CC BY
28
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ BIBLIOGRAPHIC DESCRIPTION
Утепбергенова, С. М. Усовершенствованная математическая модель теплового состояния полоза токоприемника магистрального электроподвижного состава постоянного тока [Текст]/ С. М. Утепбергенова, В. В. Томилов // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2020. -№ 1 (41). - С. 58 - 72.
Utepbergenova S. M., Tomilov V. V. Improved mathematical model thermal state of the pantograph head of the magistral electric rolling stock of direct current. Journal of Transsib Railway Studies, 2020, no. 1 (41), pp. 58 - 72 (In Russian).
УДК 629.4.053.2
А. С. Кушнирук
Дальневосточный государственный университет путей сообщения (ДВГУПС), г. Хабаровск,
Российская Федерация
СИСТЕМА УПРАВЛЕНИЯ ТЕХНИЧЕСКИМ СОСТОЯНИЕМ ЛОКОМОТИВНОГО ПАРКА НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
ПРОГНОЗИРОВАНИЯ
Аннотация. Целью исследования является разработка синхронно-реплицированной модели оценки технического состояния локомотива как технической системы для снижения возникновения отказов при эксплуатации, и как следствие снижения простоев в ремонте. При проведении исследования использовались следующие междисциплинарные и математические методы: системный анализ, компьютерное и математическое моделирование, методы теории искусственного интеллекта, математический анализ. В результате проведенного исследования получена математическая синхронно-реплицированная модель оценки технического состояния локомотива на основе искусственной многослойной нейронной сети прогнозирования. Разработанная модель может быть использована в системах мониторинга, контроля, диагностирования технического состояния локомотивного парка. Оригинальными особенностями разработанной модели являются низкий период дискретизации между опросом средств мониторинга, универсальность, адаптивность, оперативность. На основе разработанной модели построен обобщенный алгоритм управления техническим состоянием локомотивного парка. Предложенная модель и алгоритм решают круг задач, описанных в концепции развития ОАО «РЖД», связанных с реализацией фактической системы ремонта по текущему техническому состоянию локомотива и с цифровизацией передовых направлений компании.
Ключевые слова: локомотивный парк, техническое состояние, управление, нейронная сеть, период дискретизации.
Alexey S. Kushniruk
Far Eastern State Transport University (FESTU), Khabarovsk, the Russian Federation
SYSTEM FOR MANAGING THE TECHNICAL CONDITION OF A LOCOMOTIVE FLEET ON THE BASIS OF AN ARTIFICIAL NEURAL FORECASTING NETWORK
Abstract. The goal of the research is to development of a synchronous-replicated model for the assessment of the technical state of a locomotive as a technical system to reduce the occurrence of failures during operation, and as a result, reduce downtime in repairs. When performing the research, the following interdisciplinary and mathematical methods were used: system analysis, computer and mathematical modeling, methods of the theory of artificial neural networks, mathematical analysis. As a result of the research, a mathematical synchronously replicated model for assessing the technical condition of a locomotive based on an artificial multilayer forecasting neural network was obtained. The developed model can be used in monitoring systems, control, diagnosing the technical condition of the locomotive fleet. The original features of the developed model are a low sampling period between polling monitoring tools, versatility, adaptability, efficiency. Based on the developed model, a generalized algorithm for managing the technical condition of the locomotive fleet is built. The proposed model and algorithm solves the ranges of tasks described in the development concept of Russian Railways OJSC related to the implementation of the actual repair system according to the current technical condition of the locomotive, as well as the digitalization of the company's advanced areas.
Keywords: locomotive fleet, technical condition, managing, neural network, sampling period.
Объектом исследования является система технического мониторинга локомотивного парка, которая реализует процессы регистрации, передачи, обработки, хранения данных и принятия решения относительно технического состояния.
Целью исследования является сокращение потерь в эксплуатации - простоев локомотивов в ремонте, вызванных возникновением неплановых ремонтов.
К задачам исследования относятся такие:
системный анализ происхождения неплановых ремонтов в области планово-предупредительной системы обслуживания и ремонта локомотивного парка;
выбор методов и разработка синхронно-реплицированной модели оценки технического состояния узлов локомотивов;
создание методики управления техническим состоянием на основе предложенных методов и модели.
Научная новизна работы включает в себя
формализацию объектов технического мониторинга на основе теории нейронных сетей;
разработку универсальной синхронно-реплицированной нейронной модели оценки состояния технических систем;
создание методики управления техническим состоянием локомотивного парка.
Практическая значимость работы связана с развитием цифровизации железнодорожного транспорта, в частности, таких проектов, как «Цифровая железная дорога», «Умный локомотив» и др. Данные проекты относятся к системе управления надежностью локомотивным парком АСУНТ, основой которой являются единая база данных технического состояния локомотивов ЕСМТ, функционирующая посредством учетно-отчетных форм системы управления локомотивным хозяйством АСУТ, сетевой график АСУ СГ локомотиворемонтных заводов АСУ ЖДРМ и дирекции по ремонту тягового подвижного состава АСУ ЦТР, которые наполняют «Электронный паспорт локомотива» и в режиме работы которого необходимо использовать рассматриваемые в работе методы и модель.
Во время эксплуатации локомотива на элементы его узлов влияют внешние и внутренние воздействия, обусловленные особенностями рабочего процесса. Данные воздействия характеризуются факторами, отрицательное влияние которых в конечном счете приводит к отказу конкретного элемента, к параллельным неисправностям, снижению эффективности работы локомотива или в отдельных случаях к остановке перевозочного процесса (рисунок 1).
Поддержание показателей надежности, в частности, ремонтопригодности, на железнодорожном транспорте осуществляет система технического мониторинга, которая на основании регистрируемых выходных параметров производит выявление инцидентов (ситуаций, отличных от нормальных), оценивает показатель технического состояния (обеспечивает поддержку принятия решения) и в соответствии с достижением его определенного уровня принимает соответствующие меры по воздействию на факторы с целью поддержания технического состояния и снижения вероятности отказа - данный процесс называется управлением техническим состоянием.
В условиях работы железнодорожного транспорта данная тема является актуальной, так как рассматривает важнейшее свойство основного объекта инфраструктуры перевозочного процесса.
Особенностью рассматриваемой системы являются повышенные требования к периоду дискретизации получения данных о техническом состоянии для своевременного выявления инцидентов и принятия соответствующих решений. Так, при значительном периоде дискретизации между проведением мониторинга технического состояния объекта вследствие внешних и внутренних воздействий имеется возможность возникновения отказа, которую невозможно учесть, что в конечном счете сводится к снижению показателей надежности и возникновению неплановых ремонтов.
Данный факт обусловливает необходимость постоянного непрерывного отслеживания показателей технического состояния с целью поддержания показателей надежности локомотивного парка на допустимом уровне.
Факторы, влияющие на техническое состояние
Внешние и внутренние воздействия
Начало
4 — Система технического
Объект технического мониторинга __
мониторинга 1 ... п
Воздействия на факторы блока 2 -ремонт, обслуживание локомотива
Конец
Эксплуатация
Рисунок 1 - Структура управления техническим состоянием локомотивного парка, где п - выходные параметры объекта контроля или диагностирования; БД - база данных значений выходных параметров
В исследованиях проблем надежности локомотивного парка, связанных с организацией ремонта и эксплуатацией локомотивов, в том числе с применением диагностических комплексов, систем технического мониторинга, информационных систем, значительных результатов достигли ученые, представленные в таблице.
Известные ученые в области исследования надежности локомотивного парка
Методы Ученые
Статистические методы Гателюк О. В., Марюхненко В. С., Мишин А. И., Молчанов В. В., Овчаренко С. М., Пультяков А. В., Сиряк П. А., Усманов Ю. А., Четвергов В. А., Шантаренко С. Г.
Методы теории принятия решения Бочаров В. М., Вайсбурд А. С., Головаш А. Н., Наговицын В. С., Чаплинский С. И., Шахов В. Г.
Методы теории искусственного интеллекта и нечетких множеств Бабков Ю. В., Гапанович В. А., Грачев В. В., Грищенко А. В., Давыдов Ю. А., Лакин И. К., Перфильев К. С., Пляскин А. К., Хамидов О. Р., Харламов В. В.
Известны работы ученых, связанные с разработкой методов управления техническим состоянием локомотивов на основе теории нечетких множеств, а также алгоритмов управления рисками (рисунок 2) [1].
1(41)
Теория нечетких множеств рассматривает риск R как значение функции принадлежности Функцией принадлежности является зависимость степени принадлежности от рассматриваемой величины. К примеру, понятие «тяжеловесный поезд» массой 6000 т не позволяет управлять рисками при массе поезда 5990 т, также не поддаются четкой логике понятие минимально допустимой скорости на расчетном подъеме, проследование расчетного подъема и т. д. На основании полученных функций принадлежности рассчитывается риск отказа исходя из представленного примера по формуле (1):
R = ^(т) л ^(г) л
(1)
V, км/ч
.1, "/о
0 10 20 30 40 50 60 70 80 90 100
Рисунок 2 - Функции принадлежности отказа тяговых электродвигателей локомотива в зависимости от изменения влияющих параметров: т - масса поезда, тыс. т;
V - скорость движения поезда, км/ч; 5 - проследование поезда, %
Исходя из полученных рисков строится модель управления с соответствующими вариантами решений по сложившейся ситуации. При этом значениям рисков задаются аргументы исходя из экспертных оценок, статистических данных либо на основании регламентирующей документации.
Построение функций принадлежности отказов дает только показательную составляющую оценки технического состояния ввиду того, что аргументы риска задаются на основании статичных требований технической документации, скептичных экспертных оценок или нестабильных статистических данных. При этом не рассматривается задача прогнозирования конкретного выходного параметра рассматриваемого узла от влияющих переменных, характеризующих физическую природу протекания рабочего процесса.
Универсальной теорией, которая занимается вопросами аппроксимации и прогнозирования значений функций от нескольких переменных, является теория искусственного интеллекта - раздел «нейронные сети» [2 - 5].
Моделью прогнозирования в области искусственного интеллекта является нейронная сеть прогнозирования [6]. Нейронная сеть представляет собой систему уравнений, включающую в себя весовые коэффициенты, которые преобразуют функцию таким образом, чтобы ее значение от рассматриваемых переменных принимало аргумент выходного параметра. Процесс моделирования нейронной сети (прогнозирования выходного параметра) осуществляется путем выбора и решения уравнения системы в зависимости от текущих значений входных переменных:
а,п ^ У щ =
1
1 + ехр(-£ • «Ж^ . • Хи) + (М^ . • х21) + ... + (МТ,, 1 ] • хп )))
1
1 + ехр(-^ • ((мХ[(п+1) ] • Х1(п+1) ) + (Мх2( п+1)] • Х2( п+1)) + ... + М (п+1) ] ^ X (п+1)))) , , = X,
1 + ехр(-^ ((м
%т]
■ Х1т ) + (Мхт • Х2т ) + ... + (Мх,т] ^ Х.т )))
где . - номер входного (выходного) параметра слоя нейронной сети; п - номер персептрона (нейронной связи); ] - номер итерации (эпохи) обучения;
м - значение весового коэффициента соответствующего входного параметра х., изменение значения которого осуществляется на каждой итерации (эпохи) обучения ] с целью минимизации отклонения между ответом нейронной сети по значению выходного параметра у щ и фактическим значением выходного параметра обучающей выборки ап;
х - значение переменной (входного параметра), физически влияющей на выходной параметр у ] т - количество персептронов (нейронных связей) слоя нейронной сети. В формуле (2) представлен процесс моделирования нейронной сети с сигмовидной функцией активации:
У" = 1 + ехр^- х)' (3)
где в - коэффициент усиления сигнала.
Применение сигмовидной функции активации обусловливается усилением слабых сигналов и исключением насыщения мощных, характеризующихся отклонением ответа у щ от фактического значения выходного параметра обучающей выборки ап. Выбор функции активации зависит от характера изменения входных и выходных параметров, области и задачи применения нейронной сети. Однако практика показывает, что в области прогнозирования сигмовидная функция активации позволяет эффективно определять весовые значения в соответствии со значением выходного параметра даже в сложных системах с высоким уровнем регрессии (коэффициентом детерминации R 2~ 0,96 ^ 0,97) [7, 8].
Процесс обучения нейронной сети сводится к задаче минимизации функции. Наиболее эффективным методом обучения нейронной сети, предназначенной для прогноза выходных параметров, является алгоритм минимизации Левенберга - Марквардта. Данный алгоритм основан на синтезе двух методов минимизации функции - на алгоритме наискорейшего спуска и методе Гаусса - Ньютона, которые в отдельности имеют свои положительные стороны и недостатки [9 - 11].
Первым шагом при проведении минимизации функции является выбор произвольных значений весов, далее относительно рассматриваемых весов производится нахождение частных производных функции от весов с целью определения градиента [4]:
Уу ■ . =
7 т]
д(1 + ехр(-^((М1П] Х1п ) + ( Мх2п] • Х2 п ) + . . + ( Хп ))))-1
дм ,. Х11]
д(1 + ехр(-^(( МХ1Щ Х1п ) + ( Мх2п] • Х2 п ) + . . + ( Хп ))))-1
дм х2п]
д(1 + ехр(-^(( мХ1щ Х1п ) + ( Мх2п] • Х2 п ) + . . + ( Хп ))))-1
дМху
1
После определения градиента Уугп, функции на рассматриваемых весах:
осуществляется проверка останова минимизации
д(1 + ехр(-^ • ((^ • Х1п ) + (• Х2п ) + ... + (• Хп ))))-1
-1Л2
х2п, 2п -
х1щ гп -
Х11]
+
д(1 + ехр(-£ •((• Х1п ) + Кп, • Х2п ) +... + (^^ • Хт ))))
+
У -1 2
Х2п]
дж.
х2щ
+ > (<)£,
(5)
У
+... +
-1 2
д(1 + ехр(-^ • ((Н^ • Х1п ) + (™х2п, • Х2п ) + ... + (™Х,Щ • Хп ))))-
х2п, 2 п^
дж.
где в - предел минимизации функции.
Если значение рассматриваемого выражения больше (меньше) необходимого предела минимизации, то процесс обучения продолжается, при этом новые значения весов рассчитываются на основании определения шага минимизации:
Уш2 = Уш1 - • Vy,
(6)
При достижении минимума функции ошибки согласно методу наискорейшего спуска минимизация функции сводится к методу Гаусса - Ньютона. Суть данного метода заключается в поиске минимума ошибки целевого значения сети путем дифференцирования функции аналогично системе (4) и определения значения последней в исходной точке. В данном случае оптимизации значения весов в следующей точке обучения рассчитываются согласно выражению
У1п 2 Угп1
у,
гп1
V*
(7)
гп1
После произведенных операций цикл повторяется до момента необходимой минимизации функции ошибки сети.
По окончании процесса минимизации функции вследствие снижения эффективности обучения нейронной сети или достижения допустимого предела минимизации функции проводится регрессионный линейный анализ слоя, при этом в выходном слое используют линейную функцию активации с целью дальнейшего определения коэффициента корреляции и детерминации нейронной сети. При достижении высоких значений коэффициента детерминации обученная нейронная сеть позволяет спрогнозировать значения диагностического параметра в зависимости от входных данных в рамках аппроксимированной выборки, а значит, рассматриваемая модель способна к комплексному контролю технического состояния различных узлов технических систем, что доказывает универсальность подхода контроля и диагностики при использовании рассматриваемой модели.
Рассмотрим процесс создания системы оценки технического состояния на примере мо-торно-осевых подшипников (МОПов) колесно-моторного блока (КМБ) локомотива, основой которой является нейронная сеть прогнозирования выходных параметров. Выходным параметром МОПа, по которому наиболее адекватно можно определить техническое состояние, является температура уТ моп. При этом наиболее значимыми влияющими параметрами будут являться температура окружающей среды (воздуха) хТв и скорость движения х^д.
Для задач прогнозирования и аппроксимации нелинейных функций используются сети прямого распространения, которые имеют односторонние соединения от входных до выходных слоев.
Обучение нейронной сети прогнозирования производилось согласно данным технического мониторинга, который проводился в рамках научно-исследовательской работы на по-
лигоне Новочеркасск - Хабаровск. Целью научно-исследовательской работы являлась организация автономного непрерывного мониторинга фактического состояния моторно-осевых подшипников колесно-моторных блоков электровозов серии 3ЭС5К. По результатам проведенного мониторинга получена значительная выборка диагностических данных - 1,73 млн. точек регистрации параметров - температуры вкладышей моторно-осевых подшипников, температуры условий эксплуатации, скорости движения.
Процесс обучения нейронной сети выполнялся в пакете Neural Network Training программы Matlab. В качестве обучаемой сети используется однонаправленная многослойная нейронная сеть с одним скрытым слоем с функциями активации - сигмовидная и линейная соответственно. В качестве функции обучения используется алгоритм Левенберга - Марк-вардта.
На основании проведенных экспериментальных выборок обучения сети определено оптимальное количество персептронов - 56 и число итераций - 215000.
Результаты обучения нейронной сети прогнозирования в пакете Neural Network Training программы Matlab представлены на рисунке 3:
Training: Levenberg-Marquardt (trainlm) Perfomance: Mean Squared Error (mse)
Epoch Time:
Perfomance:
Gradient:
Mu:
Validation Checks:
0
19.7 1.00 0.00100 0
215000 iterations
29:29:35
0.000738
7.91e-05
1.00e-05
0
215000
0.00
1.00e-10
1.00e+10
Рисунок 3 - Результаты обучения нейронной сети прогнозирования
Посредством обучения нейронной сети прогнозирования по выборке входных (Input) и выходных (Output) данных с применением входного и выходного скрытого слоев (Layer), посредством алгоритма минимизации функции (Training) Левенберга - Марквардта (Levenberg - Marquardt) получена нейросетевая модель прогнозирования технического состояния моторно-осевых подшипников с минимальным средним квадратическим отклонением (Perfomance - Mean Squared Error) между выходным параметром обученной сети и выходным параметром обучающей выборки, равным 0,000738, и минимальным значением градиента, равным 0,0000791.
По результатам проведенного линейного регрессионного анализа разработанной модели установлено, что система уравнений обученной нейронной сети имеет коэффициент корреляции R = 0,98 и соответственно коэффициент детерминации R ~ 0,97, что свидетельствует о
78 ИЗВЕСТИЯ Транссиба N;0l4n1)
высоком уровне сходимости ряда ответа нейронной сети и значении выходных диагностических параметров обучающей выборки.
Результаты линейного регрессионного анализа представлены на рисунке 4:
Ответ сети
1,00 0,95 050 0,85 0,30 0,75 0,70 0,65 0,60 0,55 0,50
Я я а
< 1 1 i Г о , ь с
О О с о ^ О 0
ш р с } О
о
и 1 ;
0 0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1 Целевые значения
— - линия целей, о - распределение ответа сети, - - - линия ответов сети Рисунок 4 - Результаты линейного регрессионного анализа нейросетевой модели
Так как коэффициент детерминации искусственной нейронной сети прогнозирования характеризуется высоким уровнем регрессии, разработанная модель оценки технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов способна к комплексному контролю выходных диагностических параметров, прогнозированию их значений, а значит, и возможности диагностирования конкретных отказов.
На основе полученной имитационной модели реализован алгоритм управления техническим состоянием узлов локомотива (рисунок 5).
Работа алгоритма состоит в применении средств непрерывного мониторинга входных и выходных параметров технической системы. Обученная нейронная сеть принимает входные сигналы от средств мониторинга и рассчитывает выходные. Путем сравнения рассчитанных значений выходных параметров yj с фактическими а осуществляется показательная оценка технического состояния, помимо этого осуществляется диагностирование отказов по ранее полученным (обученным) дефектным нейронным сетям конкретных неисправностей, при этом ведется контроль по предельному значению выходного параметра акр, которое обусловливается требованиями к технической системе, узлу или элементу. Если фактическое значение выходного параметра выше или ниже предельного значения акр, то отказ является явным и требует незамедлительного устранения, т. е. постановки локомотива на неплановый ремонт. Если же значение фактического выходного параметра находится между предельным и эталонным значениями, то необходимо проведение стационарных диагностических работ с целью подтверждения ответа нейронной сети и в случае ошибки осуществление переобучения сети в зависимости от соответствующего условия - если при проведении диагностических работ были выявлены дефекты, то ведется обучение дефектной сети уд по соответствующему факту, в случае ошибочного выявления отказа нейронной сетью производится пере-
|о 1(41) 2020
обучение последней под промежуточное состояние. В случае выявления отказа, подтвержденного диагностическими работами, производится обучение сети по параметрам дефекта, если таковые имеются, с целью абсолютной цифровизации диагностической номенклатуры узлов, деталей, элементов и систем локомотивного парка.
В результате выполнения задач исследования
установлено, что причиной происхождения неплановых ремонтов в сфере планово-предупредительной системы обслуживания и ремонта локомотивного парка является асинхронно-реплицированная концепция реализации технического мониторинга, которая
1(41)
характеризуется значительными периодами дискретизации проведения диагностических работ, в условиях которых невозможно управлять показателями надежности;
разработана синхронно-реплицированная имитационная нейронная модель оценки технического состояния с элементами контроля и диагностирования. В рамках данной модели получена оригинальная универсальная методика диагностирования технических систем, которая формализует объекты технического мониторинга посредством теории нейронных сетей.
На основе предложенной модели разработан обобщенный алгоритм управления техническим состоянием локомотивного парка для комбинированной и фактической систем обслуживания и ремонта.
Список литературы
1. Лакин, И. К. Модель управления рисками отказов локомотивов [Текст] / И. К. Лакин, А. А. Аболмасов, В. А. Мельников // Мир транспорта / Российский университет транспорта. -М. - 2013. - № 4. - с. 130 - 136.
2. Голубев, Ю. Ф. Нейронные сети в мехатронике [Текст] / Ю. Ф. Голубев // Фундаментальная и прикладная математика / Московский гос. ун-т им. М. В. Ломоносова. - М. - 2005. -№ 8. - С. 81 - 103.
3. Андрейченко, Д. К. Обучение нейросетевых регуляторов для стабилизации комбинированных динамических систем [Текст] / Д. К. Андрейченко, Ф. М. Жадаев // Известия Саратовского университета. Новая серия. Сер.: Математика. Механика. Информатика / Саратовский нац. исследоват. гос. ун-т им. Н. Г. Чернышевского. - Саратов. - 2018. - № 3. -С. 354 - 360.
4. Узенцова, Н. С. Об одновременном приближении алгебраических многочленов и их производных нейронными сетями прямого распространения сигнала с одним скрытым слоем [Текст] / Н. С. Узенцова, С. П. Сидоров // Известия Саратовского университета. Новая серия. Сер.: Математика. Механика. Информатика / Саратовский нац. исследоват. гос. ун-т им. Н. Г. Чернышевского. - Саратов. - 2013. - № 2. - С. 78 - 82.
5. Руанет, В. В. Использование искусственных нейронных сетей в цитогенетических исследованиях [Текст] / В. В. Руанет, А. К. Хетагурова, Е. Д. Бадаева // Биомедицинская химия / Научно-исследовательский институт биомедицинской химии им. В. Н. Ореховича. - М. -2004. - № 1 (50). - С. 163 - 171.
6. Айзикович, А. А. Применение персептрона в цифровой фильтрации сигналов [Текст] /
A. А. Айзикович, А. Ю. Усынин // Известия Института математики и информатики Удмуртского государственного университета / Удмуртский гос. ун-т. - Ижевск. - 2006. - № 2. -С. 109 - 112.
7. Ухоботов, В. И. О сравнении нечетких чисел в задачах принятия решений [Текст] /
B. И. Ухоботов, Е. С. Михайлова // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки / Удмуртский гос. ун-т. - Ижевск. - 2016. - № 1. - С. 87 - 94.
8. Apicella A., Isgro F., Prevete R. A simple and efficient architecture for trainable activation functions, Neurocomputing, Elsevier BV, Amsterdam, 2019, no. 370, pp. 1 - 15.
9. Diene O., Bhaya A. Conjugate gradient and steepest descent constant modulus algorithms applied to a blind adaptive array, Signal Processing, Elsevier BV, Amsterdam, 2010, no. 90, pp. 2835 - 2841.
10. Chen J., Li W. Convergence of Gauss-Newton's method and uniqueness of the solution, Applied Mathematics and Computation, Elsevier BV, Amsterdam, 2005, no. 170, pp. 686 - 705.
11. Maric, I. Optimization of self-organizing polynomial neural networks, Experts systems with applications, Elsevier BV, Amsterdam, 2013, no. 40, pp. 4528 - 4538.
References
1. Lakin I. K. Risk management model to prevent locomotive malfunction [Model' upravlenija riskami otkazov lokomotivov]. Mir transporta - World of Transport and Transportation, 2013, no. 4 (11), pp. 130 - 136.
2. Golubev Yu. F. Neural networks in mechatronics [Nejronnye seti v mekhatronike]. Funda-mental'naya i prikladnaya matematika - Fundamental and Applied Mathematics, 2005, no. 8 (11), pp. 81-103.
3. Andrejchenko D. K., Zhadaev F. M. Training of neural network regulators for stabilization of combined dynamic systems [Obuchenie nejrosetevyh regulyatorov dlya stabilizacii kom-binirovannyh dinamicheskih sistem]. Izvestiya Saratovskogo universiteta. Novaya seriya. Seriya: Matematika. Mekhanika. Informatika - Journal of Saratov University Studies. New series. Series: Mathematics. Mechanics. Computer science, 2018, no. 3 (18), pp. 354 - 360.
4. Uzencova N. S., Sidorov S. P. On the simultaneous approximation of algebraic polynomials and their derivatives by neural networks of direct signal propagation with one hidden layer [Ob od-novremennom priblizhenii algebraicheskih mnogochlenov i ih proizvodnyh nejronnymi setyami pryamogo rasprostraneniya signala s odnim skrytym sloem]. Izvestiya Saratovskogo universiteta. Novaya seriya. Seriya: Matematika. Mekhanika. Informatika - Journal of Saratov University Studies. New series. Series: Mathematics. Mechanics. Computer science, 2013, no. 2 (13), pp. 78 - 82.
5. Ruanet V. V., Hetagurova A. K., Badaeva E. D. The use of artificial neural networks in cytogenetic studies [Ispol'zovanie iskusstvennyh nejronnyh setej v citogeneticheskih issledovaniyah]. Biomedicinskaya himiya - Biomedical Chemistry, 2004, no. 1 (50), pp. 163 - 171.
6. Ajzikovich A. A., Usynin A. Yu. Application of the perceptron in digital signal filtering [Primenenie perseptrona v cifrovoj fil'tracii signalov]. Izvestiya Instituta matematiki i informatiki Udmurtskogo gosudarstvennogo universiteta - Journal of the Institute of Mathematics and Computer Science Studies of Udmurt State University, 2006, no. 2 (36), pp. 109 - 112.
7. Uhobotov V. I., Mihajlova E. S. On the comparison of fuzzy numbers in decision-making problems [O sravnenii nechetkih chisel v zadachah prinyatiya reshenij]. Vestnik Udmurtskogo universiteta. Matematika. Mekhanika. Komp'yuternye nauki - Bulletin of the Udmurt University Studies. Mathematics. Mechanics. Computer science, 2016, no. 1 (26), pp. 87 - 94.
8. Apicella A., Isgro F., Prevete R. A simple and efficient architecture for trainable activation functions, Neurocomputing, Elsevier BV, Amsterdam, 2019, no. 370, pp. 1 - 15.
9. Diene O., Bhaya A. Conjugate gradient and steepest descent constant modulus algorithms applied to a blind adaptive array, Signal Processing, Elsevier BV, Amsterdam, 2010, no. 90, pp. 2835 - 2841.
10. Chen J., Li W. Convergence of Gauss-Newton's method and uniqueness of the solution, Applied Mathematics and Computation, Elsevier BV, Amsterdam, 2005, no. 170, pp. 686 - 705.
11. Maric, I. Optimization of self-organizing polynomial neural networks, Experts systems with applications, Elsevier BV, Amsterdam, 2013, no. 40, pp. 4528 - 4538.
ИНФОРМАЦИЯ ОБ АВТОРЕ
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 AUTHOR
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», FESTU. Phone: +7 (924) 212-21-38. E-mail: alexey.kushniruk@mail.ru
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ BIBLIOGRAPHIC DESCRIPTION
Кушнирук, А. С. Система управления техническим состоянием локомотивного парка на основе искусственной нейронной сети прогнозирования [Текст] / А. С. Кушнирук // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2020. -№ 1 (41). - С. 72 - 83.
Kushniruk A. S. System for managing the technical condition of a locomotive fleet on the basis of an artificial neural forecasting network. Journal of Transsib Railway Studies, 2020, no. 1 (41), pp. 72 - 83 (In Russian).
УДК 629.4.023; 621.008.2
З. Г. Мухамедова
Ташкентский институт инженеров железнодорожного транспорта (ТашИИТ), г. Ташкент,
Республика Узбекистан
СОВЕРШЕНСТВОВАНИЕ ПРИНЦИПОВ ПРОЕКТИРОВАНИЯ ОБОРУДОВАНИЯ МОНТАЖНОЙ ПЛОЩАДКИ АВТОМОТРИСЫ С УЧЕТОМ НОРМ НАДЕЖНОСТИ И РЕАЛЬНОГО СОСТОЯНИЯ
Аннотация. Освещены факторы, влияющие на эксплуатационную надежность площадки монтажной автомотрисы, обслуживающей ремонт и монтаж на железной дороге. Произведены оценка и анализ системы количественных показателей надежности, описаны методы их раздельного определения по механическому, гидро- и электрооборудованию. Рассмотрена стратегия технического обслуживания и ремонта с применением методов и средств современной системы диагностирования, обеспечивающая оценку надежности объекта при проектировании, при его эксплуатации и при ремонте.
Ключевые слова: монтажная площадка автомотрисы, эксплуатационная надежность, оценка точечных показателей надежности, вероятность, ресурсы, диагностика, стратегия технического обслуживания и ремонта.
Ziyoda G. Mukhamedova
Tashkent Institute of Engineers of Railway Transport (TIERT), Tashkent, Uzbekistan
IMPROVING THE DESIGN CONCEPTS OF EQUIPMENT FOR THE ASSEMBLY PLATFORM OF A RAIL SERVICE CAR CONSIDERING RELIABILITY RATES
AND REAL STATE
Abstract. The factors affecting the operational reliability of the assembly platform of a rail service car maintaining the repair and installation on the railways are considered in the paper. An assessment and analysis of a system of quantitative indices of reliability is performed, the methods for their separate determination by mechanical equipment and hydro and electrical equipment is described. The strategy of maintenance and repair combined with the use of methods and means of a modern diagnostic system is considered; it ensures the estimation of the object reliability during its design, operation and repair.
Keywords: assembly platform of a rail service car, operational reliability, assessment ofpoint indices of reliability, resource probability, diagnostics, maintenance and repair strategy.
Эффективность функционирования электрифицированного железнодорожного транспорта во многом зависит и от того, насколько разрешен вопрос бесперебойной работы автомотрис и автодрезин, конечным результатом этой работы являются обеспечение графика движения поездов при оптимальных экономических показателях, определяемых повышенными показателями надежности при их проектировании, создание системы эксплуатации, обеспечивающей повышение исправности и работоспособности указанных механизмов, а также прогнозирование их состояния в заданных условиях эксплуатации.
№ 1(41) 2020
