Диагностика моторно-осевых подшипников колесно-моторного блока с нейросетевой эталонной моделью тема диссертации и автореферата по ВАК РФ 05.22.07, кандидат наук Кушнирук Алексей Сергеевич

• Кушнирук Алексей Сергеевич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Кушнирук Алексей Сергеевич

ВВЕДЕНИЕ

1 МЕТОДЫ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ МОТОРНО-ОСЕВЫХ ПОДШИПНИКОВ СКОЛЬЖЕНИЯ КОЛЕСНО-МОТОРНОГО БЛОКА ЛОКОМОТИВОВ

1.1 Диагностика технического состояния узлов локомотивов на железнодорожном транспорте

1.1.1 Диагностика технического состояния технических систем

1.1.2 Диагностика узлов локомотивов на железнодорожном транспорте

1.1.3 Структура диагностики узлов локомотивов в условиях эксплуатации автоматизированных рабочих мест системы технического диагностирования

1.2 Диагностика технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов в условиях эксплуатации планово-предупредительной системы обслуживания и ремонта локомотивов

1.2.1 Диагностика технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов при техническом обслуживании объема ТО-2

1.2.2 Диагностика технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов при техническом обслуживании объема ТО-3

1.2.3 Диагностика моторно-осевых подшипников колесно-моторного блока локомотивов при текущем ремонте объемов ТР-1 и ТР-2 и методы виброакустического контроля моторно-осевых подшипников

1.2.3.1 Диагностика большого зазора между вкладышем

моторно-осевого подшипника и шейкой оси колесной пары

1.2.3.2 Диагностика вибрации масляного клина моторно-осевых подшипников колесно-моторного блока локомотивов

1.2.3.3 Диагностика погрешностей при монтаже моторно-осевых подшипников

1.3 Научные исследования в области диагностики технического состояния узлов локомотивов

1.3.1 Полиномиальные регрессионные модели оценки технического состояния узлов локомотивов

1.3.2 Аналитические модели оценки технического состояния узлов локомотивов

1.3.3 Нечеткие интеллектуальные модели оценки технического состояния узлов локомотивов

1.3.4 Научные основы применения методов искусственного интеллекта для диагностики технического состояния узлов локомотивов

Выводы по главе

2 АНАЛИЗ ОТКАЗОВ УЗЛОВ ЛОКОМОТИВОВ В УСЛОВИЯХ ЭКСПЛУАТАЦИИ ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНОЙ СИСТЕМЫ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА НА ПОЛИГОНЕ ДАЛЬНЕВОСТОЧНОЙ ЖЕЛЕЗНОЙ ДОРОГИ

2.1 Структура управления техническим состоянием локомотивного парка

2.1.1 Система управления техническим состоянием локомотивного парка

2.1.2 Значение АСУТ в системе оценки технического состояния локомотивного парка

2.2 Анализ отказов локомотивов в эксплуатации

2.2.1 Парк локомотивов Дальневосточной железной дороги

2.2.2 Анализ отказов узлов тепловозов

2.2.3 Анализ отказов узлов электровозов

2.2.4 Результаты анализа отказов локомотивов

2.2.5 Опыт ДВГУПС в области диагностики моторно-осевых подшипников колесно-моторного блока локомотивов

2.3 Расчет показателей безотказности моторно-осевых подшипников колесно-моторного блока локомотивов на основе результатов анализа отчетов о неплановых ремонтах локомотивов формы ТО-15 АСУТ

2.4 Исследование гипотез о распределении отказов моторно-осевых подшипников колесно-моторного блока локомотивов

2.4.1 Исследование гипотезы о распределении отказов моторно-осевых подшипников колесно-моторного блока локомотивов согласно экспоненциальному закону посредством критерия Пирсона

2.4.2 Исследование гипотезы о распределении отказов моторно-осевых подшипников колесно-моторного блока локомотивов согласно нормальному закону посредством критерия Пирсона

2.4.3 Исследование гипотезы о распределении отказов моторно-осевых подшипников колесно-моторного блока локомотивов согласно закону Вейбулла-Гнеденко посредством критерия Пирсона

2.5 Результаты анализа отказов локомотивов в условиях эксплуатации планово-предупредительной системы технического обслуживания и ремонта на полигоне Дальневосточной железной дороги

3 НЕПРЕРЫВНАЯ МОДЕЛЬ ОЦЕНКИ ТЕХНИЧЕСКОГО

СОСТОЯНИЯ МОТОРНО-ОСЕВЫХ ПОДШИПНИКОВ

КОЛЕСНО-МОТОРНОГО БЛОКА ЛОКОМОТИВОВ

3.1 Искусственный интеллект - раздел «Искусственные нейронные сети»

3.1.1 Научная парадигма теории искусственного интеллекта

3.1.2 Математическая формализация искусственных нейронных сетей

3.2 Непрерывная модель вычисления выходных диагностических параметров моторно-осевых подшипников колесно-моторного блока локомотивов

3.2.1 Корреляционный анализ входных влияющих воздействий и выходных диагностических параметров объекта исследования

3.2.2 Стратегия обучения искусственной нейронной сети

3.2.3 Результаты обучения искусственной нейронной сети

Выводы по главе

4 ИССЛЕДОВАНИЕ РАЗРАБОТАННОЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

4.1 Исследование нейросетевой модели оценки технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов на адекватность работы

4.2 Показательная функция принадлежности отказа моторно-осевых подшипников колесно-моторного блока локомотивов формирующие селективную характеристику технического состояния

4.3 Алгоритм управления техническим состоянием моторно-осевых подшипников колесно-моторного блока локомотивов на основе искусственной нейросетевой модели

4.4 Оценка экономической эффективности от внедрения нейросетевой бортовой системы контроля и диагностики моторно-осевых подшипников колесно-моторного блока локомотивов

4.4.1 Расчет единовременных затрат на технические

составляющие нейросетевой бортовой системы контроля и

диагностики моторно-осевых подшипников

колесно-моторного блока локомотивов

4.4.2 Ежегодные затраты на предоставление услуг связи

4.4.3 Себестоимость монтажа

4.4.4 Потери локомотивного комплекса Дальневосточной

железной дороги в ремонте

4.4.5 Расчет срока окупаемости от внедрения нейросетевой бортовой системы контроля и диагностики моторно-осевых подшипников колесно-моторного блока локомотивов

Выводы по главе

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЯ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Введение диссертации (часть автореферата) на тему «Диагностика моторно-осевых подшипников колесно-моторного блока с нейросетевой эталонной моделью»

ВВЕДЕНИЕ

Актуальность темы исследования. Моторно-осевые подшипники являются ответственным и связующим звеном важнейших, с точки зрения безопасности, узлов локомотивов. Поэтому достоверное и своевременное определение технического состояния моторно-осевых подшипников является насущной задачей для предприятий, занимающихся эксплуатацией и ремонтом данного узла.

Несмотря на необходимость своевременной диагностики моторно-осевых подшипников, периоды между проведением диагностических работ принимают значительные пробеги (свыше 400 тыс. км пробега), что отрицательно сказывается на количестве отказов. Ежегодно на Дальневосточной железной дороге отказы по данному узлу составляют свыше 200 случаев, что впоследствии сказывается на повышении экономических потерь и снижении производительности локомотивного парка. В среднем затраты на устранение последствий неплановых ремонтов моторно-осевых подшипников составляют 14,5 млн. рублей в год без учета затрат на компенсацию грузополучателям.

В совокупности диагностическую ситуацию усложняет отсутствие каких-либо непрерывных систем диагностики моторно-осевых подшипников. Поэтому назрела необходимость разработки эталонной модели данного узла, позволяющую с высоким уровнем достоверности определять техническое состояние на основании изменения диагностического параметра с учетом влияния внешних факторов.

Степень разработанности темы исследования. Диссертационное исследование выполнено на основе результатов работ учёных, которые занимались вопросами улучшения надежности локомотивного парка: ОмГУПС: О. В. Гателюк,

A. И. Мишин, В. В. Молчанов, С. М. Овчаренко, П. А. Сиряк, Ю. А. Усманов,

B. В. Харламов, В. А. Четвергов, С. Г. Шантаренко; НИИТКД: В. М. Бочаров, А. Н. Головаш, В. Г. Шахов; ПГУПС: Ю. В. Бабков, В. В. Грачев, А. В. Грищенко, О. Р. Хамидов, С. И. Чаплинский; ИрГУПС: П. Ю. Иванов, О. В. Мельниченко,

А. В. Пультяков; МИИТ: В. А. Гапанович, И. К. Лакин; ДВГУПС: Ю. А. Давыдов, А. Ю. Коньков, А. К. Пляскин, а также другие ученые и специалисты.

Целью диссертационной работы является повышение эффективности диагностики моторно-осевых подшипников колесно-моторного блока локомотивов на основе использования методов теории искусственных нейронных сетей.

Для достижения поставленной цели в диссертационной работе сформулированы следующие задачи:

1. Проанализировать надежность моторно-осевых подшипников колесно-моторного блока локомотива в условиях работы планово-предупредительной системы ремонта и обслуживания.

2. Разработать эталонную модель моторно-осевых подшипников, позволяющую на основе скорости движения локомотива, его ускорения и температуры воздуха определять допустимую температуру подшипников.

3. Предложить способ диагностирования технического состояния моторно -осевых подшипников, учитывающий условия эксплуатации и режим работы локомотива.

4. Произвести оценку экономического эффекта от использования в локомотивном комплексе способа управления техническим состоянием моторно-осевых подшипников, основанного на построении эталонных нейросетевых моделей.

Научная новизна работы заключается в следующем:

1. Разработана нейросетевая модель эталонного моторно-осевого подшипника колесно-моторного блока, учитывающая влияние скорости и ускорения локомотива, и температуры воздуха.

2. Предложен способ диагностирования технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов на основе вычисления эталонного значения функции диагностических параметров от переменных значений входных влияющих воздействий.

Практическая значимость работы:

1. Применение разработанной методики контроля выходных параметров и диагностирования отказов позволяет выявлять неисправности моторно-осевых

подшипников колесно-моторного блока локомотивов на ранней стадии их возникновения, с учетом влияния внешних и внутренних воздействий.

2. Разработанная имитационная нейросетевая модель эталонного моторно-осевого подшипника позволяет исследовать влияние внешних и внутренних воздействий на техническое состояние рассматриваемого узла при диагностировании тягового подвижного состава.

3. Разработан алгоритм управления техническим состоянием локомотивов на основе нового способа диагностирования неисправностей узлов и агрегатов, который решает спектр вопросов, связанных с внедрением концепции управления надежностью локомотивного парка.

Объектом исследования являются моторно-осевые подшипники колесно-моторного блока локомотивов.

Предметом исследования являются средства и методы технической диагностики моторно-осевых подшипников локомотивов.

Методы исследования. Полученные в работе результаты базируются на использовании методов теории нечетких множеств, теории искусственных нейронных сетей, теории дифференциальных уравнений, теории вычислительного эксперимента. Проведение математического моделирования осуществлялось с использованием пакета Neural network среды MATLAB.

Положения, выносимые на защиту:

1. Нейросетевая модель эталонного моторно-осевого подшипника, учитывающая влияние скорости и ускорения движения локомотива, и температуры воздуха.

2. Результаты теоретических и экспериментальных исследований искусственных нейронных сетей, имеющих прикладное значение в области диагностики моторно-осевых подшипников колесно-моторного блока локомотивов.

Достоверность научных положений и результатов обоснованы корректным использованием методов теории нечетких множеств, искусственных нейронных сетей, дифференциальных уравнений, вычислительного эксперимента, а также удовлетворительным совпадением результатов математического моделирова-

ния с экспериментальными данными.

Апробация работы. Основные положения и результаты диссертационной работы доложены: на XXIII Краевом конкурсе молодых ученых Хабаровского края (г. Хабаровск, 14 января 2021 г., ТОГУ), XXII Краевом конкурсе молодых ученых Хабаровского края (г. Хабаровск, 21 января 2020 г., ТОГУ); расширенном научно-техническом семинаре кафедры «Электроподвижной состав» (г. Иркутск, 10 декабря 2019 г., ИрГУПС); XXI Краевом конкурсе молодых ученых Хабаровского края (г. Хабаровск, 18 января 2019 г., ТОГУ); международной научной конференции «Инновационные технологии развития транспортной отрасли» (г. Хабаровск, 24-26 октября 2019 г., ДВГУПС); Всероссийской научно-практической конференции творческой молодежи с международным участием «Научно-техническое и социально-экономическое сотрудничество стран АТР в XXI веке» (г. Хабаровск, 17-19 апреля 2018 г., ДВГУПС); научно-техническом семинаре кафедры «Транспорт железных дорог» (г. Хабаровск, 21 ноября 2018 г., ДВГУПС).

Личный вклад автора заключается в разработке и выполнению математического исследования искусственной нейронной сети в системе технической диагностики моторно-осевых подшипников колесно-моторного блока локомотивов; разработке способа совершенствования системы диагностики неисправностей мо-торно-осевых подшипников колесно-моторного блока локомотивов; технико-экономической оценке реализации фактической системы управления надежностью на примере лимитирующего узла - моторно-осевого подшипника колесно-моторного блока локомотива.

Публикации. По теме диссертационной работы опубликовано 10 печатных работ, в том числе 5 статей в периодических изданиях, рекомендованных ВАК при Минобрнауки, и 1 статья, входящая в международную систему цитирования Scopus.

Структура и объём работы. Диссертация состоит из ведения, четырех глав, заключения, списка используемых источников из 121 наименования и приложений. Текст диссертации изложен на 155 страницах, содержит 37 рисунков, 24 таблицы, 2 приложения.

1 МЕТОДЫ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ МОТОРНО-ОСЕВЫХ ПОДШИПНИКОВ СКОЛЬЖЕНИЯ КОЛЕСНО-МОТОРНОГО БЛОКА ЛОКОМОТИВОВ

1.1 Диагностика технического состояния узлов локомотивов на железнодорожном транспорте

1.1.1 Диагностика технического состояния технических систем

Понятие «Диагностика» относится к определению состояния объекта с учетом его рабочих характеристик, свойств и параметров. В области эксплуатации технических систем данное понятие связано с определением фактического состояния объекта на основании данных наблюдений по изменению его характеристик [1].

Задача диагностирования технического состояния, отказов и предотказного состояния узлов технических систем является важной и актуальной во всем мире. Применение методов диагностирования позволяет заблаговременно выявить отказы технических систем на ранней стадии их возникновения, реализовать безопасность производственных процессов с рациональным уровнем экономической эффективности [2].

1.1.2 Диагностика узлов локомотивов на железнодорожном транспорте

Задача диагностирования узлов локомотивов на железнодорожном транспорте выполняется центром автоматизированной системы управления железнодорожным транспортом (АСУЖТ), а именно его реорганизованными подразделениями - автоматизированной системой управления локомотивным хозяйством (АСУТ), автоматизированной системой управления ремонтным комплексом дирекции по ремонту тягового подвижного состава ОАО «РЖД» (АСУ ЦТР), автоматизированной системой управления «Сетевой график» сервисных локомотивных депо ООО «ЛокоТех-Сервис» (АСУ СГ).

АСУТ является основной системой управления обслуживанием и ремонтом

локомотивного парка, которая включает в себя автоматизированные рабочие места систем технического диагностирования (АРМ АСТД) различных узлов локомотивов, входящие в состав производственных участков по обслуживанию и ремонту тягового подвижного состава в системе АСУ ЦТР и сервисных локомотивных депо ООО «ЛокоТех-Сервис» [3-8].

1.1.3 Структура диагностики узлов локомотивов в условиях эксплуатации

автоматизированных рабочих мест системы технического диагностирования

По этапам развития методов диагностики, а также по способам их применения и дискретизации процесс диагностирования можно разделить на следующие классификации:

- неавтоматизированная диагностика с применением простейших методов диагностики и инструментария (визуальное диагностирование отказа, диагностирование отказа в результате дефектовки с применением простейшего измерительного и вспомогательного инструментария: щупы, штангенциркуль, микрометр и прочее [9-12];

- автоматизированная стационарная диагностика с применение диагностических стендов, комплексов, устройств и приборов, применяющихся в условиях эксплуатации планово-предупредительной системы ремонта и обслуживания локомотивов в сервисных локомотивных депо, локомотиворемонтных заводах и на производственных участках железнодорожного транспорта [13-16];

- мобильная диагностика с использование переносных систем, комплексов и устройств диагностирования [17];

- непрерывная бортовая диагностика, используемая в составе локомотива с применением непрерывных средств регистрации диагностических параметров, устройств хранения, отображения и передачи данных [18-23].

В общем виде структура диагностики узлов локомотивов в условиях эксплуатации АРМ АСТД АСУТ представляет собой декомпозицию локомотива как объекта технического диагностирования с применением различных средств и сис-

тем диагностики для оценки его технического состояния, соответствующую рисунку 1.1 [24]:

Подшипниковые узлы и зубчатые передачи

«бН^в Комплекс вибродиагностики «Прогноз» Дистанционно-информационная система контроля (температуры) букс

Т окоприемники

Система контроля и диагностики токоприемников «Доктор-060ПГ»

Дизель-генераторная установка

Комплекс реостатных испытаний «КИПАРИС»

Электрооб орудование

Автотормозное оборудование

Система контроля и диагностики автотормозного оборудования «Доктор-060АТ»

Цифровой измеритель параметров иммитанса Имметр

Изоляция электрических цепей

Переносное устройство

диагностирования топливной аппаратуры дизелей ППРФ-3

«ДЭСТА»

Экипажная часть

Устройство для контроля изоляции электрических машин и аппаратов «Кедр»

Вибродиагностический комплекс КПА-1В

Система пескоподачи

Система контроля пескоподачи

Рисунок 1.1 - Структура диагностики узлов локомотивов в условиях эксплуатации АРМ АСТД АСУТ и планово-предупредительной системы ремонта и обслуживания локомотивов

На рисунке 1.1 представлены системы диагностирования узлов локомотивов по его декомпозиции как объекта технического диагностирования. При анализе технологии применения данных диагностических систем установлено, что их большинство относится к стационарному классу. Применение преимущественно стационарных диагностических систем обусловлено применением планово-предупредительной системы ремонта, когда диагностические операции над узлами локомотивов производятся во время обслуживания или ремонта в депо или на заводе.

Основным недостатком применения планово-предупредительной технологии проведения диагностических работ по локомотивам во время их очередного

обслуживания или ремонта является высокий период дискретизации (период между проведением диагностических работ).

Во время эксплуатации локомотива на элементы его узлов влияют внешние и внутренние воздействия, обусловленные особенностями рабочего процесса. Данные воздействия характеризуются факторами, отрицательное влияние которых, в конечном счете, приводит к отказу конкретного элемента, параллельным неисправностям, снижению эффективности работы локомотива или в отдельных случаях - к остановке перевозочного процесса (рисунок 1.2).

Рисунок 1.2 - Структура управления техническим состоянием локомотивного парка

Поддержание показателей надежности, в частности ремонтопригодности, на железнодорожном транспорте осуществляет система технической диагностики, которая на основании регистрируемых выходных параметров производит выявление инцидентов (ситуаций, отличных от нормальных), оценивает показатель технического состояния (обеспечивает поддержку принятия решения) и в соответствии с достижением его определенного уровня принимает соответствующие меры по воздействию на факторы, с целью поддержания технического состояния и

снижения вероятности отказа, - данный процесс называется управлением техническим состоянием.

В условиях работы железнодорожного транспорта данная тема является актуальной, так как рассматривает важнейшее свойство основного объекта инфраструктуры перевозочного процесса - надежность локомотива.

Особенностью рассматриваемой системы являются повышенные требования к периоду дискретизации получения данных о техническом состоянии локомотива для своевременного выявления инцидентов и принятия соответствующих решений. Так, при значительном периоде дискретизации между проведением диагностических работ над объектом, вследствие внешних и внутренних воздействий, имеется вероятность возникновения отказа, которую невозможно учесть, что в конечном счете сводится к снижению показателей надежности и возникновению неплановых ремонтов. Данная структура управления техническим состоянием локомотивного парка имеет дискретную реализацию и представляет собой планово-предупредительную систему ремонта и обслуживания.

Данный факт обусловливает необходимость постоянного непрерывного отслеживания показателей технического состояния с целью поддержания показателей надежности локомотивного парка на допустимом уровне, т.е. формирование непрерывной системы диагностики технического состояния локомотивного парка на основе применения бортовых диагностических комплексов [25-26].

1.2 Диагностика технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов в условиях эксплуатации планово-предупредительной системы обслуживания и ремонта локомотивов

Моторно-осевой подшипник скольжения представляет собой антифрикционный вкладыш в виде покрытия баббитового слоя и поверхность шейки оси колесной пары, разделяющиеся масляной пленкой осевого масла.

Физические процессы, протекающие в подшипниках скольжения, сложны и зависят от многих внешних и внутренних факторов. В общем, все возникающие в процессе эксплуатации проблемы состояния подшипников скольжения можно разделить на три группы:

- проблемы состояния рабочих поверхностей подшипника;

- проблемы величины зазора между шейкой оси колесной пары и антифрикционным вкладышем;

- проблемы несущей способности масляной пленки [27].

Для обеспечения высокой надежности работы колесно-моторного блока состояние МОП нуждается в диагностике отказов с целью их заблаговременного и оперативного устранения.

Диагностика технического состояния моторно-осевых подшипников колес-но-моторного блока производится при реализации технических обслуживаний и текущих ремонтах объемов ТО-2, ТО-3, ТР-1, ТР-2, ТР-3.

1.2.1 Диагностика моторно-осевых подшипников колесно-моторного блока локомотивов при техническом обслуживании объема ТО-2

При реализации обслуживающих операций по моторно-осевым подшипникам колесно-моторного блока в объеме работ ТО-2 осуществляется измерение температуры вкладышей по корпусу с помощью термопары или пирометра. При этом температура вкладышей не должна превышать 80 °С и не принимать значения выше более чем на 25 °С температуры условий эксплуатации (воздуха) [27]. Процесс измерения температуры МОП посредством пирометра (инфракрасного прибора бесконтактного измерения температуры) представлен на рисунке 1.3:

Рисунок 1.3 - Процесс измерения температуры МОП посредством пирометра (инфракрасного

прибора бесконтактного измерения температуры) На основании анализа технологии проведения диагностики МОП в объеме

работ ТО-2 можно сделать вывод о низкой эффективности процесса диагностирования, ввиду того что измерение температуры осуществляется со значительной задержкой по времени, за которое температура МОП снижается в результате естественной теплоотдачи и тем самым вносит значительные искажения в результат постановки диагноза.

1.2.2. Диагностика моторно-осевых подшипников колесно-моторного блока

локомотива при техническом обслуживании объема ТО-3

Объём работ ТО-3, помимо указанных в подразделе 1.2.1 относительно МОП, включает в себя измерение диаметрального (радиального) зазора между шейкой оси колесной пары и вкладышем подшипника («зазора на масло») с помощью набора эталонных щупов. Технология проведения данных работ состоит в последовательном помещении щупов в диаметральный зазор до предела по набору и измерении последнего по толщине с помощью расчетного метода путем сложения толщины щупов или их измерения посредством микрометра [9].

Схема измерения «зазора на масло» представлена на рисунке 1.4, а процесс измерения на рисунке 1.5 [9, Рис. 12.1]:

натяг

Рисунок 1.4 - Схема измерения «зазора на масло» МОП: 1 - ось колесной пары; 2, 24

- вкладыши нижний и верхний; 3 - пружина пластинчатая; 4 - направляющая корпуса; 5 - прокладка; 6, 17, 20 - болты; 7 - корпус польстера; 8 - стержень; 9 - ось рычага; 10 - пружина; 11, 27 - крышка; 12 - фиксатор пружинный; 13 - масломер; 14 - пробка сливная; 15 - пакет фитилей; 16 - корпус подшипника; 18 - рычаг; 19 - коробка пакета фитилей; 21 - шайба; 22 - шпонка; 23 - остов тягового двигателя; 25 -шнур уплотнительный; 26 - уплотнение; 28 - скоба [9, Рис. 12.1]

Рисунок 1.5 - Процесс измерения зазора на масло МОП

В результате анализа технологии диагностики МОП в объеме ТО-3 установлены следующие недостатки:

- влияние человеческого фактора на достоверность результатов, связанного со сложностью процесса измерения;

- возможность диагностирования только общего равномерного износа, без учета наличия неравномерного износа в виде проточки баббитового слоя, выкрашивания, трещин, выщербин;

- невозможность определения полной диагностической ситуации по износу и наличию дефектов.

Представленные факты свидетельствует о низкой эффективности диагностики отказов МОП в условиях представленной технологии.

1.2.3 Диагностика моторно-осевых подшипников колесно-моторного блока

локомотива при текущем ремонте объемов ТР-1 и ТР-2 и методы

виброакустического контроля моторно-осевых подшипников

Во время проведения ремонта объемов ТР-1 и ТР-2 локомотивов осуществляется проведение виброакустического контроля (вибродиагностики) подшипников колесно-моторного блока, в том числе и МОП.

В качестве средств вибродиагностики в локомотивном комплексе можно привести системы Вектор, Прогноз (рисунок 1.1), АРМИД, КОМПАКС-Экспресс, ОМСД [1]. Назначением данных систем является измерение выходных электрических сигналов вибродатчиков, частоты вращения и обработка результатов измерения, для определения технического состояния подшипников и зубчатых передач посредством сравнения с эталонными спектральными частотными характеристиками. В состав данных систем входят виброакселерометры, датчики частоты вращения, блок обработки данных, управляющее программное обеспечение, средства ввода-вывода информации. Выявление неисправностей производится путем регистрации характерных дефектных спектров вибрации. Сравнительные характеристики присущи соответствующему дефекту того или иного элемента подшипникового узла или зубчатой передачи. При регистрации таких спектров производится определение конкретного дефекта и статистический расчет прогнозирования времени безотказной работы узлов.

К основным методам виброакустического контроля МОП скольжения относятся:

- диагностика большого зазора;

- диагностика масляного клина;

- диагностика погрешностей при монтаже МОП.

1.2.3.1 Диагностика большого зазора между вкладышем моторно-осевого

подшипника и шейкой оси колесной пары

В процессе работы МОП скольжения, вследствие износа скользящих поверхностей (вкладыш - шейка оси), возрастает величина «зазора на масло», из-за чего увеличиваются динамические воздействия и возрастает интенсивность износа как поверхности вкладыша МОП, так и шейки оси колесной пары, что проявляется в спектре вибрации данных узлов [28].

Спектральная вибрационная характеристика стадии увеличенного зазора МОП скольжения имеет общий вид, свойственный механическому ослаблению,

когда на спектре появляется гамма оборотных гармоник с номерами до 10-20. Спектр увеличенного «зазора на масло» МОП представлен на рисунке 1.6 [28, Рис. 20]:

V. мм/с

6---------

4 -1-------

/Гц

Рисунок 1.6 - Спектр увеличенного «зазора на масло» МОП, где V - виброскорость, мм/с;

/ - оборотная частота, Гц [28, Рис. 20]

Представленный на рисунке 1.6 спектр вибрации МОП характеризуется набором 15-20 целых гармоник оборотной частоты (/1= 50 Гц, /2= 100 Гц и т. д.) и дробных гармоник с кратностью У от оборотной частоты вращения оси, что отражает явную выраженность рассматриваемого дефекта.

1.2.3.2 Диагностика вибрации масляного клина моторно-осевых

подшипников колесно-моторного блока локомотивов

Вибрации масляного клина в МОП скольжения характерно проявляются в спектре вибросигнала в виде увеличения амплитуды субгармоники с частотой 0,42-0,48 от оборотной частоты оси. Если амплитуда превышает 50 % от величины первой оборотной гармоники частоты вращения оси, то присутствует наличие вибрации масляного клина МОП.

II III II И Я II II I II *

0 100 200 300

На рисунке 1.7 приведена диагностическая характеристика вибраций масляного клина МОП скольжения [28, Рис. 21]:

1 1

! | 1

1 1 / -!- / 1 V \

О 25 50 75 / Гц

Рисунок 1.7 - Спектр вибрации МОП скольжения с масляной субгармоникой [28, Рис. 21]

На рисунке 1.7 зафиксировано увеличение амплитуды виброскорости на частоте 22 Гц до 5 мм/с. Частота составляет 0,44 от оборотной частоты вала (/1=50 Гц), а отношение амплитуд в процентах 68,8. Данная характеристика описывает наличие вибрации масляного клина МОП.

Вибрации масляного клина возникают при:

- не соответствии нагрузки, расчетной несущей способности масляного клина;

- наличии возмущающих вибрации сил, возникших не как результат неисправности подшипника, но способных возбудить колебания в подшипнике;

- возникновении значительных изменений рабочих параметров масла по сравнению с расчетными, к которым относится вязкость, температура, давление, наличие сторонних примесей.

1.2.3.3 Диагностика погрешностей при монтаже моторно-осевых

подшипников

Под погрешностями при монтаже МОП подразумевается неправильная установка баббитовых вкладышей, их перекос или излишняя подвижность внутри подшипниковой стойки.

В спектре вибрации этот дефект проявляется усилением первой и второй гармоник оборотной частоты оси. Значительно возрастает осевая составляющая вибрации, зачастую до недопустимых значений. К диагностическим особенностям данного дефекта можно отнести следующие составляющие [28]:

- при перекосе вкладыша в подшипнике вибрация на поверхности подшипника различна вдоль его осевого направления. Когда передняя часть вкладыша перемещается вверх, задняя часть может перемещаться с меньшей скоростью, оставаться на месте либо перемещаться в обратном направлении. Основной причиной этого, наряду с перекосом вкладыша, является небольшой изгиб шейки оси в районе подшипника. Эти два дефекта в совокупности приводят к сложному характеру прецессии во времени различных точек подшипника;

- при излишней подвижности вкладыша подшипника скольжения в опоре, наряду с эффектом перекоса, на спектре возникает «резонансное поднятие» в диапазоне средних и высоких частот с небольшой мощностью;

Список литературы диссертационного исследования кандидат наук Кушнирук Алексей Сергеевич, 2021 год

- У Т

Тв . (3.20)

п

Т = 941143,06 = 249

37800

У Тм

гр _ ^^ МОПэi /-»14

ТМОПэ = . (3.21)

1579640,62

Т =15^9640,62 = 41 79 °с ТмоПэ 37800 41,79 "

У Тм

гр _ уу 1 МОПд1 ПОЛ

Т МОПд = . (3.22)

п

1685002,53

ТМОПд = 1685002,53 = 44,58 °С. МОПд 37800 ,

Для определения силы корреляционной связи необходимо определить обобщенные средние значения анализируемых влияющего и выходного параметров:

- Ту Т

ту- гр _ / , д1 МОПЗ! /О ^ОЛ

у дТ МОПэ = . (3.23)

п

37638240,07

УТмпп =-!— = 995,72.

д мопз 37800 ,

ТУд1Ти

тггр _ ^ дI МОПд1 /-члч

У дТМОПд = . (3.24)

40144754,1

УТмпп* =-- = 1062,03.

д МоПд 37800 ,

УУдТМ

тт-'^г _ У '' д1 МОПэ1 ОСЛ

У дТ МОПэ = . (3.25)

п

- 0,025

УТ =—=-б 7 • 10-7 Уд1моПэ 37800 6,7 10 •

ТУ'^м

/г 01 МОПд1 /-»/'Л

УдТмапд =—-• (3.26)

п

- 0,038

V Т =-?-= —1 •Ю-6

Уд'МОПд 37800 1 10 •

/ Т«ТМ

гр гр _ ^^ в1 МОПэ! , л —

ТвТМОПэ = • (3.27)

п

39907531,29

TTмnтт =--— = 1055,75.

. мопэ 37800 ,

/ Те1Тм

гр гр __в 1 МОПд1 , ^ лп\

ТвТМОПд = • (3.28)

42764279,65

ТТМППЛ =--— = 1131,33,

в моПд 37800 ,

Для определения коэффициентов корреляции необходим расчет дисперсии и среднеквадратического отклонения по каждому из анализируемых параметров, соответственно, дисперсия входных и выходных параметров будет рассчитываться по формулам:

/V2 -2

S}t -Vд • (3.29)

д п

о2 954997,062

Б2 =----25,262 = 122,23^

Vд 37800

/V'2 -2

-V; • (3.30)

п

Б2 = ( 1,2 •10-3)2 - (-3,3 • 10-8 )2 = 6,9 • 10-1Л ^ 37800

VT 2 -2

s2 = ^^-T . (3.3l)

в n

2

= 941143^ - 24,92 = 21,07. Te 37800

YT 2 _2

S2 = Tмoпэ~. (3.32)

LMOm m°II:3 \ /

TMOrn LMOm •

S = 1579б40,б2г - 41,792 = 49,91.

^ 37800

2

2

rr2 _ / ; MOlWi rp ^

ST„Om = " ^MOrn . (3.33)

= 1б85002,532 - 44,582 = 51,13.

TMOm 37800

а среднеквадратическое отклонение - по формулам:

Svo =VSV~. (3.34)

SF = 11,05.

SvO = V Sí- (3.35)

S , = 8,3•Ю-6.

Sr. =№. (3.36)

Sr = 4,59.

St (3.37)

T MOm V T MOrn 4 y

Sr = 7,0б.

Б т — д / Б -

т МОПд \ т

(3.38)

Б, = 7,15 •

тМОПд

На основании рассчитанных параметров определим коэффициенты корре-

ляции:

Я

УдтМОПэ

VI -V • т

г д МОПэ д -*■ МОПэ Буд Б тМОПэ

(3.39)

„ 995,72 - 25,26 • 41,79

я, ^ =-= —0, // •

^^ п,05 • 7,06

VI -V•т

Л _ У дтмоПд уд тмоПд

ути

Бг/ •

(3.40)

Я

1062,03 - 25,26 • 44,58 11,05 • 7,15

= -0,81 •

Я

V т - V • т

У дтМОПэ Уд 1 МОПэ

УдтмОПэ Б , • Б.

Уд

тМОПэ

(3.41)

о МОПд

ЯУТ

Удт МОПэ

-6,7•Ю-7 -3,3•Ю-8 • 41,79 8,3•Ю-6 • 7,06

= 0,012^

Я

V т - V • т

У дт МОПд У д т МОПд

УдтМОПд

Б , • Б.

Уд

тМОПд

(3.42)

У^ы

1 • 10 6 - 3,3 -10 8 • 44,58

8,3-10-'6 • 7,15

= 0,0077.

Я

тт -т т

т МОПэ т МОПэ

твтМОПэ

Бт • Б,

тМОПэ

(3.43)

в

1055,75 - 24,9-41,79 ^ „„

г =------— = 0,47.

вМОПэ 4,59 - 7,06

тт -т .т

1в1МОПд тв 1 МОПд

Т) в МОПд в МОПд .. ,ч

КТвТмопд =-О-ё-. (344)

^Тв ' ^ТМОПд

1131,33 - 24,9-44,58

=-= 0,65.

1в1МОПд 4,59-7,15

На основании результатов проведенного корреляционного анализа можно сделать теоретический вывод о том, что скорость движения локомотива или частота вращения колесной пары, а также их производная - ускорение, обратно пропорциональны изменению температуры подшипника. Однако данный факт не является действительным ввиду того, что при механическом взаимодействии оси колесной пары с поверхностным слоем баббитового слоя возникает сила трения, которая сопровождается выделением тепла и повышением температуры как оси колесной пары, так и вкладыша подшипника. Представленные результаты корреляционного анализа относительно отсутствия силы связи скорости движения локомотива и его ускорения обусловлены влиянием инерционной составляющей по передаче тепла средствам диагностики - термодатчикам. Таким образом, при увеличении скорости движения локомотива нагрев термодатчиков вкладышей подшипников происходит с некоторой задержкой, что в конечном счете отрицательно сказывается на адекватности корреляционной связи этого параметра и подтверждается расчетными данными, представленными выше.

Иным образом характеризуется распределение температуры условий эксплуатации относительно изменения диагностических параметров - эталонной и дефектной температуры вкладышей моторно-осевых подшипников. Коэффициенты корреляции на заданных параметрах, согласно шкале Чеддока, принимают заметные силы связи, что подтверждает влияние этого параметра на диагностические.

На основании результатов корреляционного анализа рассматриваемые параметры приняты к использованию в разрабатываемой модели.

Самым важным этапом в разработке (обучении) искусственной нейронной сети является выбор элементов стратегии ее обучения. Ввиду того, что назначение у искусственных нейронных сетей имеет широкий спектр, условия и методы их формирования могут быть различными. Основными свойствами стратегии обучения искусственных нейронных сетей являются:

- количество нейронных связей;

- количество слоев;

- вид функции активации;

- характер распределения параметров;

- алгоритм обучения;

- количество параметров;

- объем данных;

- количество итераций обучения;

- вычислительная мощность электронно-вычислительной техники.

На первом этапе необходимо определить оптимальное количество нейронных связей - количество искусственных нейронов (персептронов) в слое. Количество нейронных связей определяется путем проведения экспериментальных серий обучения по критерию наибольшей сходимости рядов. В результате проведения экспериментальных серий обучения установлено оптимальное количество пер-септронов пр=56.

Количество слоев искусственной нейронной сети складывается исходя из сложности преобразования её выходных параметров. Простые сети нередко имеют один слой, где используется линейная функция активации, однако, использование такой структуры при обучении сети сложным нелинейным характеристикам является часто неэффективным, что сказывается на параметрах регрессии сети.

В качестве структуры сети была принята однонаправленная многослойная искусственная нейронная сеть с одним скрытым слоем и двумя функциями активации - сигмовидной и линейной соответственно.

Сигмовидная функция активации нелинейна по своей природе, а комбинация таких функций производит также нелинейную функцию. Достоинством такой функции является ее небинарность, что делает активацию аналоговой, в отличие от ступенчатой функции. Для сигмовидной функции характерен гладкий градиент. Распределение сигмовидной функции, которое описывается выражением:

у =

1 + е-

(3.45)

представлено на рисунке 3.3.

у 1

0,8 0,6 0,4 0,2 0

-5 -4 -3 -2 -1 0

2 3 4 5 х

Рисунок 3.3 - Сигмовидная функция активации

В диапазоне значений х от -2 до 2 значения у меняется очень быстро. Это означает, что любое малое изменение значения х в этой области влечет существенное изменение значения у. Такое поведение функции указывает на то, что у имеет тенденцию прижиматься к одному из краев кривой.

На основании вышеописанного сигмовидная функция является подходящей для задач классификации, в том числе отказов технических элементов и систем. Она стремится привести значения к одной из сторон кривой (например, к верхнему при х=2 и нижнему - при х=-2). Такое поведение позволяет находить четкие границы при вычислении.

Другое преимущество сигмовидной функции, к примеру над линейной функцией, заключается в следующем: в первом случае имеем фиксированный диапазон значений функции - [0,1], тогда как линейная функция изменяется в пределах (-да, да). Такое свойство сигмоиды является эффективным во время обу-

1

х

чения искусственной нейронной сети, так как не приводит к ошибкам в случае больших значений активации.

Данная функция активации использована в скрытом слое разработанной модели.

Характер изменения параметров влияет, в первую очередь, на длительность и качество обучения искусственной нейронной сети. Динамичное изменение входных параметров по отношению к выходным приводит к конфликту распределения весовых коэффициентов соответственно наличию шумовых воздействий и искажению экстраполяционной характеристики, как следствие, снижению коэффициента детерминации сети, который характеризует сходимость рядов выходных диагностических параметров.

От алгоритма обучения сети зависят ее регрессионные качества, а также скорость обучения. Наиболее эффективными методами обучения искусственных нейронных сетей являются алгоритмы наискорейшего спуска и Гаусса-Ньютона, которые в частности характеризуются соответственно положительной скоростью обучения и точностью поиска минимума функции ошибки. Для достижения данных характеристик в разработанной модели использовался синтезированный метод обучения искусственных нейронных сетей, который состоит в применении метода наискорейшего спуска и Гаусса-Ньютона и характеризуется положительной динамикой в скорости обучения и точным поиском минимума функции - алгоритм Левенберга-Марквардта, принцип которого описан в подразделе 3.2.1 данной главы диссертационного исследования.

Большое количество параметров, подтвержденных корреляционной связью, и объем данных конкретизируют физическую природу протекания рабочего процесса, формализованную в нейросетевой модели, соответственно, повышают точность ее работы. Однако для использования больших данных необходимо наличие значительных вычислительных мощностей.

Количество итераций обучения, как и количество нейронных связей в плане увеличения, с одной стороны способствует увеличению уровня регрессии в рамках интерполяции. Однако при достижении фактического минимума функции ошибки между ответом нейронной сети и выходным параметром выборки обуче-

ния при последующем обучении имеется эффект «переобучения», который отрицательно влияет на параметры регрессии модели.

На основании описанных характеристик, свойств и элементов нейросетевых моделей была разработана однонаправленная многослойная нейронная сеть вычисления выходных диагностических параметров с учетом влияния входных влияющих воздействий одного из узлов локомотива - моторно-осевых подшипников колесно-моторного блока локомотива. Структура данной нейросетевой модели представлена на рисунке 3.4.

Входной слой

к,

д о

Скрытый слой

1

\ ^Щш. 1

уш

Сигмовидная функция активации

Выходной слой

Линейная функция активации

МОПэ

ШОПд

Рисунок 3.4 - Структура нейросетевой модели вычисления выходных диагностических параметров с учетом влияния входных влияющих воздействий моторно-осевых подшипников ко-

лесно-моторного блока локомотива

Нейронная сеть состоит из трех слоев - входного, скрытого и выходного соответственно. Во входном слое в соответствии с корреляционным анализом входных и выходных параметров были приняты температура условий эксплуатации Тв, скорость движения Уд, ускорение Нейронные связи данных входных пара-

метров сформированы в скрытом слое посредством весовых коэффициентов по каждому из входных параметров соответственно wTвJ■, wvдj, с учетом вход-

ного единичного сигнала поляризации Woj. В скрытом слое использовалось п=56 нейронов (персептронов) с сигмовидной функцией активации и функциями нейронных связей ыщш, где N - номер нейрона, ш - номер выходного параметра слоя сети. Нейронные связи выходных параметров, а именно значений функций ы^ш, сформированы в выходном слое посредством весовых коэффициентов wуШ1 с учетом входного единичного сигнала поляризации w0jJ■1\ В выходном слое ис-

пользовалось два нейрона (персептрона) соответственно по двум выходным диагностическим параметрам - температуре эталонного (исправного) подшипника ТМОПэ и температуре дефектного (проточка баббитового слоя) подшипника ТМОПд. В выходном слое использовалась линейная функция активации Аущ)=ТМОПэ, flyNj)= ТМОПд с целью линеаризации выходных параметров uNjm по отношению к фактическим выходным параметрам и проведения линейного регрессионного анализа для оценки качества обучения искусственной нейронной сети вычисления выходных параметров моторно-осевых подшипников колесно-моторного блока локомотива [120].

3.2.3 Результаты обучения искусственной нейронной сети

На основании принятых входных и выходных параметров, диагностических данных представленных в приложении 2 диссертационной работы, разработанной структуры, представленной на рисунке 3.8, экспериментально определенного количества персептронов, принятого алгоритма минимизации функции искусственной нейронной сети (подразделы 3.2.1-3.2.2) проведено 1500 итераций ее обучения. Процесс обучения искусственной нейронной сети осуществлялся с использованием пакета Neural network среды MATLAB. Программный код обучения нейро-сетевой модели в среде MATLAB представлен ниже:

>>Р=(Входной слой} «Входные данные обучающей выборки - Vd, Vd = —, Тв»

dt

>>С=(Целевой (выходной) слой} «Выходные данные обучающей выборки - ТМОПэ,

ТМОПд»

>>net=newff([minmax(P)], [56 2], {tansig 'pureliri],'trainlm'); «Создание однонаправленной многослойной сети net с двумя скрытыми слоями с сигмовидной и линейной функциями активации»

>>net.trainParam.epochs=1500; «Количество итераций обучения» >>net.trainParam.goal=0; «Условие остановки обучения сети по отклонению от целевых значений (выходной слой) обучающей выборки» >>net=train(net,P,C); «Обучение сети по входному и выходному слою»

Рисунок 3.5 - Окно результатов обучения нейросетевой модели в пакете Neural Network

о

средыMATLAB: количество точек обучения /=625500; коэффициент детерминации R =0,98;

среднеквадратическое отклонение Syij=0,338

В результате обучения искусственной нейронной сети по выборке обучения объемом в i=m=625500 точек достигнут коэффициент детерминации R2=0,98 (R=0,99). Процесс обучения длился 1 час 14 минут, при этом среднеквадратическое отклонение выходной выборки составило Syij=0,338, достигнут минимальный градиент функции Vyijmin = 1,13, регуляризационный коэффициент достиг значения ц=1, что в рамках обучающей выборки свидетельствует об использовании метода Гаусса-Ньютона в конце обучения сети.

Динамика изменения среднеквадратического отклонения ¿у/О) во время обучения сети представлена на рисунке 3.6.

Рисунок 3.6 - Динамика изменения среднеквадратического отклонения Syij(j) во время обучения сети в пакете Neural Network среды MATLAB: Syij=0,338^-min при j=1350

На рисунке 3.6 видно, что среднеквадратическое отклонение Syij(j) принимает минимальное значение в районе j=1350 итерации обучения и переходит в установившийся режим, что свидетельствует о достижении минимума функции ошибки сети и максимального коэффициента детерминации R2.

Результаты обучения искусственной нейронной сети в виде линейного регрессионного анализа между ответом нейронной сети и фактическим выходным параметром обучения представлены на рисунке 3.10.

50

45

40

CÖ

Ср H <и S

cö CP cö G

О

u §

о <и

H о о

Е

CÖ

S о

« о

о ^-i

О

й 35 О £

й ~ m ^

(U S К <и

F cö К

со

<и О

S

(U

Sy CP

s

со О

S

О CP

С

о

30

25

20

20

25

30

35

40

45

50

Фактическое значение выходного диагностического параметра обучающей выборки ТМОПэ, °C

Рисунок 3.10 - Результаты линейного регрессионного анализа искусственной нейросетевой модели и диагностических характеристик моторно-осевых подшипников колесно-моторного блока локомотива, где ^ - линия регрессии вида (3.51),

- линия регрессии вида ТМОпэ(Ые{)=ТМОпэ

Тмоиэт = 0,98 • ТШПэ + 0,79, (3.51)

где TMOrn(Net) - вычисляемое значение выходного диагностического параметра нейронной сетью Net.

Выводы по главе 3

Так как обученная нейронная сеть имеет высокий уровень сходимости, разработанная модель позволяет вычислить значения диагностических параметров в зависимости от входных данных с низким периодом дискретизации Тд=1 с и высоким уровнем регрессии 0,98 в рамках аппроксимированной выборки.

Разработанная непрерывная искусственная нейросетевая имитационная модель оценки технического состояния способна к контролю и диагностике отказов моторно-осевых подшипников колесно-моторного блока.

4 ИССЛЕДОВАНИЕ РАЗРАБОТАННОЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

4.1 Исследование нейросетевой модели оценки технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов на адекватность работы

Для подробного исследования качества обучения нейросетевой модели и ее применения в системах диагностики технического состояния необходимо проведение экспериментального моделирования по входной выборке данных. Моделирование нейросетевой модели проводилось в среде MATLAB при помощи функции:

<<Y=sim(netp) «Моделирование нейронной сети net по входному массиву P»(4.1) Результаты моделирования представлены на рисунке 4.1.

Тмогт И Те, °С

70 т-----------------

—к-г^Ж- ri-h-l—I-J4-

20------------------

10------------------

0 J-----------------

0 60 120 180 240 300 360 420 480 540 600 660 720 780 840 900 9601020 t, мин

Рисунок 4.1 - Результаты моделирования разработанной нейросетевой модели диагностики мо-торно-осевых подшипников колесно-моторного блока локомотивов: 1 - температура дефектного (проточка баббитового слоя) моторно-осевого подшипника ТМОПд, °С; 2 - температура эталонного (исправного) моторно-осевого подшипника ТМОПэ, °С; 3 - температура воздуха (условий эксплуатации) Тв, °С; 4 - скорость движения локомотива Vd, км/ч; 5 - температура эталонного подшипника, вычисляемая сетью ТМоПэ (Net), °С; 6 - температура дефектного подшипника, вычисляемая сетью ТМопд (Net), °С; t - время регистрации данных, мин

1 JL.

\А |*у 5 (

tffrW/ 2 А,» * \ У \

// 3 Z ' л ( 14^

/

На основании результатов моделирования разработанной нейронной сети Net можно сделать вывод о том, что модель описывает реальные диагностические функции распределения выходных параметров. Однако, несмотря на высокий уровень регрессии сети Net, имеется наличие шумового воздействия, которое обусловлено высокодинамичным изменением входных параметров нейронной сети, в частности скорости движения локомотива и его ускорения.

Для оптимизации шумового воздействия входных параметров был разработан математический фильтр высокой интенсивности изменения выходных диагностических параметров:

^ > (<) y = (4.2)

of of

где даmax(min) - максимальная или минимальная интенсивность изменения факти-

ot

ческого значения выходного диагностического параметра;

yz - текущее аппроксимированное значение ответа нейронной сети по выходному диагностическому параметру;

yz-1 - предыдущее аппроксимированное значение ответа нейронной сети по выходному диагностическому параметру.

Принцип работы фильтра основан на исключении тех значений диагностического параметра и приравнивании их к предыдущему, интенсивность нарастания (снижения) которых выше максимальной зафиксированной на рассматриваемой выборке и на текущий момент времени согласно диагностическим данным.

С целью подтверждения адекватности работы модели с разработанным фильтром произведем моделирование разработанной нейронной сети с учетом его работы.

Результаты моделирования искусственной нейронной сети с учетом работы фильтра высокой интенсивности представлены на рисунке 4.2.

Vd, км/ч ^МОЛ№ И Те- 'С-70605040-

30 ---------7Z-----------

20------------------

10------------------

0 J—————————————————

0 60 120 180 240 300 360 420 480 540 600 660 720 780 840 900 9601020 t, мин

Рисунок 4.2 - Результаты моделирования искусственной нейронной сети с применением фильтра высокой интенсивности изменения выходных диагностических параметров: 1 - температура дефектного (проточка баббитового слоя) моторно-осевого подшипника ТМОПд, °С; 2 -температура эталонного (исправного) моторно-осевого подшипника ТмОПэ, °С; 3 - температура воздуха (условий эксплуатации) TB, °С; 4 - скорость движения локомотива Vd, км/ч; 5 - температура эталонного подшипника, вычисляемая сетью ТМОПэ (Net), °С; 6 - температура дефектного подшипника, вычисляемая сетью ТМоПд (Net), °С; t - время регистрации данных, мин

В результате моделирования искусственной нейронной сети доказана адекватность работы разработанной нейросетевой модели, что подтверждает качественно новые, научно-обоснованные возможности разработанного способа оценки технического состояния моторно-осевых подшипников колесно-моторного блока локомотивов.

Разработанная модель позволяет с низким периодом дискретизации и высоким уровнем регрессии вычислить изменение диагностического параметра - температуры вкладышей моторно-осевых подшипников колесно-моторного блока ло-

1 А

\ Л ч 5 У

2_ 6 \ J V ч

/ 3 / 4 /

/

комотива, с учетом влияния нескольких переменных - скорости движения и ускорения (частоты вращения колесной пары и ускорения), температуры условий эксплуатации. Данный доказанный факт подтверждает выполнение основной задачи диссертационного исследования.

4.2 Показательная функция принадлежности отказа моторно-осевых подшипников колесно-моторного блока локомотивов

На основании полученных диагностических характеристик реализована селективная система управления техническим состоянием на основе построения функций принадлежности конкретных отказов моторно-осевых подшипников ко-лесно-моторного блока локомотивов, которая проста для интеллектуальной обработки и отображения в бортовых и удаленных системах контроля и диагностики. Рассмотрим процесс отображения контрольных данных технического состояния моторно-осевых подшипников колесно-моторного блока локомотива посредством функций принадлежности отказа.

70- '

60

50

40

30

20

10

1 68 ■ J 1

52 % "К л Г 69 5 А ✓ \ 64 % к L ш

Q к П Ч/ /Г £ < % 4 К V % \

1 ~7> J_ А

J П 3

0 60 120 180 240 300 360 420 480 540 600 660 720 780 840 900 9601020 t, мин

Рисунок 4.3 - Функция принадлежности отказа (проточка баббитового слоя) МОП: 1 - температура дефектного (проточка баббитового слоя) моторно-осевого подшипника Тмот, °С; 2 - температура эталонного (исправного) моторно-осевого подшипника ТМОПэ, °С; 3 - температура воздуха (условий эксплуатации) TB, °С; 4 - скорость движения локомотива Vd, км/ч; 5 - температура эталонного подшипника, вычисляемая сетью ТМоПэ (Net), °С; 6 - температура дефектного подшипника, вычисляемая сетью ТМОПд (Net), °С; 7 - фактическое значение температуры диагностируемого подшипника TMon, °С; t - время регистрации данных, мин

0

На рисунке 4.3 представлен процесс непрерывного контроля технического состояния МОП на основе его нейросетевой диагностической характеристики, при этом относительный показатель технического состояния НР в любой точке представляет собой отношение разницы ответа дефектной сети и фактического значения температуры МОП к разнице между ответом дефектной и эталонной сети:

НР =

Тмаид (Я*) - Тм

МОП

Тмапд (Яг1) - Тмопэ (Ш)'

(4.3)

где ТМОП - фактическое значение температуры диагностируемого подшипника (обозначено как ~ на рисунке 4.3), °С.

При этом на рисунке 4.3 имеется как возрастание, так и убывание показателя технического состояния, что является неоднозначным фактом при визуализации диагностических данных. Поэтому при расчете показателей технического состояния НР необходимо учитывать условие: если очередное значение показателя технического состояния НР больше минимального значения, то это значение приравнивается к минимальному рассчитанному на зарегистрированной выборке. Тогда управляющая характеристика изменения технического состояния примет следующий вид.

НР, %

60т-

43 %

50-40— 30— 20— 10— 0 —

0

30

60

90 мин

Рисунок 4.4 - Управляющая характеристика изменения технического состояния МОП

Управление техническим состоянием узлов локомотивов на примере мотор-но-осевых подшипников колесно-моторного блока локомотивов осуществляется путем определения допустимых и критических значений показателя НР, при этом НР=0% соответствует достижению фактического диагностического параметра узла дефектной точки искусственной нейросетевой диагностической характеристики, что подтверждает факт конкретного отказа. Определение допустимых и критических значений показателя НР может осуществляться на основании экспертных заключений отдела расшифровки памяти микропроцессорных систем управления и диагностики, данных о неплановых ремонтах, отчетах об обслуживании и ремонте рассматриваемого узла.

Таким образом, посредством разработанного в диссертационной работе способа диагностики и контроля моторно-осевых подшипников колесно-моторного блока локомотивов с помощью одного параметра НР можно осуществлять управление техническим состоянием рассматриваемого узла с учетом изменения множества входных и выходных технических параметров [121].

Решенная задача позволяет сформировать цифровую диагностическую карту инновационного проекта «Умный локомотив». Проект диагностической карты представлен на рисунке 4.5.

Локомотив: 2ЭС5К Пробег после ТО и ТР: После ТО-2 - 48.3 часа После ТО-3 - 26 435 км

Количество неплановых ремонтов: 42

Узел:

Остаточный ресурс НР:

Колёсно-моторный блок 1 :

Элементы:

Тяговый электродвигатель 1:

Буксовые узлы: Моторно-осевые подшипники:

МОП 1:

МОП 2:

После ТР-1 - 26 435 км После ТР-2 - 26 435 км После ТР-3 - 356 535 км

Перечень рекомендуемых сверхцикловых работ:

МОП 1

Восстановление баббитового слоя или замена вкладышей МОП 1

Зарегистрированные инциденты: Проточка баббитового слоя МОП 1

Рисунок 4.5 - Проект цифровой диагностической смарт-карты локомотива

Основная цель данного проекта заключается в разработке web-среды контроля и диагностики отказов моторно-осевых подшипников колесно-моторного блока локомотивов. В приложении имеется личный кабинет локомотивного подразделения, где находится состав диагностических карт по эксплуатационному парку локомотивов. В среде реализована концепция электронного паспорта локомотива (см. главу 1 диссертационного исследования), индикаторная карта локомотива, позволяющая в смарт-режиме определить техническое состояние узлов

НР, %

60

50

43 %

40

30

43 %