Россия
Россия
Цель: Повышение эффективности оперативного контроля технического состояния газовоздушного тракта (ГВТ) тепловозного дизеля, оценка возможности использования штатных измерительных средств тепловоза для контроля технического состояния ГВТ дизеля и обоснование целесообразности расширения перечня параметров ГВТ, контролируемых средствами бортовой диагностики тепловоза. Методы: Для определения класса текущего технического состояния (ТС) ГВТ используется интеллектуальный классификатор на основе алгоритма Support Vector Machine (SVM). Обучающая выборка объемом 96 образцов для восьми классов ТС ГВТ сформирована с использованием программного комплекса «Дизель-РК». Исследовались три варианта структуры классификатора, отличающихся набором компонент вектора входных параметров: штатный с двумя входами (степень повышения давления в нагнетателе pк и температура отработавших газов перед турбиной ТТ), расширенный с дополнительным контролем частоты вращения ротора турбокомпрессора nТК. и, предлагаемый, с контролем мгновенного расхода воздуха gs дизелем вместо nТК. Качество модели оценивалось перекрестной валидацией по пяти фрагментам и результатами классификации тестовой выборки, не использовавшейся при обучении. Результаты: Точность классификации тестовой выборки классификатором со штатным набором входных параметров не превышает 41 %. Расширение перечня контролируемых параметров за счет включения в него частоты вращения nТК ротора турбокомпрессора не сказывается заметным образом на эффективности системы диагностики, повышая точность диагностирования только до 43 %. В то же время замещение частоты вращения ротора мгновенным расходом воздуха gs повышает точность классификации тестовой выборки до 91 %. Практическая значимость: Подтверждена эффективность использования методов машинного обучения для оперативного контроля технического состояния ГВТ дизеля при условии оптимизации перечня параметров дизеля, контролируемых средствами бортовой диагностики тепловоза. С целью повышения эффективности контроля рекомендуется ввести в этот перечень мгновенный расход воздуха дизелем с одновременным исключением из него частоты вращения ротора турбокомпрессора.
газовоздушный тракт, турбокомпрессор, глушитель, нагнетатель, рабочий процесс, дизель, диагностирование, техническое состояние, классификатор, обучающая выборка, датчик, расход воздуха
1. Свечников, А.А. Совершенствование технологии контроля технического состояния агрегатов наддува тепловозного дизеля после ремонта: 05.22.07: автореферат диссертации на соискание ученой степени кандидата технических наук:/Свечников Андрей Александрович. - Самара, 2010. - 24 с. - Текст: непосредственный.
2. Титанаков, Д.А. Оценка технического состояния газовоздушного тракта тепловозных дизелей: 05.22.07: автореферат диссертации на соискание ученой степени кандидата технических наук:/Титанаков Денис Александрович. - Омск, 2005. - 20 с. - Текст: непосредственный.
3. Васин, П.А. Исследование газовоздушного тракта четырехтактного высокооборотного дизеля с турбонаддувом как объекта автоматической безразборной диагностики: 05.04.02: автореферат диссертации на соискание ученой степени кандидата технических наук:/Васин Петр Александрович: - Ленинград, 1984. - 23 с. - Текст: непосредственный.
4. Лобанов, И.И. Повышение эксплуатационной эффективности тепловозных дизелей применением средств оперативной диагностики: 05.22.07: автореферат диссертации на соискание ученой степени кандидата технических наук: / Лобанов Иван Игоревич. - Москва, 2017. - 23 с. - Текст: непосредственный.
5. Комплекс диагностики и настройки дизелей КДН «МАГИСТРАЛЬ»: сайт / ООО «Техтранс-Д». - Санкт-Петеребург, 2022. - URL: https://tehtrans-d.ru (дата обращения 13.04.2022). - Режим доступа: свободный. - Текст: электронный.
6. Кулешов А.С. Программа расчета и оптимизации двигателей внутреннего сгорания ДИЗЕЛЬ-РК. Описание математических моделей, решение оптимизационных задач. М., МГТУ им. Баумана, 2004. - 123 с., ил. - Текст: непосредственный.
7. Черезов, Д.С. Обзор основных методов классификации и кластеризации данных / Д.С.Черезов, Н.А.Тюкачев//Вестник Воронежского государственного университета. Серия: системный анализ и информационные технологии. - Воронеж, 2009, №9. - с.25-29.
8. Федотов, М.В. Предиктивная аналитика технического состояния систем тепловозов с использованием нейросетевых прогнозных моделей/М.В.Федотов, В.В.Грачев. - Текст: непосредственный // Бюллетень результатов научных исследований. - Санкт-Петербург, 2021. - № 3. - с. 102-115.
9. Метод опорных векторов для стандартной задачи классификации:/URL: www.machine learning.ru /wiki/images/2/25/SMAIS11_SVM.pdf (дата обращения 14.04.2022) - Режим доступа: свободный. - Текст электронный.
10. Термокомплект дизельный ТКД-50М: сайт/ООО «Нева-Дизель». - Санкт-Петербург, 2022. - URL: http://neva-diesel.com/mkd-50m-termodizelnyy-komplekt (дата обращения 14.04.2022). - Режим доступа: свободный. - Тест: электронный.
11. Выбор метрики в машинном обучении. Как выбрать метрики для валидации результата Machine Learning: [Электронный ресурс]// Режим доступа: сайт ООО «Datalytica» - Москва, 2022. - URL: http://blog.datalytica.ru/2018/05/blog-post.html (дата обращения 14.04.2022) - Режим доступа: свободный. - Текст: электронный.
12. Грачев, В.В. Прескриптивный контроль энергоэффективности тепловоза с использованием интеллектуальных методов обработки измерительной информации. Монография/В.В.Грачев//СПб: издательство Петербургский государственный университет путей сообщения Императора Александра I. - 2019. - 105 с.: Илл. - Текст: непосредственный.
13. Термоанемометр ТТМ-2-04; сайт ООО «Орбиталь». - Санкт-Петербург, 2022. URL: http://www.orbitalspb.ru/parametri_sredi/ termoanemometry/anemometr_TTM2 -04_portativnyi (дата обращения 14.04.2022) - Режим доступа: свободный. - Текст: непосредственный.
