CC BY
32
чих технологш при розробщ системи про-грiву тепловозного дизеля на основi бага-тосекцшного теплового акумулятору [Текст] / 1.В. Грицук та iн. // Енерго- i ре-сурсозберiгаючi технологи при експлуа-таци машин та устаткування. - Донецьк: ДонГЗТ. - 2011. - С. 37-39.
16. Шумков Е. Б. Работа дизеля в режиме автоматического обогрева тепловоза [Электрон. ресурс] / Е.Б. Шумков, Е.С. Ерилин, И.В. Сычушкин; Вестник ВНИИЖТ, М.: 2004, № 1. Режим доступа: http://www.css-rzd.ru/vestnik-vniizht/v2004-yv6-8.htm
Анотацн:
Виконано огляд 1 анал1з способ1в 1 систем прогр1ву дизел1в дизель-поlздiв. Доведено, що ви-користання вторинних енергоносив в циклi роботи дизеля як найкраще здiйснювати за допомогою теплових акумуляторiв фазового переходу. Наведено результата дослщжень параметрiв процесу остивання i прогрiву дизеля дизель-пойду Д1 в умовах експлуатаци, i оцiнки економiчноi' ефек-
тивностi дослщно! системи nporpiBy з багато-секцшним тепловим акумулятором.
Выполнен обзор и анализ способов и систем прогрева дизелей дизелей-поездов. Доказано, что использование вторичных энергоносителей в цикле работы дизеля лучше всего осуществлять с помощью тепловых аккумуляторов фазового перехода. Приведены результаты исследований параметров процесса остывания и прогрева дизеля дизель-поезда Д1 в условиях эксплуатации, и оценки экономической эффективности исследуемой системы прогрева с многосекционным тепловым аккумулятором.
The review and analysis of methods and systems of heating diesel trains were made. It is proved that the usage of secondary energy sources in the cycle of the diesel work is to be done by means of thermal batteries of phase transition. Results of investigations of the process parameters of cooling and heating of the diesel engine diesel train D1 in the operating conditions, and evaluation of economic efficiency of the system of heating with multisectional heat storage are shown.
УДК 629.4.05:629.4.016.12 ГОРОБЧЕНКО О. М., к.т.н., доцент (ДонГЗТ).
Розробка системи самонавчання штелектуальних аген™ для керу-вання рухомим складом
Постановка проблеми
На сучасному етат розвитку систем керування рухомим складом потр1бно впровадження нових штелектуальних тд-ход1в, що дозволяють найбшьш ефективно використовувати вс останш досягнення в областях апаратного та математичного забезпечення.
Анал1з дослщжень i публжацш
Питанням штелектуального керування на зал1зничному транспорт! придь ляеться багато уваги як в1тчизняними так i закордонними фахiвцями [1,2]. Однак дослщжень в галyзi безпосереднього впро-вадження таких систем поки що небагато.
Формулювання шлей статт
Цшлю дано! роботи е визначення структури та теоретично! бази впрова-дження iнтелектуальних систем, що само-навчаються, на рухомому складi. Також необхщно створити структуру бази знань, на основi яко! буде дiяти iнтелектуальний
агент._
Викладення основного матерiалу
В цiй роботi тд самонавчанням бу-демо розумiти комплекс методiв i алгори-тмiв для настроювання i функцiонування iнтелектуальних агентсв систем керування тяговим рухомим складом. Для викорис-тання пропонуеться структура системи, наведена на рисунку
Рис. 1. Структура системи самонав-чання
Процес самонавчання виглядае на-ступним чином. 1нформащя про стан i змши навколишнього середовища, про поточний режим роботи локомотива, про положення оргашв керування за допомо-гою штерфейсно! частини розподiляються на декшька потокiв. База знань призначе-на для накопичення шформацп про керування рухом. Завданням неч^кого класи-фiкатора е вироблення керуючого сигналу для iнтелектуального агента (1А). 1А, ана-лiзуючи данi про стан параметрiв, що впливають на рух по!зду, генеруе керуючi сигнали, найбшьш доцiльнi в поточнiй си-
туацп (тобто рекомендацп щодо керування ТРС). Ц сигнали через штерфейсну частину подаються в базу знань для пода-льшо! перевiрки !х на адекватнiсть i ефек-тивнiсть.
Розробка нечiткого класифiкатора.
Неч^кий класифiкатор (НК) е осно-вним елементом системи самонавчання, наведено! на рисунку 1. Вiд його роботи залежить ефектившсть навчання системи та в решт безпека руху по!зду.
Рис. 2. Структура неч^кого класифi-катора
НК представляе собою неч^ку базу знань (рисунок 2), на вхщ яко! подаються сигнали про поточний стан тягового ру-хомого складу та навколишнього середо-вища. Для навчання (створення та уточ-нення правил неч^ко! бази знань) викори-стовуеться зовшшня база знань, яка вщо-бражае спектр керуючих сигналiв в зале-жностi вiд поточно! по!зно! обстановки. Вона утворена в результат реальних по!з-
док 1 показуе яким чином виконувалось керування рухомим складом машишста-ми. На виход1 з класиф1катора маемо ке-руюч1 сигнали, що згенерован1 у в1дпов1д-ност1 до правил неч1тко'1 бази знань.
Позначимо через X = (х1, х2, ..., хп) -вектор 1нформативних признак1в об'екту класиф1каци, а через t1, t2, ..., tC - класи р1шень. В нашому випадку неч1ткий кла-сиф1катор це в1дображення
X ^ у е {tl, t2, ..., -И,
що реал1зуеться за допомогою неч1т-ко'1 бази знань. Неч1тку базу знань цього в1дображення запишемо так [3]:
Якщо (х1=б]| та Х2=б2| та ... хп=бщ з вагою \У]), тод1 у = с1ь ] = 1, т, (1)
де т - к1льк1сть правил;
dj е t2, ..., -с} - значення консек-вента ]-го правила;
\У] £ [0,1] - ваговий коефщент, що задае достов1ршсть ]-го правила,] = 1 ,т,
бу - не1пткий терм, що ощнюе озна-ку х; в]-ому правил! 1 = 1,«,] = 1,т.
Ступ1нь виконання ]-го правила для вх1дного вектора X* = ( х1*, х2*, ..., хп* ) розраховуеться так:
№(х„*)),]=1,т, (2)
де Ц)(х^) - ступ1нь приналежност1 значення х^ неч1ткому терму бlj;
Л - t-норма, котру реализуемо опе-рац1ею м1н1мума.
Ступен1 приналежност1 вх1дного вектора X* класам -ь t2, ..., -с розрахову-ються так:
у* = (3)
Результатом класиф1каци назначимо р1шення з максимальним ступенем прина-лежност1 в неч1тк1й множин1 (3):
Зг1дно рисунка 1, неч1ткий класиф1-катор контактуе з базою знань, в котр1й знаходиться та оновлюеться 1нформац1я про реальш ди машин1ст1в п1д час руху по'1'зду. На п1дстав1 цих даних утворюеться навчаюча виб1рка з М пар «вх1д-вих1д»:
(Хг, ¥г), г = 1, М,
(4)
де Yr е (-1, -2, ... , -с).
Введемо наступн1 позначення:
Р - вектор параметр1в функц1й при-належност1 неч1тких терм1в баз1 знань (1);
W - вектор вагових коеф1ц1ент1в правил бази знань (1);
F(K, Xr) е (-1, -2, ... , -с) - результати класиф1каци по неч1тк1й баз1 з параметрами К=(Р, W) при вх1дному значенн1 Xr з г-ого рядка виб1рки (4).
Навчання неч1ткого класиф1катора полягае в находженн1 вектора К, що м1н1-м1зуе в1дстань м1ж результатами лог1чного висновку 1 експериментальними даними з виб1рки (4). Розглянемо 3 способу розра-хунку ще'1 в1дстан1, що називаються кри-тер1ями навчання [4].
Критер1й 1. В1дстань м1ж бажаною 1 д1йсною повед1нкою модел1 можна визна-чити через безпомилков1сть класиф1каци на навчаюч1й виб1рц1. Тод1 навчання неч1-ткого класиф1катора ставиться так:
Чу. <1] = ¿в
де agg - агрегирування результат1в неч1ткого висновку по кожному правилу бази знань, що реал1зуеться операц1ею максимума над ступенями приналежност1.
Результат лог1чного висновку пред-ставимо такою неч1ткою множиною:
де Д;
1 ,якщо угФР{К,ХТ) ,якщо уг =
помилка класиф1каци об'екта Xr (5)
Переваги критер^ 1 мютяться в йо-го простот i яснiй змiстовнiй штерпрета-цГ!. Процент помилок часто використову-еться як критерiй навчання рiзних систем розпiзнавання образiв [5] Цшьова функцiя (5) приймае дискретнi значення, що ускладнюе використання швидких градiе-нтних методiв оптимiзацii, особливо для малих навчаючих вибiрок.
Критерiй 2. Якють навчання можна зв'язати з вщстанню мiж результатом логичного висновку в формi неч^ко! множи-ни (3) i значенням вихщно! змшно! в на-вчаючiй вибiрцi. Для цього значення вихь дно! змшно! в навчаючiй вибiрцi (4) пере-творюють в таку неч^ку множину [6]
Вiдповiдно, навчання неч^кого кла-сифiкатора полягае в знаходженш такого вектора К, щоб:
DJK) -nun
де penalty > 0 - штрафний коефщент.
При penalty 0 задач1 (7) та (8)
стають екв1валентними. При penalty —> ¡я
рельефи цiльових функцiй задач (5) та (8) будуть подiбними. При навчанш по кри-терiю 3 B^ip напряму руху до оптимуму визначають помилково класифiкованi об'екти. Така поведшка iмiтуe адаптивний метод оптимiзащi [7], в якому для повторного навчання помилкова розтзнаш об'екти пред'являються частiше.
Функци пpиналежностi i ваговi коефi-
де
- вiдстань мiж дiйсним та бажаним вихщ-ними нечеткими множинами при класифь кацп г-го об'екта з навчаючоТ виб1рки (4); ^Суг)-ступшь приналежностi г-го об'екта з
навчаючо! виб1рки класу ^ зпдно (4);
.....л - розрахована ступшь при-
належностi виходу нечiткоi моделi з параметрами К класу ^ при вхiдному векторi Х
Цiльова функцiя в задачi (7) не мю-тить плато, тому оптимiзацiю можна реа-лiзувати градiентними методами. Однак, в деяких випадках оптимальна по (7) неч^-ка база знань не забезпечуе мшмальну безпомилковють класифшацп (5). Це по-яснюеться тим, що близью до меж клаав об'екти вносять майже однаковий вклад (О) в критерш навчання (7) як при прави-льнiй, так i при помилковiй класифшацп.
Критерiй 3. Цей критерiй навчання спадкуе переваги рашше розглянутих тд-ходiв. 1дея мiститься в збiльшеннi для помилково класифшованих об'ектiв вкладу в критерш навчання. В результат задача оптимiзацii приймае наступний вигляд [3]:
(3)
щенти правил можливо настроювати одно-часно та окремо. При настроюванш тiльки вагових коефiцiентiв об'ем розрахунюв можна значно скоротити, так як ступеш приналежностi, що входять в (2) ц^(х1*) , ^(х2*) ,..., Ц](хп*) вiд них не залежать. Для цього на початку оптимiзацii розрахуемо ступеш виконання правил при одиничних вагових коефщентах (wj, ] = 1., т) для кожного об'екта навчаючо! вибiрки:
Й(ХГ) = Ц^) Л №(х г2) Л . Л №(хт),
(7)
} = 1,т,г=1,М
Далi для нових вагових коефiцiентiв ступенi приналежносп об'екта класам пе-рерахуемо за такою формулою [3]
^ЛК) = а£Е ■ а, (К))..* = 1ДО)
Розглянемо завдання визначення ке-руючо! дп, яку потрiбно реалiзувати в конкретнiй по!знш ситуацп. База даних складаеться зi значень, що характеризуют режим руху по!зда, навколишне сере-довище та положення оргашв керування в цей момент часу. Прикладом такого формату може служити база, наведена в таб-
лищ 1.
Проектуемо нечiткий класифiкатор з такими входами:
1 - швидкють; 2 - струм головного генератора; 3- тиск гальмiвноi мапстралц 4 - сигнал буксування; 5 - робота 2-х сек-цiй; 6 - маса складу; 7 - кшькють осей; 8 -уклш поточного елемента профшю; 9 -вщстань до початку наступного елемента;
10 - уклш наступного елемента профшю;
11 - сигнал св^лофора; 12 - вщстань до сигналу; 13 - температура навколишнього пов^ря.
Визначаемо, що входи 4, 5, та 11 по-винш залишатися чiткими. Для iнших входiв необхiдно провести фазифiкацiю.
Таблиця 1
Приклад бази даних
i JÍHÜÜI ЩЬШОЦ О о о о o о о o о о О о о О o о о O о о О о
s KE Œoifcciiid кннэжсшоц Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol
о Pîifflb mmíOCiílcI ЮШЭЖШГОЦ Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol
oí ira о о Ol сп сп сп сп сп сп сп сп сп сп сп сп сп сп сп сп сп сп сп
m G шшго&йс! еннэжоигоц
Оо 'КСЬЛЗЕШ нКхвсГашэ^ 'd- ^ ^
« S OÍ ш 'лйгешиэ ш чн^дагд cd ю 00 cd □ о cd cd cd cd 0\ Ol cd 0 01 cd cd cd cd cd cd cd о cd cd OO cd Г-- cd cd cd cd % cd сп cd cd Ol cd cd сп cd Ol cd cd
«¡офоишяз ШЛИ^) >и >s >н s ж Ж Ж s Ж s >5 >5 >5 '5 '0 S Ж ж >H S >H S >S >H S
■L1 r_J. и H со s го s го Й о ñ й О и о H и о H M о & M о & Й о ñ H ГО n S го S го H го
! 'гашфойп вшэнэнга OaOHILJÍL3EH нпы^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ i 1 1
к и 'ешэиэнч caomu'ibijiiH Jíai\iioai си зн^дагд cd tO cd о cd о cd о CO cd Г-- cd cd о cd ÍJ". О сп cd 0 01 cd O-, cd О Г-- cd •■o cd О cd cd О сп cd 0 01 о-. cd О сп 0 01 cd cd О cd
«^'ОШТфоЙП ЯЛЯЭИЭНГЭ oaaiDiQiaii ншя^
Sí Qj С е R иээо щзгачшд Ol r-- Ol Г-- Ol r-- Ol Г-- Ol Г-- Ol г-- Ol Г-- Ol Г-- Ol г-- Ol г-- Ol г-- Ol Г-" Ol Г-- Ol Г-- Ol Г-- Ol г-- Ol r-- Ol г-- Ol г-- Ol Г-- Ol r-- Ol г--
4 i 'JÍHEiraa ïseiAi cd о сп on cd о сп cn cd о сп сп cd о сп сп cd о сп сп cd о сп сп cd о сп сп cd о сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп cd О сп сп
i? g с "а шгнэз ïaogoj Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol Ol
р юшвайзнЛд ITHUHQ о о cd cd cd cd о cd cd cd cd cd О cd cd cd cd cd О cd cd cd
Й - £ ffî® tyjj to' to (О (О ^ ^ ^ (О
I Й LV) Y 'edoLLHiaHai сааняшш irádiQ о CO on о CO СП cd 0 01 сп cd о сп сп cd о сп сп cd Ol сп сп cd о сп cd Sí сп cd О ÍO сп cd сп cd сп 3470 cd сп cd ^ сп cd ^ сп cd ^ сп cd сп cd О ÍO сп cd сп cd lO сп сп cd О Щ сп
ÊÎÎÎ/ю 'изрзНизщ ^ ^ g ? § Sí Sí Sí cd lO cd ^ ^ S
4 1 Ol сп xr co о* cd Ol сп lo со oí cd Ol Ol Ol Ol
Приклад бази знань
Таблиця 2
Для цього юнуе кшька методiв, що широко вщомг На пiдставi табл. 1 форму-еться нечiтка база знань вигляду таблиц 2. В роздiлi «Необхщне положення орга-нiв керування» сигнали «Положення рукоятки КМ» та «Положення рукоятки крану ум.№ 254» доцшьно реалiзувати як нечiткi.
Неч^ю терми задаються гаусавсь-кою функщею приналежностi
(10)
де Ь - координата максимуму ;
с>0 - коефщент концентрацп.
Кiлькiсть правил п в базi знань ви-значаеться кшьюстю усiх можливих ком-бшацш значень рiвнiв сигналiв на входг Для кожного варiанта на входi формуеть-ся своя комбiнацiя сигналiв, що iдуть на органи керування.
Процес самонавчання полягае в тому, що тд час руху по'1'зду виконуеться перюдич-не опитування значень сигналiв на входi та сигналiв положення оргашв керування. Виконуеться порiвняння поточного зна-чення сигналiв з органiв керування для даного правила зi значеннями в базi знань. Далi роздш бази знань «Необхiдне положення оргашв керування» корегуеться з урахуванням нового досвщу, отриманого тд час руху.
Висновки
В робот розроблено теоретичне шдг-рунтя для впровадження системи самонав-чання iнтелектуальних агентв керування рухомим складом. В якосп бази знань об-рано результати реальних по'1'здок. Таким чином штелектуальний агент пiсля на-вчання буде приймати ршення, аналогiчнi тим, що приймае машинют пiд час руху. Однак, якщо в алгоритм його роботи за-класти вiдомостi про корисшсть дп [8], то можливо досягти кращих результатiв з точки зору ефективност використання тягового рухомого складу та безпеки руху.
Список лггератури
1. S. Witte et al. Eisenbahntechnische Rundschau, 2000, № 11, S. 745 - 750.
2. Интеллектуальные технологии на транспорте: сущность и развитие (доступ-ний з http://www.eav.m/publ1.php?publid=2011-02a14. 10.02.2012)
3. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия - Телеком, 2007. - 288 с.
4. доступний з http://matlab.exponenta.ru/fuzzylogic/book1/ index.php. 10.02.2012
5. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. -511c.
6. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница: УНШЕРСУМ-Вшниця, 1999. - 320 с.
7. Штовба С.Д. Обеспечение точности и прозрачности нечеткой модели Мам-дани при обучении по экспериментальным данным // Проблемы управления и информатики. - 2007. - №4. - С. 102-114.
8. Горобченко О. М. Визначення ко-рисносп дп штелектуального агента керування рухом по1зду. Тези доповщей 71 Мiжнародноi науково-практично1 конфе-ренцп «Проблеми та перспективи розвит-ку залiзничного»
Анотацн:
Розглянуто питання визначення структуры та принципу роботи штелектуального агента, що може самонавчатися. Спроектовано нечггкий кла-сиф1катор, завданням якого е визначення парамет-р1в оргашв керування рухомим складом в залеж-ност1 в1д пойно! обстановки.
Рассмотрен вопрос определения структуры и принципа работы интеллектуального агента, имеющего возможность самообучаться. Спроектирован нечеткий классификатор, заданием которого является определение параметров работы органов управления подвижным составом в зависимости от поездной обстановки.
Considered the question of determining the structure and principle of work of the intelligent agent, with the possibility to self-study. Designed fuzzy classifier, the purpose of which is to determine the param-
eters of work of management bodies of the rolling stock depending on the train situation.
УДК 621.44.3:678-462
ГРИЦУК IB., к.т.н., доцент (Дон1ЗТ); АДРОВ Д.С., астрант (ДонНАБА); ПРИЛЕПСЬКИЙ Ю.В., к.т.н., доцент (Дон1ЗТ);
КРАСНОКУТСЬКА 3.I., старший науковий ствроб^ник (НТУ м. Кшв); ВЕРБОВСЬКИЙ B.C., науковий ствроб^ник (Институт Газу НАНУ).
Алгоритм формування оперативно'1 готовност двигуна внутрiшнього згорання з системою прискореного прогрiву й утилiзацieю теплоти в1дпрацьованих газiв тепловим акумулятором
Актуальшсть
Практика експлуатацп двигунiв внутрiшнього згоряння в складi енерге-тичних установок (ЕУ) i засобiв транспорту (ЗТ) показуе, що 1хнш потенщал за продуктивнiстю, безвiдмовностю,
зручнiстю обслуговування й шшим показ-ник реалiзуеться далеко не повнiстю. По-яснюеться це тим, що умови 1'хньо'1 експлуатацп вiдрiзняються, причому в рядi випадкiв дуже iстотно, вiд тих, на яю вони розрахованi. У цих умовах серед ос-новних проблем ефективно! експлуатацп ЕУ й ЗТ особливе мюце займае передпус-кова теплова пiдготовка двигуна внутршнього згорання (ДВЗ). Досить часто ця проблема збшьшуеться вщда-лешстю ЕУ й ЗТ при робот вщ мiсць постiйного 1'х базування, населених пунктiв i лiнiй електропередач, що утруд-нюе або повшстю виключае можливiсть застосування традицiйних способiв i за-собiв передпусково'1 тдготовки.
Забезпечення надiйного пуску ДВЗ ЕУ й ЗТ, що експлуатуються при низьких температурах поеднано з великими труд-нощами. Гостро сто'1'ть проблема ращо-нального використання паливно-енергетичних ресурсiв i зниження шкщливих викидiв (ШВ) вiдпрацьованих газiв двигуна внутрiшнього згорання [1, 2]. Необхщно вiдзначити, що в умовах низьких температур передпусковий про-г^в ДВЗ займае досить багато часу, це значно знижуе змшну продуктившсть ЕУ й ЗТ. Також у перюди зупинки ЗТ при низьких температурах досить часто 1'х двигун взагалi не зупиняють, що призво-дить до перевитрати палива й зниженню ресурсу ДВЗ.
Проблема тдготовки ДВЗ до початку роботи виршуеться всшякими способами вщ примггивно! мiжзмiнноi практики роботи двигуна на холостому ходi до застосування пiдiгрiвачiв i нагрiвачiв, що вимагають додаткових витрат палива або стороннiх джерел енергп. При цьому, як показуе досвщ, найбiльш ефективно од-
