Предиктивная диагностика оборудования тепловоза на основе интеллектуального анализа данных
Введение ………………………………………………………………………………………………………………………..4
1
Анализ путей повышения надежности тягового подвижного состава ………………………12
1.1. Системы диагностирования, применяемые на тепловозах ОАО «Российские железные дороги»……………………………………………………………………………………………………..12
1.2. Обзор зарубежного опыта применения диагностических систем……………………….16
1.3. Исследование эксплуатационной надежности тепловоза как объекта
диагностирования ……………………………………………………………………………………………………..34
1.4. Обзор методов диагностирования состояния элементов систем смазки дизелей ..38 Выводы по первой главе ……………………………………………………………………………………………47 Цель и задачи исследования………………………………………………………………………………………49
Исследование работы системы смазки дизеля тепловоза на математической модели .50
2.1. Постановка задачи …………………………………………………………………………………………..50
2.2. Разработка математической модели системы смазки тепловозного дизеля ………..52
2.3. Решение системы уравнений модели………………………………………………………………..67
2.4. Проверка адекватности модели системы смазки……………………………………………….73
2.5. Исследование работы системы смазки на математической модели ……………………75
Выводы по второй главе ……………………………………………………………………………………………81
2
3
системы смазки дизеля тепловоза………………………………………………………………………………….83
Применение технологий интеллектуального анализа данных для диагностирования
3.1. Выбор методов интеллектуального анализа данных для задач диагностирования системы смазки …………………………………………………………………………………………………………83
3.2. Формирование обучающей выборки для эталонной диагностической модели системы смазки тепловозного дизеля…………………………………………………………………………92
3.3. Синтез и исследование алгоритмов классификации для диагностирования системы смазки дизеля с использованием методов машинного обучения……………………97
3.4. Контроль технического состояния системы смазки с использованием регрессионных эталонных диагностических моделей……………………………………………….107
3.5. Прогнозирование изменения состояния системы смазки тепловозного дизеля…118 Выводы по третьей главе …………………………………………………………………………………………129
4
смазки дизеля тепловоза ……………………………………………………………………………………………..131
Результаты экспериментальных исследований диагностических моделей системы
4.1. Формирование диагностических выборок ………………………………………………………131
4.2. Исследование алгоритмов классификации………………………………………………………133
4.3. Исследование регрессионных нейросетевых диагностических моделей…………..137
4.4. Исследование прогнозных моделей на основе рекуррентных нейронных сетей .147
Выводы по четвертой главе……………………………………………………………………………………..152
Построение системы предиктивного контроля технического состояния тепловозов с использованием методов интеллектуального анализа данных………………………………………155
5.1. Основные принципы построения предиктивной системы технического диагностирования тепловозов ………………………………………………………………………………….155
5
5.2. Автоматизация процессов получения и обработки информации в системе предиктивной диагностики тепловозов…………………………………………………………………….159
5.3. Практическая реализация системы предиктивного контроля технического состояния тепловозов………………………………………………………………………………………………164
Выводы по пятой главе ……………………………………………………………………………………………168 Заключение……………………………………………………………………………………………………………..170 Список литературы………………………………………………………………………………………………….173
Приложение А…………………………………………………………………………………………………………….182 Приложение Б …………………………………………………………………………………………………………….192
Во введении обоснована актуальность темы, сформулированы цель и задачи
исследования, определена методика исследования, а также обоснованы научная
новизна и практическая ценность, определены положения, выносимые на защиту и
сведения об апробации результатов работы.
В первой главе выполнен анализ отечественного и зарубежного опыта
применения диагностических систем на локомотивах. По его результатам сделан
вывод о том, что основным направлением развития средств бортовой диагностики до
настоящего времени является мониторинг оборудования локомотива с расширением
перечня контролируемых параметров оборудования, а также развитие средств
удаленной передачи измерительной информации.
Актуальной является задача разработки методов обработки измерительной
информации, получаемой в результате непрерывного мониторинга оборудования
локомотивов,сцельюдиагностирования,контролятехническогосостояния
оборудования и прогнозирования его изменения.
Выполнен анализ эксплуатационных данных о надежности оборудования
тепловозов. С учетом повреждаемости, а также стоимости и сроков восстановления
вышедшего из строя оборудования, особого внимания заслуживает диагностирование
износа узлов трения «коленчатый вал – коренные и шатунные подшипники».
Основными неисправностями данных узлов являются повышенный износ и задиры,
возникающие по причине отклонений в нормальной работе системы смазки.
Произведен обзор известных методов диагностирования состояния элементов
системы смазки дизелей.
По результатам выполненного обзора были сформулированы цель и основные
задачи исследования.
Во второй главе диссертации разработана аналитическая математическая
модель системы смазки дизеля 2А-5Д49 тепловоза ТЭП70БС.
Масляная система дизеля тепловоза является разветвленной гидравлической
сетью с сосредоточенными переменными (т.е. зависящими от расходов) параметрами
(рисунок 1).
Общностьосновныхзаконовраспределенияпотоковжидкостив
гидравлических цепях и токов в электрических цепях позволяет использовать в
качестве теоретической основы расчета гидравлических цепей законы Г.Кирхгофа.
Согласно первому закону Кирхгофа для гидравлической сети, сумма
объемных или массовых расходов жидкости в каждом из узлов сети равна нулю.
Согласно второму закону Кирхгофа, сумма напоров в любом замкнутом контуре
гидравлической сети равна нулю.
Система уравнений модели включает четырнадцать линейных узловых
уравнений и шестнадцать нелинейных контурных уравнений.
Рисунок 1. Схема масляной системы тепловоза ТЭП70БС. СФ – сетчатый фильтр
поддона дизеля; МН1 – масляный насос первого контура; МН2 – масляный насос второго
контура; ЦБ1, ЦБ2 – центробежные фильтры; ТО1, ТО2 – маслоохладители; БК –
самоочищающийся фильтр «Болл-Кирх»; КШМ1…КШМ8 – масляные каналы, связанные с
1…8 шейками коленчатого вала; КШМ9-10 – масляные каналы, связанные с 9 и 10 шейками
коленчатого; К1…К3 – предохранительные клапаны; РК – редукционный клапан; ТР –
терморегулятор; мк – эквивалентный диаметр канала блока цилиндров; фпр –
эквивалентный диаметр промываемых элементов самоочищающегося фильтра;
сф , 1 , 2 , к1 … к3 , то , тр , цб1, цб2, фпр , д , фпр , ткл , мк , д1 … д9 – массовые расходы
масла; 1сф , тр3 , бк5 , д1 … д9 – длины каналов; пд , вс , н1 , то1 , то2 , н2 , д1 … д9 – напоры в
узлах системы.
Определены гидравлические характеристики элементов системы смазки,
разработан алгоритм решения системы уравнений методом поконтурной увязки
перепадов давлений и программное обеспечение для его реализации.
Определены зависимости потерь напоров на элементах гидравлической
системы от расходов. Разработан алгоритм решения системы уравнений по методу
поконтурной увязки перепадов давлений и программное обеспечение, реализующее
этот расчет.
Проверкаадекватностимоделивыполняласьпосредствомсравнения
экспериментальных значений параметров системы, контролируемых на тепловозах
ТЭП70БС, с расчетными значениями соответствующих параметров модели в
аналогичных режимах работы силовой установки. Анализ показал, что средние по
девяти тепловозам значения давления масла после второго насоса и потерь давления
на фильтре в режимах тепловозной характеристики дизеля отличаются от расчетных
значений этих параметров в соответствующих режимах работы ДГУ не более, чем на
5-8%, что, с учетом сложности системы, можно считать свидетельством адекватности
разработанной модели объекту моделирования. С помощью разработанной модели
была сформирована диагностическая матрица системы смазки (таблица 1).
Таблица 1. Диагностическая матрица системы смазки дизеля
№Отклонение в работе узла или отказ н2 д
Увеличение сопротивления
1000
маслозаборника
2Снижение производительности МН1—
3Снижение производительности МН2—
4Увеличение сопротивления ТО000
5Повышение характеристики ТР+++
6Снижение характеристики ТР—
7Увеличение вязкости масла+++
8Уменьшение вязкости масла—
9Загрязнение фильтра+0+
10Уменьшение зазоров++-
11Увеличение зазоров–+
Третья глава диссертации посвящена разработке методов диагностирования
и контроля технического состояния оборудования локомотива с использованием
интеллектуальных методов обработки диагностической информации на примере
системы смазки дизеля. Применительно к системе смазки были выделены два
основных диагностируемых параметра – загрязнение фильтра масла и зазор в
подшипниках квала. Относительно них был сформирован набор (алфавит) классов Y
для классификатора, состоящий из 20 классов. С использованием разработанной в
главе 2 аналитической модели системы сформирована выборка из 462 векторов
контролируемых параметров, соответствующих различным состояниям системы
смазки, вида:
= { , н2 , д , , }(1)
где ω – частота вращения к/вала дизеля, с-;
н2 – давление масла на выходе второго масляного насоса, МПа,
д – давление масла на входе в дизель, МПа,
– перепад давления на фильтре, МПа,
– температура масла, К.
Выборка использовалась для обучения диагностических моделей в рамках
двух подходов к определению текущего технического состояния системы смазки.
Первыйподходкопределениютекущеготехническогосостояния
оборудования основан на использовании интеллектуальных классификаторов вида:
( )
→ (2)
где ={1,…20} – алфавит классов состояния оборудования;
( ) – алгоритм классификации;
– вектор настраиваемых параметров алгоритма.
Для построения моделей, с учетом нелинейности границ классов состояния
сложных объектов в пространстве их признаков, были выбраны два известных
ансамбля решающих деревьев, построенных с использованием технологий бэггинга
(«случайный лес» (RF)) и бустинга («градиентный бустинг» (GBM)). Полученная
точность моделей классификации, с использованием ансамблей решающих деревьев
на тестовой выборке не превысила 40%. Для повышения точности интеллектуальных
классификаторов предложен способ статистической классификации одного и того же
состояния агрегата или системы локомотива с использованием для интерпретации
результатов принципа WTA (Winner takes all – «победитель получает все»), который
позволяет существенно повысить точность классификации.
Второй подход к диагностированию на основе результатов мониторинга
заключаетсявиспользованииэталонныхнейросетевыхрегрессионных
диагностических моделей на основе нейронных сетей прямого распространения. В
качестве отклика модели могут использоваться как реальные параметры из числа
контролируемых, так и расчетные («виртуальные») параметры, характеризующие
текущее состояние оборудования.
Были сформированы, обучены на расчетной выборке и исследованы
регрессионные модели для диагностирования технического состояния элементов
системы смазки с виртуальными выходными параметрами F (степень загрязнения
фильтра) и Z (величина среднего зазора в подшипниках коленчатого вала).
Среднеквадратичная ошибка отклика диагностических моделей на тестовых выборках
не превысила 3% при коэффициенте детерминации не менее 0,92 для модели
состояния фильтра и 0,99 для модели состояния подшипников коленчатого вала
(рисунок 2).
Отклики регрессионных диагностических моделей могут использоваться в
качестве входных параметров для классификаторов состояния оборудования. Высокая
точность нейросетевых регрессионных моделей в сочетании с предложенным
статистическимспособомклассификациипозволяетповыситьточность
классификации состояния системы смазки до 80% .
Учитываянепрерывныйиупорядоченныйвовременихарактер
диагностическойинформации,дляпрогнозированияизменениятехнического
состоянияоборудованиямогутиспользоватьсяметоды,применяемыедля
прогнозирования временных рядов. В работе исследовались возможности применения
аб
Рисунок 2 – Результаты тестирования нейросетевой регрессионной модели
а) фильтра; б) подшипников коленчатого вала
однослойных нейронных сетей прямого распространения и рекуррентных нейронных
сетей (RNN) с ячейками долгой краткосрочной памяти (LSTM). На основании
результатов моделирования установлено, что именно последний аппарат наиболее
эффективен для решения задач, связанных с предиктивной оценкой технического
состояния оборудования локомотивов.
На рисунке 3 представлен результат обучения RNN LSTM сети с 512
д
ячейками на временном ряде параметра =и прогнозирования его изменения с
н2
использованием обученной сети.
Рисунок 3 – Результаты работы прогнозной модели на базе RNN сети с LSTM слоем
Как следует из рисунка, ошибка прогноза на периоде упреждения до 30 суток
не превышает 3,5%, что является очень хорошим результатом и позволяет
использовать модель для планирования сроков и объемов технического обслуживания
оборудования.
В четвертой главе приведены результаты экспериментальных исследований
разработанных диагностических моделей и классификаторов.
Для исследований использовались архивы реальных данных по 12 тепловозам
ТЭП70БС, полученные с помощью системы АСК за период с 2014 по 2019гг. Из
исходных накопленных «сырых» данных общим объемом более 800 Гб после
сортирования и фильтрации для исследований было отобрано не более 0,1%.
Результаты работы моделей классификаторов с использованием ансамблей
решающих деревьев RF и GBM на реальных данных и интерпретация результата
классификации с использованием принципа WTA явно отображают динамику
изменения состояния узлов системы смазки тепловоза в процессе эксплуатации
(рисунок 4).
1617181920
Зазор в подшипниках к/вала, отн. ед.
1112131415
678910
12345
020406080100
Загрязнение фильтра масла, %
RFGBM
аб
Рисунок 4 – Динамика изменения технического состояния системы смазки тепловоза
ТЭП70БС во времени (а) и в пространстве алфавита классов (б)
Результаты исследования регрессионных нейросетевых диагностических
моделей на реальных данных показывают, что большая вариативность откликов
моделей обуславливает актуальность использования в качестве диагностических
параметров их статистических оценок. Условием достоверности таких оценок
являетсянормальностьраспределениявыборокоткликов.Дляпроверки
нормальности распределения выборок применялся метод Е.И. Пустыльника, не
требующий использования громоздких таблиц для хранения граничных значений
критериев и наиболее удобный для программной реализации.
На рисунке 5 приведены результаты оценки состояния подшипников
коленчатого вала дизеля с использованием нейросетевой эталонной диагностической
модели. Изменение отклика модели на рисунке 5а соответствует нормальному
техническому состоянию узла. Результаты на рисунке 5б получены для тепловоза,
длительное время эксплуатировавшегося с пониженной вязкостью масла по причине
неисправности топливной аппаратуры с попаданием топлива в масляную систему,
приведшей в итоге к повреждению подшипников и шеек коленчатого вала дизеля.
В качестве исходных данных при экспериментальной проверке прогнозной
модели на основе рекуррентной нейронной сети с LSTM слоем использовались
аб
Рисунок 5 – Изменение отклика модели состояния подшипников коленчатого вала:
(а) нормальное техническое состояние системы; (б) попадание топлива в масляную
систему.
упорядоченные во времени посуточные оценки средних значений откликов
диагностических моделей F и Z. На рисунке 6 приведены результаты обучения
прогнозных моделей и их прогнозов для состояния фильтра масла и подшипников
коленчатого вала/вязкости масла.
аб
Рисунок 6. Изменение состояния фильтра масла (а) и подшипников коленчатого вала (б) и
его прогнозы по данным диагностической и прогнозной моделей
Как следует из рисунка, на периоде упреждения 30 суток ошибка прогноза не
превышает 3%, что позволяет использовать разработанные модели для решения
практических задач.
Пятая глава посвящена принципам построения предиктивной системы
технического диагностирования с использованием методов интеллектуального
анализа данных. Предлагаемая структура предиктивной системы диагностирования
автономных локомотивов (рисунок 7) содержит аналитическую цифровую модель
диагностируемой системы, сформированную с ее помощью базу данных для обучения
и валидации эталонных диагностических моделей и сами модели функционально
обособленных групп оборудования.
Реальный объект в
исходном состоянииЦифровая модельБаза исходных
данных для
синтеза модели
Диагностическая
модель222
База данныхf1
Pн2
контролируемыхψ
Pд1
Ф, Z
параметровdP1
iiiΣ
t1
Реальный объект вM-
N-1K-1
процессеN
MK
эксплуатации
База данных
результатов
диагностики
Реальный объект в
процессе ремонтаПрогнозная модель
Рисунок 7 – Структура предиктивной системы технического диагностирования
локомотивов
Совокупностьоткликовэталонныхдиагностическихмоделейна
диагностических выборках, зарегистрированных бортовыми средствами контроля в
процессе эксплуатации локомотива, представляет собой вектор диагностических
параметров, характеризующий его текущее техническое состояние. Результаты
работы диагностических моделей накапливаются в базе данных результатов
диагностирования и используются в прогнозной модели для предиктивного и/или
прескриптивного анализа состояния контролируемого оборудования.
С целью применения результатов предиктивной системы оценки технического
состоянияоборудованиятепловозоввновойсистемеремонтапредложен
регламентированныйалгоритмееработы,которыйпозволитоценитьи
скорректировать объемы предстоящих работ и сократить количество отказов в
процессе эксплуатации. В качестве источника актуальных данных в системе
используется автоматизированная система контроля параметров работы локомотивов
АСК, разработанная под руководством и при непосредственном участии автора. Для
реализации предиктивной системы выбрана трехслойная архитектура построения
аппаратных и программных средств клиент-серверной системы. Прототип такой
системы создан и функционирует на базе АО «ВНИКТИ».
Заключение
В диссертации поставлена и решена научно – технологическая задача
разработки и исследования предиктивной системы контроля технического состояния
систем тепловозов с использованием методов интеллектуального анализа данных на
примере системы смазки тепловозного дизеля. При этом получены следующие
результаты:
1. Выполненный анализ современных систем диагностирования показал, что
наибольший эффект от применения бортовых диагностических систем может быть
достигнут путем разработки эффективных алгоритмов диагностирования,
позволяющих перейти от допускового контроля основных параметров оборудования
к анализу процесса его функционирования.
2. По результатам обзора и исследования известных методов диагностирования
систем смазки дизелей сделан вывод о сложности их практической реализации в
системах бортовой диагностики и необходимости разработки новых подходов к
построению диагностических моделей и интерпретации результатов их
использования.
3. Разработана аналитическая модель системы смазки дизеля тепловоза,
учитывающая изменение состояния ее элементов в процессе эксплуатации с
точностью 5…8%, и позволяющая формировать выборки исходных данных любого
объема для обучения интеллектуальных диагностических моделей.
4. Разработаны, обучены и протестированы на реальных данных,
зарегистрированных подсистемами диагностики тепловозов в процессе их
эксплуатации, диагностические модели системы смазки, характеризующие текущее
состояние системы и обеспечивающие:
прямую многоклассовую классификацию текущего состояния системы с
использованием алгоритмов ансамблирования решающих деревьев;
оценку текущего состояния системы смазки по результатам анализа
структурных диагностических параметров системы, вычисляемых с
использованием нейросетевых регрессионных диагностических моделей.
5. Исследована возможность использования методов прогнозирования
временных рядов для построения прогноза изменения состояния элементов системы
смазки. Построены и протестированыпрогнозные модели с использованием
однослойных нейронных сетей прямого распространения ирекуррентных
нейронных сетей с LSTM слоями, обеспечивающие точность прогноза не менее 96%
на периоде упреждения 30 суток.
6. Предложен метод статистической классификации состояния оборудования в
бортовых системах диагностики локомотивов, обеспечивающий возможность
использования больших объемов диагностической информации для повышения
точности оценки текущего состояния оборудования, обеспечивающий прямую
классификацию текущего состояния системы смазки с точностью не менее 80%.
7. Экспериментальные исследования синтезированных диагностических и
прогнозных моделей на подготовленных исходных данных, полученных в процессе
эксплуатации тепловозов в период с 2014 по 2019гг, подтвердили эффективность
использования методов интеллектуального анализа данных для предиктивного
контроля технического состояния систем тепловозов.
8. Предложенная методика синтеза интеллектуальных диагностических моделей
оборудования локомотива с использованием его аналитических моделей в качестве
источника обучающей информации может использоваться при разработке алгоритмов
контроля технического состояния с использованием интеллектуальных методов
анализа данных для различных систем локомотивов.
9. Предложеннаяструктурапредиктивнойсистемытехнического
диагностированияоборудованиялокомотивовнабазеаналитической,
диагностической и прогнозной моделей оборудованияпозволит решать весь
комплекс задач, связанных с оперативной оценкой технического состояния
контролируемого оборудования локомотивов и прогнозированием его изменения.
10. Разработанная автоматизированная система контроля параметров работы
дизельного подвижного состава и учета дизельного топлива АСК позволяет
полностью автоматизировать процессы накопления и передачи необходимой
телеметрической информации и исключить человеческий фактор в процессе
получения актуальных данных.
11. Предложена и практически реализована на сервере АО «ВНИКТИ»
полноценная замкнутая система сбора и обработки диагностической информации с
тепловозов, оснащенных системой АСК.
12. Ожидаемый экономический эффект от применения системы предиктивного
контроля на парк из 273 секций тепловозов 2ТЭ116У и ТЭП70БС, оснащенных
системой АСК, составит более 35 млн. руб. в год или 130 тыс. руб. в год на одну
секцию тепловоза, срок окупаемости системы составит 2,03 года.
АКТУАЛЬНОСТЬ ПРОБЛЕМЫ. Повышение качества деятельности холдинга «РЖД» не может быть достигнуто без применения новых научных и технологических подходов, основанных на информационных технологиях. В «Стратегии научно-технического развития холдинга «РЖД» на период до 2025 года и на перспективу до 2030 года (Белая книга)»определены основные принципы формирования и перспективные направления реализации проекта «Цифровая железная дорога ОАО «РЖД»[1.1]. Этот проект – совокупность цифровых информационных и коммуникационных технологий, процессов и стандартов, целью которого является обеспечение устойчивой конкурентоспособности холдинга «РЖД» на основе повышения привлекательности транспортных и логистических услуг, предоставляемых клиентам за счет применения современных цифровых технологий. Стратегией определены пять классов автоматизированных решений, которые обладают высоким технологическим потенциалом использования для реализации модели проекта «Цифровая железная дорога ОАО «РЖД»[1.1]. Одним из классов являются цифровые объекты, диагностика и прогнозирование как средства для формирования и поддержания в актуальном состоянии субъектов производственной деятельности. К данному классу относится технология постоянного сбора первичных данных о состоянии подвижного состава и объектов инфраструктуры с последующим формированием комплексного описания объектов в целях управления их жизненным циклом, контроля состояния в движении, цифровой диагностики объектов инфраструктуры, а также оперативного взаимодействия с участниками производственной деятельности и поставщиками [1.1].
Стратегия развития холдинга «РЖД» определяет и требования к инновационному подвижному составу и его информационно-управляющему бортовому комплексу, где одним из требований является наличиебортовой диагностики вспомогательных машин и вспомогательных цепей, нагруженных механических узлов, экипажной части, пожарно-охранной сигнализации и пожаротушения, а также диагностики тяговых
электродвигателей, силовых электрических цепей локомотивов, дизель- генераторных установок и их систем с возможностью реализации функций автоматизированного прогнозирования наступления предотказного состояния оборудования на основе результатов обработки текущих значений и динамики изменения контролируемых параметров, а также формирования тревожных сообщений о наличии риска возникновения отказа, передаваемых посредством оперативной связи: машинисту, в систему мониторинга состояния локомотива на заводе-изготовителе и в ремонтном подразделении [1.1]. Одной из целевых задач, предъявляемых к новым локомотивам, является наличие в них «интеллектуальных технологий», позволяющих осуществить переход от планово-предупредительного ремонта к ремонту по фактическому состоянию на основе применения бортовой системы диагностики с функцией прогноза остаточного ресурса оборудования [1.1].
СТЕПЕНЬ РАЗРАБОТАННОСТИ.
Современные магистральные тепловозы оборудуются микропроцессорными системами управления и регулирования с функцией непрерывной регистрации всех контролируемых параметров и возможностью их передачи через съемный накопитель или по беспроводным каналам связи. Часть этих параметров используется балансодержателем парка и сервисными компаниями для мониторинга режимов эксплуатации локомотивов, маршрута движения, прихода и расхода топлива. Большая часть регистрируемых параметров может быть использована для контроля технического состояния и планирования объемов предстоящих ремонтов и обслуживаний. Но эта, лежащая на поверхности возможность, не используется по причине отсутствия параметрического обеспечения и комплекса процедур автоматизированного выходного контроля качества ремонта, как объективного «инструмента» балансодержателя парка в деле получения от сервисной компании качественно отремонтированных локомотивов.
Значительный научный и практический вклад в разработку средств
параметрической диагностики внести такие ученые и специалисты как как В.Н. Балабин, В.М. Бочаров, А.А. Будницкий, П.А. Васин, Р.К. Гизатулин, А.Д. Глущенко, А.Н. Головаш, Б.С. Гольдберг, В.В. Грачев, А.В. Грищенко, С.Г. Жалкин, А.П. Здор, В.И. Киселев, А.Ю. Коньков, Г.А. Комаров, А.А. Куриц, И.К. Лакин, Э.И. Нестеров, Е.А. Никитин, Д.А. Носырев, А.Т. Осяев, Е.С. Павлович, В.П. Парамзин, Э.А. Пахомов, В.А. Перминов, Ю.Э. Просвиров, Н.Н. Простотин, В.А. Рыжов, А.Э. Симсон, Т.В. Ставров, Э.Д. Тартаковский, В.Ю. Тэттер, Э.А. Улановский, Л.П. Устюгов, Г.А. Фофанов, А.З. Хомич, В.А. Четвергов, А.А. Черняков, С.Г. Шантаренко и др.
ЦЕЛЬ РАБОТЫ. Целью диссертационной работы является повышение эксплуатационной надежности и эффективности работы тепловозов за счет использования предиктивной оценки технического состояния оборудования и прогнозирования его изменения на примере системы смазки дизеля.
Для достижения поставленной цели в работе поставлены и решены следующие задачи.
1. Выполнен обзор современных средств и систем диагностирования локомотивного оборудования и анализ методов обработки диагностической информации.
2. Создана математическая модель системы смазки дизеля тепловоза ТЭП70БС.
3. Теоретически обоснованы и практически реализованы методы контроля текущего состояния системы смазки на основе нейросетевых эталонных диагностических моделей и интеллектуальных классификаторов.
4. Разработаны методы прогнозирования изменения технического состояния системы смазки с использованием рекуррентных нейронных сетей. 5. Выполнены экспериментальные исследования функционирования
предиктивной системы технического диагностирования тепловозов на примере системы смазки дизеля.
6. Предложена структура построения предиктивной системы технического диагностирования локомотивов и алгоритм
регламентированного применения интеллектуальных методов обработки
диагностической информации.
7. Выполнено технико-экономическое обоснование эффективности
применения предлагаемой системы диагностики.
МЕТОДИКА ИССЛЕДОВАНИЯ. Поставленные в диссертационной
работе задачи решены с использованием различных методов интеллектуального анализа данных (классификации, регрессии, прогнозирования с использованием временных рядов), теории машинного обучения, теории нейронных сетей, теории вероятности и математической статистики, регрессионного анализа, теории гидравлических расчетов. Реализация поставленных целей в работе производилась при помощи языков программирования Delphiv.7, Python 3 в среде Jupiter Notebook (пакет Anaconda), использовались свободно распространяемые библиотеки Scikit- learn, Seaborn, Matplotlib, TensorFlow, Keras. Расчеты и моделирование процессов в диагностируемых узлах и системах производилось с использованием программных пакетов MahtCad, MatLab. Для работы с большими объемами телеметрических данных использовались СУБД MSSQL, dbForgeStudio 2019 ExpressforSQLServer. Для предварительной обработки данных и построения графиков использовался редактор таблиц Microsoft Exсel.
НАУЧНАЯ НОВИЗНА работы заключается в следующем:
1. Разработана математическая модель системы смазки дизеля тепловоза, позволяющая исследовать изменение технического состояния ее элементов и осуществлять формирование массива исходных данных для обучения моделей диагностирования.
2. Теоретически обоснованы и предложены:
методика синтеза интеллектуальных диагностических моделей системы смазки дизеля и другого оборудования тепловоза с использованием аналитических моделей оборудования;
метод определения текущего технического состояния системы
смазки дизеля и другого оборудования тепловоза на основе интеллектуального классификатора и статистической обработки результатов классификации;
метод диагностирования системы смазки дизеля и другого оборудования тепловоза на основе регрессионных нейросетевых эталонных диагностических моделей;
метод прогнозирования изменения технического состояния системы смазки дизеля и другого оборудования тепловоза на основе анализа временных рядов с использованием рекуррентных нейронных сетей;
3. Разработана система предиктивного контроля технического состояния оборудования тепловозов с использованием технологий интеллектуального анализа данных.
ДОСТОВЕРНОСТЬ РЕЗУЛЬТАТОВ, полученных в диссертационной работе, подтверждается результатами тестирования разработанных моделей на экспериментальных данных, полученных при сдаточных испытаниях тепловозов на Коломенском тепловозостроительном заводе, и данных, полученных во время их эксплуатации с использованием системы непрерывного удаленного автоматического контроля параметров работы тепловоза (АСК). Средняя ошибка отклика аналитической модели системы смазки не превышает 5-8% по всем режимам тепловозной характеристики дизеля (данные по 8-ми тепловозам), ошибки отклика нейросетевых диагностических моделей на контрольных выборках не превышают 3%, точность классификации по метрике precission с макро-усреднением при построении моделей с использованием ансамблей решающих деревьев и статистической классификации, а также нейронных сетей составила 80%. Точность прогнозных моделей, построенных с использованием рекуррентных нейронных сетей с ячейками долгой краткосрочной памяти на периоде упреждения до 30 суток не превышает 3,5%.
9 ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ работы.
1. Разработанная методика синтеза обучающих выборок с использованием аналитических моделей оборудования и построения с их помощью интеллектуальных диагностических моделей может использоваться при разработке методов диагностирования различных систем локомотивов.
2. Предложенные диагностические модели и методы диагностирования узлов системы смазки дизеля позволяют осуществлять непрерывный интегральный контроль состояния фильтра масла и подшипников коленчатого вала в процессе эксплуатации тепловоза и могут использоваться при его техническом обслуживании.
3. Предложенный метод прогнозирования изменения технического состояния агрегатов системы смазки позволяет обоснованно корректировать сроки и объемы текущих ремонтов тепловоза.
4. Разработанная структура системы предиктивного контроля технического состояния системы смазки дизеля и другого оборудования тепловозов с использованием технологий интеллектуального анализа данных может быть применена в системе их технического обслуживания и ремонта.
РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ. Предложенная структура построения предиктивной системы оценки технического состояния реализована на базе сервера АО «ВНИКТИ». К системе подключено более 100 секций тепловозов ТЭП70БС, 2ТЭ116У, 2ТЭ25КМ. Передача диагностической информации с борта тепловозов осуществляется посредством 3G/GPRS-Internet соединения с использованием автоматизированной системы контроля параметров АСК. Для передачи данных используются протоколы scp, ftp, ssh и https. Защита и шифрование данных осуществляется при помощи виртуальной частной сети OpenVPN.
ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ.
1. Математическая модель системы смазки дизеля тепловоза, учитывающая влияние состояния ее агрегатов на изменение контролируемых параметров.
2. Методика синтеза обучающих выборок для построения интеллектуальных диагностических моделей системы смазки дизеля и
другого оборудования тепловоза с использованием их аналитических
моделей.
3. Метод определения текущего технического состояния системы
смазки дизеля и другого оборудования тепловоза на основе интеллектуальных мультиклассовых классификаторов и статистической обработки результатов классификации.
4. Метод диагностирования системы смазки дизеля и другого оборудования тепловоза с использованием регрессионных диагностических моделей на основе нейронных сетей;
5. Метод прогнозирования изменения технического состояния системы смазки дизеля и другого оборудования тепловоза на основе анализа временных рядов с использованием рекуррентных нейронных сетей с LSTM слоями.
6. Система предиктивного контроля технического состояния системы смазки дизеля и другого оборудования тепловозов с использованием технологий интеллектуального анализа данных.
АПРОБАЦИЯ РАБОТЫ. Основные положения диссертации докладывались на научно-техническом семинаре по системам бортовой и стационарной диагностики локомотивов нового поколения с участием компании «Бомбарьдье-Транспортейшн» (Москва, 2006г.), I, II, III, IV, V, VII- ой Международной научно-технической конференции «Локомотивы. XXI век» (Санкт-Петербург, 2013-2020 гг), I, II, III-ей Международной научно- практической конференции «Перспективы развития сервисного обслуживания локомотивов» (Москва, 2016-2018 гг.), Объединенном ученом совете ОАО «РЖД» (Москва, 25.06.2020г).
Разработки автора экспонировались на тематических выставках «ИННОТРАНС 2006» г. Берлин Германия 2006г, «Магистраль 2007» г. Нижний Тагил 2007г., «Ресурсосберегающие технологии на железнодорожном транспорте» г. Щербинка 2008г., XIX-ом Московском салоне изобретений и инновационных технологий «Архимед-2016», 44-м Международном салоне изобретений «Изобретения Женева», конкурсе Роспатента «100 лучших изобретений России» за 2015г.
ПУБЛИКАЦИИ. Основное содержание диссертации отражено в 26
научных работах, из них 7 – в изданиях из перечня рецензируемых научных журналов, рекомендованных для опубликования основных научных результатов диссертаций, в том числе в 3 патентах на изобретение, одном свидетельстве о государственной регистрации программ для ЭВМ.
ОБЪЕМ И СТРУКТУРА РАБОТЫ. Диссертация состоит из введения, пяти глав, заключения, приложений и списка цитированной литературы. Общий объем диссертации составляет 205 страниц, в том числе 92 рисунков, 14 таблиц, 2 приложений. Список цитированной литературы содержит 79 источников, в том числе 19 работ автора с соавторами.
Публикации автора в научных журналах
Помогаем с подготовкой сопроводительных документов
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.7 (46 отзывов)
5 (91 отзыв)
4.8 (40 отзывов)
4.9 (343 отзыва)
4.1 (20 отзывов)
4.6 (71 отзыв)
5 (9 отзывов)
5 (49 отзывов)
4.6 (30 отзывов)
