Обнаружение предотказного состояния стрелочного перевода по графику активной мощности
https://doi.org/10.52170/1815-9265_2023_67_40
Аннотация
Существующие системы технической диагностики и мониторинга не могут абсолютно точно определить состояние стрелочного электропривода. Прежде всего это связано с большим количеством видов отказов (в схеме управления, во внутренних элементах привода, внешних), а также с нехваткой контролируемых параметров, способных в полной мере описать неисправный узел. Однако существуют косвенные методы оценки на основе технологий искусственного интеллекта. В данной работе были исследованы характеристики мощности, полученные от автоматов диагностики силовых параметров. В результате предобработки и моделирования обоснован выбор подходящих алгоритмов машинного обучения без учителя.
Об авторе
В. А. Канарский
Дальневосточный государственный университет путей сообщения
Россия
Россия
Вадим Андреевич Канарский – аспирант кафедры «Вычислительная техника и компьютерная графика», преподаватель кафедры «Автоматика, телемеханика и связь»
Хабаровск
Список литературы
1. Анализ эксплуатационной деятельности хозяйства автоматики и телемеханики по итогам 2019 года / Управление автоматики и телемеханики Центральной дирекции инфраструктуры. Москва : ОАО «РЖД», 2019. 101 с.
2. Котов В. К., Павловский А. А., Павловский Е. А. Диагностика стрелочных электроприводов по параметрам тока // Автоматика, связь, информатика. 2015. № 7. С. 12–17.
3. Иванов А. А., Легоньков А. К., Молодцов В. П. Автомат диагностики силовых параметров стрелочного электропривода // Проблемы безопасности и надежности микропроцессорных комплексов : сборник трудов научно-практической конференции, Санкт-Петербург, 27–28 мая 2015 г. Санкт-Петербург : Петербургский государственный университет путей сообщения Императора Александра I, 2015. С. 110–117.
4. Канарский В. А. Прогнозирование отказов насосной станции с помощью машинного обучения без учителя // Вестник РосНоу: Сложные системы: модели, анализ и управление. 2022. № 4. С. 63–74. DOI 10.18137/RNU.V9187.22.04.P.1.
5. Канарский В. А. Совершенствование диагностики стрелочных приводов с использованием искусственного интеллекта // Интеллектуальные транспортные системы : материалы II Международной научно-практической конференции (г. Москва, 25 мая 2023 г.). Москва : РУТ (МИИТ), 2023. С. 578–583.
6. Array programming with NumPy / C. R. Harris, K. J. Millman, S. J. van der Walt [et al.] // Nature. 2020. Vol. 585, No. 7825. P. 357–362. DOI 10.1038/s41586-020-2649-2.
7. Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh – A Python package) / M. Christ, N. Braun, J. Neuffer, A. W. Kempa-Liehr // Neurocomputing. 2018. Vol. 307, No. 7. P. 72–77. DOI 10.1016/j.neucom.2018.03.067.
8. Géron A. Hands-On Machine Learning with ScikitLearn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol, CA : O’Reilly Media, 2019. 600 p.
9. Zhao Y., Nasrullah Z., Li Z. PyOD: A Python Toolbox for Scalable Outlier Detection // Journal of Machine Learning Research (JMLR). 2019. Vol. 20, No. 96. P. 1–7.
10. Канарский В. А. Исследование эффективности машинного обучения в мониторинге сигнальной точки // Надежность. 2023. № 1. С. 38–44. https://doi.org/10.21683/1729-2646-2023-23-1-38-44.
Рецензия
Для цитирования:
Канарский В.А. Обнаружение предотказного состояния стрелочного перевода по графику активной мощности. Вестник Сибирского государственного университета путей сообщения. 2023;(4):40-46. https://doi.org/10.52170/1815-9265_2023_67_40
For citation:
Kanarskiy V.A. Detection of the pre-failure state of the switch by the active power diagram. Bulletin of Siberian State University of Transport. 2023;(4):40-46. (In Russ.) https://doi.org/10.52170/1815-9265_2023_67_40
Просмотров:
6
Послать статью по эл. почте 