Применение предложенных методов для решения задачи определения неисправностей стрелок с электродвигателями переменного тока в реальных условиях эксплуатации

Цикл статей:
Глава 1 – Методы и алгоритмы диагностики неисправностей стрелок с электродвигателями переменного тока

Глава 2 – Анализ неисправностей стрелок с электродвигателями переменного тока

Глава 3 – Разработка методов диагностики неисправностей стрелок с ЭД переменного тока на основе теории нейронных сетей

Глава 4 – Разработка алгоритмических методов диагностики неисправностей стрелок с электродвигателями переменного тока

Глава 5 – Применение предложенных методов для решения задачи определения неисправностей стрелок с электродвигателями переменного тока в реальных условиях эксплуатации

Определение требований к системе автоматизированной диагностики
стрелок (САД-С)

Для применения в эксплуатации на существующей сети железных дорог разрабатываемая САД-С должна соответствовать определенным требованиям.

  1. Увязка с существующими системами диагностики и мониторинга.
    Основным условием применения САД-С является возможность её увязки
    с существующими системами технической диагностики и мониторинга. Обмен данными между этими системами позволяет собирать необходимую диагностическую информацию без установки дополнительных датчиков на устройства, что сокращает капиталовложения, необходимые для ввода системы в эксплуатацию. Кроме того, это позволит использовать существующие каналы связи, базы данных и способы вывода информации пользователю, что также сократит расходы на организацию работы системы.
  2. Возможность определения наиболее вероятных неисправностей стрелки.
    В идеальном случае список определяемых технических состояний должен включать в себя все неисправности, характерные для диагностируемых устройств. В условиях реальной эксплуатации САД-С достаточно определять наиболее вероятные неисправности или группы неисправностей, объединенных по признаку их проявления.
  3. Обнаружение неисправного состояния на стадии предотказа.
    Среднее время восстановления устройств ЖАТ после отказа составляет 1 час [1]. Это значительный промежуток времени, который может повлечь за собой существенный сдвиг графика движения поездов. Снизить количество задержек поездов по причине восстановительного ремонта возможно, если производить устранение предотказного состояния во время регламентного обслуживания устройств. Поэтому САД-С должна обнаруживать предотказное состояние до того, как стрелка перейдет в состояние отказа.
  4. Минимальное количество ложных обнаружений неисправностей при фактическом исправном состоянии устройства.
    Каждое появление предотказа или отказа в существующих СТДМ приводит к созданию инцидента, который в дальнейшем анализируется человеком. При большом потоке инцидентов создается нагрузка на оператора, которая может привести к ошибкам в принятии решений. Поэтому для исключения дополнительной нагрузки на оператора система автоматизированной диагностики не должна генерировать ложные инциденты (т.е. не должна ложно определять неисправное состояние при фактическом исправном состоянии устройства).
  5. Высокая скорость диагностики.
    Система должна максимально быстро производить анализ технического состояния стрелки. Это позволит диагностировать устройство сразу после факта перевода, что ускорит выявление предотказа. Также выполнение этого требования даст возможность организовать одновременное диагностирование множества устройств, не создавая при этом ситуацию, когда из-за большой длительности процесса результаты анализа перестают быть актуальными.
  6. Расширяемость системы.
    Подключение к системе новой станции должно производиться с минимальными затратами на настройку и проверку работы системы.

Структурная схема работы программного комплекса автоматизированной диагностики неисправностей стрелок с электродвигателями переменного тока (ПК-САД-С)

С учётом поставленных требований был разработан программный комплекс автоматизированной диагностики неисправностей стрелок с ЭД переменного тока. Программный комплекс (ПК-САД-С) включает в себя следующие модули (рисунок 5.1):

  • Модуль ввода диагностической информации
  • Модуль диагностики стрелок

о Модуль фильтрации некорректных графиков

о Модуль выделения зон режимов работы стрелочного

электропривода о Модули логического анализа и нейросетевой диагностики о Модуль формирования диагноза

  • Модуль вывода результатов
  • Модуль обучения сети

Модуль ввода диагностической информации обеспечивает увязку комплекса с СТДМ. Модуль выполняет задачу построения программной объектной модели из информации, полученной из СТДМ, для последующей обработки и диагностики, а также определяет, какой модуль диагностики необходимо задействовать для

полученных из СТДМ данных. В текущей работе разработан только модуль диагностики стрелок, однако при дальнейшем развитии системы возможна разработка модулей диагностики других устройств ЖАТ (например, рельсовых цепей), и модуль ввода диагностической информации будет выполнять функцию распределителя.

Модуль обучения сети предназначен для первоначальной настройки и последующей коррекции работы нейронной сети. При постепенном дополнении обучающей выборки реальными примерами эксплуатации модуль заново обучает нейронную сеть для повышения качества диагностики.

Модуль диагностики стрелок состоит из нескольких подмодулей, реализующих описанные в текущей работе алгоритмы и методы. Модуль фильтрации отсеивает графики с некорректной формой. В следующем модуле у корректных графиков выделяются зоны режимов работы стрелочного электропривода, информация о зонах передаётся в модули логического анализа и нейросетевой диагностики, что позволяет рассчитать необходимые диагностические критерии и определить степень проявления той или иной неисправности. Данные, полученные из разных диагностических модулей, обрабатываются в модуле формирования диагноза, который определяет глобальное состояние записи, стрелки или всей станции.

Модуль вывода результатов обеспечивает передачу результатов диагностики в СТДМ, запись их в базу данных архива и передачу в АРМы пользователей. В качестве результатов диагностики представлены глобальное состояние объекта диагностирования (исправное, пограничное и неисправное), определенная комплексом неисправность (при пограничном или неисправном глобальных состояниях) и список наиболее вероятных мест, где может находиться причина неисправной работы устройства.

Оценка результатов работы ПК-САД-С. Оценка экономического эффекта применения автоматизированной диагностики неисправностей стрелок с ЭД переменного тока

Оценка результатов работы разрабатываемого программного комплекса происходила в несколько стадий. На первой стадии производилась проверка работы на тестовой базе примеров анализируемых технических состояний (тестовой выборке). Описание объектов, на которых производился сбор информации для тестовой выборки, приведено в таблице 5.1.

На объектах 3-9 были проведены эксперименты, аналогичные тем, которые выполнялись для сбора обучающей базы примеров. На объектах 1 и 2 информация была взята из архивов СТДМ, эти объекты использовались для проверки диагностирования неисправностей «Пружинность стрелочных остряков» и «Не параллельное прилегание остряка к рамному рельсу». Информация, включенная в тестовую выборку, не использовалась для обучения нейронной сети. Для увеличения количества примеров был применен алгоритм расширения базы примеров (алгоритм А2). Пример считается успешно распознанным, если было верно определено глобальное состояние стрелки и верно было определено её конкретное техническое состояние (конкретная неисправность). Тестирование показало следующие результаты: верно определено глобальное состояние 98% примеров, верно определено конкретное техническое состояние более 97% примеров. Ошибки определения глобального состояния приходятся на ситуации, когда вместо неисправного состояния было определено пограничное состояние. Ошибки определения конкретного состояния устройства в основном происходят, когда результаты, полученные на выходе нейронной сети, имеют уровень, недостаточный для преодоления границы «Пограничного состояния», что не позволяет выделить единственную неисправность из списка наиболее вероятных состояний стрелки.

Для тестирования скорости диагностики произведено измерение временных затрат на диагностику большого количества графиков. Тестирование производилось на компьютере, оборудованном процессором Intel Core i5-4460 с частотой 3,2 ГГц, с ОЗУ DDR3 16 ГБ. В программный комплекс был передан архив переводов ст. СПСМ парк Обухово ШЧ-6 Октябрьской ж.д. за июль 2017 года (12311 график). Расчёт временных затрат на диагностику одной записи архива производится по формуле (5.1):

Разработанная система была введена в опытную эксплуатацию на ст. СПСМ парк Обухово ШЧ-6 Октябрьской ж.д. 25.10.2017. В течение месяца неисправности, определяемые системой, проверялись совместно с электромеханиками СЦБ и работниками службы пути. По результатам совместной работы были скорректированы границы определения глобального состояния устройства и алгоритмы определения наличия пружинности стрелочных остряков, не параллельного прилегания остряка к рамному рельсу и работы стрелки на фрикцию. Систему приняли в постоянную эксплуатацию на ст. СПСМ парк Обухово ШЧ-6 Октябрьской ж.д. 22.11.2017 [Приложение А].

Описание программного комплекса было отправлено на международный конкурс Smart Rail Innovation Awards 2018. Работа комплекса была высоко оценена жюри, и комплекс занял третье место в номинации Operational Performance Innovation of the Year [Приложение В].

Произведен расчёт экономического эффекта применения автоматизированного определения неисправностей стрелок с ЭД переменного тока (см. Приложение Д). Общий годовой экономический эффект составляет 4 836 тыс. руб. Срок окупаемости внедрения автоматизации диагностики стрелок составляет 8 месяцев.

Выводы

  1. В главе сформулированы требования к САД-С.
  2. С учётом поставленных требований разработан программный комплекс определения неисправностей стрелок с ЭД переменного тока. Тестирование программного комплекса в серии экспериментов показало следующие результаты: верно определено состояние стрелки на момент перевода у 98% примеров, верно определена конкретная неисправность более 97% примеров. Средняя скорость диагностирования составила примерно 49 графиков/с.
  3. Рассчитан экономический эффект применения автоматизированной диагностики неисправностей стрелок с ЭД переменного тока на Октябрьской ж.д. Экономический эффект внедрения программного комплекса возникает за счёт снижения числа отказов и условного высвобождения трудовых ресурсов. Общий годовой экономический эффект составляет 4,8 млн. руб. Срок окупаемости внедрения автоматизации диагностики стрелок составляет 8 месяцев.
  4. ПК-САД-С занял третье место в номинации Operational Performance Innovation of the Year на международном конкурсе Smart Rail Innovation Awards 2018 и внедрен в постоянную эксплуатацию на ст. СПСМ парк Обухово ШЧ-6 Октябрьской ж.д.

Заключение

  1. Анализ показал недостаточность применяемых СТДМ для полной диагностики стрелок, а существующие подходы к определению технического состояния стрелок, используемые в мировой практике, не являются применимыми в реальной эксплуатации, так как в настоящее время системы технической диагностики и мониторинга не контролируют параметры (уровень вибрации узлов, напряженность магнитного поля вне электродвигателя), необходимые для применения этих подходов, а оснащение каждой стрелки на сети железных дорог необходимыми датчиками потребует существенных экономических затрат. Методы и алгоритмы диагностики стрелок, предложенные в [34], применимы только для анализа технического состояния стрелок с ЭД постоянного тока. Поэтому существует проблема необходимости автоматизированного диагностирования неисправностей стрелок с ЭД переменного тока и невозможность её решения средствами существующих методов.
  2. Для решения обозначенной проблемы проведено исследование по изучению проявления неисправностей стрелок с ЭД переменного тока. Показано влияние технического состояния узлов стрелки с ЭД переменного тока на форму графика функции мощности перевода.
  3. Предложенные в [34] диагностические критерии оказались неприменимыми для задачи диагностики стрелок с ЭД переменного тока, поэтому были выделены критерии, позволяющие качественно диагностировать неисправности стрелок с ЭД переменного тока. Разработаны методы вычисления диагностических критериев.
  4. Расчёт критериев для стрелок, участвовавших в исследовании, показал необходимость нормализации графиков мощности по среднему значению. Разработана методика нормализации, позволяющая использовать одну методику для диагностики разных стрелок. Исследование выявило отсутствие линейной разделимости классов технических состояний стрелок с ЭД переменного тока.
  5. С учётом особенностей задачи автоматизированной диагностики неисправностей стрелок с ЭД переменного тока принято решение применить теорию нейронных сетей для разработки методов и алгоритмов диагностики неисправностей стрелок с ЭД переменного тока.
  6. Структура нейронной сети, предложенная в [34] не подходит для анализа возросшего числа диагностических критериев, поэтому была выбрана топология «персептрон с двумя скрытыми слоями» и увеличено число нейронов скрытых слоев. При обучении сети применены методики, повышающие скорость обучения и сходимость алгоритмов.
  7. В [34] приведены диагностические критерии для модели диагностики СПУ с ЭД постоянного тока, но не были разработаны методы выделения необходимых для расчёта этих критериев зон режимов работы стрелочного электропривода на графике функции тока. Для возможности расчёта диагностических критериев и работы методов логического анализа разработаны алгоритмы и методы выделения зон режимов работы стрелочного электропривода на графике мощности перевода стрелки. Разработан общий алгоритм выделения зон на графике перевода стрелок с ЭД как переменного тока, так и постоянного тока.
  8. Для повышения качества диагностики стрелок с ЭД переменного тока разработаны методы логического анализа функции мощности перевода, позволяющие определять предотказы, расположенные в пересекающихся областях пространства диагностических критериев.
  9. Исследование архивов переводов стрелок из СТДМ показало, что примерно 65% графиков имеют некорректную форму в следствие того, что контроллеры подключаются в общую цепь питания стрелочных электроприводов, и при одновременном переводе нескольких стрелок на станции происходит наложение графиков одиночных переводов друг на друга. Разработан алгоритм фильтрации графиков некорректной формы.
  10. Для объединения результатов работы нейросетевой модели диагностирования и метода логического анализа функции мощности перевода синтезирован интегрированный алгоритм диагностики стрелок с ЭД переменного тока.
  11. Предложена методика оценки состояния стрелки на момент перевода: исправного, пограничного и предотказного. Введенная градация состояния позволяет различать исправные стрелки; стрелки, ремонт которых необходимо запланировать; и стрелки, требующие немедленного ремонта.
  12. Определены требования к системе автоматизированной диагностики стрелок с ЭД переменного тока.
  13. С учётом поставленных требований разработан программный комплекс определения неисправностей стрелок с ЭД переменного тока (ПК-САД-С).
  14. Точность диагностирования с помощью ПК-САД-С составила более 97%, средняя скорость диагностирования позволяет применять программный комплекс одновременно для анализа технического состояния стрелок нескольких станций.
  15. Рассчитан экономический эффект применения автоматизированной диагностики неисправностей стрелок с ЭД переменного тока на Октябрьской ж.д. Экономический эффект внедрения программного комплекса возникает за счёт снижения числа отказов и условного высвобождения трудовых ресурсов. Общий годовой экономический эффект составляет 4,8 млн. руб. Срок окупаемости внедрения автоматизации диагностики стрелок составляет 8 месяцев.
  16. ПК-САД-С занял третье место в номинации Operational Performance Innovation of the Year на международном конкурсе Smart Rail Innovation Awards 2018 и внедрен в постоянную эксплуатацию на ст. Обухово ШЧ-6 Октябрьской ж.д.

Список литературы

  1. LeCun Y. Efficient Learning and Second-order Methods [Текст] / Y. LeCun // A Tutorial at NIPS 93. Denver. – 1993.
  2. Заенцев И. В. Нейронные сети: основные модели [Текст] / Заенцев И. В. // Воронеж: ВГУ. – 1999. – Т. 9.
  3. LeCun Y. Efficient backprop [Текст] / Y. LeCun et al. // Neural networks: Tricks of the trade. – Springer, Berlin, Heidelberg, 1998. – С. 9-50.
  4. Leung H. The complex backpropagation algorithm [Текст] / H. Leung, S. Haykin // IEEE Transactions on Signal Processing. – 1991. – Т. 39. – №. 9. – С. 2101-2104.
  5. Leonard J. Improvement of the backpropagation algorithm for training neural networks [Текст] / J. Leonard, M. A. Kramer // Computers & Chemical Engineering. – 1990. – Т. 14. – №. 3. – С. 337-341.
  6. Riedmiller M. Rprop I. Rprop-description and implementation details. [Текст] / Riedmiller M. – 1994.
  7. Igel C. Improving the Rprop learning algorithm [Текст] / C. Igel, M. Husken // Proceedings of the second international ICSC symposium on neural computation (NC 2000). – ICSC Academic Press, 2000. – Т. 2000. – С. 115-121.
  8. Распоряжение ОАО “РЖД” от 30.12.2015 N 3168р (с изм. от 01.09.2016) “Об утверждении Инструкции по техническому обслуживанию и ремонту устройств и систем сигнализации, централизации и блокировки” [Текст].
  9. Воробьев Н. Одномерный цифровой медианный фильтр с трехотсчетным окном [Текст] / Н. Воробьев // Новости микроэлектроники, – 1999. – Т. 8.
  10. Системы автоматики и телемеханики на железных дорогах мира [Текст]: учебное пособие для вузов ж.-д. транспорта / Пер. с англ.; под ред. Г. Теега, С. Власенко. – М.: Интекст, 2010. – 496 с.
  11. Колесниченко С. И. Показатели экономической эффективности в современных информационных системах [Текст] / С. И. Колесниченко, О. В. Рудакова // Вестник ОрелГИЭТ. – 2010. – №. 2. – С. 12.
  12. Методические рекомендации по оценке эффективности инвестиционных проектов [Текст]. Утверждены Министерством экономики РФ, Министерством финансов РФ, Государственным комитетом РФ по строительной, архитектурной и жилищной политике, от 21.06.1999 N ВК 477.