Дальневосточный государственный университет путей сообщения, кафедра «Автоматика, телемеханика и связь», преподаватель, кафедра «Вычислительная техника и компьютерная графика», аспирант, г. Хабаровск, Россия, jizzierose@yahoo.com

Аннотация. При мониторинге стрелочного перевода в основном используются методы электрической диагностики. Однако недостаток контролируемых при этом параметров приводит к неспособности системы мониторинга в полной мере описать неисправный узел. Вместе с этим существуют косвенные методы оценки состояния устройства на основе спектрального анализа сигналов, вырабатываемых электродвигателем во время перевода. Совместив такой подход с технологиями искусственного интеллекта можно выделить неявную информацию и представить ее в виде интерпретируемого результата. Были исследованы характеристики активной мощности, полученные при диагностике силовых параметров устройств, функционирующих в составе АПК-ДК. В результате дискретного преобразования Фурье обоснован выбор подходящих гармоник, проведен сравнительный анализ алгоритмов контролируемого машинного обучения в решении задачи классификации состояния стрелочного перевода.

Ключевые слова: стрелочный перевод, неисправность, временные ряды, мощность, преобразование Фурье, машинное обучение, классификация

Для цитирования: Канарский В.А. Классификация состояний стрелочного перевода // Автоматика, связь, информатика. 2023. № 12. С. 6–10. DOI: 10.34649/AT.2023.12.12.002

NEW TECHNIC AND TECHNOLOGY

Original article

Classification of railway switch states using discrete fourier transform

Vadim A. Kanarsky

Far Eastern State University of Railway Transport, the postgraduate at the Department of Computer engineering and computer graphics, the lecturer at the Department of Automation, Telemechanics, and Communication, Khabarovsk, Russia, jizzierose@yahoo.com, SPIN-code 3411-0352

Abstract. Existing technical solutions for switching point monitoring mainly use electrical diagnostic methods. A large number of types of failures (in the control circuitry, in the internal elements of the drive, external), as well as the lack of monitored parameters, leads to the fact that the monitoring systems are unable to fully describe the faulty unit. The integration of vibration and thermal sensors can provide significant support for investigating failures occurring in the mechanical part of the translation. But, these measures have proven to be impractical, economically costly, and have not become widespread on the Russian railway. However, there are indirect assessment methods based on spectral analysis of signals produced by the electric motor during switching. By combining this approach with artificial intelligence technologies, it is possible to express implicit dependencies into interpretable results from the spectrum space. In this paper, active power characteristics obtained from diagnostic automata functioning as part of the HSC-SC have been researched. As a result of discrete Fourier transform, the choice of suitable harmonics was justified, and a comparative analysis of supervised machine learning algorithms in solving the problem of classifying the railway switch was carried out.

Keywords: railway switch, fault, time series, power, Fourier transform, machine learning, classification

For citation: Kanarsky V.A. Classification of railway switch states using discrete fourier transform // Automation, communication, informatics. 2023. № 12. P. 6–10. DOI: 10.34649/AT.2023.12.12.002

Список источников

1. Иванов, А.А. Автомат диагностики силовых параметров стрелочного электропривода / А.А. Иванов, А.К. Легоньков, В.П. Молодцов // Проблемы безопасности и надежности микропроцессорных комплексов, Санкт-Петербург, 27–28 мая 2015 года. – Санкт-Петербург: Петербургский государственный университет путей сообщения Императора Александра I, 2015. – С. 110–117.

2. Котов, В.К. Диагностика стрелочных электроприводов по параметрам тока / В. К. Котов, А. А. Павловский, Е. А. Павловский // Автоматика, связь, информатика. – 2015. – № 7. – С. 12–17.

3. Белоусов С.В. Проявление неисправностей стрелочных переводных устройств с электродвигателями переменного тока на графике мощности перевода [Текст] / С.В. Белоусов // Автоматика на транспорте. – 2018. – Т.4 – № 4.

4. Дистанционное диагностирование состояния стрелочных переводов по временной характеристике и спектральному составу токовой кривой / С.Ю. Буряк, В.И. Гаврилюк, О.А. Гололобова, М.А. Ковригин // Наука и прогресс транспорта. – 2015. – № 2(56). – С. 39–57.

5. Сердюк, Т.Н. Диагностика двигателей постоянного тока стрелочных приводов / Т.Н. Сердюк // Завалишинские чтения 16 : сборник докладов, Санкт-Петербург, 11–15 апреля 2016 года / Санкт-Петербургский государственный университет аэрокосмического приборостроения. – Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2016. – С. 217–224.

6. Основы искусственного интеллекта: учебное пособие / Ю.А. Антохина, А.А. Оводенко, М.Л. Кричевский, Ю.А. Мартынова. — Санкт-Петербург: ГУАП, 2022. — 169 с. — ISBN 978-5-8088-1720-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/263933 (дата обращения: 05.08.2023). — Режим доступа: для авториз. пользователей.

7. Grisel, O., Mueller, A., Gramfort, A., Louppe, G., Fan, T. J., Prettenhofer, P., . Woolam, C. (2023). scikit-learn/scikit-learn: Scikit-learn 1.3.0 (1.3.0). Zenodo. DOI: 10.5281/zenodo.8098905

8. Канарский В.А. Исследование эффективности машинного обучения в мониторинге сигнальной точки // Надежность. 2023. № 1. С. 38–44. DOI: 10.21683/1729-2646-2023-23-1-38-44

издается с 1923 г.

Актуально.

Достоверно. Доступно.

Главное меню

Наши контакты

8 (985) 774-07-31

129272, Москва,
Рижская площадь, д.3

asi-rzd@mail.ru

Megagroup.ru