-осевых подшипников колесно-моторного блока локомотива для реализации заблаговременного автоматического оповещения управляющих структур о необходимости проведения обслуживающих или ремонтных операций и устранения дефектов на ранней стадии их возникновения. При проведении исследования использовались следующие междисциплинарные и математические методы: компьютерное и математическое моделирование, методы математической статистики, методы теории искусственного интеллекта и параметрической надежности. В результате проведенного исследования получена математическая формализация модели распознавания одного из дефектов моторно-осевых подшипников колесно-моторного блока локомотива - проточка (выкрашивание) баббитового слоя. С помощью полученной модели возможна реализация автоматического распознавания дефектов не только моторно-осевых подшипников, но и других узлов технических систем. Разработанная модель может быть использована в системах мониторинга, контроля, диагностирования технического состояния локомотивного парка с целью снижения простоев в ремонте и вынужденных затрат на плановые операции. Предложенная модель решает круг задач, описанных в концепции развития ОАО «РЖД», связанных с реализацией фактической системы ремонта по текущему техническому состоянию локомотива, а также с цифровизацией передовых направлений компании.
Ключевые слова: модель, распознавание, дефект, моторно-осевые подшипники, локомотив, искусственный интеллект, параметрическая надежность, мониторинг, контроль, диагностирование, техническое состояние.
Yuri A. Davydov, Artyom K. Plyaskin, Alexey S. Kushniruk
Far Eastern State Transport University (FESTU), Khabarovsk, the Russian Federation
DEFECTS RECOGNITION OF AXLE CAPS OF THE ROLLING STOCK WHEEL-MOTOR BLOCK BASED ON THE RESULTS OF MODELING AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING OUTPUT DIAGNOSTIC
PARAMETERS
Abstract. The article presents the results of the research conducted by the authors, the purpose of which was to development a model for recognizing defects in axle caps of a wheel-motor block of a locomotive in order to implement automatic advance notification of management structures about the needfor maintenance or repair operations to eliminate defects at an early stage of their occurrence. The research used the following interdisciplinary and mathematical methods: computer and mathematical modeling, methods of mathematical statistics, methods of the theory of artificial intelligence and parametric reliability. As a result of the research, a mathematical formalization of the model for recognizing one of the defects in the axle caps of the wheel-motor block of the locomotive - the groove (chipping) of the babbitt layer was obtained. With the help of the obtained model, it is possible to implement automatic recognition of defects, pre-failure states not only of axle caps, but also of other units of technical systems. The developed model can be used in monitoring systems, control, diagnostics of the technical condition of the locomotive fleet, in order to reduce
downtime in repairs and forced costs for scheduled operations. The proposed model solves the range of problems described in the development concept of JSCo Russian Railways associated with the implementation of the actual repair system for the current technical condition of the locomotive, as well as with the digitalization of the company's advanced areas.
Keywords: model, recognition, defect, axle caps, locomotive, artificial intelligence, parametric reliability, monitoring, control, diagnostics, technical condition
Одной из основных задач в системе управления техническим состоянием локомотивного парка является диагностика отказов узлов, деталей и элементов. В условиях работы планово-предупредительной системы ремонта и обслуживания локомотивов преобладает стационарная методика проведения диагностических работ, характеризующаяся высокими периодами дискретизации (периодами между проведением диагностики отказов). Наличие высоких периодов дискретизации способствует увеличению вероятности внезапных отказов, что подтверждается отрицательной динамикой неплановых ремонтов локомотивов по сети ОАО «РЖД» (рисунок 1).
<и X О и H о <и F
s ч
о «
120
100
80
й X й И
х я 60 2 ¡3
£ &40 S с н о S о и о ч
20
96,2 112,4 К 102,3 9
85
6 2 64,7 68
50,6 39,5
17 5 И
■ ■ ■ ■ 6,5 б,9 8! ij1
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Год ->
Рисунок 1 - Динамика неплановых ремонтов локомотивов по сети ОАО «РЖД»
Помимо затрат на устранение отказов локомотивов значительные средства (в среднем за год около 3 % от дохода компании ОАО «РЖД») расходуются на выполнение плановых ремонтных и обслуживающих операций. Компромиссным решением для сокращения затрат на устранение отказов локомотивов и их плановый сервис является переход с планово-предупредительной системы ремонта и обслуживания на фактическую [1, 2]. Однако для такого перехода необходимо наличие точных систем непрерывного контроля и диагностирования в составе бортовых микропроцессорных комплексов управления и диагностики локомотивов с функцией дистанционной (удаленной) передачи данных. Для реализации таких систем необходима универсальная и адаптивная математическая модель, способная к автоматической регистрации и обработке данных с учетом влияния различных входных и выходных факторов.
Известны работы ученых, связанные с применением методов теории искусственного интеллекта в области управления техническим состоянием локомотивного парка [3, 4]. Основой данных работ является структуризация и обучение искусственных нейронных сетей (ИНС) прогнозирования по результатам технического мониторинга и диагностики отказов. В данных работах в качестве входных слоев ИНС на основании корреляционного анализа принимаются факторы, влияющие на изменение диагностических параметров, которые в свою очередь являются переменными выходных слоев ИНС. По результатам обучения формируются
дефектологические ИНС, обученные по выборке данных мониторинга и результатам диагностики конкретного отказа;
0
эталонные ИНС, также обученные по выборке данных мониторинга и имеющие значения эталонных выходных параметров, когда физическое состояние технической системы является исправным.
Несмотря на качество реализации процесса прогнозирования отказов с помощью данных методов имеется сложность в обработке результатов прогнозирования ИНС, где требуются значительные человеческие ресурсы - наличие специалистов, подтверждающих прогноз отказов конкретных узлов. Для решения данной проблемы необходима разработка математической модели регистрации отказа или предотказного состояния путем сравнения прогнозируемых выходных параметров моделируемых ИНС различных состояний рассматриваемого узла или элемента.
Рассмотрим ИНС прогнозирования выходных диагностических параметров на примере моторно-осевых подшипников (МОПов) колесно-моторного блока (КМБ) локомотива, результаты обучения которой представлены на рисунке 2.
Рисунок 2 - Результаты обучения ИНС прогнозирования выходных диагностических параметров
Процесс обучения осуществлялся в пакете Neural Network программного обеспечения MATLAB.
В результате обучения искусственной нейронной сети прогнозирования Net по количеству итераций обучения в j = 1500 (Epoch) с помощью метода Левенберга - Марквардта (Training: Levenberg - Marquardt) по выборке обучения объемом в i = m = 59305 точек достигнут коэффициент детерминации R2 = 0,98 (коэффициент корреляции R = 0,99). Процесс обучения длился 1 час 14 минут (Time), при этом среднеквадратическое отклонение Syij выходной выборки составило 0,338 (Perfomance), достигнут минимальный градиент функции V'yij min = 1,13 (Gradient), регуляризационный коэффициент ^ (Mu) достиг значения 1, что в рамках обучающей выборки свидетельствует об использовании метода Гаусса - Ньютона в конце процесса обучения сети.
В качестве структуры ИНС была принята однонаправленная многослойная нейронная сеть прогнозирования с одним скрытым слоем и двумя функциями активации, соответственно сигмовидной и линейной [5, 6]. Сигмовидная функция активации была использована в скрытом слое с целью исключения насыщения мощных по номинальному значению сигналов и усилению слабых сигналов. Линейная функция активации использовалась в выходном слое с целью дальнейшего проведения регрессионного анализа [7] и оценки качества обучения ИНС. Во входном слое на основании корреляционного анализа [8] были приняты следующие вход-
ные параметры: температура условий эксплуатации Тв, скорость движения Уд, ускорение
3 V /
у^. В выходном слое в качестве выходных диагностических параметров были приняты
значения температуры исправного (эталонного) вкладыша МОП КМБ ТМОПэ и вкладыша с дефектом ТМОПд, а именно с проточкой баббитового слоя, характеризующейся диаметральным зазором между вкладышем и шейкой оси колесной пары в 2,26 мм с выкрашиванием баббита относительно общей площади контакта вкладыша в 28,6 %. Структура обученной ИНС представлена на рисунке 3.
Входной слой
Скрытый слой
1
w w0jm
uNjm 1
l+e^uj
Сигмовидная функция активации
Выходной слой
МОПэ
Линейная ^ 7М0Пд функция
активации
Рисунок 3 - Структура нейросетевой модели прогнозирования выходных диагностических параметров с учётом влияния входных влияющих воздействий моторно-осевых подшипников колёсно-моторного блока локомотива: n - количество нейронных связей; w - весовой коэффициент уравнения нейронной связи; N - номер персептро-на (нейрона); m - номер выходного параметра слоя сети; u - значения уравнений нейронных связей скрытого слоя ИНС; в - коэффициент усиления сигнала сигмовидной функции активации; y - значения уравнений
нейронных связей выходного слоя ИНС
На основании представленных результатов обучения ИНС прогнозирования выходных диагностических параметров МОП КМБ можно сделать вывод об адекватности её работы ввиду наличия высокого уровня регрессии [9], который подтверждается проведённым линейным регрессионным анализом, результаты которого представлены на рисунке 4.
Для получения и дальнейшего исследования данных прогноза отказа МОП КМБ, произведём моделирование обученной ИНС Net по входному слою выборки результатов технического мониторинга данного узла и сравним прогнозируемые значения ИНС с фактическими значениями диагностического параметра ГМОП. Результаты моделирования ИНС Net и фактическое распределение диагностического параметра ГМОП представлены на рисунке 5.
v к
S3
о X k
s и
о
о
о X
п о
X
п ^
t
с 9 А
а s
эт О X
о а
с:
50
45
40
35
30
25
20
л у у у у
о < о с о J oPJШ, ШО
8 о о ° jfl о" Яш оДв 1
о о! @ яШВКс о
с о о 1 7V W
// И // // S
20
25
30
35
40
45
50
Фактическое значение выходного диагностического параметра обучающей выборки ТМОПэ, ° С Рисунок 4 - Результаты линейного регрессионного анализа искусственной нейросетевой модели прогнозирования и диагностических характеристик моторно-осевых
подшипников колесно-моторного блока локомотива: -- фактическая линия регрессии;
- линия регрессии вида ТМОПэ(Ие{) = 7МОПэ
70
о
60
50
¿А
к а о
40
30
20
10
I ■ ■ ■
1 1 1 52 % / £ ■н 68 % Г 69 1 № 1 58 % Л
II Л \ ( / (Г \ 4 \ V
/ F / * х J \ Чл ч
г
0 60 120 180 240 300 360 420 480 540 600 660 720 780 840 900 9601020
Время следования локомотива t, мин
Рисунок 5 - Результаты моделирования разработанной нейросетевой модели оценки технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов: - температура эталонного подшипника 7мОПэ; — - температура дефектного подшипника 7МОПд; — - температура эталонного подшипника, прогнозируемая сетью 7МОПэ (Net); - температура дефектного подшипника, прогнозируемая сетью 7мОПд (Net);-- фактическое значение температуры диагностируемого подшипника 7МОП;
HP - показатель технического состояния, %; DP - показатель достижения дефекта, %
0
На основании рисунка 5 согласно характеристикам ТМОПд(Уе/), ТМОПэ(Уе/) и Тмоп(0 нельзя однозначно установить наличие отказа (проточку баббитового слоя) или исправное (эталонное) состояние МОП КМБ ввиду того, что распределение фактического диагностического параметра ТМОП в определенные моменты времени совпадает как с дефектологической ИНС (г = 0 ^ 60 мин; г = 780 мин), которая прогнозирует значения диагностического параметра ТМОПд, так и с эталонной ИНС (г = 240 мин; г = 480 мин; г = 660 ^ 740 мин), которая прогнозирует значения диагностического параметра ТМОПэ. Однако при определении степени принадлежности к тому или иному состоянию МОП КМБ можно разграничить уровни технического состояния относительно его показателя согласно формуле:
НР _ ТМОПд() — ТМОП (1)
~7МОПД( ^ ) - ТМОПЭ( N0).
На рисунке 5 изображено как возрастание, так и убывание показателя технического состояния, что является неоднозначным фактом при визуализации диагностических данных.
Поэтому при расчете показателей технического состояния НР необходимо учитывать условие: если очередное значение показателя технического состояния НР больше минимального значения, то это значение приравнивается к минимальному, рассчитанному на зарегистрированной выборке. Тогда управляющая характеристика относительно изменения технического состояния примет вид, представленный на рисунке 6.
НР, %
60]---
504- \--
40----
30----
20----
10----
0 1---
0 30 60 90 г, мин
Рисунок 6 - Управляющая характеристика относительно изменения технического состояния МОПа
На основании управляющей характеристики, представленной на рисунке 6, возможна реализация автоматической системы распознавания технического состояния МОП КМБ, при этом НР = 0 % ^Р = 100 %) соответствует достижению дефекта с соответствующими характеристиками. Определение допустимых и критических значений показателя НР ^Р) может осуществляться на основании экспертных заключений отдела расшифровки памяти микропроцессорных систем управления и диагностики, на основании данных о неплановых ремонтах, отчетах об обслуживании и ремонте рассматриваемого узла.
Таким образом, посредством разработанной математической формализации модели распознавания дефектов МОП КМБ с помощью показателя технического состояния НР можно осуществить управления техническим состоянием рассматриваемого узла с учетом изменения множества входных и выходных влияющих воздействий, которые характеризуют физическую природу протекающего рабочего процесса (трения-скольжения) рассматриваемого узла.
I
43
%
Представленный подход можно аналогичным образом реализовать на других элементах и узлах технических систем с целью автоматического распознавания отказов или дефектов, а также управления техническим состоянием. Данный подход позволяет сформировать цифровую диагностическую карту узлов локомотивов. Цифровая диагностическая карта позволяет заблаговременно выявлять предотказные состояния с целью упреждения отказов и оптимизации затрат на замену или глубокое восстановление узлов локомотивов [10].
Список литературы
1. Грищенко, А. В. Повышение эффективности технического обслуживания локомотивов /
A. В. Грищенко, В. В. Грачев, В. А. Кручек, М. А. Шрайбер. - Текст : непосредственный // Известия Петербургского университета путей сообщения. - 2012. - № 4. - С. 93 - 97.
2. Головаш, А. Н. Перспективные направления повышения эффективности железнодорожного транспорта / А. Н. Головаш, Н. Б. Куршакова. - Текст : непосредственный // Национальные приоритеты России. - 2016. - № 23 (21). - С. 31 - 39.
3. Грищенко, А. В. Аппарат искусственных нейронных сетей для диагностики современного локомотива / А. В. Грищенко, В. В. Грачев, Ю. В. Бабков, Ю. И. Клименко, [и др.]. - Текст : непосредственный // Локомотив. - 2012. - № 7 (667). - С. 36 - 40.
4. Plyaskin A. K., Kushniruk A. S. Actual artificial-intelligence based system for assessment of the technical state of the rolling stock fleet, Advances in intelligent systems and computing, Springer, Cham, 2019, vol. 1115, pp. 427 - 442.
5. Соснин, А. С. Функции активации нейросети: сигмоида, линейная, ступенчатая, relu, tanh / А. С. Соснин, И. А. Суслова. - Текст : непосредственный // Наука. Информатизация. Технологии. Образование. - 2019. - С. 237 - 246.
6. Сараев, П. В. Анализ эффективности выбора функций активации в нейросетевом прогнозировании / П. В. Сараев, Ю. Е. Сяглова. - Текст : непосредственный // Системы управления и информационные технологии. - 2012. - № 3-1(49). - С. 165 - 169.
7. Курзаева, Л. В. Регрессионный анализ в электронных таблицах / Л. В. Курзаева. -Текст : непосредственный // Международный журнал прикладных и фундаментальных исследований. - 2016. - № 12-7. - С. 1234 - 1238.
8. Spearman, C. The proof and measurement of association between two things, The American journal of psychology, University of Illinois press, Champaign, 1904, vol. 15, № 1, pp. 72 - 101.
9. Гржибовский, А. М. Корреляционный анализ / А. М. Гржибовский. - Текст : непосредственный // Экология человека. - 2008. - № 9. - С. 50 - 60.
10. Лакин, И. К. «Умный локомотив»: диагностирование тяговых электродвигателей тепловозов с использованием методов машинного обучения / И. К. Лакин, В. В. Павлов,
B. А. Мельников. - Текст : непосредственный // Транспорт Российской Федерации. - 2018. -№ 1 (74). - С. 53 - 56.
References
1. Grishchenko A. V., Grachev V. V., Kruchek V. A., Shreiber M. A. Improving the efficiency of maintenance of locomotives [Povy' shenie e' ffektivnosti tehnicheskogo obsluzhivaniya lokomo-tivov]. Izvestiia Peterburgskogo universiteta putei soobshcheniia - Bulletin of the Petersburg State University of Railways, 2012, no. 4, pp. 93 - 97.
2. Golovash A. N., Kurshakova N. B. Prospective directions of increasing the efficiency of railway transport [Perspektivny'e napravleniya povy'sheniya e'ffektivnosti zheleznodorozhnogo transporta]. Natsional'nye prioritety Rossii - Russia's national priorities, 2016, no. 23 (21), pp. 31 - 39.
3. Grishchenko A. V., Grachev V. V., Babkov Yu. V., Klimenko Yu. I., Kim S. I., Perfilyev K. S., Fedotov M. V. Apparatus of artificial neural networks for diagnostics of a modern locomotive [Apparat iskusstvenny'h nejronny'h setej dlya diagnostiki sovremennogo lokomotiva]. Lokomotiv - Locomotive, 2012, no. 7 (667), pp. 36 - 40.
4. Plyaskin A. K., Kushniruk A. S. Actual artificial-intelligence based system for assessment of the technical state of the rolling stock fleet, Advances in intelligent systems and computing, Springer, Cham, 2019, vol. 1115, pp. 427 - 442.
5. Sosnin A. S., Suslova I. A. Neural network activation functions: sigmoid, linear, stepwise, relu, tanh [Funkcii aktivacii nejroseti: sigmoida, linejnaya, stupenchataya, relu, tanh]. Nauka. Infor-matizaciya. Tehnologii. Obrazovanie - The Science. Informatization. Technology. Education, 2019, pp. 237 - 246.
6. Saraev P. V., Syaglova Yu. E. Analysis of the effectiveness of the choice of activation functions in neural network forecasting [Analiz effektivnosti vybora funkcij aktivacii v nejrosetevom prognozirovanii]. Sistemy" upravleniya i informacionny^e texnologii - Control systems and information technologies, 2012, no. 3-1 (49), pp. 165 - 169.
7. Kurzaeva L. V. Regression analysis in electronic tables [Regressionny'j analiz v e lektronny h tabliczah]. Mezhdunarodny^j zhurnal prikladny^h i fundamentaVny^h issledovanij -International Journal of Applied and Fundamental Research, 2016, no. 12-7, pp. 1234 - 1238.
8. Spearman C. The proof and measurement of association between two things, The American journal of psychology, University of Illinois press, Champaign, 1904, vol. 15, № 1, pp. 72 - 101.
9. Grzhibovsky A. M. Correlation analysis [Korrelyacionny'j analiz]. E^kologiya cheloveka -Human Ecology, 2008, no. 9, pp. 50 - 60.
10. Lakin I. K., Pavlov V. V., Melnikov V. A. «Smart-locomotive»: diagnostics of traction electric motors of diesel locomotives using machine learning methods [«Umny'j lokomotiv»: diag-nostirovanie tyagovy h e lektrodvigatelej teplovozov s ispol zovaniem metodov mashinnogo obucheniya]. Transport Rossijskoj Federacii - Transport of the Russian Federation, 2018, no. 1 (74), pp. 53 - 56.
ИНФОРМАЦИЯ ОБ АВТОРАХ
Давыдов Юрий Анатольевич
Дальневосточный государственный университет путей сообщения (ДВГУПС).
Серышева ул., д. 47, г. Хабаровск, 680021, Российская Федерация.
Доктор технических наук, профессор кафедры «Транспорт железных дорог», ректор ДВГУПСа.
Тел.: +7 (4212) 407-700.
E-mail: puch@festu.khv.ru
Пляскин Артём Константинович
Дальневосточный государственный университет путей сообщения (ДВГУПС).
Серышева ул., д. 47, г. Хабаровск, 680021, Российская Федерация.
Кандидат технических наук, доцент кафедры «Транспорт железных дорог».
Тел.: +7 (4212) 407-097.
E-mail: loc@festu.khv.ru
Кушнирук Алексей Сергеевич
Дальневосточный государственный университет путей сообщения (ДВГУПС).
Серышева ул., д. 47, г. Хабаровск, 680021, Российская Федерация.
Аспирант, преподаватель кафедры «Транспорт железных дорог», ДВГУПС.
Тел.: +7 (924) 212-21-38.
E-mail: alexey.kushniruk@mail.ru
INFORMATION ABOUT THE AUTHORS
Davydov Yuri Anatolievich
Far Eastern State Transport University (FESTU).
47, Serysheva st., Khabarovsk, 680021, the Russian Federation.
Doctor of technical sciences, professor of the department «Transport of railways», rector of the FESTU.
Phone: +7 (4212) 407-700.
E-mail: puch@festu.khv.ru
Plyaskin Artyom Konstantinovich
Far Eastern State Transport University (FESTU).
47, Serysheva st., Khabarovsk, 680021, the Russian Federation.
Candidate of technical sciences, associate professor of the department «Transport of railways».
Phone: +7 (4212) 407-097.
E-mail: loc@festu.khv.ru
Kushniruk Alexey Sergeevich
Far Eastern State Transport University (FESTU).
47, Serysheva st., Khabarovsk, 680021, the Russian Federation.
Postgraduate student, lecturer of the department «Transport of railways».
Phone: +7 (924) 212-21-38.
E-mail: alexey.kushniruk@mail.ru
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ BIBLIOGRAPHIC DESCRIPTION
Давыдов, Ю. А. Распознавание дефектов моторно-осевых подшипников колесно-моторного блока локомотива на основе результатов моделирования искусственной нейронной сети прогнозирования выходных диагностических параметров / Ю. А. Давыдов, А. К. Пляскин, А. С. Кушнирук. - Текст : непосредственный // Известия Транссиба. - 2020. - № 2 (42). -С. 44 - 52.
Davydov Yu. A., Plyaskin A. K., Kushniruk A. S. Defects recognition of axle caps of the rolling stock wheel-motor block based on the results of modeling an artificial neural network for predicting output diagnostic parameters. Journal of Transsib Railway Studies, 2020, no. 2 (42), pp. 44 - 52 (In Russian).
УДК 621.336.2
А. И. Слатин
Омский государственный университет путей сообщения (ОмГУПС), г. Омск, Российская Федерация
СОВЕРШЕНСТВОВАНИЕ МЕТОДИКИ ЭКСПЕРИМЕНТАЛЬНОГО ОПРЕДЕЛЕНИЯ ЖЕСТКОСТИ СИСТЕМЫ ПОДВИЖНЫХ РАМ ОДНОРЫЧАЖНЫХ ТОКОПРИЕМНИКОВ ЭЛЕКТРОПОДВИЖНОГО СОСТАВА
Аннотация. В статье описаны особенности конструкции токоприемников электроподвижного состава, система подвижных рам которых выполнена в виде двух сочлененных рычагов штангового типа. Однорычажные токоприемники отличаются улучшенными массово-габаритными характеристиками, что позволяет применять их в стесненных условиях крышевого пространства двухсистемных электровозов. При этом необходимость обеспечения высоких механических показателей системы подвижных рам в совокупности с малым трением в шарнирах, требует использования конструкционных материалов повышенной прочности, прецизионных методов обработки и повышенной точности при сборке. Особенно важным становится контроль поперечной и продольной жесткости системы подвижных рам во время исследовательских, периодических и квалификационных испытаний, а также при эксплуатации. В статье описана методика, позволяющая значительно сократить трудоемкость при проведении данного рода исследований, повысить скорость проведения измерений, уменьшить влияние человеческого фактора.
Ключевые слова: токоприемник, жесткость, прочностные характеристики, система подвижных рам, схема замещения.
Anatoly I. Slatin
Omsk State Transport University (OSTU), Omsk, the Russian Federation
IMPROVEMENT OF THE METHODIQUE ' S FOR THE EXPERIMENTAL MEASUREMENT OF THE SYSTEMS OF MOVING SINGLE-ARMS PANTOGRAPH'S
RIGIDITY ELECTRIC LOCOMOTIVES
Abstract. The article provides for the design features of pantographs of an electric drive train, a system of movable frames, which are made in the form of two articulated rod-type levers. Single-lever pantographs are distinguished by improved mass-dimensional indicators, which allows them to be used in the cramped conditions of the roof space of two-system electric locomotives. This requires high mechanical characteristics, as well as the need to use structural materials of increased strength, precision processing methods and high precision during assembly. It becomes especially important to control the transverse and advanced cruelty of the moving frame system during research, periodic and qualification tests, as well as during operation. The article describes a methodology that allows conducting research with a high degree of labor intensity, increasing the speed of measurements, and reducing the influence of the human factor.
Keywords: pantograph, rigidity, strength characteristics, system of movable frames, equivalent circuit.
Общемировые тенденции повышения скоростей движения на железнодорожном транспорте нашли отражение в том числе и в «Стратегии развития железнодорожного транспорта Российской Федерации до 2030 года», утвержденной распоряжением Правительства РФ от 17 июня 2008 г. № 878-р. [1], в соответствии с которой одним из приоритетных направлений развития является повышение показателей эффективности электроподвижного состава. Создание новой техники транспортных систем входит в Перечень приоритетных направлений развития науки, технологий и техники Российской Федерации (утвержден Указом Президента Рос-
