CC BY
58
УДК 621.313.33
Разработка интеллектуальных методов оценки технического состояния локомотивного асинхронного электродвигателя на основе экспертных систем
О. Р. Хамидов, А. В. Грищенко, М. А. Шрайбер
Петербургский государственный университет путей сообщения Императора Александра I, Российская Федерация, 190031, Санкт-Петербург, Московский пр., 9
Для цитирования: Хамидов О. Р., Грищенко А. В., Шрайбер М. А. Разработка интеллектуальных методов оценки технического состояния локомотивного асинхронного электродвигателя на основе экспертных систем // Бюллетень результатов научных исследований. - 2020. - Вып. 2. -С. 77-89. DOI: 10.20295/2223-9987-2020-2-77-89
Аннотация
Цель: Оценка технического состояния локомотивных асинхронных тяговых электродвигателей (АТЭД) с короткозамкнутым ротором с использованием нейросетевых технологий. Методы: Используются интеллектуальные методы для контроля и диагностики состояния АТЭД локомотивов на основе экспертных систем. Результаты: Показано, что применение метода искусственного интеллекта при диагностике локомотивов является мощным инструментом, который способен давать достоверные результаты. Разработаны экспертные системы мониторинга и контроля АТЭД локомотивов, позволяющих распознать ситуацию, поставить диагноз, сформулировать решение, дать рекомендацию, которые состоят из базы знаний, механизма логического вывода и подсистемы объяснений. Анализируются отказы АТЭД короткозамкнутым ротором. Получено, что результаты с помощью программной среды MATLAB/Simulink позволяют определить и прогнозировать неисправности АТЭД с короткозамкнутым ротором. Проведены предобработка и статистическая обработка данных испытаний АТЭД локомотивов. Практическая значимость: Определены структура и архитектура искусственной нейронной сети. Сформулированы требования к разрабатываемой экспертной системе мониторинга состояния локомотивного АТЭД. Построенные нейросетевые модели, дающие возможность выявить неисправности АТЭД с короткозамкнутым ротором.
Ключевые слова: Экспертные системы, диагностика, асинхронный тяговый электродвигатель, современные интеллектуальные методы, нейронные сети, неисправности локомотивов.
Введение
В настоящее время применение искусственных нейронных сетей (ИНС) - одна из наиболее динамично развивающихся областей искусственного интеллекта [1-3], которые успешно используются в различных областях науки и техники.
Результаты анализа показали [1, 4-6], что для оценки технического состояния локомотивных асинхронных тяговых электродвигателей (АТЭД) необходимо использовать новые подходы к решению задачи идентифика-
ции, позволяющие распараллеливать алгоритмы вычислений с целью увеличения скорости расчета [7] и разработать нейросетевые модели. Поэтому к перспективным подходам относится применение теории систем искусственного интеллекта, а именно технологии ИНС, которая дает возможность решать широкий спектр задач: от распознавания режимов эксплуатации [2] АТЭД до восстановления потерянной информации с информационных каналов в условиях бортовой реализации объекта.
Метод ИНС является универсальным аппроксиматором [6, 7], способен эффективно и качественно решать задачи мониторинга технического состояния АТЭД. Перспективы использования ИНС в условиях бортовой реализации на локомотиве качественно по-новому позволят осуществлять процесс контроля и мониторинга параметров АТЭД.
Методика построения ИНС
Основные этапы методики построения искусственной нейросетевой модели включают: анализ данных на начальном этапе постановки задачи и выбора архитектуры ИНС; преобразование данных для построения более эффективной процедуры настройки ИНС; выбор архитектуры ИНС для АТЭД; выбор структуры ИНС; выбор алгоритма обучения ИНС для АТЭД локомотивов; тестирование и обучение ИНС; анализ точности нейросете-вого решения для АТЭД; принятие решения о техническом состоянии АТЭД локомотивов на основе полученных результатов.
Здесь из выполняемых функций отмечены следующие:
На рис. 1 представлена схема предобработки данных, где блок F11 выполняет функции фильтрации данных, блок F12 - нормировку измеренных бортовых параметров АТЭД локомотивов, F13 - визуализацию измеренных бортовых параметров АТЭД локомотивов [1, 4, 5].
На рис. 2 показана схема статистической обработки данных из базы данных (БД) испытаний АТЭД в виде иерархии диаграмм. На ней блоки выполняют такие функции: блок F21 анализирует статические характеристики выборки; блок F22 производит корреляционный анализ выборки; блок F23 выполняет удаление аномальных значений из выборки, «фильтрует» и удаляет явные ошибки измерений [1, 5].
На рис. 3 показана схема, в которой фактическое техническое состояние АТЭД локомотивов определяется следующими блоками: блок F31 -контроль фактического технического состояния механической части АТЭД локомотивов (результаты контроля механических параметров локомотивного асинхронного электропривода и элементов, узлов, агрегатов
Рис. 1. Структура предварительной обработки данных
Рис. 2. Статистическая обработка данных из БД испытаний
механической системы); блок F32 - контроль технического состояния электрической части АТЭД локомотивов (результаты контроля электрических параметров локомотивного асинхронного тягового привода); блок F33 - контроль технического состояния полупроводниковых систем локомотивов (элементы, узлы ЮВТ, JTО полупроводниковых транзисторов локомотивов и т. д.). Следует отметить, что на вход блоков F31-F33 поступают результаты обработки данных, а на вход блока F31 [5] - дополнительно обработанные данные: калибровки, масштабирования и предварительной нормировки [1, 5].
Рис. 3. Контроль технического состояния АТЭД локомотивов
Экспертные системы мониторинга АТЭД локомотивов
Проведенный анализ позволяет правильно построить экспертную систему (ЭС) для мониторинга АТЭД, а также разработать для нее соответствующие требования, реализация которых позволит эффективно и качественно осуществлять процесс контроля параметров технического состояния [1, 5]. В процессе создания ЭС формируются глоссарий и ее подсистемы в виде динамического файла, на основе которого в дальнейшем реали-
зуется логика взаимодействия информационной и динамической моделей с БД и базой знаний (БЗ).
Структура разрабатываемой ЭС контроля и мониторинга АТЭД локомотивов приведена на рис. 4.
Рис. 4. ЭС контроля и мониторинга АТЭД локомотивов: СУБД - система управления БД; БКЗ - база концептуальных знаний; БЭЗ - база экспертных знаний; БЗП - БЗ прецедентов; СУБЗ - система управления БЗ; ЛПР - лицо, принимающее решение
С точки зрения бортовой системы контроля измеряемых параметров и диагностики технического состояния АТЭД локомотивов основные уровни иерархии типовых задач в БЗ могут быть представлены следующим образом [1, 8, 9]: 1) обработка результатов измерений (данных); 2) регистрация и отображение полученных результатов; 3) контроль, диагностика и прогноз технического состояния локомотивного АТЭД; 4) окончательное принятие решения о фактическом техническом состоянии АТЭД локомотивов.
С использованием ИНС создан анализатор технического состояния АТЭД, который служит эффективным математическим аппаратом для решения таких задач: классификации, аппроксимации, прогнозирования, управления и идентификации технических систем.
Предлагаемая система диагностики неисправностей состоит из обнаружения и определения местоположения короткого замыкания между витками на обмотках статора трехфазного АТЭД с использованием ИНС.
Первым этапом этой процедуры является получение трех линейных токов и фазных напряжений от АТЭД для извлечения трехфазного сдвига между линейными токами и фазовыми напряжениями. Три фазовых сдвига рассматриваются как входные данные для ИНС входного уровня, которые должны обучаться в автономном режиме с использованием алгоритма градиентного спуска. С помощью ИНС приходилось изучать взаимосвязи между входами ИНС (трехфазный сдвиг между токами линии и фазовым напряжением) и выходами ИНС (либо 0 для исправного состояния, либо 1 для межвиткового состояния короткого замыкания) из-за сопоставления входов-выходов характеристики для определения местоположения неисправной фазы в обмотке статора АТЭД.
ИНС, используемые для диагностики неисправностей, состоят из трех входов, которые представляют собой три фазовых сдвига, и трех выходов, соответствующих трем фазам АТЭД. Если короткое замыкание обнаружено на одной из трех фаз, соответствующий выход устанавливается на «1», в противном случае - на «0».
Разрабатываемая диагностика неисправностей состоит из следующих этапов [1, 5, 9]: 1) подготовка подходящего учебного набора данных для ИНС; 2) выбор подходящей структуры ИНС; 3) тренировка ИНС; 4) оценка тестового шаблона ИНС.
Набор обучающих данных, содержащий наборы входных и выходных данных, был применен к ИНС. Набор входных данных состоит из нескольких последовательных примеров в различных условиях работы АТЭД.
Желаемые выходы ИНС определяются так:
Q1 = 1 для короткого замыкания в фазе А, в противном случае Q1 = 0;
Q2 = 1 для короткого замыкания на фазе В, в противном случае Q2 = 0;
Q3 = 1 для короткого замыкания на фазе С, в противном случае Q3 = 0.
Поэтому выходные состояния ИНС устанавливаются следующим образом:
[0; 0; 0] - исправный АТЭД,
[1; 0; 0] - неисправность произошла на фазе А АТЭД,
[0; 1; 0] - неисправность произошла на фазе В АТЭД,
[0; 0; 1] - неисправность произошла на фазе С АТЭД.
Построение нейросетевой модели АТЭД
К наиболее динамично развивающимся методам контроля и диагностирования относится технология искусственного интеллекта [8, 10]. ИНС обладает важными положительными свойствами, такими как быстродействие, обучаемость, хорошие аппроксимационные свойства и др. [10, 11]. ИНС дают возможность эффективно определять причину и виды повреждения локомотивных АТЭД, работать с зашумленными данными, избавляя от необходимости применения промежуточных электронных фильтров от помех или фильтрации с помощью математических методов, а также адаптироваться к конкретному типу АТЭД локомотивов [6, 12, 13].
Диагностика АТЭД локомотивов заключается в решении задачи классификации, когда определяется принадлежность входного набора данных (диагностических признаков) к одному из нескольких заранее известных классов технического состояния АТЭД. Математическая нейросетевая модель для диагностики АТЭД локомотивов приведена на рис. 5.
ь
Рис. 5. Архитектура ИНС
На рис. 6 представлена структурная схема контроля и диагностики состояния АТЭД с применением ИНС.
ИЗМЕРЕНИЕ ДИАГНОСТИЧЕСКОГО СИГНАЛА
ОЦЕНКА ТЕХНИЧЕС КОГО СОСТОЯНИЯ АТЭД ЛОКОМОТИВОВ
Многослойный персегггрон
Нейронная сеть Кэхонека
-V,
Нейронная сеть Хопф тогда
ляг
/ . о
. Orv
Рис. 6. Структурная схема оценки технического состояния АТЭД локомотивов
с применением ИНС
На рис. 7, I—III представлены результаты обучения ИНС для неисправностей на фазах А (I), Б (II) и С (III) электродвигателя: а - выход ИНС;
а
б
н-1-1-Г~
-Т-г~
10
20
Выборка
30 40
Выборка
50
60
70
Рис. 7. Результаты обучения ИНС
Выход
—»• ю со
СП ст>
ОО СО —»•
, , , Ошибка
р о сэ о
со "го о ■•
—I I-1
¡53
£
о\
2 а
б - ошибка ИНС. С помощью программной среды МАТЬАВ^тиНпк они позволяют анализировать несимметричные режимы переменных состояний АТЭД локомотивов.
Заключение
Таким образом, используя ЭС, можно распознать ситуацию (на основании правил и предоставляемых пользователем фактов), сформулировать решение, поставить диагноз, прогнозировать, а также дать рекомендацию. Разработан комплекс функциональных моделей процессов контроля и мониторинга АТЭД локомотивов, которые позволяют выделить основной спектр задач и сформулировать требования к их реализации в составе ЭС мониторинга состояния АТЭД с короткозамкнутым ротором. Основная задача контроля и диагностики современных локомотивов с применением ИНС сводится к выбору типа сети, обучению и определению параметров архитектуры ИНС.
Библиографический список
1. Жернаков С. В. Методология системного анализа для решения проблемы информационного мониторинга состояния авиационного двигателя / С. В. Жернаков // Вестн. Уфим. авиац.-технич. ун-та. - Уфа: УГАТУ, 2010. - № 3 (38). - С. 84-100.
2. Хамидов О. Р. Диагностирование тяговых приводов современного локомотива с помощью интеллектуальных методов / О. Р. Хамидов // Материалы V Всерос. науч.-технич. конференции с международным участием «Технологическое обеспечение ремонта и повышение динамических качеств железнодорожного подвижного состава». 14 ноября 2019 г. - Омск: ОмГУПС, 2019. - С. 325-332.
3. Хамидов О. Р. Оценка технического состояния асинхронных тяговых электродвигателей электровозов серии «UZ-EL» средствами вибродиагностики / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие»: сб. избр. статей. - СПб.: ГНИИ «Нацразвитие», 2017. - С. 13-19.
4. Хамидов О. Р. Диагностирование и моделирование несимметричных режимов асинхронных тяговых электродвигателей локомотивов с применением искусственных нейронных сетей / О. Р. Хамидов // Изв. Петерб. ун-та путей сообщения. - СПб.: ПГУПС, 2019. - Т. 16. - Вып. 2. - С. 251-262.
5. Жернаков С. В. Применение методологии системного анализа к решению проблемы информационного мониторинга состояния авиационного двигателя / С. В. Жер-наков // Авиакосмическое приборостроение. - М.: Научтехлитиздат, 2006. - № 10. -С. 9-23.
6. Грищенко А. В. Аппарат искусственных нейронных сетей для диагностики современного локомотива / А. В. Грищенко, В. В. Грачёв, Ю. В. Бабков, Ю. И. Клименко, С. И. Ким, К. С. Перфильев, М. В. Федотов // Локомотив. - 2012. - № 7. - С. 36-40.
7. Хамидов О. Р. Разработка методики комплексного диагностирования асинхронного тягового электродвигателя подвижного состава железнодорожного транспор-
та / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие»: сб. избр. статей. - СПб.: ГНИИ «Нацразвитие», 2017. - С. 32-39.
8. Kanika G. A review on fault diagnosis of induction motor using artificial neural networks / G. Kanika, K. Arunpreet // Intern. Journal of Scince and Research. - 2014. - Iss. 7. -P. 680-684.
9. Усков А. А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А. А. Усков, А. В. Кузьмин. - М.: Горячая линия-Телеком, 2004. - 143 с.
10. Агунов А. В. Использование нейро-нечетких диагностических моделей при оценке технического состояния электрооборудования тепловоза / А. В. Агунов, А. В. Грищенко, В. А. Кручек, В. В. Грачев // Электротехника. - 2017. - № 10. - С. 14-18.
11. Михайлов А. С. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов / А. С. Михайлов, Б. А. Староверов // Вестн. Ивановск. гос. эконом. ун-та. - Ивановск: ИГУ, 2013. - Вып. 3. - С. 64-66.
12. Брынский Е. А. Неисправности асинхронных электродвигателей и их диагностика: учеб. пособие / Е. А. Брынский, Ю. Л. Преснов. - СПб.: СПбГТУ, 1999. - 68 с.
13. Alexandre B. Fault diagnosis of an induction motor based on fuzzy logic, artificial neural network an hybrid system / B. Alexandre, N. Y. Maurice, N. N. Leandre, M. M. Laure // Intern. Journal of Control Science and Engineering. - 2018. - Iss. 8(2). - P. 42-51.
Дата поступления: 03.03.2020 Решение о публикации: 12.03.2020
Контактная информация:
ХАМИДОВ Отабек Рустамович - канд. техн. наук, доцент, докторант; otabek.rustamovich@yandex.ru
ГРИЩЕНКО Александр Васильевич - д-р техн. наук, профессор; klok@land.ru ШРАЙБЕР Марина Александровна - канд. техн. наук, доцент; goshapti4ka@yandex.ru
Development of expert system-based intelligent methods for assessing the locomotive asynchronous electric motor technical condition
O. R. Khamidov, A. V. Grishchenko, M. A. Schreiber
Emperor Alexander I Petersburg State Transport University, 9, Moskovsky pr., Saint Petersburg, 190031, Russian Federation
For citation: Khamidov O. R., Grishchenko A. V., Schreiber M. A. Development of expert system-based intelligent methods for assessing the locomotive asynchronous electric motor technical condition. Bulletin of scientific research results, 2020, iss. 2, p. 77-89. (In Russian) DOI: 10.20295/2223-9987-2020-2-77-89
Summary
Objective: To assess locomotive asynchronous traction electric motors (ATEMs) with a squirrel-cage rotor using neural network technology. Methods: Expert system-based intelligent methods are used to monitor and diagnose the status of locomotive ATEMs. Results: It is shown that the artificial intelligence in the locomotives diagnostics is a powerful tool capable of providing reliable results. Expert systems have been developed for monitoring and control of locomotive ATEMs, which make it possible to recognize the situation, make a diagnosis, formulate a solution, and give a relevant recommendation. These systems comprise a knowledge base, a logical inference mechanism, and an explanation subsystem. Failures of ATEMs with a squirrel-cage rotor have been analyzed. It was found that the MATLAB/Simulink environment deliverables can be used to determine and predict failures of ATEMs with a squirrel-cage rotor. The locomotive ATEM test data have been preprocessed and statistically processed. Practical importance: The artificial neural network structure and architecture have been determined. The article formulates the requirements to the developed expert system for monitoring the locomotive ATEM condition. The constructed neural network models allow detecting failures of ATEMs with a squirrel-cage rotor.
Keywords: Expert systems, diagnostics, asynchronous traction electric motor, modern intelligent methods, neural networks, failures.
References
1. Zhernakov S. V. Metodologiya sistemnogo analiza dlya resheniya problemy infor-matsionnogo monitoringa sostoyaniya aviatsionnogo dvigatelya [System analysis methodology for the solution of the problem of aircraft engine status data monitoring]. Bulletin of the Ufa State Aviation Technical University. Ufa, USATU Publ., 2010, no. 3(38), pp. 84-100. (In Russian)
2. Khamidov O. R. Diagnostirovaniye tyagovykh privodov sovremennogo lokomotiva s pomoshch'yu intellektual'nykh metodov [Diagnostics of modern locomotive traction drives using intelligent methods]. Materialy V Vseross. nauch.-tekhnich. konferentsii s mezhdu-narodnym uchastiyem "Tekhnologicheskoe obespecheniye remonta i povysheniye dinamiches-kikh kachestv zheleznodorozhnogo podvizhnogo sostava" [Proceedings of the V All-Russia Scientific and Technical Conference with International Participation "Engineering support for repairs and improving the dynamic properties of the railway rolling stock"], November 14, 2019. Omsk, OmGUPS Publ., 2019, pp. 325-332. (In Russian)
3. Khamidov O. R. & Kasymov O. T. Otsenka tekhnicheskogo sostoyaniya asink-hronnykh tyagovykh elektrodvigateley elektrovozov serii "UZ-EL" sredstvami vibrodiagnos-tiki [Assessment of the technical condition of asynchronous traction electric motors of UZ-EL electric locomotives by means of vibrodiagnostics]. Materialy konferentsiy GNII "Natsrazvi-tiye". Sb. izbr. statey [Proceedings of the conference of the Humanitarian National Research Institute "National Development". Selected articles]. Saint Petersburg, GNII "Natsrazvitiye" Publ., 2017, pp. 13-19. (In Russian)
4. Khamidov O. R. Diagnostirovaniye i modelirovaniye nesimmetrichnykh rezhimov asinkhronnykh tyagovykh elektrodvigateley lokomotivov s primeneniyem iskusstvennykh neyronnykh setey [Diagnosing and modeling asymmetric modes of locomotive asynchronous traction electric motors using artificial neural networks]. Proceedings of Petersburg Transport University. Saint Petersburg, PGUPS Publ., 2019, vol. 16, iss. 2, pp. 251-262. (In Russian)
5. Zhernakov S. V. Primeneniye metodologii sistemnogo analiza k resheniyu problemy informatsionnogo monitoringa sostoyaniya aviatsionnogo dvigatelya [Application of the system analysis methodology to the solution of the problem of aircraft engine status data monitoring]. Aviakosmicheskoye priborostroyeniye [Aerospace Instrument-Making]. Moscow, Nauchtekhlitizdat Publ., 2006, no. 10, pp. 9-23. (In Russian)
6. Grishchenko A. V., Grachyov V. V., Babkov Yu. V., Klimenko Yu. I., Kim S. I., Per-fil'yev K. S. & Fedotov M. V. Apparat iskusstvennykh neyronnykh setey dlya diagnostiki sovremennogo lokomotiva [System of artificial neural networks for the diagnostics of modern locomotive]. Lokomotiv [Locomotive], 2012, no. 7, pp. 36-40. (In Russian)
7. Khamidov O. R. & Kasymov O. T. Razrabotka metodiki kompleksnogo diagnostiro-vaniya asinkhronnogo tyagovogo elektrodvigatelya podvizhnogo sostava zheleznodorozhnogo transporta [Development of method for complex diagnostics of asynchronous traction electric motor for railway rolling stock]. Materialy konferentsiy GNII "Natsrazvitiye". Sb. izbr. sta-tey [Proceedings of the conference of the Humanitarian National Research Institute "National Development". Selected articles]. Saint Petersburg, GNII "Natsrazvitiye" Publ., 2017, pp. 32-39. (In Russian)
8. Kanika G. & Arunpreet K. A review on fault diagnosis of induction motor using artificial neural networks. Intern. Journal of Scince and Research, 2014, iss. 7, pp. 680-684.
9. Uskov A. A. & Kuz'min A. V. Intellektual'nye tekhnologii upravleniya. Iskusstven-nye neyronnyye seti i nechetkaya logika [Intelligent control technologies. Artificial neural networks and fuzzy logic]. Moscow, Goryachaya liniya-Telekom Publ., 2004, 143 p. (In Russian)
10. Agunov A. V., Grishchenko A. V., Kruchek V. A. & Grachyov V. V. Ispol'zova-niye neyro-nechetkikh diagnosticheskikh modeley pri otsenke tekhnicheskogo sostoyaniya elektrooborudovaniya teplovoza [The use of neuro-fuzzy diagnostic models in assessing the technical condition of electrical equipment of a diesel locomotive]. Elektrotekhnika [Electrical Engineering], 2017, no. 10, pp. 14-18. (In Russian)
11. Mikhaylov A. S. & Staroverov B. A. Problemy i perspektivy ispol'zovaniya iskusstvennykh neyronnykh setey dlya identifikatsii i diagnostiki tekhnicheskikh ob"yektov [Problems and prospects of using artificial neural networks for identification and diagnostics of technical objects]. Bulletin of Ivanovo State Power Engineering University. Ivanovo, ISPU Publ., 2013, iss. 3, pp. 64-66. (InRussian)
12. Brynskiy E. A. & Presnov Yu. L. Neispravnosti asinkhronnykh elektrodvigateley i ikh diagnostika. Ucheb. posobiye [Faults of asynchronous electric motors and their diagnostics. Textbook]. Saint Petersburg, SPbSTU Publ., 1999, 68 p. (In Russian)
13. Alexandre B., Maurice N. Y., Leandre N. N. & Laure M. M. Fault diagnosis of an induction motor based on fuzzy logic, artificial neural network an hybrid system. Intern. Journal of Control Science and Engineering, 2018, iss. 8(2), pp. 42-51.
Received: March 03, 2020 Accepted: March 12, 2020
Author's information:
Otabek R. KHAMIDOV - PhD in Engineering, Associate Professor, Postdoctoral Student; otabek.rustamovich@yandex.ru
Aleksandr V. GRISHCHENKO - Dr. Sci. in Engineering, Professor; klok@land.ru Marina A. SCHREIBER - PhD in Engineering, Associate Professor; goshapti4ka@yandex.ru
