Abstract
Due to the fact that the equipment of modern electric trains is functionally and technologically complicated, the relevance of creating airborne systems for predictive monitoring of the technical condition of trains to identify their actual and predicted technical condition is increasing. At present, it has not been possible to build automatic on-board systems for predictive monitoring of the technical condition of trains. One of the possible solutions to this problem can be considered the creation of on-board systems, the identification of the technical condition of equipment in which is carried out using neural network technologies. The article proposes a methodology for identifying the technical condition of electric train equipment using artificial neural network technologies, which allows real-time detection of the occurrence and development of malfunctions of electric train equipment with the display of information on the display in the driver’s cab. Taking into account the specifics of the problem being solved, the choice of a multilayer architecture of a direct distribution neural network is justified. All layers of the neural network are completely interconnected, while the number of neurons of the input and output layers of the network is determined, equal to the number of controlled parameters of the technical condition of the electric train and the number of its possible technical conditions, respectively. As a function of activation of network neurons, a logistic function was selected. A heuristic approach is used to train an artificial neural network.
Highlights
МЕТОДИКА ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОБОРУДОВАНИЯ ЭЛЕКТРОПОЕЗДОВВ связи с тем, что оборудование современных электропоездов функционально и технологически усложняется, возрастает актуальность создания бортовых систем предиктивного мониторинга для идентификации их фактического и прогнозируемого технического состояния
Введение В современных условиях, когда огромное внима‐ ние уделяется безопасности пассажиров, а также предотвращению аварий и крушений электропоез‐ дов, к надежности их оборудования предъявляются особенно высокие требования
Первый этап методики На первом этапе методики необходимо осуще‐ ствить и обосновать выбор архитектуры нейронной сети и вид функций активации ее нейронов для ре‐ шения поставленной задачи
Summary
В связи с тем, что оборудование современных электропоездов функционально и технологически усложняется, возрастает актуальность создания бортовых систем предиктивного мониторинга для идентификации их фактического и прогнозируемого технического состояния. В статье предлагается методика идентификации технического состояния оборудования электропоездов с использованием технологий искусственных нейронных сетей, которая позволяет в режиме реального времени обнаруживать возникновение и развитие неисправностей с отображением информации на дисплее в кабине машиниста. Д. Однако необходимым условием для коррект‐ ной работы методики является наличие возмож‐ ности сбора результатов измерений параметров, характеризующих техническое состояние этого оборудования, а также известный перечень крите‐ риев его отказов (неисправностей). Однако для решения задачи иден‐ тификации технического состояния оборудования электропоездов наиболее часто применяются ней‐ ронные сети, краткая характеристика архитектур которых [6] представлена в таблице. Анализ характеристик представленных архитек‐ тур искусственных нейронных сетей показал, что требуемой обобщающей способностью и информа‐ ционной емкостью для осуществления мониторинга технического состояния электропоездов обладают многослойные сети прямого распространения. Для решения задачи иденти‐ фикации технического состояния оборудования электропоездов целесообразен выбор архитектуры многослойной нейронной сети прямого распростра‐ нения, которая схематично представлена на рис.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
