veststuВестник Сибирского государственного университета путей сообщенияBulletin of Siberian State University of Transport1815-9265Сибирский государственный университет путей сообщения10.52170/1815-9265_2023_67_40veststu-116Research ArticleТРАНСПОРТTRANSPORTОбнаружение предотказного состояния стрелочного перевода по графику активной мощностиDetection of the pre-failure state of the switch by the active power diagramКанарскийВ. А.KanarskiyV. A.

Вадим Андреевич Канарский – аспирант кафедры «Вычислительная техника и компьютерная графика», преподаватель кафедры «Автоматика, телемеханика и связь»

Хабаровск

Vadim A. Kanarskiy – Postgraduate of the Computer Engineering and Computer Graphics Department, Lecturer of the Automation, Telemechanics, and Communication Department

Khabarovsk

jizzierose@yahoo.comДальневосточный государственный университет путей сообщенияРоссияFar Eastern State Transport UniversityRussian Federation202330122023044046Copyright © Канарский В.А., 20232023Канарский В.А.Kanarskiy V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestnikstu.ru/jour/article/view/116

Существующие системы технической диагностики и мониторинга не могут абсолютно точно определить состояние стрелочного электропривода. Прежде всего это связано с большим количеством видов отказов (в схеме управления, во внутренних элементах привода, внешних), а также с нехваткой контролируемых параметров, способных в полной мере описать неисправный узел. Однако существуют косвенные методы оценки на основе технологий искусственного интеллекта. В данной работе были исследованы характеристики мощности, полученные от автоматов диагностики силовых параметров. В результате предобработки и моделирования обоснован выбор подходящих алгоритмов машинного обучения без учителя.

The existing technical diagnostics and monitoring systems cannot fully predetermine the state of the switch motor. First and foremost, this is associated with a large number of failure modes (in control scheme, internal components of the drive, external factors), as well as a lack of monitored parameters capable of fully describing a faulty unit. However, there are indirect assessment methods based on artificial intelligence technologies. This study examined the power characteristics obtained from diagnostic devices of power parameters. The preprocessing and modeling results justify the selection of suitable unsupervised machine learning algorithms.

стрелочный электроприводнеисправностьвременные характеристикимощностьмашинное обучениедетектирование аномалийswitch motorfailuretemporal characteristicspowermachine learninganomaly detectionReferencesАнализ эксплуатационной деятельности хозяйства автоматики и телемеханики по итогам 2019 года / Управление автоматики и телемеханики Центральной дирекции инфраструктуры. Москва : ОАО «РЖД», 2019. 101 с.Analysis of the operational activities of the automation and telemechanics infrastructure at the end of 2019. Automation and Telemechanics Department of the Central Infrastructure Directorate. Moscow: Russian Railways; 2019. 101 с. (In Russ.).1. Analysis of the operational activities of the automation and telemechanics infrastructure at the end of 2019. Automation and Telemechanics Department of the Central Infrastructure Directorate. Moscow: Russian Railways; 2019. 101 с. (In Russ.).Котов В. К., Павловский А. А., Павловский Е. А. Диагностика стрелочных электроприводов по параметрам тока // Автоматика, связь, информатика. 2015. № 7. С. 12–17.Kotov V. K., Pavlovskiy A. A., Pavlovskiy E. A. Diagnostics of the electric point drives by the current parameters. Automation, communication, informatics. 2015;(7):12–17. (In Russ.).Иванов А. А., Легоньков А. К., Молодцов В. П. Автомат диагностики силовых параметров стрелочного электропривода // Проблемы безопасности и надежности микропроцессорных комплексов : сборник трудов научно-практической конференции, Санкт-Петербург, 27–28 мая 2015 г. Санкт-Петербург : Петербургский государственный университет путей сообщения Императора Александра I, 2015. С. 110–117.Ivanov A. A., Legonkov A. K., Molodtsov V. P. Automate diagnostics of the power parameters of the arrow electric drive. Problems of safety and reliability of microprocessor complexes. Proceedings of scientific and practical conference, St. Petersburg, May 27–28, 2015. St. Petersburg: St. Petersburg State University of Railway Transport of Emperor Alexander I; 2015. P. 110–117. (In Russ.).Канарский В. А. Прогнозирование отказов насосной станции с помощью машинного обучения без учителя // Вестник РосНоу: Сложные системы: модели, анализ и управление. 2022. № 4. С. 63–74. DOI 10.18137/RNU.V9187.22.04.P.1.Kanarskiy V. A. Prediction of pumping station failures using machine learning without a teacher // Bulletin of RosNow: Complex Systems: Models, Analysis and Control. 2022;(4):63–74. (In Russ.). DOI 10.18137/RNU.V9187.22.04.P.1.Канарский В. А. Совершенствование диагностики стрелочных приводов с использованием искусственного интеллекта // Интеллектуальные транспортные системы : материалы II Международной научно-практической конференции (г. Москва, 25 мая 2023 г.). Москва : РУТ (МИИТ), 2023. С. 578–583.Kanarskiy V. A. Improvement of the arrow drives diagnostics using artificial intelligence. Intelligent transport systems. Proceedings of the II International Scientific and Practical Conference (Moscow, May 25, 2023). Moscow: Russian University of Transport; 2023. С. 578–583. (In Russ.).Array programming with NumPy / C. R. Harris, K. J. Millman, S. J. van der Walt [et al.] // Nature. 2020. Vol. 585, No. 7825. P. 357–362. DOI 10.1038/s41586-020-2649-2.Harris C. R., Millman, K. J., van der Walt S. J. [et al.]. Array programming with NumPy. Nature. 2020;585(7825):357–362. DOI 10.1038/s41586-020-2649-2.Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh – A Python package) / M. Christ, N. Braun, J. Neuffer, A. W. Kempa-Liehr // Neurocomputing. 2018. Vol. 307, No. 7. P. 72–77. DOI 10.1016/j.neucom.2018.03.067.Christ M., Braun N., Neuffer J., Kempa-Liehr A. W. Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh – A Python package). Neurocomputing. 2018;307(7):72–77. DOI 10.1016/j.neucom.2018.03.067.Géron A. Hands-On Machine Learning with ScikitLearn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol, CA : O’Reilly Media, 2019. 600 p.Géron A. Hands-On Machine Learning with ScikitLearn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol, CA: O’Reilly Media; 2019. 600 p.Zhao Y., Nasrullah Z., Li Z. PyOD: A Python Toolbox for Scalable Outlier Detection // Journal of Machine Learning Research (JMLR). 2019. Vol. 20, No. 96. P. 1–7.Zhao Y., Nasrullah Z., Li Z. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of Machine Learning Research (JMLR). 2019;20(96):1–7.Канарский В. А. Исследование эффективности машинного обучения в мониторинге сигнальной точки // Надежность. 2023. № 1. С. 38–44. https://doi.org/10.21683/1729-2646-2023-23-1-38-44.Kanarskiy V. A. Investigation of machine learning efficiency in signal point monitoring. Reliability. 2023;(1):38–44. (In Russ.). https://doi.org/10.21683/1729-2646-2023-23-1-38-44.

The authors declare that there are no conflicts of interest present.