Научная статья на тему 'Совершенствование вероятностных моделей прогнозирования отказов элементов инфраструктуры электроснабжения железных дорог'

Совершенствование вероятностных моделей прогнозирования отказов элементов инфраструктуры электроснабжения железных дорог Текст научной статьи по специальности «Энергетика»

CC BY
40
3
Поделиться
Журнал
Известия Транссиба
ВАК
Область наук
Ключевые слова
OVERHEAD CONTACT LINE / DIAGNOSTICS / BAYESIAN NETWORK / PROBABILITY OF FAILURE / КОНТАКТНАЯ СЕТЬ / ДИАГНОСТИКА / БАЙЕСОВСКАЯ СЕТЬ / ВЕРОЯТНОСТЬ ОТКАЗА

Аннотация научной статьи по энергетике, автор научной работы — Сидоров Олег Алексеевич, Смердин Александр Николаевич, Голубков Антон Сергеевич

В статье рассматривается методика проектирования диагностической системы инфраструктуры электроснабжения железных дорог, основанная на применении байесовских сетей для прогнозирования вероятностей отказов. Для достижения максимальной эффективности диагностирования необходимо стремиться к минимизации количества входных параметров при сохранении требуемой точности. Предлагается диагностическая система, позволяющая оценить влияние каждого параметра на точность предсказания отказов. Восполнить недостаток исходных данных позволяет преимущество байесовских сетей возможность задать структуру сети при помощи метода экспертных оценок, что позволит выполнить расчет вероятностей отказов при недостатке информации.

Похожие темы научных работ по энергетике , автор научной работы — Сидоров Олег Алексеевич, Смердин Александр Николаевич, Голубков Антон Сергеевич,

IMPROVEMENT OF PROBABILISTIC MODELS OF FAILURE PREDICTION OF ELEMENTS OF RAILROAD POWER SUPPLY INFRASTRUCTURE

The article examines the technique of designing diagnostic system of infrastructure of electrical railways based on use of bayesian networks for prediction of probabilities of failures. To achieve maximum effectiveness of diagnosis we should minimize the number of input parameters, while maintaining the required accuracy. It is proposed to create a mathematical model of the diagnostic system, that will allow to evaluate the influence of each parameter on the accuracy of prediction of failures. To compensate the lack of source data we can use the advantage of bayesian networks the opportunity to generate network structure by the method of expert evaluations. Generated bayesian network will perform the failure probability calculation with limited information.

Текст научной работы на тему «Совершенствование вероятностных моделей прогнозирования отказов элементов инфраструктуры электроснабжения железных дорог»

Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.

Кандидат технических наук, проректор по учебной работе, доцент кафедры «Электроснабжение железнодорожного транспорта», ОмГУПС.

Тел.: (3812) 31-06-00.

E-mail: t_komyakova@mail.ru

БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ

Салита, Е. Ю. Улучшение показателей энергетической эффективности многопульсовых выпрямителей тяговых подстанций [Текст] / Е. Ю. Салита, Т. В. Ковалева, Т. В. Комякова // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2017. - № 3 (31). -С. 114 - 123.

Cand. Tech. Sci., vice-rector of education, the senior lecturer of the department «Power supply for railway transport », OSTU.

Phone: (3812) 31-06-00. E-mail: t_komyakova@mail.ru

BIBLIOGRAPHIC DESCRIPTION

Salita E. J., Kovaleva T. V., Komyakova T. V. Indicators improvement of the traction substations multiple pulsed rectifiers energy efficiency. Journal of Transsib Railway Studies, 2017, vol. 31, no. 3, pp. 114 - 123 (In Russian).

УДК 621.336

О. А. Сидоров, А. Н. Смердин, А. С. Голубков

Омский государственный университет путей сообщения (ОмГУПС), г. Омск, Российская Федерация

СОВЕРШЕНСТВОВАНИЕ ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ЭЛЕМЕНТОВ ИНФРАСТРУКТУРЫ ЭЛЕКТРОСНАБЖЕНИЯ ЖЕЛЕЗНЫХ ДОРОГ

Аннотация. В статье рассматривается методика проектирования диагностической системы инфраструктуры электроснабжения железных дорог, основанная на применении байесовских сетей для прогнозирования вероятностей отказов. Для достижения максимальной эффективности диагностирования необходимо стремиться к минимизации количества входных параметров при сохранении требуемой точности. Предлагается диагностическая система, позволяющая оценить влияние каждого параметра на точность предсказания отказов. Восполнить недостаток исходных данных позволяет преимущество байесовских сетей - возможность задать структуру сети при помощи метода экспертных оценок, что позволит выполнить расчет вероятностей отказов при недостатке информации.

Ключевые слова: контактная сеть, диагностика, байесовская сеть, вероятность отказа.

Oleg A. Sidorov, Alexandr N. Smerdin, Anton S. Golubkov

Omsk State Transport University (OSTU), Omsk, the Russian Federation

IMPROVEMENT OF PROBABILISTIC MODELS OF FAILURE PREDICTION OF ELEMENTS OF RAILROAD POWER SUPPLY INFRASTRUCTURE

Abstract. The article examines the technique of designing diagnostic system of infrastructure of electrical railways based on use of bayesian networks for prediction of probabilities offailures. To achieve maximum effectiveness of diagnosis we should minimize the number of input parameters, while maintaining the required accuracy. It is proposed to create a mathematical model of the diagnostic system, that will allow to evaluate the influence of each parameter on the accuracy of prediction offailures. To compensate the lack of source data we can use the advantage of bayesian networks - the opportunity to generate network structure by the method of expert evaluations. Generated bayesian network will perform the failure probability calculation with limited information.

Keywords: overhead contact line, diagnostics, , bayesian network, probability of failure.

Публикация осуществлена в рамках реализации гранта ОАО «РЖД» на развитие научно-педагогических школ в области железнодорожного транспорта.

Основной целью диагностики технических объектов является оценка их пригодности для выполнения заложенных функций и определение узлов, требующих ремонта и обслуживания для предотвращения отказов в процессе эксплуатации. Эффективная система диагностики должна позволять выполнять обслуживание «по состоянию», снижая эксплуатационные расходы и повышая надежность системы. Результатом работы диагностической системы является информация о вероятности отказов узлов системы на определенном отрезке времени. Качество работы диагностической системы оценивается по экономическому эффекту, достигаемому за счет внедрения данной системы.

Несмотря на постоянный рост расходов на содержание инфраструктуры системы токосъема отмечаются увеличение числа выходов из строя отдельных ее элементов и ухудшение всех показателей системы. С ростом скорости и интенсивности движения на участке становится затруднительным обеспечение традиционного регламента инспекционных поездок и обходов, призванных выявить предотказные состояния контактной сети. В связи с этим актуальной становится задача уточнения необходимого перечня диагностических параметров и интервалов их измерения.

В настоящее время в литературе встречается упоминания о множестве факторов, оказывающих влияние на токосъем, к ним относятся внешние (эксплуатационные, погодные) и внутренние (особенности конструкции, качество материалов и монтажа и т. д.) (рисунок 1).

Классификация параметров, показателей и характеристик контактных подвесок

Механические

Максимальная эластичность контактной подвески

Минимальная эластичность контактной подвески

Натяжение контактного провода

Натяжение рессорного троса

Натяжение несущего троса

Параметры

Коэффициент неравномерности эластичности

Неравномерность эластичности в пролете

Электрические

Тип контактного провода

Тип несущего троса

Тип рессорного троса

Тип струны

Максимальный

допустимый длительный ток для подвески

Номинальное напряжение

Типы электрических соединителей

' Температура '

Влажность

Скорость ветра

Геометрические

Длина пролета

Длина анкерного участка

Длина рессорного троса

Конструктивная высота

Высота контактного провода от УГР

Зиг заг контактного провода на прямой

Стрела провеса контактного провода

Стрела провеса несущего троса

Уклоны контактного провода

Габарит опоры

Параметры окружающей среды

Характеристики

Изменение эластичности

Максимальное нажатие

Изменение стрелы провеса

Приращение натяжения контактного провода по длине анкерного участка

Приращение натяжения несущего троса по длине анкерного участка

Изменение собственной частоты механического колебания

Неравномерность

натяжения проводов и тросов контактной подвески

Износ контактного провода

Срок службы

Показатели

Приведенная масса контактной подвески

Изменение скорости распространения поперечной волны

Коэффициент отражения

Коэффициент Доплера

Коэффициент усиления

Коэффициент сухого трения

Коэффициент вязкого трения

Декремент колебаний подвески

Рисунок 1 - Классификация параметров, показателей и характеристик контактных подвесок

Натурное изучение влияния совокупности всех этих параметров является нетривиальной задачей в первую очередь из-за сложности постановки эксперимента. Изменение эксплуатационных параметров сопряжено с определенным риском нарушения работоспособности, снижения показателей, возникновения аварийных ситуаций. Сочетания погодных факторов

124 ИЗВЕСТИЯ Транссиба № 3(31) ОП4 "7

ш —¿и1 7

слабопредсказуемы и ожидание их возникновения сопряжено с временными и материальными затратами.

Необходимо снизить эксплуатационные расходы на диагностику инфраструктуры системы токосъема при сохранении или повышении качества ее работы в условиях скоростного и тяжеловесного движения за счет совершенствования предсказательной функции системы диагностики, позволяющей снизить число инспекционных поездок, обоснованно увеличить межремонтный интервал устройств инфраструктуры системы токосъема, прогнозировать потребность в ремонтных работах в краткосрочной и долгосрочной перспективе.

Для получения количественных и качественных зависимостей между влияющими факторами и показателями токосъема необходимо составить вычислительную сеть на основе теоремы об апостериорных вероятностях Байеса.

Для корректной работы такой сети требуются вероятностные взаимосвязи между факторами и массив данных об изменении значений этих факторов во времени.

В настоящее время для обнаружения взаимосвязей используются корреляционный многофакторный анализ, метод экспертных оценок и лабораторные эксперименты.

Известны исследования отечественных и зарубежных авторов, посвященные предсказанию и раннему обнаружению повреждений и отказов контактной сети, ее спецчастей, а также нарушений взаимодействия инфраструктуры системы токосъема и токоприемников. Прогнозные модели, связывающие отказы и предшествующие им погодные условия, широко освещены в трудах Chen Y., Fumeo E., Guclu A. и других [1 - 3]. В качестве математического аппарата могут используются регрессионные модели, радиально-базисные нейронные сети, байесовские сети и др.

Существуют исследования в области применения байесовских сетей для предсказания отказов устройств железнодорожной инфраструктуры [4] и линий электропередачи [5], которые показали перспективность данного метода в диагностике.

В этих моделях в качестве входных параметров используются различные сочетания погодных факторов, статистика отказов, особенности эксплуатации. Результатами работы моделей чаще всего являются прогнозы или вероятности возникновения отказов отдельных элементов или подсистем в краткосрочной и долгосрочной перспективе.

Известны работы, посвященные применению датчико-диагностических комплексов для определения погодных факторов непосредственно на контактной сети, к ним можно отнести устройства для обнаружения гололеда, температуры окружающей среды, нагрева проводов, порывистого ветра. Эти комплексы используются в системах раннего обнаружения отказов и предотвращения развития повреждений. Использование информации подобных датчико-диагностических комплекса позволит улучшить работу предлагаемой системы и не допустить возникновения отказов за счет оперативного прогнозирования.

Поскольку результаты измерения диагностических параметров являются случайными величинами, а отказы технических объектов являются случайными событиями, байесовская сеть является подходящим типом математической модели для прогнозирования отказов.

Байесовская сеть представляет собой графическую вероятностную модель, где каждый узел представляет собой случайную переменную, а связи между узлами показывают зависимости между ними.

Основными причинами выбора байесовских сетей для моделирования отказов являются возможность простой причинно-следственной интерпретации структуры сети и явное представление влияющих факторов, а также способность работать со случайными событиями. Байесовские сети широко применяются при диагностике отказов и прогнозировании повреждений в технических системах [6].

Исходными данными для построения предлагаемой вероятностной модели прогнозирования отказов на основе байесовской сети служит матрица значений переменных, полученная в ходе интерпретации предыдущих наблюдений отказов, изменения параметров и эксплуатационных показателей системы токосъема. Матрица может содержать различные типы

данных: целые или вещественные числа, именованные значения. Случайные величины в байесовской сети могут иметь различные виды и законы распределения.

Для формирования входной матрицы модели авторами используется массив исходных данных, включающий в себя результаты диагностики, случаи отказов и стоимость восстановления технического объекта. Часть необходимой информации доступна по запросу из существующих баз данных по отказам и обслуживанию оборудования, другая часть не может быть получена без дополнительных затрат.

В результате исследования статистики отказов элементов контактной сети с учетом погодных факторов было установлено, что существует взаимосвязь между различными сочетаниями погодных условий и количеством отказов видов элементов контактной сети.

Использовалась база данных об отказах контактной сети за пять лет на участке общей протяженностью 3000 км. Участок был разделен на четыре зоны, для каждой из которых метеорологические факторы определялись по данным ближайшей имеющейся метеорологической станции.

Формат метеорологических данных в соответствии с GSOD [7] а также наименования переменных, использованных при построении сети, приведены в таблице 1.

При построении байесовской сети из таблицы метеорологических данных с помощью регрессионного анализа были выделены наиболее существенные факторы, влияющие на надежность эксплуатации инфраструктуры контактной сети.

Для составления модели прогнозирования отказов записи в базе данных об отказах были условно сгруппированы по названиям элементов, вышедших из строя, изоляторы, компенсаторы, консоли и фиксаторы, воздушные стрелки, струны, тросы, контактные провода, детали контактной сети, опоры.

Сопоставление погодных факторов с отказами выполнялось по времени и координатам на местности.

Полученная в результате обобщения всех имеющихся данных реляционная таблица (таблица исходных данных «7») использовалась для определения структуры сети.

Оценка статистической значимости каждой возможной связи между факторами и определение структуры сети выполнялось по методу Hill-Climbing [8].

Таблица 1 - Формат метеорологических данных

Обозначение GSOD Описание данных Единица измерения Наименование переменной

STN- Номер метеорологической станции

TEMP Средняя температура C temp_mean

MAX Максимальная температура C temp_max

MIN Минимальная температура C temp_min

DEWP Среднее значение температуры точки росы C

PRCP Атмосферные осадки мм rain

SNDP Толщина снежного покрова мм snow

VISIB Атмосферная видимость км

STP Среднее атмосферное давление мм рт. ст.

WDSP Средняя скорость ветра м/с wind_mean

MXSPD Максимальная скорость ветра м/с wind_max

GUST Максимальная скорость порывов ветра м/с

FRSHTT Погодные явления (туман, дождь, снег или ледяной дождь, град, гроза, торнадо) thunder

Графическая структура разработанной байесовской сети представляет собой ациклический направленный граф О = (V, А), где V- множество вершин графа и А - множество ребер. Граф определяет факторизацию совместного распределения вероятностей V = [Х\, X2, ..., XV} событий, учтенных моделью. Форма факторизации определялась в соответствии с марковским свойством байесовской сети, которое утверждает, что случайная переменная X зависит только от своих прямых родительских переменных:

р(х ......=

¿=1

(1)

¿ = 11=1к=1 4 '

Первым шагом созданного алгоритма является определение структуры сети, после чего выполняется вычисление локальных распределений вероятностей на основе полученной структуры.

Алгоритм определения структуры основан на оценочном методе, при котором каждому варианту структуры сети присваивается определенная оценка, после чего выполняется эвристическая оптимизация с целью получения структуры с максимальной оценкой.

В качестве оценочной функции для структуры сети применялись различные критерии, (логарифмическая функция подобия, информационные критерии Акаике и Байеса, логарифм эквивалентной оценки Байеса - Дирихле) [9]. Наилучшие результаты были получены с помощью логарифмической функции подобия, которая и была избрана в качестве основной:

41 ъ

/М-/Л

(2)

\ /

=1 =1 к=1

где Щук - количество случаев в таблице исходных данных «Т», в которых переменная X принимает свое к-е значение х¿¿, а переменные П^. принимают свою] конфигурацию Wj; Щ - количество случаев в таблице «Т», в которых переменная X принимает свое к-е значение х^; Г - количество возможных состояний переменной X; 4 - количество возможных конфигураций родительских переменных П^. для переменной X.

Данная оценочная функция стремится к максимуму при полностью связанной сети, что негативно влияет на отображение связей для возможных независимых переменных, поэтому для случаев с большим количеством связей в структуре сети применялась оценочная функция Байеса - Дирихле:

V 41

I I (Г; — 1)! \ ^ \

+ > ). (3)

ч}+П — 1)7 к=

При добавлении новых исходных данных структура сети может измениться, поэтому алгоритм предусматривает обновление структуры при каждом изменении таблицы «Т».

В лаборатории «Контактные сети и линии электропередачи» ОмГУПСа создана вероятностная модель прогнозирования отказов элементов инфраструктуры системы токосъема на основе байесовской сети для Западно-Сибирской железной дороги.

На рисунке 2 приведена структура сети, автоматически сгенерированная при помощи разработанного алгоритма и программного обеспечения.

Получившаяся сеть состоит из узлов, обозначающих дискретные переменные, и связей между ними, показывающих влияние узлов друг на друга. Для независимых переменных определяется вероятность каждого из возможных исходов, сумма вероятностей которых равна единице. Для зависимых переменных составляется таблица вероятностей возможных исходов при условии наступления тех или иных исходов влияющих переменных, в таблице 2

V 4 / П

ыс\т) = юе(Р(с)) + >>(Ц Д'Д'Л + > 1с^1№!)

¿ = 1 /=1 \ I] ¿ J■У к=1

№ 3(31) ■2017

приведена матрица условных вероятностей для факторов отказа подвесных изоляторов. Матрица позволяет оценить вероятность отказа хотя бы одного изолятора на моделируемом участке.

Рисунок 2 - Структура байесовской сети для прогнозирования отказов контактной сети Таблица 2 - Матрица условных вероятностей отказа изоляторов

Влияющие факторы Вероятность отказа

thunder (погодные явления) 1ешр_шах (максимальная температура) нет отказа отказ

0 0 0,949 0,051

0 1 0,998 0,002

0 2 0,909 0,091

1 0 0,991 0,009

1 1 0,980 0,020

1 2 0,944 0,056

2 0 0,983 0,017

2 1 0,992 0,008

2 2 0,969 0,031

128 ИЗВЕСТИЯ Транссиба № 3(71) ОП4 "7

ш ;=2U1 7

В результате моделирования генерируются матрицы условных вероятностей для всех узлов, входящих в модель. Выбор влияющих факторов осуществляется в автоматическом режиме (по ранжиру) либо вручную.

Из данных таблицы 2 видно, что наибольшая вероятность отказа (0,091) наблюдается при совпадении признаков низкой грозовой активности (thunder = 0) и высокой температуры (temp_max = 2), а при снижении температуры до среднего значения вероятность отказов снижается.

Разработанное программное обеспечение позволяет генерировать структуру сети и таблицы условных вероятностей для различных факторов по таблице статистических наблюдений (рисунок 3).

Bayesian Networks

InaddeleCtax:

wind_max

-100.S-J.-0 4.0-5.0 8.0-24.0

О .ЭЙ 0.420 0.547

leinp_fnean

wind mean whd тпм -37.8-15.6 -15.6-6.6 6.6-26.0

0,0-3,1 -100,0-4.0 0 193 0 400 0 40G

.0.0-3,1 1. 4,(М,0 0.0-3.1 ¡5.0-24.0 3.1-6.3 -100.0-4.0 3.1-6.3 4.0-8.0 QJS6 0.171 0.333 0.107 0,057 0.333 0.444 _0.&35 0,771 0.333 0.449

3.1-6.5 3.0-24.0 0.065 0.461 0.474

0.3-9,4 -100,0-4,0 6.3-9.4 . 4,0-8,0 0.333 0:333 0 333 .0-333 0,333 0,333

0.3-3.4 ES.0-24.0 0.016 0.805 0.579

wind_mean

winc1_ max 0.0-3-1 3.1-6.3 6.3-3.4

т!0Й 0-4.0• Ч-ОООГ 0-000 JHNJDi

4.0-8.0 . 0.487. 0.513 O.COO; 8.0-24.0 0.043 0.803 0.150

[ernp_mean . -37,07-1.5,6

rain 0.0-0.9

o-0-Q,e. i.boo

-37B-16.6 -37 8-15.6 -37.8-1S.6

0.8-1.8 1.000 1-5-2-2 0.25Q 2.2-3.0 0.250

-15.6-6.6 -15.6-6.6 -15-6-6.6

Идапящры

ternp_near -37.8-16.6 -37.8-16.6 -37.fi—15.6 -37.8—15.6

-15.6-0.6

-15.6-5.6 ■15.6-6.6 -15.6-6.6

Чш rider | 0.0-0 n.a-i.

1-5-2.

2-2-3

0.3-1. 1.S-E. 2.2 3.

-15.6-6 6 66-289 6.6-28,9

O.O-O.B 1.000 0.8-1,5 0.M3 1.6-2,2 0.W4

2.2-3,0 1.000 O.O-O.fi 0.917 0,8-1 ,S 0645

Опоры

Изо il 9 горы

о

Проводи о

о.эвв о.эво

0.012 Q-020

1.000 о.ооэ 1.000 0.ООО

0,6-1.5

300.0

1.5-2.2 2.2-3.0

0 Ml .0.000.

э.ооо

0.250 0.250

0.000 0.007

о.оое

о.ооо

0.1)76 0.29В

0.245 0.253

rain

temp mean snow оо-о.а 0.8-1.5 1.5-2.2 2.2-3 0

-37.8-15.6 0.0-0.3 0.991 0.0Е9 О.ООО 0.000

-37.8-15.6 -37.8-15.6 -37.3-15.6 0.8-1.5 1,5-2.2 2.2-3.0 1.000 о.эег 0 ш 0.000 0.018 0.0«! О.ООО 0.000 О.ООО 0.000 0 000 0.000

■15.6-6,6 -15.6-6.6 0.0-Q.G 0.8-1.5 0,479 0.451 0.207 о.етв 0.1 ее o.i27 о.15з о.оза

-15.6-6.6 1.5-2.2 0.604 0.21В 0.115 0.0G2

-15.6-6.6 6.6-23.9 2.2-3.0 0.0-0.8 0.774 Q.2S4 0.174 0.303 0.043 0.009 0.247 O.iOS

5.6-23.9 0.3-1.5 0.S05 0.474 0.203 0.Г5Й

б,6-20.Э 6.6-26.9 1.5-2.2 2.2-3.0 0.250 0.250 0.250 0.250 0.250 0.250 0.250 0.25О

snow

le-пр nean -37,0-15,6 -37.6-15.6 wind mea^ 6.0-3,1 3.1-6.3 0.0-0.6 0.300 0,05£ 0.8-1.5 0 239 0.255 1.5-2.2 0.229 0.303 2.2-3.0 0.232 0,342

-37 5-15 6 6.3-9.4 0.000 D.000 0.000 I.ODO

-15.6-6 6 0 0-3.1 0.327 0.195 0.223 0.255

-15.6-6.6 3.1-6.3 0.196 0.212 0.234 0.359

-15.6-6.& 6.6-28.9 6.3-9.4 0.0-3.1 0.510 Ш 0.152 0 011 0.283 0 000 0.556 0 COO

0.6-58.9 6.6-28.9 3.1-8 3 0.3 B9 0.011 0.0 00 0.МЮ

63-94 0.864 0.136 0.000 O.COO

Прозода

1cmp._mean -17.8-15.6 -37.B-15.6

0.0-0.8 .0.976.0.024 0.8-1.5 0.500 0.500

-37.3-15.6 1.5-2.2 0.500 0.500

-37.6-15.6 -15 6-6 6 2.2-3.0 0.500 0.500. 0.0-0.8 0.991 0.009

-15.6-6.6 -15 6-6.6 0.6-1,5 1.000 0.000 1.5-2:2 0.500 0.500

-15,6-6,6 2,2-3,0 0.500 0.500

6.5-26.9 0.0-0.8 0.962 0.016

Рисунок 3 - Результат расчета условных вероятностей отказов инфраструктуры системы токосъема на участке Западно-Сибирской железной дороги за 2016 г.

Кроме прямых зависимостей между переменными байесовская сеть позволяет получать таблицы условных вероятностей между любыми узлами, при этом таблица условных вероятностей дополняется атрибутами, влияние которых планируется исследовать.

Программное обеспечение позволяет проводить моделирование на подготовленной сети. Введя искусственные значения влияющих переменных в модель, можно получить уловную вероятность отказа или безотказности при сочетании указанных факторов.

Модель позволяет, опираясь на прогноз погоды, определить наиболее подверженные отказам узлы и подсистемы контактной подвески, а также рассчитать вероятность безотказной работы всей системы, принять решение о необходимости усиления готовности обслуживающего персонала, о необходимости снижения нагрузки, введения ограничения скорости на участке и т. д.

Дальнейшее совершенствование прогнозной вероятностной модели возможно при существенном расширении набора данных о погодных факторах, таких как количество молний во время грозы, наличие и толщина стенки гололеда или изморози, солнечная активность.

Большая протяженность железнодорожных линий и особенности местности приводят к резким локальным неоднородностям погодных факторов вдоль линии, которые невозможно учесть имеющимися метеорологическими станциями, расположенными вблизи железной до-

№ 3(31) ■2017

роги [10]. Необходимо размещать сеть метеорологических регистраторов вдоль железнодорожных линий с обоснованным интервалом, а также в местах возможного изменения сочетания погодных факторов. Применение таких комплексов позволит не только оперативно детектировать наличие неблагоприятных погодных условий, но и накапливать массив метеорологических данных для создания предсказательных моделей.

Необходимо отметить, что для эффективной работы предлагаемой системы ключевое значение имеют алгоритмы получения, обработки и интерпретации информации, а также программное обеспечение, позволяющее эффективно решать задачи прогнозирования отказов и подготовки оперативных решений и управляющих воздействий, касающихся подсистемы электроснабжения железных дорог [11].

В Омском государственном университете путей сообщения ведутся работы по совершенствованию методики прогнозирования отказов системы электроснабжения на основе регрессионного анализа и байесовских сетей.

Список литературы

1. Chen, Y. , & Tjandra, S. (2014). Daily collision prediction with sarimax and generalized linear models on the basis of temporal and weather variables. Transportation Research Record Journal of the Transportation Research Board, 2432, 26 - 36.

2. Fumeo, E. , Oneto, L. , & Anguita, D. (2015). Condition based maintenance in railway transportation systems based on big data streaming analysis. Procedia Computer Science, 53 (1), 437 -446.

3. Guclu, A., Yilboga, H. , Eker, O. F., Camci, F., Jennions, I. , & Guclu, A. (2010). Prognostics with autoregressive moving average for railway turnouts. In Conference of prognostics and health management society. Paris, France.

4. Wang G., Xu T., Tang T., Yuan T., Wang H. A Bayesian network model for prediction of weather-related failures in railway turnout systems. Expert Systems With Applications 69. 2017. pp. 247 - 256.

5. Zhou, Y. , Pahwa, A. , & Yang, S. S. (2006). Modeling weather-related failures of over-head distribution lines. IEEE Transactions on Power Systems, 21 (4), 1683 - 1690 .

6. Neapolitan, R.E. Probabilistic reasoning in expert systems: theory and algorithms, JohnWiley & Sons. 1990.

7. https://data.noaa.gov/dataset/global-surface-summary-of-the-day-gsod

8. Bayesian Networks with Examples in R M. Scutari and J.-B. Denis (2014). Texts in Statistical Science, Chapman & Hall/CRC (US).

9. Cooper, G. and Herskovits, E. (1992). A Bayesian method for the induction of probabilistic networks from data. Machine Learning, 9, 309 - 347.

10. Трубицин, М. А. Анализ способов обнаружения гололеда на проводах ЛЭП и их применение для контактной сети [Текст] / М. А. Трубицин, О. Г. Лукашевич // Инженерный вестник Дона / Северо-Кавказский научный центр высшей школы Южного федерального университета. - Ростов-на-Дону. - 2016. - № 4. - С. 1 - 11.

11 . Мещеряков, В. А. Предпосылки получения статистически достоверных данных в ходе имитационного моделирования токосъема / В. А. Мещеряков, А. Н. Смердин, А. С. Голубков // Вестник Всероссийского научно-исследовательского и проектно-конструкторского института электровозостроения / Всероссийский научно-исследовательский и проектно-конструкторский институт электровозостроения. - М. - 2013. - № 2 (66). - С. 104 - 121.

References

1. Chen, Y. , & Tjandra, S. (2014). Daily collision prediction with sarimax and generalized linear models on the basis of temporal and weather variables. Transportation Research Record Journal of the Transportation Research Board, 2432, 26 - 36.

2. Fumeo, E. , Oneto, L. , & Anguita, D. (2015). Condition based maintenance in railway trans-

portation systems based on big data streaming analysis. Procedia Computer Science, 53 (1), 437 -446.

3. Guclu, A., Yilboga, H. , Eker, O. F., Camci, F., Jennions, I. , & Guclu, A. (2010). Prognostics with autoregressive moving average for railway turnouts. In Conference of prognostics and health management society. Paris, France.

4. Wang G., Xu T., Tang T., Yuan T., Wang H. A Bayesian network model for prediction of weather-related failures in railway turnout systems. Expert Systems With Applications 69. 2017. pp. 247 - 256.

5. Zhou, Y. , Pahwa, A. , & Yang, S. S. (2006). Modeling weather-related failures of over-head distribution lines. IEEE Transactions on Power Systems, 21 (4), 1683 - 1690 .

6. Neapolitan, R.E. Probabilistic reasoning in expert systems: theory and algorithms, JohnWiley & Sons. 1990.

7. https://data.noaa.gov/dataset/global-surface-summary-of-the-day-gsod

8. Bayesian Networks with Examples in R M. Scutari and J.-B. Denis (2014). Texts in Statistical Science, Chapman & Hall/CRC (US).

9. Cooper, G. and Herskovits, E. (1992). A Bayesian method for the induction of probabilistic networks from data. Machine Learning, 9, 309 - 347.

10. Trubicin M. A., Lukashevich O. G. Analiz sposobov obnaruzheniya gololeda na provodah LEP i ih primenenie dlya kontaktnoy seti [Analiz sposobov obnaruzheniia gololeda na provodakh LEP i ikh primenenie dlia kontaktnoi seti]. Inzhenernyi vestnik Dona - Engineering Bulletin of the Don, 2016, no. 4, pp. 1 - 11.

11. Meshherjakov V. A., Smerdin A. N., Golubkov A. S. The prerequisites for obtaining statistically reliable data in the simulation of the current collection simulation [Predposylki poluchenija statisticheski dostovernyh dannyh v hode imitacionnogo modelirovanija tokos"ema]. Vestnik of the All-Russian Scientific Research and Design-Design Institute of Electric Locomotive Building -Vestnik Vserossiiskogo nauchno-issledovatel'skogo i proektno-konstruktorskogo instituta el-ektrovozostroeniia, 2013, no. 2 (66), pp. 104 - 121.

ИНФОРМАЦИЯ ОБ АВТОРАХ

Сидоров Олег Алексеевич

Омский государственный университет путей сообщения (ОмГУПС).

Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.

Доктор технических наук, профессор, заведующий кафедрой «Электроснабжение железнодорожного транспорта», ОмГУПС.

Тел.: +7 (3812) 37-60-82.

E-mail: sidorovoa@omgups.ru

Смердин Александр Николаевич

Омский государственный университет путей сообщения (ОмГУПС).

Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.

Кандидат технических наук, доцент кафедры «Электроснабжение железнодорожного транспорта», ОмГУПС.

Тел.: +7 (3812) 37-60-82.

E-mail: alexandr.smerdin@omgups.com

Голубков Антон Сергеевич

Омский государственный университет путей сообщения (ОмГУПС).

Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.

INFORMATION ABOUT THE AUTHORS

Sidorov Oleg Alekseevich

Omsk State Transport University (OSTU). 35, Marx st., Omsk, 644046, the Russian Federation. Dr. Sci. Tech., head of the department «Power Supply of Railroad Transport », OSTU. Phone: +7 (3812) 37-60-82. E-mail: sidorovoa@omgups.ru

Smerdin Alexandr Nikolaevich

Omsk State Transport University (OSTU). 35, Marx st., Omsk, 644046, the Russian Federation. Cand. Sci. Tech., associate professor of the department «Power Supply of Railroad Transport », OSTU. Phone: +7 (3812) 37-60-82. E-mail: alexandr.smerdin@omgups.com

Golubkov Anton Sergeevich

Omsk State Transport University (OSTU). 35, Marx st., Omsk, 644046, the Russian Federation. Cand. Sci. Tech., associate professor of the department «Power Supply of Railroad Transport », OSTU. Phone: +7 9043266180. E-mail: anton.golubkov@omgups.com

Кандидат технических наук, доцент кафедры «Электроснабжение железнодорожного транспорта», ОмГУПС.

E-mail: anton.golubkov@omgups.com

БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ

Сидоров, О. А. Совершенствование вероятностных моделей прогнозирования отказов элементов инфраструктуры электроснабжения железных дорог [Текст] / О. А. Сидоров, А. Н. Смердин, А. С. Голубков // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2017. - № 3 (31). - С. 123 - 132.

BIBLIOGRAPHIC DESCRIPTION

Sidorov O. A., Smerdin A. N., Golubkov A. S. Improvement of probabilistic models of failure prediction of elements of railroad power supply infrastructure. Journal of Transsib Railway Studies, 2017, vol. 31, no. 3, pp. 123 - 132 (In Russian).

УДК 621.311

В. Т. Черемисин, В. Л. Незевак, В. В. Эрбес

Омский государственный университет путей сообщения (ОмГУПС), г. Омск, Российская Федерация

РЕЗУЛЬТАТЫ ОЦЕНКИ РЕЖИМОВ РАБОТЫ АКТИВНЫХ И ПАССИВНЫХ ПОСТОВ СЕКЦИОНИРОВАНИЯ В СИСТЕМЕ ТЯГОВОГО ЭЛЕКТРОСНАБЖЕНИЯ

С ЦЕЛЬЮ ВЫБОРА ПАРАМЕТРОВ НАКОПИТЕЛЕЙ ЭЛЕКТРОЭНЕРГИИ

Аннотация. В статье представлены результаты измерений электроэнергии на активных и пассивных постах секционирования системы тягового электроснабжения постоянного тока участков железных дорог с III и IV типами профиля пути. Рассмотрены основные характеристики режимов работы постов секционирования с целью оценки объема переданной электроэнергии и продолжительности работы накопителей электроэнергии в различных режимах. Определены наиболее наблюдаемые значения напряжения, объемов переданной энергии и продолжительности случаев изменения режимов работы постов секционирования. Рассмотрены теоретические законы распределения, позволяющие использовать полученные экспериментальные значения в дальнейших расчетах при моделировании режимов работы накопителя электроэнергии.

Ключевые слова: активный и пассивный посты секционирования, шины поста секционирования, пункт преобразования энергии, тип профиля пути, работа в активном режиме, объем энергии, продолжительность случая, частота наблюдения, распределение наблюдаемых значений, оценка характеристик, накопитель электроэнергии.

Vasiliy T. Cheremisin, Vladislav L. Nezevak, Viktor V. Erbes

Omsk State Transport University (OSTU), Omsk, the Russian Federation

RESULTS OF EVALUATION OF OPERATING MODES

ACTIVE AND PASSIVE SECTIONING POSTS IN THE TRACTION POWER SUPPLY SYSTEM FOR THE PURPOSE OF ELECTRICITY STORAGE DEVICE PARAMETERS

SELECTION

Abstract. The article presents the results of measurements of electricity on active and passive sectioning posts the traction power supply system direct current sections of railways with III and IV path profile type. Basic characteristics of operating modes sectioning posts for the purpose of assessing the amount of electricity transferred and duration of work electricity storage in different modes are considered. The most observed voltage values, volumes of transmitted energy and duration of each case are defined. Choice of theoretical distribution laws, allowing to use the experimental values obtained in further calculations in modeling of operating modes electricity storage is completed.