VII Международная студенческая научная конференция Студенческий научный форум - 2015

Пензенская ветка железных дорог одна из центральных веток на Куйбышевской железной дороге. На данной станции происходит сортировка и формирование составов с различными грузами, вплоть до военной техники. Сортировочная горка в  сортировочных станциях предназначена для ускорения расформирования составов из грузовых вагонов и формирование новых. Для перемещения вагонов используется земное тяготение, то есть скатывание вагонов и групп вагонов с уклона, затем происходит распределение перевозок по различным направлениям страны, что занимает порядка 90% грузоперевозок в нашем городе. Торможение вагонов производится вагонными замедлителями за счет давления воздуха. Подачу воздуха в замедлители осуществляют компрессорные установки. На типичной станции их количество составляет шесть штук. Поломка нескольких компрессоров может привести к отказу работы всей сортировочной горки, что принесет большие потери экономике страны, частных предприятий, а также безопасности страны в целом. В связи с этим необходим особый контроль за работой установок [1]. Учет реального технического состояния компрессоров является одним из основных резервов снижения эксплуатационных расходов и увеличения срока безаварийной работы. Необходимое условие организации такого учета - непрерывный контроль и достоверное прогнозирование изменения технического состояния компрессора в эксплуатации. Данную задачу эффективно решает использование нейронной сети.

Применение технологий искусственных нейронных сетей, реализующих интеллектуальные функции за счет способности к обучению и обобщению информации, обнаружению и прогнозированию аномалий в потоках данных позволяет с высокой точностью и полнотой решать задачи распознавания ситуаций, увеличивая при этом скорость получения решений и обеспечивая надежность работы компрессоров [3].

Для контроля работы компрессоров используются шесть датчиков. Главной задачей нейронной сети является распознавание сигнала с датчика. На основе полученного сигнала будет осуществляться определение датчика и место его расположения на компрессоре.  В результате чего определится  предаварийное состояние компрессора: тип неполадки, причина неполадки и степень аварийности, то есть осуществляется контроль, диагностика и прогнозирование состояния подсистем.

Диаграмма последовательности процесса идентификации сигнала аварийного состояния компрессора представлена на рисунке 1.

Рисунок 1 - диаграмма последовательности идентификации сигнала аварийного состояния компрессора

Сервер базы данных выводит полученный сигнал на монитор компьютера машиниста компрессорных установок, затем загружает ее в нейронную сеть. Нейронная сеть сравнивает полученный сигнал с допустимыми пределами технических характеристик компрессора. После сравнения сеть передает результат сравнения в программное обеспечение, которое в свою очередь отслеживает несовпадение с пределами. Если полученный сигнал превышает установленные пределы исправного технического состояния компрессора, то данный неисправный сигнал подается на монитор компьютера машиниста компрессорных установок (МКУ). Машинист впоследствии принимает решение об остановке компрессора.

Для разработки подсистемы идентификации датчиков контроля технического состояния компрессорных установок была выбрана нейронная сеть GRNN  (обобщенно-регрессионная нейронная сеть). Вид выбранной нейронной сети, показывает, что для регрессии используются ядерная аппроксимация. Реализация данной подсистемы производится в среде MatLab Simulink. Сначала была создана имитационная модель идентификации датчика по сигналу (Рисунок 2).

Рисунок 2 - подсистема идентификации датчика по сигналу

На компрессор планируется установить шесть датчиков, три из которых - датчики вибрации, на которые и делается основной акцент. У каждого датчика имеется свой сигнал, удовлетворяющий различным характеристикам. Соответственно номер сигнала, который задается в блоке Constant, будет показывать и номер интересующего датчика. Блок Source - подсистема с показаниями каждого датчика, то есть в данном блоке будет выбираться заданный ранее сигнал. Затем сигнал поступает в блок Transform, где происходит преобразование показания (сигнала) выбранного датчика в вид, понятный для нейронной сети. Блок Generalized Regression Neural Network - обученная нейронная сеть, в которой происходит сравнение сигнала с образцами. Результат идентификации показан в блоке Display [2], то есть в нем будет выводится номер интересующего нас датчика.

Подсистема хранения шаблонов сигналов, с которыми и происходит сравнение поступающих сигналов, показана на рисунке 3.

Рисунок 3 - подсистема хранения шаблонов сигналов

Описание блоков, требуемых для построения подсистемы хранения шаблонов сигналов, приведено в таблице 1.

Таблица 1 - Описание блоков подсистемы хранения шаблонов сигналов

В последствии поступающий сигнал с датчика выводится на экран монитора машиниста компрессорных установок. Данный сигнал указывает на номер датчика, который обнаружил ошибку в работе компрессора.

Для проверки правильной работы данной нейронной сети экспериментально были получены все шесть сигналов с датчиков, показанных на рисунке 4.

Рисунок 4 - показания сигналов

Так как каждый датчик устанавливается в определенном месте компрессора и отвечает за обнаружение конкретных поломок, то распознавание сигнала с датчика, который обнаружил ошибку в работе компрессора значительно уменьшит срок устранения данной ошибки, и приведение компрессора в рабочее состояние. Также данная система позволяет обнаружить сбои в момент их возникновения, а не проявления в виде аварии, тем самым устанавливается постоянный контроль и диагностика технического состояния компрессора. Последнее в свою очередь ведет к экономии средств на обслуживание устройств.

Из всего вышесказанного можно сделать вывод, что целесообразность данного проекта высока и неоспорима.

Список литературы

1.    Жашкова Т.В. Задача автоматизации мониторинга технического состояния оборудования компрессорной станции Горочной Автоматической Централизации станции Пенза-3 / Т.В. Жашкова, М.Ю. Пискаев, Д.В. Елизаров // Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. 20. - Пенза: ПензГТУ, 2014. - С. 126-130.

2.    Жашкова Т.В. Адаптивные алгоритмы нейросетевой идентификации критических состояний сложных систем разработанные на основе обобщенной процедуры идентификационно-структурного синтеза / Новый университет. Серия «Технические науки». 10 (20). - Йошкар-Ола: ООО «Типография «Вертикаль». - 2013. -С. 55-59

3.    Жашкова Т.В. Процедура идентификационно-структурного синтеза моделей для анализа критических состояний сложных систем / Современные проблемы науки и образования. - 2013. - № 6; URL: http://www.science-education.ru/113-10940 (дата обращения: 29.11.2013).

4.    Нейронные сети. [Электронный ресурс]. Режим доступа: http://www.statsoft.ru/home/textbook/glossary/gloss_o.html , свободный.

5.    Компрессор ВП3-20/9 машинокомплект [Электронный ресурс]. - Режим доступа: http://www.tehnokom.mpi.ru/page220.html, свободный. - Загл. с экрана.

6.    Костюков В.Н., Науменко А.П. Практические основы виброакустической диагностики машинного оборудования: учеб.пособие (под ред. В.Н. Костюкова). Омск: Изд-во ОмГТУ, 2002. - 108с.

7.    Гриценко А.И., Хачатурян С.А. Газодинамические процессы в трубопроводах и борьба с шумом на компрессорных станциях. - М.: Недра, 2002. -335 с.

8.    В.А. Якубович Вибрационная диагностика трубопроводов компрессорных станций. - М.: Недра, 2004.