|
|
|
Закладки | Дневники | Поддержка | Социальные группы | Поиск | Сообщения за день | Все разделы прочитаны | Комментарии к фото | Сообщения за день |
|
Опции темы | Поиск в этой теме |
15.03.2019, 17:24 | #1 (ссылка) |
Crow indian
Регистрация: 21.02.2009
Возраст: 42
Сообщений: 28,791
Поблагодарил: 397 раз(а)
Поблагодарили 5851 раз(а)
Фотоальбомы:
2566
Записей в дневнике: 647 Загрузки: 672
Закачек: 274
Репутация: 126089
|
Тема: [02-2019] Оптимизация тяговых ресурсов с учетом предиктивной аналитики технического состояния локомотивовОптимизация тяговых ресурсов с учетом предиктивной аналитики технического состояния локомотивов A. Д. ОБУХОВ, канд. техн, наук, B. А. МЕЛЬНИКОВ, эксперт, ООО «Кловер Групп», г. Москва В статье рассмотрены современные проблемы эксплуатации тягового подвижного состава (ТПС) на полигонах железных дорог. Определены основные «барьерные» места. В качестве инновационного инструмента решения задачи совершенствования процессов эксплуатации локомотивного парка предложены оптимизационная модель формирования плана постановки локомотивов на техническое обслуживание и ремонт на участке железной дороги и модели предиктивного анализа технического состояния узлов и агрегатов ТПС. Рассмотрены критерии и эффекты применения данных моделей для решения эксплуатационных задач на железнодорожном транспорте. Ключевые слова: тяговый подвижной состав, интеллектуальный анализ данных, интеллектуальные транспортные системы, система предиктивного обслуживания и ремонта. The article covers modern challenges for operating of traction rolling stock (TRS); provided explanation of bottlenecks. Innovative solution for operating processes' enhancement includes optimization model of the locomotive fleet on the railway section and the model of the predictive analysis of the condition of units and assemblies of traction rolling stock. As a conclusion and proof of effectiveness, criteria and effects of applicability, caused by the models and solution, exposed in the article. Keywords: traction rolling stock, data mining, intelligent transport systems, predictive maintenance solutions. Современная трансформация логистического мировоззрения все больше меняет мир и ставит новые задачи в области развития телекоммуникационных и информационных технологий при управлении производством, эксплуатации инфраструктуры. Для этого необходимо развивать цифровые и интеллектуальные технологии в оперативном управлении фондо-ресурсоемкими предприятиями, работающими в таких сферах, как железнодорожные и автомобильные перевозки, автомобилестроение и локомотивостроение, локомотивные депо и ремонтные цехи. Проекты цифровизации предприятий транспортной отрасли (заводы и депо, инфраструктура) направлены на повышение внешней и внутренней конкурентоспособности предприятий транспортных сегментов на мировом уровне путем полной интеграции интеллектуальных коммуникационных технологий между клиентами, транспортными средствами и инфраструктурой, а также системой управления движением поездов [1,2], т.е. созданием цифрового двойника. Интеллектуальные железнодорожные системы получают все большее распространение в мировой практике, а их разработка проводится ведущими транспортными и IT-компаниями. Мощный импульс развитию данных систем придали современные инструменты, такие как Hybrid Models, Explainable Al, Industriallnternet of Things, BringYour Own Device, Bring Your Own Data, BigData, CloudCom*Иванов**Иванов**Иванов**Иванов**Иванов*g, Машинное и глубокое обучение и др. Данные технологии позволяют оптимизировать транспортные ресурсы, тем самым повысить эффективность перевозок [3]. Важнейшими задачами в процессе эксплуатации железнодорожного тягового подвижного состава являются мониторинг и прогнозирование его технического состояния, планирование и оптимизация проведения предиктивного ремонта с учетом инфраструктурных и технологических ограничений железнодорожного транспорта общего пользования. По ряду железных дорог России сегодня фактический показатель неравномерности перевозок значительно превышает нормальные показатели. Особенно проблемными являются дороги Восточного полигона. В условиях повышенной неопределенности для оперативного регулирования потребных ресурсов компания-перевозчик вынуждена содержать непроизводительные резервы тяговых ресурсов на непредсказуемый рост перевозок. Анализ статистических данных показывает, что, например, показатель бюджета времени локомотивов, согласно отчетным и статистическим данным последних лет, делится на следующие составляющие: время нахождения в движении — 47,7 % (11,4 ч), 33 % времени локомотивы простаивают на станционных и деповских путях станций оборота, 7 % — на станциях смены локомотивных бригад, 6,4 % — на станциях приписки, 5,9 % — на промежуточных станциях с поездами. Перепростой на плановых видах ремонта, а также заходы на межпоездной ремонт и ожидание свободных ремонтных позиций приводят к необходимости ежесуточно изымать из эксплуатации более 10ОО локомотивов [4]. На сегодняшний день наблюдается повышенное избыточное количество локомотивов в инвентарном парке для осуществления объемов работы. В данных условиях большую роль в комплексной программе оптимизации играет повышение надежности новых и отремонтированных локомотивов. Низкий уровень надежности, а также несоблюдение технологии ремонта заводами и депо обуславливают необходимость содержания сверх норматива около 1400 тяговых единиц. При этом экспертным методом установлено, что в настоящее время существует потребность в локомотиве, который на всем жизненном цикле был бы готов к эксплуатации не менее 95 % времени его срока службы. Существующая система технического обслуживания и ремонта локомотивов на Восточном полигоне не полностью отвечает требованиям эффективного повышения эксплуатационной надежности локомотивов с одновременным снижением затрат на их техническое обслуживание, сервис и ремонт (ТОиР). Средний простой локомотива в депо не может использоваться как достоверный показатель, так как есть простой на ТО-2, ТР-1, ТР-3 и других видах ТОиР, где имеется собственная средняя продолжительность простоя. Следовательно, использование среднего простоя в депо для оценки возможности одновременного проведения обслуживания и ремонта локомотивов зачастую приводит к ошибочным выводам. ля достижения основной цели комплексной оптимизации эксплуатируемого парка локомотивов, а также совершенствования системы организации своевременного подвода их в сервисные локомотивные депо и пункты технического обслуживания локомотивов специалистами компании «Кловер Групп» разработан комплекс программных продуктов, реализующих взаимодействие моделей предиктивного анализа состояния узлов и агрегатов тягового подвижного состава и динамической модели перемещения поездопотоков на участке. В качестве выбранных критериев оптимизации тягового обслуживания на выбранном участке определены такие ключевые эксплуатационные показатели, как: минимизация пробега локомотивов в одиночном следовании, а также времени нахождения вагонов и поездов на станциях смены локомотивов и локомотивных бригад; максимизация среднесуточной производительности локомотивов рабочего парка. Особенно актуальным для системы оптимизации тягового обслуживания полигона является сокращение времени нахождения локомотивов эксплуатируемого парка на деповских путях и снижение различного рода непроизводительных потерь времени работы локомотивных бригад, в том числе в ожидании работы. При этом для максимально эффективного применения оптимизационной модели в качестве входных данных для ее работы используются данные интеллектуальной диагностики, предиктивной аналитики и мониторинга эксплуатации узлов и агрегатов локомотивов рабочего парка на участке. Предиктивная аналитика дает возможность извлечь необходимую информацию об эксплуатации и техническом состоянии оборудования из разнообразных источников, таких как данные микропроцессорной системы управления (МСУ) локомотивов, информация об эксплуатации локомотивов на полигоне, данные об отказах, заводских и деповских ремонтах, выполненных цикловых и сверхцикловых работах, смене оборудования, которая, будучи структурированной с учетом особенностей конструкции рассматриваемого узла, применяется в процессах принятия и оптимизации управленческих решений. Основной задачей предиктивной аналитики оборудования при решении данной комплексной оптимизационной задачи является определение степени влияния параметров работы оборудования друг на друга и выявление аномалий, дефектов и отказов, исходя из анализа изменения значений этих параметров за имеющиеся периоды наблюдения. Эти закономерности выявляются путем построения модели предиктивного анализа по контролируемому объекту. Разработанные специалистами Clover Group модели предиктивного анализа инженерно-технических объектов позволяют: > определить релевантные параметры, характеризующие состояние конструктивных элементов оборудования; > выявить тренды деградации, анома-лии/дефекты и предотказные состояния на работающем оборудовании; > спрогнозировать вероятность и время наступления отказа конструктивных элементов оборудования. В настоящее время система способна находить более 50 видов нарушений в работе оборудования и режимах эксплуатации локомотивов. Так, по тепловозам серии 2(3)ТЭ116У [5, б, 7] и ТЭП70БС(У) автоматически определяются нарушения в работе оборудования, такие как: • превышение температуры газов по цилиндрам; • несоответствие значений мощности генератора и частоты вращения коленчатого вала дизеля установленной позиции контроллера машиниста; • выход значений давления и температуры масла за пределы допусков и т.п. Модуль системы «Math» представляет собой комплекс математических алгоритмов, в котором могут использоваться как ореп-сорсные библиотеки, так и собственные уравнения разработчиков, описывающие работу конкретного оборудования на основе имеющихся параметров телеметрии. Для снижения взаимной коррелированности применяются модели, использующие разные подходы: лес случайных деревьев, бустинг и метод опорных векторов [8]. Для оценки точности моделей данные делятся на обучающую и тестовую выборки. Для данного разбиения также может использоваться метод случайного разбиения. Для оценки моделей используются методы: кросс-валидация; внутренняя кросс-валидация; стратифицированный сэплинг; матрица запутанности; матрица запутанности 2-го класса; кривые ROC (Receiver Operating Characteristic) и др. Приоритетными направлениями в ходе разработки комплекса оптимизационных моделей управления тяговыми ресурсами при переходе на полигонные технологии, которые способствуют повышению эффективности перевозочного процесса, являются: > совершенствование и оптимизация технологий перевозочного процесса, а также устранение основных технологических потерь при эксплуатации; > создание инновационных интеллектуальных управляющих систем диспетчерского аппарата; > оптимизация структуры управления перевозками; > ликвидация «барьерных» мест, сдерживающих темпы роста пропускной способности. В части совершенствования и оптимизации эксплуатации тяговых ресурсов на полигоне железной дороги следует также предусмотреть выделение внутренних тяговых полигонов работы локомотивов с учетом соблюдения плана формирования и основных показателей выполнения местной работы на участках, а также оптимизацию участков обращения локомотивных бригад. Библиография 1. Обухов А.Д. Цифровые технологии в управлении эксплуатационной работой на железнодорожном транспорте ГГекст] / А.Д. Обухов // Автоматика, связь, информатика.-2017.-№ 9.-С. 4 —8. 2. Обухов А.Д. Интеллектуальные технологии в управлении перевозочным процессом на железнодорожном транспорте [Текст] / А.Д. Обухов // Международный журнал гуманитарных и естественных наук. - 2016. - № 1. Т. 3. - С. 36 — 39. 3. Шапкин И. Развитие технологии грузовых перевозок на железнодорожном транспорте в современных условиях [Текст] / И. Шапкин, А. Обухов // Научно-практический альманах «Вектор транспорта». - 2015. -№3.-С.10 — 19. 4. Валинский О.С. Повышая эффективность управления локомотивным комплексом [Текст] / О.С. Валинский // Локомотив. - 2017. - № 1. - С. 3 — 7. 5. Мельников В.А. Определение предотказного состояния тяговых электродвигателей [Текст] /В.А. Мельников, С.А. Дмитриев // Локомотив. - 2017. - № 6. - С. 36 — 37. 6. Мельников В.А. Использование корреляционного анализа при диагностировании тепловозов 2ТЭ116У [Текст] / В.А. Мельников //Транспортная инфраструктура Сибирского региона. Материалы шестой международной научно-практической конференции. Иркутск, 2015 - С. 343 — 349. 7. Мельников В.А. Диагностирование тепловозов по данным бортовых микропроцессорных систем [Текст] / В.А. Мельников // /Мир транспорта. - 2014. - № 3. - С. 56 - 62. 8. Automatic Defect Recognition in Corrosion Logging Using Magnetic Imaging Defectoscopy Data / Rita Gaibadullina, Bulat Zagidullin, Vladimir Bochkarev // 3rd International Conference on Analysis of Images, Social Networks and Texts (AIST'2014), Yekaterinburg, Russia, April 10 — 12,2O14.p86 —91.
__________________
Если у вас возникли вопросы по работе сайте - пишите на почту admin@scbist.com |
12 |
Возможно вас заинтересует информация по следующим меткам (темам): |
Валинский, локо0219 |
Здесь присутствуют: 1 (пользователей: 0 , гостей: 1) | |
Опции темы | Поиск в этой теме |
|
|