[07-2012] Аппарат искусственных нейронных сетей для диагностики современного локомотива

[Admin]

Аппарат искусственных нейронных сетей для диагностики современного локомотива

Учет реального технического состояния тягового подвижного состава при планировании объемов и периодичности его технического обслуживания является одним из основных резервов снижения эксплуатационных расходов в локомотивном хозяйстве. Необходимое условие организации такого учета — непрерывный контроль и достоверное прогнозирование изменения технического состояния локомотива в эксплуатации.

В течение ряда лет эти задачи в основном решаются с использованием стационарных, реже — локальных (переносных) средств тестовой диагностики. Существенным недостатком такого подхода является необходимость изъятия локомотива из эксплуатации для выполнения как подготовительных операций (постановка его на участок диагностирования, монтаж и демонтаж съемного диагностического оборудования), так и самого диагностирования. За этим следуют другие организационно-технические и экономические проблемы.

Во-первых, практически исключается возможность выполнения регулярных сеансов диагностики, которые необходимы для достоверного прогнозирования изменения технического состояния локомотива. Во-вторых, снижается экономическая эффективность применения диагностического оборудования, так как совокупная (с учетом упущенной выгоды от простоя работоспособного локомотива) стоимость выполнения ряда повторных сеансов диагностирования, необходимых для своевременного выявления предотказного состояния локомотива, становится сопоставимой с затратами на устранение внезапного отказа или даже превышает их.

Эффективное решение проблемы — использование для оценки и прогнозирования изменений в техническом состоянии оборудования локомотива средств и систем бортовой диагностики. До недавнего времени развитие этих устройств сдерживалось низким уровнем контролепригодности локомотивов и, в частности, тепловозов. Положение кардинально изменилось с началом выпуска и эксплуатации новых тепловозов 2ТЭ116У, ТЭП70БС, 2ТЭ25К, 2ТЭ25А и 2ТЭ70.

Отмеченные локомотивы оборудованы бортовой микропроцессорной системой автоматического управления силовой установкой тепловоза МСУ-Т(П, Э) со встроенной подсистемой диагностики. Эта подсистема непрерывно измеряет и накапливает в своей памяти значения нескольких сотен аналоговых и дискретных параметров, характеризующих техническое состояние основных агрегатов тепловоза.

Однако в системе технического обслуживания и ремонта локомотивов собранная информация практически не используется ввиду отсутствия эффективных методов и средств ее обработки, ориентированных на решение задач оценки и прогнозирования изменения технического состояния локомотивов. В связи с этим актуальной является разработка методов оценки технического состояния агрегатов локомотива, основанных на использовании информации подсистемы диагностики систем МСУ-Т(П, Э) современных тепловозов, а также программных средств обработки измерительной информации, реализующих эти методы.

Для минимизации количества контролируемых параметров и, соответственно, стоимости оборудования, устанавливаемого на локомотив, основная задача таких средств должна ограничиваться интегральной оценкой работоспособности контролируемого оборудования (на уровне «работоспособен — неработоспособен») и прогнозированием изменения его технического состояния с целью определения объемов и сроков технического обслуживания. Для выявления(локализации) конкретных неисправностей могут использоваться стационарные средства диагностики, необходимый набор которых определяется по результатам контроля различных групп оборудования тепловоза бортовыми средствами.

Основа любого метода диагностирования — диагностическая модель контролируемого объекта, т.е. формальное описание работоспособного состояния машины или агрегата, позволяющее по известным значениям входных параметров вычислять с заданной точностью значения его выходных параметров.

Если оценивается правильность функ-ционирования объекта в целом, без локализации отказов по отдельным узлам, то диагностическая модель может не описывать его внутреннюю структуру. Она должна отражать только количественную зависимость значений выходных параметров от входных значений в эксплуатационных или тестовых режимах работы объекта.

Для решения подобных задач широко применяются так называемые регрессионные модели. Такая модель представляет собой функциональную зависимость (уравнение регрессии), описывающую изменение выходных параметров объекта, когда известны изменения его входных. При этом для построения модели (определения коэффициентов уравнения) используются только значения измеряемых параметров, а физические основы функционирования объекта не учитываются.

Подобная модель, как правило, не является интерпретируемой, т.е. не позволяет ответить на вопрос «почему?», но более точно отображает влияние входов объекта на его выходы, т.е. с большей точностью отвечает на вопрос «как?». Схема процесса определения работоспособности объекта диагностирования, в которой используется регрессионная модель, представлена на рис. 1.

При выборе математического аппарата диагностических моделей для решения практических задач контроля технического состояния объекта необходимо учитывать не только точность моделирования, но и удобство ее реализации в пользовательских приложениях. Должны обеспечиваться также возможность дообучения по мере накопления экспериментальных данных, инвариантность по отношению к особенностям функционирования объекта диагностирования, к количеству его входных параметров и др.

В связи с этим интерес для оперативного контроля технического состояния силовой установки тепловоза представляет аппарат искусственных нейронных сетей (ИНС). Элементарная составная часть искусственной нейронной сети — вычислительная структура, называемая нейроном. Он состоит из элементов трех типов (рис. 2): умножителей (синапсов), сумматора и нелинейного преобразователя.

Синапсы принимают сигналы из внешней среды или от других нейронов сети и умножают их на числа w-|... W|< (веса синапсов), характеризующие силу связей. Сумматор X выполняет сложение взвешенных (т.е. умноженных на веса) сигналов, поступающих по синаптическим связям. Нелинейный преобразователь вычисляет величину выходного сигнала У нейрона, который посредством межнейронных связей (аксонов) подается на входы нейронов следующего слоя или является выходом сети.

Нейронная сеть представляет собой совокупность таких нейронов, определенным образом соединенных друг с другом и с внешней средой с помощью связей (синапсов), определяемых весовыми коэффициентами w^. Свойства и возможности сети зависят, главным образом, от схемы соединения ее нейронов (структуры сети) и видов функций, реализуемых нелинейным преобразователем. В специальной литературе описано множество типов сетей, используемых для решения различных задач. Большинство задач технической диагностики успешно решаются с помощью многослойных сетей прямого распространения (рис. 3), в которых нейроны располагаются слоями.

При этом выходы всех нейронов предыдущего слоя (или все входы сети) поступают на входы всех нейронов последующего слоя. Каждый из кружков 1.1... 3.1 на рис. 3 представляет собой нейрон, схема которого представлена на рис. 2. При использовании сети для моделирования технических объектов количество слоев сети и число нейронов в каждом из них выбираются с учетом количества входных и выходных параметров объекта и сложности его функционирования.

Для того чтобы работа сети (т.е. реакция ее выходов на изменение входов) точно соответствовала работе реального объекта, ее обучают, т.е. подбирают значения весов W-)... Wk таким образом, чтобы разница между значениями выходов сети у 1... Ук и соответствующих выходов реального объекта У-]... Ук была минимальной. Для обучения используются значения входных и выходных параметров реального объекта, измеренные в процессе его эксплуатации (так называемая обучающая выборка). Обучение сети выполняется в автоматическом режиме с использованием специальных обучающих алгоритмов.

Аппарат искусственных нейронных сетей позволяет решать задачу оценки работоспособности как для объекта в целом, так и для его отдельных функционально обособленных систем. В первом случае поведение всего объекта в целом моделируется одной нейронной сетью, входами которой будут входные параметры объекта, а выходами — его выходные параметры, характеризующие способность объекта выполнить требуемую функцию, определяемую его назначением. Во втором случае объект диагностирования рассматривается как система взаимосвязанных функционально обособленных систем (блоков), работа каждого из которых моделируется отдельной нейронной сетью.

То есть диагностическая модель объекта в приведенном случае представляет собой нейросетевой диагностический комплекс, связи между сетями которого соответствуют связям между системами (блоками) реального объекта. Создание и поддержка такого комплекса, помимо увеличения количества контролируемых параметров, характеризующих процесс функционирования объекта, требует существенно больших затрат времени на обучение сетей и повышенной мощности аппаратных средств для выполнения диагностирования. Однако в случае отказа объекта результатом работы комплекса будет не просто заключение о его неработоспособном состоянии, но и локализация отказа с точностью до системы (блока). Это позволит сократить время восстановления объекта после отказа.

В рамках работы по совершенствованию системы технического обслуживания локомотивов лабораторией диагностики Научно-исследовательского и конструкторско-технологического института подвижного состава (ОАО «ВНИКТИ», г. Коломна) разработаны нейросетевые диагностические комплексы для контроля технического состояния электрической передачи тепловозов 2ТЭ116У, 2ТЭ70, 2ТЭ25К и ТЭП70БС. Входной информацией для комплексов являются данные, регистрируемые подсистемой диагностики бортовой микропроцессорной системы управления силовой установкой МСУ-Т(П, Э), которой оборудуются все серии выпускаемых в настоящее время отечественных магистральных тепловозов. Объем этих данных позволяет решать не только задачу контроля технического состояния электрической передачи в целом, но и локализовать отказы с точностью до отдельных систем.

Исходя из перечня параметров, контролируемых подсистемой диагностики, разработаны функциональные модели электрической передачи тепловозов. На рис. 4 и 5 представлена такая модель для тепловоза 2ТЭ116У с выделенными функционально обособленными системами, отказы которых могут распознаваться с помощью нейросетевых диагностических моделей. Работа каждой из систем, выделенных на рисунках прямоугольниками синего цвета, моделируется отдельной нейронной сетью прямого распространения с 1... 3 входами и одним выходом. Чтобы упростить программную реализацию комплекса и облегчить процесс выполнения подготовительных операций при его эксплуатации, структуру всех моделей комплекса унифицировали.

Сравнивая анализы процессов обучения и расчеты тестовых выборок сетями различной структуры, пришли к следующему заключению. Наилучшие результаты по скорости обучения, точности моделирования и быстродействию достигаются при использовании четырехслойной сети прямого распространения с тремя входами, входным слоем из 15 нейронов, выходным слоем из одного нейрона и двумя внутренними (скрытыми) слоями, каждый из которых включает по 15 нейронов (рис. 6).

Чтобы повысить точность моделирования, работу каждого тягового двигателя с осевым тахогенера-тором моделировали тремя сетями, соответствующими различным значениям коэффициента ослабления возбуждения. Таким образом, нейросетевой комплекс для контроля технического состояния электрической передачи тепловоза серии 2ТЭ116У включает 29 нейросетевых моделей систем передачи, каждая из которых имеет структуру, изображенную на рис. 6.

Обучение сетей комплекса выполняется с использованием данных, накапливаемых подсистемой диагностики бортового управляющего комплекса МСУ-Т(П, Э) на жестком диске дисплейного модуля. Оперативная информация на стационарный сервер может передаваться либо по беспроводному каналу связи, либо с использованием переносных Flash-накопителей (рис. 7). На стационарном сервере данные в автоматическом режиме распаковываются и помещаются в единую базу данных локомотивного депо. Далее подсистема обучения формирует обучающую выборку для каждой из сетей комплекса за указанный оператором период (рис. 8), в течение которого состояние локомотива определялось как работоспособное, и выполняет обучение сетей.

Процесс обучения контролируется оператором и завершается при достижении заданной величины суммарной среднеквадратичной ошибки (обычно от 1 до 4 %) расчета выходного параметра сети на всем объеме обучающей выборки. Параметры нейросетевых диагностических моделей и для каждого локомотива (секции) хранятся в специальной таблице базы диагностических параметров (см. рис. 7).

В процессе диагностирования из базы данных выбираются значения входных параметров соответствующей сети локомотива, вычисляется значение выходного параметра сети и сравнивается с измеренным значением этого же параметра (см. рис. 1). Разность между измеренным и вычисленным значениями выхода сети (ошибка отклика сети) характеризует отличие текущего технического состояния узла от его состояния на момент обучения сети.

На каждом шаге диагностирования для каждой из сетей комплекса рассчитывается величина допустимой ошибки отклика, зависящая от точности измерения входных и выходных параметров сетей, характера их изменения и свойств сети. Чтобы уменьшить влияние случайных изменений параметров на результаты диагностирования, оценка технического состояния узла выполняется не по единичным ошибкам отклика сетей и их допустимым значениям, а по величине суммарных среднеквадратических значений этих величин на определенном объеме диагностической выборки (от 3 до 10 тыс. отсчетов).

Диагностирование выполняется автоматически, когда осуществляется загрузка измерительной информации в базу диагностики («на лету»), по часовым интервалам (при загрузке данных с Flash-накопителя) или двухчасовым (при загрузке данных по радиоканалу). По каждому из интервалов формируется промежуточный протокол (рис. 9), который заносится в специальную таблицу базы диагностики. Для оценки изменения технического состояния оборудования локомотива за известный период (например, межремонтный пробег) и определения объемов ремонта выполняется анализ протоколов диагностирования, накопленных за этот период (рис. 10).

Изменение среднеквадратических ошибок протоколов в течение межремонтного периода эксплуатации локомотива характеризует техническое состояние групп оборудования. Устойчивое превышение допустимых пределов изменения этой ошибки (красная линия на рис. 10) свидетельствует о предотказном состоянии оборудования и необходимости выполнения дополнительного объема технического обслуживания.

Применение нейросетевых технологий для оперативного контроля технического состояния оборудования локомотивов имеет хорошие перспективы. Данная технология позволяет в полной мере использовать весь объем диагностической информации, накапливаемой подсистемой бортовой диагностики современных локомотивов, для коррекции объемов плановых видов ремонта и повышения эффективности системы технического обслуживания.

Д-р техн. наук А.В. ГРИЩЕНКО, профессор кафедры «Локомотивы и локомотивное хозяйство» ПГУПСа, кандидаты технических наук В.В. ГРАЧЁВ, доцент, Ю.В. БАБКОВ, первый заместитель генерального директора ОАО «ВНИКТИ», Ю.И. КЛИМЕНКО, заведующий НИИКБ, С.И. КИМ, К.С. ПЕРФИЛЬЕВ, начальники отделов, инж. М.В. ФЕДОТОВ, заведующий лабораторией

[Divine]

А есть такая программка?

[СЦБот]

Эта тема была перенесена из раздела Журнал "Локомотив".

Перенес: Admin