Научные основы совершенствования методов диагностирования асинхронных тяговых электродвигателей локомотивов на железных дорогах Республики Узбекистан тема диссертации и автореферата по ВАК РФ 05.22.07, доктор наук Хамидов Отабек Рустамович

• Хамидов Отабек Рустамович
• доктор наук
• 2021

Оглавление диссертации доктор наук Хамидов Отабек Рустамович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. СОВРЕМЕННОЕ СОСТОЯНИЕ ИНФОРМАЦИОННОГО МОНИТОРИНГА ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЛОКОМОТИВНОГО АСИНХРОННОГО ТЯГОВОГО ЭЛЕКТРОДВИГАТЕЛЯ (АТЭД)

1.1 Современный подвижной состав с АТЭД железных дорог Республики Узбекистан

1.1.1 Высокоскоростной электропоезд «Айш1уоЬ» с АТЭД железных дорог Республики Узбекистан

1.2 Современный локомотивный АТЭД как объект мониторинга

1.3 Анализ отказов и типичные неисправности локомотивных асинхронных тяговых электродвигателей

1.3.1 Неисправности статора АТЭД локомотивов

1.3.2 Неисправности ротора АТЭД локомотивов

1.4 Методы диагностики неисправностей АТЭД локомотивов

1.4.1 Метод моделирования неисправностей АТЭД

1.4.2 Метод обработки сигналов

1.4.3 Метод искусственного интеллекта

1.5 Мониторинг и управление эксплуатацией локомотивного АТЭД по техническому состоянию

1.6 Современные информационные технологии мониторинга состояния сложных технических объектов на примере АТЭД локомотивов

1.6.1 Обучения нейронной сети

1.7 Особенности создания нейросетевого аппарата для оценки технического состояния локомотивных АТЭД

1.8 Концепция решения проблемы информационного мониторинга и диагностики параметров локомотивного АТЭД

1.9 Выводы по первой главе

2

2. РАЗРАБОТКА СИСТЕМНЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ КОНТРОЛЯ ПАРАМЕТРОВ ЛОКОМОТИВНОГО АТЭД В УСЛОВИЯХ БОРТОВОЙ РЕАЛИЗАЦИИ

2.1 Интеллектуальная бортовая система контроля параметров локомотивного АТЭД с применением технологий системного моделирования на этапе проектирования

2.2 Разработка комплекса функциональных моделей процесса контроля параметров локомотивного АТЭД

2.3 Разработка комплекса информационных моделей процесса контроля параметров локомотивного АТЭД

2.4 Разработка динамической модели процесса контроля параметров технического состояния локомотивного АТЭД

2.5 Требования к экспертной системе контроля и диагностики параметров технического состояния локомотивного АТЭД на основе IDEF моделей

2.6 Выводы по второй главе

3. ДИАГНОСТИЧЕСКАЯ МОДЕЛЬ АТЭД ЛОКОМОТИВА

3.1 Описание математической модели АТЭД локомотивов

3.2 Математическая модель АТЭД при повреждениях короткозамкнутого ротора

3.3 Математическая модель при одновременном обрыве фазы статора и нескольких стержней ротора

3.4 Математическая модель АТЭД при обрыве фазы статора и не симметрии ротора

3.5 Моделирование АТЭД локомотивов в программной среде MATLAB/Simulink

3.6 Разработка математической модели электромагнитных вибровозмущающих сил при несинусоидальном напряжения питания

3.7 Математическая модель механической части АТЭД

3.7.1 Определение механических вибровозмущающих сил при дефектах ротора и подшипников

3.7.2 Определение электромагнитных вибровозмущающих сил при дефектах подшипникового узла

3.7.3 Определение электромагнитных вибровозмущающих сил при дефектах подшипникового узла и эксцентриситете ротора

3.7.4 Определение силы ударного воздействия ролика в зоне трещины

3.7.5 Конечно-элементная модель подшипника качения АТЭД

3.7.6 Динамическая модель подшипникового узла АТЭД

3.7.7 Математическая модель сепаратора подшипника качения локомотивных АТЭД

3.8 Выводы по третьей главе

4. МЕТОДЫ ОБНАРУЖЕНИЯ НЕИСПРАВНОСТЕЙ АТЭД С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

4.1 Основные положения и модель искусственного нейрона

4.2 Классификация искусственных нейронных сетей (ИНС) и их свойства

4.2.1 Классификация по характеру обучения ИНС

4.3 Диагностика неисправности асинхронных тяговых электродвигателей локомотивов с использованием нейронных сетей

4.3.1 Подготовка подходящего учебного набора данных для ИНС

4.3.2 Выбор подходящей структуры ИНС

4.3.2.1 Выбор подходящей структуры многослойной персептронной нейронной сети (МПНС)

4.3.2.2 Выбор подходящей структуры рекуррентной нейронной сети (РНС)

4.3.2.3 Выбор подходящей структуры нейронной сети с радиальной базисной функцией (НСРБФ)

4.3.3 Методика обучения ИНС

4.3.3.1 Методика обучения МПНС

4.3.3.2 Методика обучения РНС

4.3.3.3 Методика обучения НСРБФ

4.4 Представление об адаптивной нейро-нечеткой системе вывода (АННСВ)

4.4.1 Системы нечеткого вывода с упрощенными нечеткими правилами «если - то»

4.5 Предлагаемый метод адаптивной нейро-нечеткой системы вывода для обнаружения неисправностей асинхронного электродвигателя

4.6 Схема обнаружения неисправностей с использованием дискретного вейвлет-анализа

4.7 Выводы по четвертой главе

5. ОБНАРУЖЕНИЯ НЕИСПРАВНОСТЕЙ АТЭД ЛОКОМОТИВОВ С

ИСПОЛЬЗОВАНИЕМ НЕЙРОНЕЧЕТКОЙ ЛОГИКИ

5.1 Описание испытательной установки

5.2 Испытание асинхронного электродвигателя

5.2.1 Испытание без нагрузки

5.2.2 Испытание постоянного тока на сопротивление статора

5.3 Пространственное представление состояния неисправного асинхронного электродвигателя

5.3.1 Подготовка данных для диагностики неисправности асинхронного электродвигателя

5.4 Результаты моделирования при помощи ИНС

5.4.1 Эффективность обнаружения неисправностей МПНС

5.4.2 Эффективность обнаружения неисправностей РНС

5.4.2.1 Результаты обучения по РНC

5.4.2.2 Результаты тестирования для РНС

5

5.5 Эффективность обнаружения неисправностей с использованием НСРБФ

5.6 Результаты обучения по АННСВ

5.6.1 Результаты тестирования для АННСВ

5.7 Идентификация неисправностей на основе дискретного вейвлет-преобразования

5.7.1 Анализ вейвлет-сигналов

5.8 Результаты тестирования асинхронного электродвигателя

5.8.1 Диагностика неисправного асинхронного электродвигателя

5.9 Количественная оценка степени серьезности ошибки

5.10 Оценка эффективности с использованием предложенных подходов

5.11 Выводы по пятой главе

6. ДИАГНОСТИРОВАНИЕ НЕИСПРАВНОСТИ РОТОРОВ АТЭД И

ПОДШИПНИКОВЫХ УЗЛОВ ЛОКОМОТИВОВ НА ОСНОВЕ СОВРЕМЕННЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

6.1 Сверточная нейронная сеть машинного обучения

6.2 Сравнение с традиционными методами

6.3 Диагностики неисправности ротора АТЭД локомотивов

6.4 Результаты диагностики неисправности ротора АТЭД

6.5 Послойный процесс машинного обучения

6.6 Экспериментальная установка диагностики подшипниковых узлов современных локомотивов

6.7 Результаты диагностики подшипниковых узлов локомотивов с применением методов глубокого машинного обучения

6.8 Послойный процесс обучения

6.9 Влияние несбалансированного набора данных обучения

6.10 Выводы по шестой главе

З А К Л Ю Ч Е Н И Е

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

6

ПРИЛОЖЕНИЕ А

Объединённый каталог отказов оборудования электровоза

ПРИЛОЖЕНИЕ Б

Свидетельство о государственной регистрации программы для

ЭВМ

ПРИЛОЖЕНИЕ В

Сведения о внедрении результатов диссертационного исследования

Введение диссертации (часть автореферата) на тему «Научные основы совершенствования методов диагностирования асинхронных тяговых электродвигателей локомотивов на железных дорогах Республики Узбекистан»

В В Е Д Е Н И Е

Актуальность темы исследования. Одной из главных задач локомотивного хозяйство железные дороги Республики Узбекистан является повышение надежности асинхронных тяговых электродвигателей локомотивов в целях обеспечения безопасности движения поездов с учетом реализации необходимых тяговых характеристик, улучшения габаритно-массовых показателей, эксплуатации в широком диапазоне нагрузок и скоростей движения, в сложных климатических условиях [105]. В настоящее время во всем мире на тяговом подвижном составе применяются трехфазные асинхронные тяговые электродвигатели (АТЭД). Применение АТЭД дает возможность резко повысить секционную мощность локомотива [105, 114], что отвечает растущим потребностям железных дорог Республики Узбекистан и другие странах. Благодаря успехам силовой полупроводниковой техники и средствам автоматики они позволяют заметно улучшить эксплуатационные качества локомотивов: от 2 до 5 раз снижаются затраты на их ремонт и обслуживание, уменьшаются их весо-габаритные показатели; за счет регулирования крутящего момента возможно более полно использовать сцепление колес с рельсами; могут иметь более высокие значения КПД [105, 111, 117, 119, 126]. По сравнению с коллекторными тяговыми электродвигателями локомотивный АТЭД с короткозамкнутым ротором отличается некоторыми особенностями, такими как: простота конструкции; значительная удельная мощность; увеличенный срок службы; повышенная надежность, сниженная стоимость жизненного цикла АТЭД локомотива; возможность электрического торможения до остановки [105, 111, 117, 128, 147].

В процессе эксплуатации могут возникать повреждения отдельных

элементов электродвигателя, которые могут привести к непоправимым

последствиям. Очень важно выявлять любой дефект на самой ранней стадии,

исключающей риск возникновения серьезных повреждений АТЭД. Неисправности

могут быть связаны с механическими или электрическими факторами,

действующими на элементы конструкции АТЭД. Разнообразные неисправности

8

электрических машин были подробно изучены целым рядом специалистов [1-22, 34-45,101, 105, 111, 123].

Для получения обозначенных преимуществ АТЭД локомотивов нуждается в непрерывном контроле основных параметров, хранения и интеллектуальной обработки диагностической информации.

Традиционно процедуры технического обслуживания АТЭД основаны на двух подходах. Первый заключается в выполнении обслуживания с фиксированным интервалом времени, когда инженеры используют преимущества более медленных производственных циклов для полной проверки всех аспектов оборудования. Во-вторых, просто реагировать на отказ, как и когда это происходит. Однако, используя современные технологии, стал возможен новый научный подход к управлению техобслуживанием. Одним из ключевых элементов этого нового подхода является обслуживание посредством мониторинга состояния, которое зависит от фактического состояния электродвигателя.

Эффективная система мониторинга состояния, которая выдает предупреждение и прогнозирует неисправности АТЭД на ранних стадиях развития. Система мониторинга получает информацию о фактическом техническом состоянии АТЭД в виде первичных данных и за счет использования современных методов обработки сигналов дает прогноз развития неисправности. Проблема с этим подходом состоит в том, что результаты требуют постоянной человеческого участия. Автоматизация диагностического процесса рассматривается в большом количестве научных работ [77, 83, 84, 95, 109].

Современные методы интеллектуальной обработки данных, такие как нечеткая логика, экспертная система, нейронная сеть, адаптивная система нейронечеткого вывода, генетический алгоритм и др. используются чаще, чем другие традиционные методы, т.к. их легко дополнять и изменять [3-7, 9, 21, 42, 92, 135, 178-184, 196].

В настоящее время оценка технического состояния тягового подвижного

состава в основном решается с использованием стационарных, реже локальных

(переносных) средств технической диагностики. Существенным недостатком

9

такого подхода является необходимость изъятия локомотива из эксплуатации для подготовительных операций и самого диагностирования.

Ситуация изменилась с началом производства и выпуска в эксплуатацию локомотивов, которые оснащены бортовой микропроцессорной системой управления (МСУ). Система МСУ непрерывно измеряет и записывает значения аналоговых и дискретных сигналов, характеризующих техническое состояние локомотивов.

Однако в существующей системе технического обслуживания и ремонта локомотивов собранная информация практически не используется ввиду отсутствия методов и способов обработки накопленной информации. В связи с этим актуальной является разработка методов, в основе которых заложено использование данных системы диагностики МСУ для дальнейшей оценки технического состояния узлов и агрегатов локомотива. Использование такой методики, позволит быстро и эффективно следить за состоянием АТЭД и повысить безопасность движения и повышению их надежности.

Одной из наиболее динамично развивающихся структур являются искусственные нейронные сети (ИНС), которые способны эффективно и качественно, быстро и динамично решать задачи оценки технического состояния АТЭД [1-9, 105, 111, 178-184].

Перспективы применения ИНС в условиях бортовой реализации на локомотиве качественно и по-новому позволят осуществлять процесс контроля параметров и диагностики АТЭД.

Преимуществами применения ИНС [5, 6, 8, 19, 47, 105, 111-118, 193, 195] являются: способность к самообучению, высокая отказоустойчивость, параллельная работа простых вычислительных устройств и использовать новые физические принципы обработки информации для аппаратных реализаций ИНС.

Все сказанное подтверждает, что тема диссертационной работы, посвященная научным основам совершенствования методов диагностирования асинхронных тяговых электродвигателей локомотивов на железных дорогах

Республики Узбекистан, является актуальной.

10

Основной проблемой, решаемой в диссертационной работе, является разработка научных основ использования интеллектуальных методов для обработки измерительной информации средств диагностики АТЭД локомотивов с целью контроля, мониторинга и прогнозирования изменения их фактического технического состояния.

Степень разработанности.

Создание информационных технологий контроля, мониторинга и управления эксплуатацией тяговых электродвигателей локомотивов является процессом, предполагающим определенную методологию применение априорной и апостериорной информации об техническом объекте, вычислительных, измерительных и корпоративных средствах.

Работы по созданию подвижного состава с асинхронным тяговым приводом и в разработке, совершенствование и внедрении средств диагностики тяговых электродвигателей подвижного состава внесли и активно вносят ученые и инженеры ВНИИЖТ, ВНИКТИ, ОмГУПС, ПГУПС (ЛИИЖТ), РУТ (МИИТ), РГУПС (РИИЖТ), СГУПС (НИИЖТ), ДНУЖТ (ДИИТ), СамГУПС, ТашИИТ и других институтов инженеров железнодорожного транспорта.

Значительный вклад в науку и практику создания и оценки технического

состояния локомотивных тяговых электродвигателей внесли такие известные

отечественных и зарубежных ученые и специалисты: А.В. Плакс, А.Т. Бурков,

В.А. Четвергов, А.Д. Глущенко, В.И. Киселов, Н.А. Ротанов, А.Д. Степанов,

М.П. Костенко, А.А. Булгаков, Ю.Г. Толстов, Т.А. Глазенко, Д.Д. Завалишин,

В.А. Лабунцов, И.С. Ефремова, Л.М. Трахтмана, Е.Я. Гаккель, Р.К. Гизатуллин,

Г.Ш. Розенберг, А.З. Хомич, А.С. Курбасова, В.И. Некрасов, Е.А. Брынский,

Г.Ш. Розенберг, З.Г. Гиоев, В.И. Юшко, О.Д. Гольдберг, В.П. Парамзин,

Э.Д. Тартаковский, А.К. Явленский, В.Ф. Губанов, А.Б. Куликов, В.А. Браташ,

А.А. Черняев, Е.А. Никитин, В.А. Лабунцов, Д.Ю. Иванов, А.С. Сарваров,

Т.В. Ставров, В.А. Рыжов, В.С. Коссов, М.Ю. Петушков, А.А. Будницкий,

А.Е. Алексеев, Ф.Я. Балицкий, В.В. Хусидов, В.В. Стрекопытов, А.В. Грищенко,

Д.Я. Носырев, Г.А. Каморов, А.Н. Головаш, А.Ю. Коньков, В.Ю. Тэттер,

11

Э.А. Улановский, Ю.Е. Просвиров, В.Н. Балабин, П.А. Васин, В.А. Перминов, А.К. Пляскина, А.Э. Симсон, И.П. Исаев, А.Б. Очкасова, А.А. Воробьев,

A.М. Замышляев, А.В. Горский, А.Т. Осяев, А.С. Космодамианский, И.К. Лакин, С.Г. Шантаренко, С.М. Овчаренко, Б.В. Рудаков, В.В. Грачев, Ю.А. Давыдов, Y. Zhenyu, K. Sharma, S. Alok, I. Bediaga, M. Delgaro, D. Camarena, X. Jin, N. Subhasis, B. Alexandre, N. Y. Maurice, N. N. Leandre, W. Abed, M. M. Laure, G. Kanika, G. Cirrincione, G. Espinosa, A. Ortega, H. Henao, M. Liang, W. Cheng, R. Sutton, J. Knowles, S. Fadali, L. Kwon, B. Li, M. Chow, Y. Tipsuwan, J.C. Hung,

B. Changqing, N. Harris., Y.S. Lee, P.K. Gupta, K. Arunpreet, T.A Smith, и многие другие.

Несмотря на это следует отметить, что еще далеко не все задачи в этом направлении решены и данная проблема остается по-прежнему острой и актуальной.

Объектом исследования являются асинхронные тяговые электродвигатели локомотивов.

Предметом исследования являются методы обработки измерительной информации встроенных средств диагностики АТЭД локомотивов для повышения их эксплуатационной надежности.

Целью исследования является разработка научно обоснованных методов диагностирования и прогнозирования технического состояния асинхронных тяговых электродвигателей локомотивов для повышения их эксплуатационной надежности и обеспечения безопасности движения поездов на железных дорогах Республики Узбекистан.

Для достижения указанной цели в диссертационной работе поставлены и решены следующие задачи:

1. Анализ существующих отечественных и зарубежный методов информационного контроля и диагностики технического состояния локомотивных асинхронных тяговых электродвигателей, их неисправностей и отказов с целью выявления причин возникновения и развития признаков проявления дефектов.

2. Синтез эталонных диагностических моделей состояния АТЭД и их адаптация к реальному состоянию с использованием концепции функционально -прозрачных нейронных сетей.

3. Теоретически обосновать использование интеллектуальных методов и программного обеспечения систем контроля параметров, диагностики и прогнозирования технического состояния АТЭД с применением искусственных нейронных сетей.

4. Разработать методы и алгоритмы контроля, диагностики и прогнозирования технического состояния АТЭД локомотивов на основе искусственных нейронных сетей.

5. Разработать математические модели вибровозмущающих сил при несинусоидальном напряжения питания, дефектах подшипниковых узлов и ротора АТЭД локомотивов.

6. Обосновать формализованные методы и методики прогнозирования изменения фактического технического состояния АТЭД локомотивов с применением нейросетевых технологий и экспертных систем.

7. На основании современных нейросетовых технологий, разработать методику быстрой и эффективной оценки несимметричных режимов при диагностике АТЭД локомотивов.

8. Разработать усовершенствованный метод глубокого обучения (объединения функций) для контроля, диагностики и прогнозирования технического состояния обмоток статора и подшипниковых узлов АТЭД локомотивов.

9. Теоретически обосновать и экспериментально подтвердить эффективность предложенной методологии диагностики неисправностей для сбалансированных и несбалансированных наборов данных АТЭД локомотивов с применением современных методов глубокого обучения.

Научная новизна диссертационной работы состоит в следующем:

1. Обоснован интеллектуальный подход к обработке информации систем диагностики тяговых приводов локомотивов, обеспечивающий повышение его эффективности и производительности.

2. Предложена концепция построения системы оперативного контроля технического состояния АТЭД локомотивов, основанной на применении методов интеллектуального анализа данных о режимах работы электродвигателя на различных этапах его эксплуатации, применение единой методологии контроля, диагностики и прогнозирования технического состояния АТЭД с использованием технологии экспертных систем и искусственных нейронных сетей.

3. Разработан комплекс системных моделей процесса контроля и диагностики технического состояния АТЭД локомотивов на основе SADT -методологии и IDEF - технологий, что позволяет выделить основной спектр функциональных задач диагностики, а также обосновано сформировать требования к их реализации.

4. Научно обоснованы методы, алгоритмы, модели и методики решения задач контроля, диагностики и прогнозирования технического состояния АТЭД локомотивов с применением искусственных нейронных сетей, позволяющих накапливать и анализировать информацию о характеристиках индивидуального АТЭД по результатам эксплуатационных и стендовых испытаний по данным встроенных средств диагностики, а также повысить качество решений, принимаемых экспертной системой, за счет использования алгоритмов обучения и самообучения ИНС.

5. Теоретически обоснована и предложена методика обработки обучающей выборки эталонной диагностической модели АТЭД локомотива;

6. Предложен новый интеллектуальный метод оперативного контроля, диагностики и прогнозирования технического состояния АТЭД локомотивов на основе технологии экспертных систем и искусственных нейронных сетей по данным встроенных средств технической диагностики.

7. Предложен усовершенствованный способ обнаружения неисправности обмоток статора и подшипниковых узлов АТЭД локомотивов на основе современных интеллектуальных методов машинного обучения.

Теоретическая значимость диссертационной работы заключается в разработке новых методов и способов контроля, диагностики технического состояния и качества функционирования оборудования АТЭД локомотивов на основе современные технологий искусственных нейронных сетей.

Практическая значимость работы:

1. Разработаны алгоритмы и методики контроля, диагностики и прогнозирования технического состояния АТЭД локомотивов, которые позволяют существенно повысить качество и эффективность принимаемых решений о фактическом их техническом состоянии.

2. Разработана нейросетевая экспертная система контроля, диагностики и прогнозирования состояния АТЭД локомотивов.

3. Предложена концепция построения интеллектуальной системы мониторинга технического состояния АТЭД локомотивов и нейросетевые алгоритмы, которые позволяют сократить затраты на мониторинг и диагностику их технического состояния.

4. Способ формирования матрицы экспертных знаний, на основе многократных оценок влияния технического состояния АТЭД локомотивов на изменение его диагностических параметров.

5. Разработан усовершенствованный метод глубокого обучения для диагностики неисправностей ротора АТЭД и подшипниковых узлов локомотивов.

6. Методика нейросетевых моделей диагностики неисправностей подшипников локомотивов с использованием сверточной сети глубокого обучения с адаптацией моделей к реальному состоянию оборудования обеспечивает повышение достоверности контроля, диагностики и прогнозирования АТЭД локомотивов.

Методология и методы исследования. Поставленные в диссертационной

работе задачи решены с использованием методов системного анализа,

15

интеллектуального анализа данных, теории нейронных сетей, теории вероятностей и математической статистики, теории идентификации, теории дифференциальных уравнений, нейроинформатики, регрессионного анализа, теории электрических машин, теории чувствительности, теории нечеткой логики, теории анализа сигналов, теории распознования образцов, теории информационных систем и обработки данных, теории планирования эксперимента, теории принятия решений и экспертных систем, имитационного моделирования, статистических методов оптимизации многомерных функций, объектно-ориентированного программирования. Использовался объектно-ориентированный язык программирования высокого уровня Python с библиотекой Keras для реализации нейросетевых моделей, а также программные комплексы SolidWorks, MATLAB/Simulink, Visual Basic.

Положения, выносимые на защиту:

1. Методика формирования обучающей выборки диагностической модели АТЭД современного локомотива.

2. Концепция построения современных интеллектуальных систем контроля и диагностики технического состояния АТЭД локомотивов.

3. Комплекс системных моделей процесса диагностики состояния АТЭД локомотивов.

4. Современные интеллектуальные методы и алгоритмы контроля, диагностики и прогнозирования состояния АТЭД локомотивов.

5. Формализованные методы и алгоритмы диагностики состояния АТЭД локомотивов с применением технологий экспертных систем.

6. Способ обнаружения и определения местоположения неисправности АТЭД локомотивов на основе интеллектуального анализа спектральных характеристик виброколебаний электродвигателя.

7. Метод диагностирования АТЭД локомотивов на основе нейросетевых моделей диагностики неисправностей подшипников с применением сверточной сети глубоких обучений.

8. Результаты исследования эффективности экспертных систем и применения усовершенствованного метода глубокого обучения для решения задач контроля, диагностики и прогнозирования фактического технического состояния АТЭД локомотивов.

Степень достоверности и апробация результатов. Достоверность результатов подтверждена сравнением согласованности теоретических и экспериментальных данных и обеспечивается корректностью исходных математических положений, а также обоснованностью принятых допущений.

Основные результаты и положения диссертационной работы обсуждались на

заседаниях кафедры «Локомотивы и локомотивное хозяйство» ФГБОУ ВО

ПГУПС, Научно-технического совета АО ВНИКТИ, а также на научных

конференциях: II международной научно-практической конференции «Человек и

Транспорт» (г. Санкт-Петербург, 2012г.); VIII Международной научно-

технической конференции «Подвижной состав XXI века: Идеи, Требования,

Проекты» (г. Санкт-Петербург, ПГУПС, 2013г.); VII Международном симпозиуме

Элтранс-2013 «Электрификация и развитие инфраструктуры энергообеспечения

тяги поездов скоростного и высокоскоростного железнодорожного транспорта» (г.

Санкт-Петербург, ФГБОУ ВПО «ПГУПС» 2013г.); Международная научно -

техническая конференция «Локомотивы. XXI век» (Санкт-Петербург, ФГБОУ

ВПО «ПГУПС», 2011, 2012, 2013, 2014, 2016, 2017, 2018, 2020), Международная

научно-практическая конференция «Перспективы развития сервисного

обслуживания локомотивов», XIV Международная научно-техническая

конференция «Подвижной состав XXI века (идеи, требования, проекты)» (Санкт-

Петербург, 2017, 2018, 2019), Международная научно - техническая конференция

«Подвижной состав железнодорожного транспорта» (Гомель, 2019); X

Международный симпозиум «Элтранс-2019» (Санкт-Петербург, 2019);

Республиканская научно-техническая конференция с участием зарубежных ученых

«Ресурсосберегающие технологии на железнодорожном транспорте» (ТашИИТ, г.

Ташкент, 2012, 2013, 2014, 2016, 2017, 2018, 2019); V Всероссийской научно-

технической конференции с международным участием «Технологическое

17

обеспечение ремонта и повышение динамических качеств железнодорожного подвижного состава» (ОмГУПС, г. Омск, 2019). Международная научно-практическая конференция «Перспективы развития локомотиво-, вагоностроения и технологии обслуживания подвижного состава» (РГУПС, г. Ростов - на - Дону, 2019).

Личный вклад. Результаты, изложенные в диссертационной работе, получены автором самостоятельно.

Публикации. Основные содержание и научные результаты диссертационной работы отражено в одной монографии (единственный автор) и в 59 научных работах, из них 1 1 работ в ведущих рецензируемых научных журналах, включенных в Перечень изданий, рекомендованных ВАК РФ для опубликования основных научных результатов диссертационных работ, и 2 свидетельствах о государственной регистрации программ для ЭВМ. Работа выполнялась в Федеральном государственном образовательном учреждении высшего образования «Петербургский государственный университет путей сообщения Императора Александра I» (ФГБОУ ВО ПГУПС) на кафедре «Локомотивы и локомотивное хозяйство».

Соответствие диссертации паспорту специальности. Диссертационное исследование проведено в соответствии с паспортом специальности ВАК Министерства образования и науки Российской Федерации 05.22.07 - «Подвижной состав железных дорог, тяга поездов и электрификация», и соответствует следующим разделам «Области исследования» паспорта специальности:

п.1. Эксплуатационные характеристики и параметры подвижного состава, повышение их эксплуатационной надежности и работоспособности. Системы электроснабжения железных дорог и метрополитенов. Методы и средства снижения потерь электроэнергии.

п.2. Системы технического обслуживания, эксплуатации и технологии ремонта устройств электроснабжения и подвижного состава, развитие парков локомотивов и вагонов.

п.3. Техническая диагностика подвижного состава и систем электроснабжения. Критерии оценки состояния подвижного состава и систем электроснабжения железных дорог и метрополитенов. Системы автоматизации процессов технической диагностики этих объектов.

Объем и структура работы. Диссертационная работа состоит из введения, 6 глав, заключения, списка использованной литературы и приложений. Объем работы составляет 450 страниц, в том числе 188 рисунков, 37 таблиц, 3 приложений. Список использованной литературы содержит 204 наименования.

Заключение диссертации по теме «Подвижной состав железных дорог, тяга поездов и электрификация», Хамидов Отабек Рустамович

З А К Л Ю Ч Е Н И Е

В диссертационной работе поставлена и решена важная научно-техническая проблема разработки научно обоснованных методов диагностирования и прогнозирования технического состояния асинхронных тяговых электродвигателей локомотивов для повышения их эксплуатационной надежности и обеспечения безопасности движения поездов на железных дорогах Республики Узбекистан. При этом использовались результаты стендовых испытаний и обработки измерительной информации средств диагностики АТЭД локомотивов, находящихся в эксплуатации, с помощью интеллектуального анализа данных, а конкретно с применением технологии ИНС и экспертных систем. При этом были получены следующие основные теоретические и практические результаты:

1. Установлено, что существующие системы мониторинга, диагностики и управления эксплуатацией локомотивов нуждаются в существенных доработках, которые связаны, с тем, что устаревшими концепциями и подходами, которые в современных условиях не способны составить качественной конкуренции на всемирном рынке железнодорожной техники и технологий. Процесс мониторинга и диагностики локомотивов уже не может быть стандартного представленным в рамках «обычных» программ технического обслуживания и ремонта, плохо адаптируется программно-техническое обслуживание к быстро меняющимся условиям эксплуатации и отсутствует система поддержки, принятия решений, также специализированное программное обеспечение для параметрической идентификации прямых и обратных нейросетевых моделей АТЭД локомотивов.

2. Предложена концепция построения современных интеллектуальных систем контроля, диагностики и прогнозирования технического состояния оборудования АТЭД локомотивов на основе применения количественных и качественных моделей с применением нейронных сетевых технологий и методов теории принятия решений с помощью экспертных систем.

3. Установлено, что условием эффективного применения стендовых испытаний и встроенных средств диагностики АТЭД локомотивов является

необходимость проработки дополнительных мер на стадии проектирования современного локомотива, в котором необходимо предусмотреть определение критических групп оборудования с глубиной их контроля, диагностирования, а также создание перечня контролируемых параметров и выбор научно обоснованных методов обработки получаемой информации на основе выполненного анализа методов отечественных и зарубежных стационарных и встроенных средств технической диагностики.

4. Разработан комплекс моделей процесса контроля, диагностики технического состояния АТЭД локомотивов на основе SADT - методологии и IDEF - технологий, что позволяет выявить основной ряд функциональных задач диагностики и обосновать требования к выбору методов, алгоритмов и принятия решений в процессе мониторинга, диагностики и прогнозирования технического состояния локомотивов, что обеспечивает повышение достоверности классификация фактического состояния локомотивов в системах контроля и диагностики.

5. Установлено, что особенностью задач получения и обработки информации в системах контроля, диагностики, помимо структуры данных, является наличие экспертного опыта диагностирования, применение которого позволяет повышать эффективность классификации фактического состояния АТЭД локомотивов при ограниченном объеме обучающей выборки, также прогнозирования его технического состояния.

6. Разработаны формализованные методы и методики контроля и диагностики технического состояния АТЭД локомотивов с применением нейросетевых технологий, экспертных систем, на основе использовании в процессе диагностики математической моделей АТЭД, позволяющих увеличить производительность и достоверность процессов диагностики технического состояния оборудования локомотивов по результатам стендовых испытаний и анализа измерительной информации встроенных средств диагностики эксплуатируемых локомотивов, которые позволяют сократить затраты на мониторинг и диагностику технического состояния локомотивов в процессе его

368

стендовых испытаний и при эксплуатации в 2-3 раза за счет более полного использования априорной и апостериорной информации о режимах работы АТЭД, автоматизации процессов обработки полученных данных, применения современных методов интеллектуального анализа данных на всех этапах диагностики АТЭД и принятия решений.

7. Разработаны имитационные модели АТЭД локомотивов и его составляющие, с помощью которых был создан тренировочный набор для обучения ИНС.

8. Разработана методика, основанная на современных нейросетовых технологиях, позволяющая быстро и эффективно исследовать несимметричные режимы при работе АТЭД локомотивов, которые дают возможность решать широкий спектр практических задач мониторинга технического состояния локомотивных АТЭД.

9. Обоснован и предложен усовершенствованный метод глубокого обучения (объединения функций) для контроля, диагностики и прогнозирования технического состояния обмоток и подшипниковых узлов АТЭД локомотивов, обеспечивающий возможность улучшить способности обучения с применением глубокого автокодировщика неисправностей и особенностей АТЭД для дальнейшего повышения эффективности диагностики. А также, функции глубокого объединение вводятся в 8орШах для обучения интеллектуальной модели диагностики неисправностей обмоток и подшипников АТЭД локомотива. Полученные результаты подтверждают, что предлагаемый метод является более эффективным и надежным для изучения особенностей и диагностики неисправностей обмоток и подшипников АТЭД локомотива, чем традиционные методы. По сравнению со стандартным НС предлагаемый способ показывает несколько лучшую производительность.

10. Универсальность разработанных методик и способов обнаружения

неисправности, обработки измерительной информации для повышения качества

диагностирования АТЭД локомотива подтверждена, в процессе реализации

369

усовершенствованного метода глубокого обучения для обнаружения неисправности, диагностики и прогнозирования технического состояния ротора и подшипниковых узлов АТЭД локомотивов.

11. Теоретически обосновано, что использование актуальных интеллектуальных методов и программного обеспечения систем контроля параметров, диагностики и прогнозирования технического состояния АТЭД с применением ИНС и экспертных систем даёт значительный экономический эффект за счет предотвращения внезапных отказов и аварий, выявления зарождающихся дефектов и своевременного принятия мер по предотвращению их развития, отказа от проведения регламентных работ на исправном АТЭД, правильного планирования ремонтов, точного планирования расходуемых материалов для ремонта и, как следствие, снижения запасов запчастей, а также за счет продления ресурса работы объектов диагностирования.

12. Достоверность и адекватность нейросетевых диагностических моделей подтверждается устойчивой сходимостью результатов моделирования и полученных данных по результатам стендовых испытаний АТЭД современных локомотивов. Среднеквадратичная ошибка отклика моделей меньше случайной погрешности изменения контролируемых диагностических параметров локомотивов.

13. Установлено, что для создания диагностических устройств и программно-аппаратных комплексов весьма желательно применять усовершенствованный метод глубокого обучения НС, так как он является мощным средством распознавания и прогнозирования сигналов, а его способность к обучению дает возможность разрабатывать адаптивные системы защиты и диагностики оборудования локомотивов. Использование нейросетевых технологий для оперативного контроля, коррекции объемов плановых видов ремонта, а также оценка технического состояния оборудования локомотивов имеет хорошие перспективы, позволяющие максимально использовать весь объем диагностической информации, хранящейся на бортовом компьютере для

повышения показателей эффективности системы технического ремонта и обслуживания.

14. Теоретически обоснована и экспериментально подтверждена эффективность предложенной методологии, которая диагностирует неисправности для сбалансированных и несбалансированных наборов данных АТЭД локомотивов с применением современных методов глубокого обучения. Прежде всего, полученные сигналы вводятся в построенный алгоритм НС для послойного извлечения признаков, после чего извлеченные глубоко чувствительные признаки передаются в классификатор для контроля, диагностики и прогнозирования технического состояния АТЭД локомотивов.

Список литературы диссертационного исследования доктор наук Хамидов Отабек Рустамович, 2021 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Агунов, А.В. Использование нейро-нечетких диагностических моделей при оценке технического состояния электрооборудования тепловоза / А.В. Агунов,

A.В. Грищенко, В.А. Кручек, В.В. Грачев // Электротехника. - 2017. - №2 10. - С. 14 - 18.

2. Алексеев, А.А. Идентификация и диагностика систем / А.А. Алексеев, Ю.А. Кораблев, М.Ю, Шестопалов. - М.: Издательский центр «Академия». - 2009.

- 352 с.

3. Асеев, Г.Г. Методы интеллектуальной предобработки данных в электронных хранилищах / Г.Г. Асеев // Радиоэлектроника, информатика, управление. Нейроинформатика и интеллектуальные системы. - Запорожье, 2010.

- №2. - С.106-111.

4. Бабков, Ю.В. Модернизация электропривода тепловозов и электровозов с тяговыми электродвигателями постоянного тока / Ю.В. Бабков, К.С. Перфильев,

B.Ю. Евсеев, В.В. Грачев, Д.Н. Курилкин // Труды третьей Междунар. науч.-практич. конференции «Перспективы развития сервисного обслуживания локомотивов». - М.: МИИТ, 2018. - С. 114-120.

5. Барсегян, А.А. Анализ данных и процессов / А.А. Барсегян, И.И. Холод, М.Д. Тесс, М.С. Куприянов, С.И. Елизаров. - СПб.: БХВ-Петербург, 2009. - 512 с.

6. Белинский, А.А. Принцип «Встроенное качество» в информационных системах локомотиворемонтного комплекса / А.А. Белинский, И.К. Лакин, А.А. Аболмасов // БРНИ. - 2015. - №3-4 - С. 16-17.

7. Бобровников Я. Ю. Диагностические комплексы электроподвижного состава: учеб. пособие / Я. Ю. Бобровников, А. Е. Стецюк // Хабаровск: Изд-во ДВГУПС. - 2012. - 94 с.

8. Богдан, К. Microsoft SQL Server 2008: Data mining - интеллектуальный анализ данных / Богдан Криват, Джеми Макленнен, Чжаохуэй Танг. - СПб.: БХВ-Петербург, 2009. - 720 с.

9. Браславский, И.Я. Цифровое прогнозирующее управление с использованием нейронных предсказателей / И.Я. Браславский, А.В. Костылев, Д.В. Мезеушева // Электротехника. - № 11. - 2007. - С. 43-47.

10. Брынский, Е.А. Неисправности асинхронных электродвигателей и их диагностика: учеб. пособие / Е.А. Брынский, Ю.Л. Преснов. - СПб.: СПбГТУ, 1999.

- 68 с.

11. Бурков, А.Т. Повышение производительности электрической тяги в долгосрочной перспективе на новом уровне индустриальных технологий / А.Т. Бурков, А.Н. Марикин, А.В. Мизинцев, В.В. Сероносов // Электротехника. - 2018.

- №10 - С. 34-38.

12. Бурков, А.Т. Управление электроэнергетическими процессами локомотивов с асинхронным приводом / А.Т. Бурков // дисс. учен. степени доктора техн. наук // ЛИИЖТ. - Л., 1982. - 470 с.

13. Варшавский, П.Р. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений / П.Р. Варшавский, А.П. Еремеев // Искусственный интеллект и принятие решений. - 2009. - №1 - С.45-57.

14. Васин, П.А. Для диагностики тепловоза - комплекс «Магистраль» / П.

A. Васин // Локомотив. - 2001. - № 7 (535). - С. 27-31.

15. Воронцов, К.В. Математические методы обучения по прецедентам (теория обучения машин) [Электронный ресурс] / К.В. Воронцов // Режим доступа: http://www.ccas.ru/voron/.

16. Выбор метрики в машинном обучении. Как выбрать метрики для валидации результата Machine Learning [Электронный ресурс] // Режим доступа: http://blog.datalytica.ru/2018/05/blog-post.html.395

17. Галкин, В.Г. Надежность тягового подвижного состава / В.Г. Галкин,

B.П. Парамзин, В.А. Четвергов // М.: Транспорт, 1981. - 184 с.

18. Гиоев, З.Г. Основы виброакустической диагностики тяговых приводов локомотивов / З.Г. Гиоев // дисс. учен. степени доктора техн. наук // Ростов - на -Дону. - 1998. - 735 с.

19. Глазырин, А.С. Разработка и исследование нейросетевого регулятора для электропривода с механической нагрузкой типа «пара трения» / А.С. Глазырин, С.В. Ланграф, Л.Е. Козлова, Т.А. Глазырина, В.В. Тимошкин, К.С. Афанасьев // Доклады Томского гос. ун-та систем управления и радиоэлектроники. - 2011. - №2 1 (23) - а 171-177.

20. Головаш, А.Н. Проблемы и решения сервисного обслуживания локомотивов / А.Н. Головаш // Перспективы развития сервисного обслуживания локомотивов: материалы первой международной научно-практической конференции - М.: ООО «ТМХ-Сервис», 2014. - С.141-143.

21. Головаш, А.Н. Совершенствование системы ремонта и эксплуатации подвижного состава на основе комплексной системы управления качеством: дисс. доктора техн. наук: 05.22.07. - Омск, 2006. - 399 с.

22. Гольдберг, Б.С. Некоторые аспекты проектирования и внедрения системы технической диагностики тепловозов / Б.С. Гольдберг, В.А. Перминов, Т.В. Ставров, А.П. Здор // Повышение надежности тепловозов и диагностика. Труды ВНИТИ, вып.66. - Коломна, 1987. - С. 72-80.

23. Горский, А. В. Стратегия интеллектуального ремонта локомотивов / А.В. Горский, А. А. Воробьев, А.В. Скребков // - М.: Локомотив. - 2012. - №7. -С. 56 - 59.

24. ГОСТ 20911-89. Техническая диагностика. Термины и определения. -Взамен ГОСТ 20911-75. - Введен 01.01.1991 - М.: Стандартинформ, 2009 - 9 с.

25. ГОСТ ИСО 20958-2015 Контроль состояния и диагностика машин. Сигнатурный анализ электрических сигналов трехфазного асинхронного двигателя. - Введен 12.11.2015 - М.: Стандартинформ, 2016 - 27 с.

26. ГОСТ Р 50779.10-2000. Статистические методы. Вероятность и основы статистики. Термины и определения. - Введен 01.07.2001 - М.: Стандартинформ, 2001 - 47 с.

27. ГОСТ Р ИСО 13379-2-2016. Контроль состояния и диагностика машин. Методы интерпретации данных и диагностирования. Ч.2. Подход на основе данных. - Введен 10.11.2016 - М.: Стандартинформ, 2016 - 15 с.

28. Грачев, В. В. Научные основы применения методов интеллектуального анализа данных для контроля технического состояния локомотивов / В. В. Грачев // дисс. учен. степени доктора техн. наук // ПГУПС. - Спб., 2020. - 434 с.

29. Грачев, В. В. Интеллектуальная система управления тяговым приводом постоянного тока / В.В. Грачев, Д.Н. Курилкин, А.В. Грищенко, В.А. Кручек, Ю.В. Бабков, К.С. Перфильев, В.Ю. Евсеев // Электроника и электрооборудование транспорта. - 2019. - №5. - С. 34 - 38.

30. Грачев, В. В. Информационные технологии для тепловозов / В. В. Грачев, А. В. Грищенко // Локомотив, - М, 2007. - №4, С.18 - 24.

31. Грачев, В. В. Применение нейросетевых моделей для диагностирования оборудования современных локомотивов / В. В. Грачев, М. Ф. Федотов, С. И. Ким // Вест. ин-та проблем естественных монополий: Техника железных дорог. - М.: - 2018. - №3 - С. 22- 31.

32. Гриненко, В. И. Мониторинг технического состояния локомотивов по данным их бортовых микропроцессорных систем / В.И. Гриненко, А.А. Аболмасов, В.А. Мельников // Железнодорожный транспорт. - М.: - 2015. - №4. - С.70 - 74.

33. Грищенко, А. В. Аппарат искусственных нейронных сетей для диагностики современного локомотива / А.В. Грищенко, В.В. Грачёв, Ю. В. Бабков, Ю.И. Клименко, С.И. Ким, К.С. Перфильев, М.В. Федотов // Локомотив, 2012. - № 7. - С. 36 - 40.

34. Грищенко, А.В. Новые электрические машины локомотивов: учеб. пособие для вузов ж. д. транспорта / А. В. Грищенко, Е. В. Козаченко. - М.: Учеб. -метод. по образованию на ж. д. транспорте, 2008. - 271 с.

35. Давыдов, Ю. А. Контроль фактического технического состояния локомотивов на основе диагностики / Ю. А. Давыдов, А. К. Пляскин, А. С. Кушнирук // Современные технологии. Системный анализ. Моделирование. - 2018. - Т. 59, № 3. - С.38 - 47.

36. Джулли, А. Библиотека Keras - инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensor Flow. Пер. с англ. Слинкин А. А. [Текст] / А. Джулли, С. Пал // - М., ДМК Press. - 2018. - 294 с.

37. Доброскок Н.А. Алгоритмические методы снижения шумов и вибраций в частотно - регулируемом асинхронном электроприводе / Н.А. Доброскок // дисс. канд. техн. наук. - Санкт -Петербург. - 2014. - 162 с.

38. Евстафьев, А.М. Повышение энергетической эффективности электрического подвижного состава / А. М. Евстафьев // автореферат дисс. докт. техн. наук. - Санкт-Петербург, 2018. - 34 с.

39. Ергучев Л. А. Повышение контролепригодности асинхронного тягового привода тепловоза / Л. А. Ергучев // дисс. канд. техн. наук. - ЛИИЖТ. -Л., 1985. - 167 с.

40. Жернаков, С. В. Методология системного анализа для решения проблемы информационного мониторинга состояния авиационного электродвигателя / С. В. Жернаков // Вестн. Уфим. авиац-технич. ун-та. - Уфа: УГАТУ, 2010. - № 3 (38). - С. 84 - 100.

41. Жернаков, С. В. Контроль и диагностика технического состояния авиационных электродвигателей на основе интеллектуального анализа данных / С. В. Жернаков // дисс. доктора техн. наук / Уфа. - 2005. - 364 с.

42. Жернаков, С.В. Применение методологии системного анализа к решению проблемы информационного мониторинга состояния авиационного

электродвигателя / С.В. Жернаков // Авиакосмическое приборостроение. - М.: Научтехлитиздат, 2006. - № 10. - С. 9 - 23.

43. Замышляев, А. М. Автоматизация процессов комплексного управления техническим содержанием инфраструктуры железнодорожного транспорта /

A. М. Замышляев // дисс. доктора техн. наук. - МИИТ, М. - 2013. - 340 с.

44. Игин, В. Н. Научные основы анализа и контроля энергетической эффективности эксплуатируемого парка тепловозов [Текст]: дисс. доктора техн. наук: 05.22.07. - Москва, 2002. - 286 с.

45. Качановский, Ю. П. Предобработка данных для обучения нейронной сети / Ю. П. Качановский, Е. А. Коротков // Фундаментальные исследования. - М., 2011. - №12. - С.117 - 120.

46. Кашницкий, Ю. Открытый курс машинного обучения. Тема 3. Классификация, деревья решений и метод ближайшего соседа [Электронный ресурс] /Ю. Кашницкий // Режим доступа: https://habr.com/ru/company/ods/blog/ 324402/.

47. Киселев, В. И. Автоматизация управления рисками отказов локомотивов / В. И. Киселев, И. И. Лакин // Локомотив. - 2015. - №9 - С. 37-38.

48. Киселев, В. И. Использование нечетких множеств в информационных системах локомотивного комплекса для поддержки принятия решений /

B. И. Киселев, И. И. Лакин // Труды МИИТ: шестнадцатая НПК «Безопасность движения поездов». - 2015. - С. 62-68.

49. Киселев, В. И. Опыт сервисного обслуживания локомотивов / В. И. Киселев, И. И. Лакин // Железнодорожный транспорт, 2014. - №4 - С. 64 - 67.

50. Киселев, В. И. Техническое обслуживание и ремонт локомотивов: учебник для вузов ж.-д. транспорта / В.И. Киселев, В.А. Четвергов, В. Т. Данковцев. Под ред. В. А. Четвергова, В. И. Киселева // М.: ГОУ «Учебно-методический центр по образованию на железнодорожном траспорте» - 2007. - 588 с.

51. Клепиков, В. Б. Применение методов нейронных сетей и генетических алгоритмов в системах управления электроприводами / В. Б. Клепиков, С.А. Сергеев, К. В. Махотило, И. В. Обруч // Электротехника. - 1999. - № 5. - С. 2-6.

52. Клименко, Ю. И. Влияние параметрических отказов оборудования тепловоза на его энергоэффективность в эксплуатации / Ю. И. Клименко, В. А. Перминов, В. В. Грачев, Д. Н. Курилкин, А. В. Фролов // Локомотив. - М., 2017. -№ 4. - С. 40 - 45.

53. Козлова, Л. Е. Диагностика обрыва фазы статора асинхронного электродвигателя с использованием искусственной нейронной сети / Л. Е. Козлова, Т. А. Глазырина, В. В. Тимошкин, А. С. Глазырин // IV чтения Ш. Шокина: Материалы IV Международной научно - технической конференции - Павлодар, 1416 ноября 2010. - Павлодар: ПГУ, 2010. - С. 132 - 133.

54. Козлова, Л. Е. Применение искусственных нейронных сетей в электроприводе синтез нейроэмулятора фильтра низких частот / Л.Е. Козлова // Современные техника и технологии: Сборник трудов XVI Международной научно -практической конференции студентов, аспирантов и молодых ученых - Томск: ТПУ, 2010. - С. 430 - 432.

55. Козлова, Л. Е. Применение методов искусственных нейронных сетей идентификации параметров и координат асинхронного электродвигателя / Л. Е. Козлова, А.С. Глазырин // Электромеханические преобразователи энергии: Материалы IV Международной научно-технической конференции - Томск, 13-16 октября 2009. - Томск: ТПУ, 2009. - С. 298 - 300.

56. Козлова, Л. Е. Разработка и исследование систем замкнутого асинхронного электропривода по схеме ТРН-АД с нейросетевым наблюдателем скорости [Электронный ресурс] // Современные проблемы науки и образования. - 2013 - №. 5. - С. 656 - 661.

57. Коньков, А. Ю. Основы технической диагностики локомотивов: учеб. пособие / А.Ю. Коньков // Хабаровск: Изд-во ДВГУПС. - 2007. - 98 с.

58. Коробкова, С. В. Проблемы эффективной аппроксимации многомерных функций с помощью нейронных сетей / С.В. Коробкова // Известия Южного федерального университета. Технические науки. - 2006. - Т. 58, № 3. -С. 121-127.

59. Космодамианский, А.С. Автоматическое регулирование температуры обмоток тяговых электрических машин локомотивов: Монография [Текст] / - М.: Маршрут, 2005. - 256 с.

60. Космодамианский, А.С. Повышение надежности тяговых и вспомогательных электроприводов локомотивов / А.С. Космодамианский, В.И. Воробьев, А.А. Пугачев, А.С. Самотканов // Международная научно-практическая конференция «Эксплуатационная надежность подвижного состава» (18 октября 2013 г). - Омск: НИИТКД, 2013. - С. 105 - 111.

61. Коссов, В. С. Диагностическая информация на службе эксплуатации и ремонта локомотивов / В. С. Коссов, Ю. И. Клименко, М. В. Федотов // Евразия Вести, 2012 - №16. - С. 16 - 22.

62. Кочкар, Т. А. Нейронные сети в системах управления преобразователями электрического подвижного состава / Т.А. Кочкар, А.С. Мазнев // Бюллетень результатов научных исследований, ПГУПС. - Спб., 2016. - С. 57-66.

63. Круглов, В. В. Искусственные нейронные сети / В. В. Круглов, В. В. Борисов // Теория и практика. - М.: Горячая линия - Телеком, 2002. - 382 с.

64. Лакин, И. И. Мониторинг технического состояния локомотивов по данным бортовых аппаратно-программных комплексов: дисс. канд. техн. наук: 05.22.07. - Москва, 2016. - 195 с.

65. Лакин, И. К. «Умный локомотив»: диагностирование тяговых электродвигателей тепловозов с использованием методов машинного обучения» /

Лакин И.К., Павлов В.В., Мельников В.А. // СПб, Транспорт Российской Федерации. - 2018. - №1 - С.53 - 56.

66. Лакин, И. К. Диагностирование электрической передачи тепловозов методами машинного обучения / И.К. Лакин, В.В. Павлов, В.А. Мельников // Техника железных дорог. - 2017. - №4(40) - С.43 - 51.

67. Лакин, И. К. Применение статистических методов при диагностировании тепловозов / И. К. Лакин, А. А. Аболмасов, В. А. Мельников // Известия Транссиба. - 2015. - №1 - С. 19 - 28.

68. Лакин, И. К. Центр мониторинга и диагностики компании GE / И. К. Лакин // ООО «ТМХ-Сервис». - М., 2013. - 21 с.

69. Ланграф, С. В. Исследование параметрической работоспособности бездатчикового векторного асинхронного электропривода с идентификатором Калмана / С. В. Ланграф, А. С. Глазырин, Т. А. Глазырина, К. С. Афанасьев, В. В. Тимошкин, Л. Е. Козлова // Известия томского политехнического университета. - Т. 317. - № 4. - 2010. - С. 120 - 123.

70. Липа, К. В. Мониторинг технического состояния и режимов эксплуатации локомотивов. Теория и практика / К.В. Липа, А.А. Белинский, В. Н. Пустовой, С. Л. Лянгасов, И. К. Лакин, А. А. Аболмасов, В.А. Мельников, И.И. Лакин, А.А. Баркунова, И. В. Пустовой // Монография - М.: ООО «Локомотивные Технологии», 2015. - 212 с.

71. Лукичев, Д. В. Исследование и разработка нейросетевого наблюдателя потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым электродвигателем / Д. В. Лукичев // дис. канд. техн. наук. -Санкт Петербург. - 2005. - 197 с.

72. Лукичев, Д. В. Синтез оптимальной структуры нейросетевых устройств / Д. В. Лукичев, А.А. Усольцев // Научно-технический вестник. - 2005. - № 4(20). - С. 97-102.

73. Луков, Н. М. Основы автоматики и автоматизации тепловозов [Текст]: учебник для вузов / Н. М. Луков. - М.: Транспорт, 1989. - 295 с.

74. Мельников, В. А. Применение методов машинного обучения для оценки технического состояния и остаточного ресурса оборудования локомотивов / В.А. Мельников, Е.Е. Казакова // «Перспективы развития сервисного обслуживания локомотивов / Труды III международной научно-практической конференции. - Москва. - 2018 - С. 246 - 250.

75. Михайлов, А. С. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов / А. С. Михайлов, Б. А. Староверов // Вестн. Ивановск. Гос. Эканом. унта. - Ивановск: ИГУ, 2013. - Вып. 3. - С. 64 - 66.

76. Михальчук, Н. Л. Актуальность развития локомотиворемонтного комплекса при переходе на полное сервисное обслуживание / «Перспективы развития сервисного обслуживания локомотивов». Труды I международной научно-практической конференции. - Москва. - 2014. - С. 9 - 17.

77. Назаров, А. В. Нейросетевые алгоритмы прогнозирования и оптимизации систем / А. В. Назаров, А. И. Лоскутов // СПб.: Наука и техника. -2003. - 384 с.

78. Нестеров, К. Е. Разработка и исследование системы «Тиристорный преобразователь напряжения - асинхронный электродвигатель» с вычислителем скорости ротора по ЭДС статора // дис. канд. техн. наук. - Екатеринбург. - 2009. -140 с.

79. Нестеровский, А. В. Динамическая идентификация параметров ротора асинхронного электродвигателя с помощью искусственной нейронной сети / А. В. Нестеровский, В.Г. Каширских // Вестник Кузбасского государственного технологического университета. - 2004. - №4(41) - С. 50 - 51.

80. Нестеровский, А. В. Использование демпфирования и искусственной нейронной сети для определения потокосцепления статора асинхронного

электродвигателя / А. В. Нестеровский, В. Г. Каширских // Вестник Кузбасского государственного технологического университета. - 2007. - №1 - С. 41 - 43.

81. Овчаренко, С.М. Повышение эффективности системы диагностирования тепловозов / С. М. Овчаренко // дисс. доктора техн. наук. - Омск.

- 2007. - 366 с.

82. Осяев, А. Т. Повышение эффективности магистральных электровозов методами управления их техническим состоянием / А. Т. Осяев // дисс. доктора техн. наук. - М.: - 2002. - 365 с.

83. П.м. 73070 Российская Федерация, МПК 00Ш 09/00. Устройство для регистрации режимов работы локомотива / В.В. Грачев, А.В. Грищенко, Ф.Ю. Базилевский, В.Г. Лавский. А.А. Антонов, И.В. Зименков; заявитель 385 ФГБОУ ВО ПГУПС, патентообладатели ФГБОУ ВО ПГУПС и ООО «ТехноВИС»

- №2007147166/22; заявл. 18.12.2007; опубл. 10.05.2008, БИ №18.

84. Пат. №103260 РФ. МПК Н02Р 21/00 (2006.01), Н02Р 27/08 (2006.01). Устройство управления асинхронным электродвигателем / Л. Е. Козлова, Т. А. Глазырина, А. С. Глазырин, С. В. Ланграф, В. В. Тимошкин, К. С. Афанасьев. Заявка № 2010135993; Опубл. 10.02.2011, Бюл. № 4. - 2 с.

85. Пляскин, А. К. Повышение эффективности использования данных бортовых регистраторов локомотивов / А. К. Пляскин, М. Ю. Кейно // Сборник трудов международной научно-технической конференции «Локомотивы. ХХ1 век». - СПб, ФГБОУ ВО ПГУПС. - 2017. - С. 280 - 283.

86. Пушкарев, И. Ф. Контроль и оценка технического состояния тепловозов / И. Ф. Пушкарев, Э. А. Пахомов // М.: Транспорт. - 1985. - 161 с.

87. Радин, В. И. Электрические машины; Асинхронные машины: учебник / В.И. Радин, Д.Э. Брускин, А.Е. Зорохович // под ред. И.П. Копылова. - М.: Высшая школа, 1988. - 328 с.

88. Рипли, В. Д. Распознавание образов и нейронные сети / В. Д. Рипли // Издательство Кембриджского университета. - 1996. - 403 с.

89. Ротштейн, А. П. Интеллектуальные технологии идентификации: нечеткие множества, нейронные сети, генетические алгоритмы. Монография [Текст] / А. П. Ротштейн // Винница, Универсум - Винница. - 1999. - 295 с.

90. Свид. 2020614452 Российская Федерация. Свидетельство об официальной регистрации программы для ЭВМ. Теория автоматики локомотивов / А. В. Грищенко, О.Р. Хамидов, В. В. Грачев, Д. Н. Курилкин, Ф. Ю. Базилевский; заявитель и правообладатель Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования «Петербургский государственный университет путей сообщения Императора Александра I» (ФГБОУ ВО ПГУПС) (RU). - №2020613305; заявл. 23.03.2020.

91. Сергеева, В. Умный локомотив на полном ходу [Электронный ресурс] / В. Сергеева // РЖД. Партнер. РУ: Информационное агентство. - 2017. - Режим доступа: https: //www.rzd-partner.ru/zhd-transport/comments/umnyy-lokomotiv-na-polnom-khodu/.

92. Система микропроцессорная управления, регулирования и диагностики. Руководство по эксплуатации 27.Т.156.00.00.000 РЭ/АО ВНИКТИ -Коломна, 2007. - 111 с.

93. Стратегия научно-технологического развития холдинга «РЖД» на период до 2025 года и на перспективу до 2030 года (Белая книга) [Текст]. -М.: ОАО «РЖД». - 2015. - 128 с.

94. Ткачук, Р. Ю. Нейросетевая идентификация и диагностика электрических машин в условиях сильных импульсных помех / Р. Ю. Ткачук, А. С. Глазырин, В. И. Полищук, Т. А. Глазырина, В. В. Тимошкин, Л. Е. Козлова // Научные проблемы транспорта Сибири и Дальнего Востока. - 2011 - №2. 2 - C. 282285.

95. Тычков, А. С. Особенности обработки результатов диагностики тяговых двигателей электровозов с использованием нейросетевых технологий / А.

С. Тычков, А. Н. Калякулин // Вестник института тяги и подвижного состава, Хабаровск: ДВГУПС. - 2016. - №12. - С. 39 - 42.

96. Тычков, А. С. Оценка эффективности внедрения системы диагностики тяговых электродвигателей электровозов / А.С. Тычков, А. А. Булатов // Актуальные проблемы развития транспортных систем Российской федерации. Сборник научных трудов с международным участием. - Самара: СамГУПС. - 2005. - С. 84 - 88.

97. Тэттер, В. Ю. Разработка технологий и оборудования для вибродиагностирования колесно-моторных блоков локомотивов: Дисс. канд. техн. наук / В.Ю. Тэттер. - Омск, 2005. - 189 с.

98. Усков, А. А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А. А. Усков, А. В. Кузьмин. -М.: Горячая линия - Телеком, 2004. - 143 с.

99. Федотов, М. В. Бортовой модуль непрерывного удаленного контроля параметров локомотива в эксплуатации (АСК ВНИКТИ) / М.В. Федотов, В.В. Грачев, А. И. Нестеров, А. В. Грищенко, Ф. Ю. Базилевский // Сборник трудов международной научно-технической конференции «Локомотивы. ХХ1 век». - СПб, ФГБОУ ВО ПГУПС. - 2013. - С.123 - 124.

100. Федяева, Г.А. Динамические процессы при совместном регулировании асинхронных тяговых двигателей тележки тепловоза / Г.А. Федяева [и др.] // Вестн. Брянского государственного технического университета. - 2014. - № 4. -С. 129 - 132.

101. Феоктистов, В. П. Автоматизированная система управления локомотивным хозяйством (АСУТ) / А. Ю. Тимченко, И. К. Лакин, А. А. Воробьев, А. В. Горский, В. П. Феоктистов, Ю. В. Смирнов // - М.: МИИТ, 2001. - 42 с.

102. Хайкин, С. Нейронные сети. Полный курс. 2-е издание [Текст] / С. Хайкин // М.- Изд. дом «Вильямс». - 2006. - 1104 с.

103. Хамидов О. Р. Применение технологии нейронных сетей для диагностики технического состояния локомотивных асинхронных электродвигателей / О. Р. Хамидов, А. В. Грищенко // Сборник трудов международной научно-технической конференции «Локомотивы. ХХ1 век». - СПб, ФГБОУ ВО ПГУПС. - 2018. - С.99 - 106.

104. Хамидов, О. Р. Диагностирование тяговых приводов современного локомотива с помощью интеллектуальных методов / О. Р. Хамидов // Материалы V всеросс. науч.-технич. конференции с международным участием «Технологическое обеспечение ремонта и повышение динамических качеств железнодорожного подвижного состава» - 14 ноября, 2019г.- Омск: ОмГУПС, 2019. - С. 325 - 332.

105. Хамидов, О. Р. Возможности, перспективы и особенности модульной конструкции грузового электровоза в современных эксплуатационных условиях /

B. А. Кручек, О. Р. Хамидов // Известия Петербургского университета путей сообщения. - 2020. - Т.17. № 1. - С. 96 - 107.

106. Хамидов, О. Р. Диагностирование и моделирование несимметричных режимов асинхронных тяговых электродвигателей локомотивов с применением искусственных нейронных сетей / О. Р. Хамидов // Изв. Петерб. ун-та путей сообщения. - СПб.: ПГУПС, 2019. - Т 16. - Вып. 2 - С. 251 - 262.

107. Хамидов, О. Р. Математическая модель вибровозмущающих сил локомотивного асинхронного электродвигателя / О. Р. Хамидов, М. Н. Панченко // Изв. Петерб. ун-та путей сообщения. - СПб.: ПГУПС, 2013. - Вып. 4(37). -

C. 60 - 67.

108. Хамидов, О. Р. Математическая модель сепаратора подшипника качения локомотивных асинхронных электродвигателей / А. В. Грищенко, А.С. Хрущев, О.Р. Хамидов, М.С. Яшкин // Известия Петербургского университета путей сообщения. - 2014. - № 2(39). - С. 5 - 10.

109. Хамидов, О. Р. Математическое моделирование асинхронных тяговых электродвигателей локомотивов с короткозамкнутым ротором / О.Р. Хамидов // Бюллетень результатов научных исследований. - 2019. - №1. - С. 41 - 47.

110. Хамидов, О. Р. Моделирование и экспериментальное исследование асинхронного тягового электродвигателя локомотивов при аварийных режимах работы / О.Р. Хамидов // Известия Петербургского университета путей сообщения. - 2020. - Т.17. №1. - С. 44 - 54.

111. Хамидов, О. Р. Оценка технического состояния асинхронных тяговых электродвигателей электровозов серии «и7-БЬ» средствами вибродиагностики / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие».: сб. избр. статей. - СПб, ГНИИ «Нацразвитие», 2017. - С. 13 - 19.

112. Хамидов, О. Р. Оценка технического состояния локомотивных асинхронных электродвигателей средствами вибродиагностики / О. Р. Хамидов // дисс. канд. техн. наук, ПГУПС. - СПб., 2014. - 149 с.

113. Хамидов, О. Р. Разработка методики комплексного диагностирования асинхронного тягового электродвигателя подвижного состава железнодорожного транспорта / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие»: сб. избр. статей. - СПб: ГНИИ «Нацразвитие», 2017. - С. 32-39.

114. Хамидов, О.Р. Исследование дефектов подшипников качения локомотивных асинхронных электродвигателей средствами вибродиагностики / О. Р. Хамидов, М. Э. Абдувахобов, А. К. Жураев // Материалы I Международной научно-практической конференции «Локомотивы. Газомоторное топливо», 2016. -С. 128 - 131.

115. Хамидов, О.Р. Методы диагностики асинхронных тяговых электродвигателей электровозов «и7-ЕЬ» / О. Р. Хамидов // Сборник материалов VI Международной научно-технической конференции «Локомотивы. Электрический транспорт. XXI век», 2018. - С. 106 - 111.

116. Хамидов, О.Р. Новый подход к исследованию вибраций дефектов ротора и подшипников качения локомотивных асинхронных электродвигателей / А.В. Грищенко, О.Р. Хамидов // В сборнике: Электрификация и развитие инфраструктуры энергообеспечения тяги поездов скоростного и высокоскоростного железнодорожного транспорта Седьмой Международный симпозиум. - 2015. - С. 150 - 156.

117. Хамидов, О.Р. Определение силы ударного воздействия ролика подшипника на наружное кольцо в зоне трещины / О. Р. Хамидов // Вестник транспорта Поволжья. - 2013. - № 3(39). - С. 40 - 43.

118. Хамидов, О.Р. Оценка технического состояния локомотивных асинхронных тяговых электродвигателей с использованием нейронных сетей / А.В. Грищенко, О.Р. Хамидов // Транспорт РФ. - 2018. - №6 (79). - С. 19 - 23.

119. Хамидов, О.Р. Оценка технического состояния подшипников качения асинхронного тягового электродвигателя / О.Р. Хамидов // Известия ПГУПС. -2013. - № 1(34). - С. 169 - 174.

120. Хамидов, О.Р. Разработка математической модели вибровозмущающих сил локомотивного асинхронного электродвигателя / О.Р. Хамидов, М.Н. Панченко // Известия Петербургского университета путей сообщения. - 2013. - №4(37). -С. 60 - 69.

121. Хамидов, О.Р. Разработка нейросетевой модели для диагностики состояния локомотивного асинхронного электродвигателя / О.Р. Хамидов // Известия Петербургского университета путей сообщения. - 2019. - Т.16. №4. -С. 620 - 630.

122. Харламов, В. В. Применение нейронной сети для оценки технического состояния тяговых электродвигателей локомотивов в технологическом процессе ремонта / В. В. Харламов, П. К. Шкодун, А. С. Огневский // Сборник трудов конференции «Инновационные проекты и технологии машиностроительных производств», ОмГУПС, г. Омск, 15 - 16 октября 2015. - С. 39 - 45.

123. Хомченко, Д. Н. Исследовательские испытания тяговых электродвигателей электровозов переменного тока / Д. Н. Хомченко // Труды Ростовского государственного университета путей сообщения (РГУПС). - 2015. №4, г. Ростов - на - Дону. - С. 155 - 158.

124. Четвергов, В. А. Надежность локомотивов [Текст] / В.А. Четвергов, А. Д. Пузанков // - М: Маршрут, 2003. - 415 с.

125. Шантаренко, С. Г. Инженерные методы анализа и обеспечения эксплуатационной надежности колесно-моторных блоков локомотивов новых серий / С. Г. Шантаренко // Материалы всероссийской научно-технической конференции с международным участием «Технологическое обеспечение ремонта и повышение динамических качеств железнодорожного подвижного состава», Омск, ОмГУПС. - 2011. - С.72 - 79.

126. Шантаренко, С. Г. Совершенствование технологической готовности технического обслуживания и ремонта тягового подвижного состава: дисс. доктора техн. наук: 05.22.07. - Омск, 2006. - 419 с.

127. Abiyev, R. H. Fuzzy wavelet neural networks for identification and control of dynamic plants - a novel structure and a comparative study / R. H. Abiyev, O. Kaynak // IEEE Trans. Ind. Electron. - 2008. - Vol. 55, issue. 8. - P. 3133 - 3140.

128. Alexandre, B. Fault diagnosis of an induction motor based on fuzzy logic, artificial neural network an hybrid system / B. Alexandre, N. Y. Maurice, N. N. Leandre, M. M. Laure // Intern. Journal of Control Science and Engineering. - 2018. - Iss. 8(2) -P. 42-51.

129. Aminian, M. Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor / M. Aminian, F. Aminian // IEEE Trans. Circuits Syst. II: Analog Digital Signal Processing. - 2000. - Vol. 47 (2) - P.151-156.

130. Arkan, M. Modelling and simulation of induction motors with inter-turn faults for diagnostics / M. Arkan, D. Kostic-Perovic, P. J. Unsworth // Electric Power Systems Research. - 2005. - Vol. 75. - P. 57 - 66.

131. Awadallah, M. A. ANFIS-Based diagnosis and location of stator inter-turn faults in PM brushless DC motors / M. A. Awadallah, M. M. Morcos // IEEE Trans. Energy Conv. - 2004. - Vol. 19, Iss. 4. - P. 795 - 796.

132. Bachir, S. Diagnosis by parameter estimation of stator and rotor faults occurring in induction machines / S. Bachir, S. Tnani, J. C. Trigeassou, G. Champenois // IEEE Trans. Ind. Electron. - 2006. - Vol. 53, -3. - P. 963-973.

133. Ballal, M. S. Adaptive neural fuzzy Inference system for the detection of inter-turn insulation and bearing wear faults in induction motor / M. S. Ballal, Z. J. Khan,

H. M. Suryawanshi, R. L. Sonolikar // IEEE Trans. Ind. Electron. - 2007. - Vol. 54, Iss.

I. - P. 250 - 258.

134. Barker, S. Avoiding premature bearing failure with inverter fed induction motors / S. Barker // Power Engineering Journal. - 2000. - Vol. 14, Iss. 4. - P. 182 - 189.

135. Barrero, F. Speed control of induction motors using a novel fuzzy sliding-mode structure / F. Barrero, A. Gonzalez, A. Torralba, E. Galvan, L. G. Franquelo // IEEE Transactions on Fuzzy Systems. - 2002. - Vol.10. - P. 375-383.

136. Benbouzid, M. H. A Review of induction motors signature analysis as a medium for faults detection / M. H. Benbouzid, IEEE Trans. Ind. Elect. - 2000. - Vol. 47. - P.984 - 993.

137. Bolognani, S. Hardware and software effective configurations for multi-input fuzzy logic controllers Fuzzy systems / S. Bolognani, M. Zigliotto // IEEE Transactions on Systems. - 1998. - Vol. 6 - P.173 - 179.

138. Boqiary, X. Feature signal extraction of inter-turn short circuit fault in stator windings of induction motors / X. Boqiary, L. Heming, S. Liling // In Proc. IEEE ICIT, Bangkok, Thailand. - 2002. - Vol. 1. - P. 97 - 100.

139. Bouzid, M.B. An effective neural approach for the automatic location of stator inter-turn faults in induction motor / M. B. Bouzid, G. Champenois, N. M. Bellaaj, L. Signac, K. Jelassi // IEEE Trans. Ind. Electron. - 2008. - Vol. 55, Iss. 12. -P. 4277 - 4289.

140. Cho, H. C. Fault detection and isolation of induction motors using recurrent neural networks and dynamic Bayesian modeling / H. C. Cho, J. Knowles, M. S. Fadali, K. S. Lee // IEEE Trans. on Control Systems Tech. - 2010. - Vol. 18, Iss. 2. -P. 430 - 437.

141. Chow, M. Y. On the application and design of artificial neural networks for motor fault detection / M. Y. Chow, R. N. Sharpe, J. C. Humg // IEEE Trans. Ind. Electron. - 1993. - Vol. 40, Iss. 2. - P. 181 - 196.

142. Chow, M. Y. Using neural networks to detect incipient faults in induction motors / M. Y. Chow, S. O. Yee // J. Neural Netw. Comput. - 1991. - Vol. 2, Iss. 3. -P. 26 - 32.

143. Deutsch, J. Using deep learning-based approaches for bearing remaining useful life prediction / J. Deutsch, D. He // Annual Conference of the Prognostics and Health Management Society, PHM Society. - 2016. - P. 1-7.

144. Douglas, H. A New algorithm for transient motor current signature analysis using wavelets / H. Douglas, P. Pillay, A.K. Ziarani // IEEE Trans. Ind. Appl. - 2004. -Vol. 40, Iss. 5. - P. 1361-1368.

145. Filippetti, F. Recent developments of induction motor drives fault diagnosis using AI techniques / F. Filippetti, G. Franceschini, C. Tassoni // IEEE Trans. Ind. Electron. - 2000. - Vol. 47, Iss.5. - P. 994 -1003.

146. Han-Xiong, L. A new methodology for designing a fuzzy logic controller / L. Han-Xiong, H. B. Gatland // IEEE Transactions on Systems, Man and Cybernetics. -1995. - Vol. 25. - P. 505 - 512.

147. Hyun, C. Fault detection and isolation of induction motors using recurrent neural networks and dynamic Bayesian modeling / C. Hyun, J. Knowles, S. Fadali, L. Kwon // IEEE Transactions on Control Systems Technology. - 2010. - Vol. 18(2) - P. 430 - 437.

148. Ibaliden, A. Fuzzy robust speed control of induction motor / A. Ibaliden, P. Goureau // Proc. IC EM'96, Pt. III, Vigo, Spain. - 1996. - P.168 - 173.

149. Ince, T. Real-time motor fault detection by 1-D convolutional neural networks / T. Ince, S. Kiranyaz, L. Eren, M. Askar, M. Gabbouj // IEEE Trans. Industr. Electron. - 2016. - Vol. 63 (11) - P. 7067 - 7075.

150. Isermann, R. Model based fault detection and diagnosis - status and applications / R. Isermann // Annu. Rev. Control. - 2005. - Vol. 29, no. 1. - P. 71-85.

151. Jardine, A. K. A review on machinery diagnostics and prognostics implementing condition-based maintenance / A.K. Jardine, D. Lin, D. Banjevic // Mechanical systems and signal processing. - 2006. - Vol. 20(7) - P. 1483 - 1510.

152. Jung, J.H. Online diagnosis of induction motors using MCSA / J.H. Jung, J.J. Lee, B.H. Kwon // IEEE Trans. Ind. Electron. - 2006. - Vol. 53. Iss. 6. - P. 18421852.

153. Kanika, G. A review on fault diagnosis of induction motor using artificial neural networks / G. Kanika, K. Arunpreet // Intern. Journal of Scince and Research. -2014. - Iss. 7. - P. 680 - 684.

154. Karanayil, B. Online stator and rotor resistance estimation scheme using artificial neural networks for vector-controlled speed sensorless induction motor drive / B. Karanayil, M. F. Rahman, C. Grantham // IEEE Transaction on Industrial Electronics. - 2007. - Vol. 54. - P.167-176.

155. Kerszenbaum, I. Shaft currents in electric machines fed by solid-state drives / I. Kerszenbaum // IEEE Conference on Industrial and Commercial Power Systems, Pittsburgh-PA, USA. - 1992. - P. 71 - 79.

156. Kim, K. Induction motor fault diagnosis based on neuropredictors and wavelet signal processing / K. Kim, A. G. Parlos // IEEE/ASME Transactions on mechatronics. - 2002. - Vol. 7(2) - P. 201 - 219.

157. Kim, K. Sensorless fault diagnosis of induction motors / K. Kim, A. G. Parlos, R. M. Bharadwaj // IEEE Trans. Ind. Electron. - 2003. - Vol. 50, Iss. 5. -P. 1038 - 1051.

158. Lai, M. F. Application of fuzzy logic in the phase-locked loop speed control of induction motor drive / M. F. Lai, M. Nakano, G. C. Hsieh // IEEE Ttrans. on Ind. Electr. - 1996. - Vol. 43. - P. 630 - 639.

159. Li, B. Neural-network-based motor rolling bearing fault diagnosis / B. Li, M.Y. Chow, Y. Tipsuwan, J.C. Hung // IEEE Trans. Industr. Electron. - 2000. - Vol. 47 (5) - P.1060 - 1069.

160. Li, C. Fault diagnosis for rotating machinery using vibration measurement deep statistical feature learning / C. Li, R.V. Sanchez, G. Zurita, M. Cerrada, D. Cabrera // IEEE Trans. Ind. Electron. - 2016. - Vol. 16 (6) - P. 895 - 903.

161. Li, L. Regular paper indirect adaptive fuzzy sliding-mode control for induction motor drive / L. Li, Z. Xizheng // J. Electrical Systems. - 2011. - Vol. 7. -P. 412 - 422.

162. Li, Y. Stochastic prognostics for rolling element bearings / Y. Li, T. Kurfess, S. Liang // Mech. Syst. Signal Process. - 2000. - Vol. 14 (5) - P.747 - 762.

163. Lu, W. A novel feature extraction method using deep neural network for rolling bearing fault diagnosis / W. Lu, X. Wang, C. Yang, T. Zhang // The 27th Chinese Control and Decision Conference. - 2015. - P. 2427 - 2431.

164. Malhi, A. PCA-based feature selection scheme for machine defect classification / A. Malhi, R.X. Gao // IEEE Trans. Instrum. Meas. - 2004. - Vol.53 (6) -P.1517 - 1525.

165. Masiala, M. Performances of PI and fuzzy-logic speed control of field-oriented induction machine drives / M. Masiala, B. Vafakhah, A. Knight, J. Salmon // IEEE Canadian Conference on Electrical and Computer Engineering. - 2007, Vancouver, BC, Canada, 22-26 April. - P. 397 - 400.

166. Nejjari, H. Monitoring and diagnosis of induction motors electrical faults using a current park's vector pattern learning approach / H. Nejjari, M. H. Benbouzi d // IEEE Trans. Ind. Appl. - 2000. - Vol. 36, issue. 3. - P. 678 - 686.

167. Oh, H. Scalable and unsupervised feature engineering using vibration-imaging and deep learning for rotor system diagnosis / H. Oh, J.H. Jung, B.C. Jeon, B.D. Youn // IEEE Trans. Industr. Electron. - 2018. - Vol. 65 (4) - P. 3539 - 3549.

168. Oppenheimer, C.H. Physically based diagnosis and prognosis of cracked rotor shafts / C.H. Oppenheimer, K.A. Loparo // Aero Sense 2002, International Society for Optics and Photonics. - 2002 - P. 122 - 132.

169. Paterson, N. The analysis and detection of faults in three phase induction machines using finite element techniques / N. Paterson // Doctoral Thesis, Robert Gordon University, Wetherby British Library, Aberdeen, UK. - 1998. - 180 p.

170. Prieto, D. Bearing fault detection by a novel condition-monitoring scheme based on statistical-time features and neural networks / D. Prieto, G. Cirrincione, G. Espinosa, A. Ortega, H. Henao // IEEE Transactions on Industrial Electronics. - 2013. -Vol. 60(8) - P. 3398 - 3407.

171. Raj akarunakaran, S. Artificial neural network approach for fault detection in rotary system / S. Rajakarunakaran, P. Venkumar, K. Devaraj, K. S. Rao // Appl. Soft Comput. - 2008. - Vol. 8, Iss. 1. - P. 740 - 748.

172. Ramirez-Nino, J. Detecting interturn short circuits in rotor windings / J. Ramirez-Nino, A. Pascacio // IEEE Comp. Appl. in Power. - 2001. - Vol. 14, issue 4. -P. 39 - 42.

173. Riera-Guasp, M. A General approach for the transient detection of slip dependent fault components based on the discrete wavelet transform / M. Riera-Guasp, J. A. Antonino-Daviu, M. Pineda-Sanchez, R. Puche-Panadero, J. Perez-Cruz // IEEE Trans. Ind. Electron. - 2008. - Vol. 55, issue. 12. - P. 4167 - 4180.

174. Riera-Guasp, M. The use of the wavelet approximation signal as a tool for the diagnosis and quantification of rotor bar failures / M. Riera-Guasp, J. Antonino-Daviu, J. Roger-Folch, M. P. Molina // IEEE Trans. Ind. Appl. - 2008. - Vol. 44. -P. 716 -726.

175. Rodriguez, P. V. Detection of stator winding fault in induction motor using fuzzy logic / P. V. Rodriguez, A. Arkkio // Appl. Soft Comput. - 2008. - Vol. 8, Iss. 2. -P. 1112 - 1120.

176. Sahraoui, M. Modelling and detection of inter-turn short circuits in stator windings of induction motor / M. Sahraoui, A. Ghoggal, S. E. Zouzou, A. Aboubou, H. Razik // IEEE Trans. Energy Convers. - 2006. - Vol. 1, Iss. 1. - P. 498 - 4986.

177. Samanta, B. Artificial neural network-based fault diagnostics of rolling element bearings using time-domain features / B. Samanta, K. Al-Balushi // Mech. Syst. Signal Processing. - 2003. - Vol. 17 (2) - P. 317 - 328.

178. Saxena, A. Artificial neural network controller for vector-controlled induction motor drive / A. Saxena, S. Dutta, A. Chitra // International Journal of Computer Applications. - 2012. - Vol. 46 - P. 35 - 40.

179. Shao, H. Rolling bearing fault detection using continuous deep belief network with locally linear embedding / H. Shao, H. Jiang, X. Li, T. Liang // Computers in Industry. - 2018. - Vol. 96 - P. 27 - 39.

180. Shao, S. Learning features from vibration signals for induction motor fault diagnosis / S. Shao, W. Sun, P. Wang, R. X. Gao, R. Yan // Proceedings of 2016 International Symposium of Flexible Automation (ISFA). - 2016. - P. 1- 6.

181. Shao, S.Y. A deep learning approach for fault diagnosis of induction motors in manufacturing / S.Y. Shao, W.J. Sun, R.Q. Yan, P. Wang, R.X. Gao, J. Chinese // Mech. Eng. - 2017. -Vol. 30 (6) - P. 1347 - 1356.

182. Shun-Chung, W. A Modified PI-like fuzzy logic controller for switched reluctance motor drives / W. Shun-Chung, L. Yi-Hua // IEEE Transactions on Industrial Electronics. - 2011. - Vol. 58 - P. 1812 - 1825.

183. Siddique, A. A Review of stator fault monitoring techniques of induction motors / A. Siddique, G. S. Yadava // IEEE Trans. Energy Convers. - 2005. - Vol. 20, no. 1. - P. 106 - 114.

184. Silva, A. M. Induction machine broken bar and stator short-circuit fault diagnostics based on three-phase stator current envelope / A. M. Silva, R. J. Povinelli, N. A. Demerdash // IEEE Trans. Ind. Electron. - 2008. - Vol. 55, Iss.3. - P.1310 - 1318.

185. Smart, E. Comparing one and two class classification methods for multiple fault detection on an induction motor / E. Smart, D. Brown, A. Berg // In Industrial Electronics and Applications (ISIEA)., IEEE. - 2013. - P.132 - 137.

186. Stanislaw, F.L. Instantanious power as a medium for the signature analysis of induction motors / F. L. Stanislaw, A. M. Sadrul Ula, A. M. Trzynadlowski // IEEE Trans. Ind. Appl. - 2006. - Vol. 32, Iss. 4. - P. 559 - 566.

187. Su, H. Induction machine condition monitoring using neural network modeling / H. Su, K.T. Chong // IEEE Trans. Ind. Electron. - 2007 - Vol. 54 (1) - P. 241-249.

188. Sun, J. Intelligent bearing fault diagnosis method combining compressed data acquisition and deep learning / J. Sun, C. Yan, J. Wen // IEEE Trans. Instrum. Meas.

- 2018. - Vol. 67 (1) - P. 185 - 195.

189. Sun, W. A sparse auto-encoder-based deep neural network approach for induction motor faults classification / W. Sun, S. Shao, R. Zhao, R. Yan, X. Zhang, X. Chen // IEEE Trans. Industr. Electron. - 2016. - P. 171 - 178.

190. Sun, W. Convolutional discriminative feature learning for induction motor fault diagnosis / W. Sun, R. Zhao, R. Yan, S. Shao, X. Chen // IEEE Trans. Industr. Inf.

- 2017. - Vol. 13 (3) - P. 1350 - 1359.

191. Tan, W. W. A generic neuro-fuzzy model-based approach for detecting faults in induction motors / W. W. Tan, H. Huo // IEEE Trans. Ind. Electron. - 2005. -Vol. 52, Iss. 5. - P. 1420 - 1427.

192. Tao, S. Bearing fault diagnosis method based on stacked autoencoder and softmax regression, in: Control Conference (CCC) / S. Tao, T. Zhang, J. Yang, X. Wang, W. Lu // 34th Chinese, IEEE. - 2015. - P. 6331 - 6335.

193. Tavner, P. J. Core faults in large generators / P. J. Tavner, A. F. Anderson // IEE Proceedings on Electric Power Applications. - 2005. - Vol. 152, Issue 6. - P. 1427 - 1439.

194. Thomson W. Current signature analysis to detect motor faults / W. Thomson, M. Fenger // IEEE Ind. Appl. Mag. - 2001. - Vol. 7, issue. 4. - P. 26 - 34.

195. Thomson, W. T. Motor current signature analysis to detect faults in induction motor drives - fundamentals, data interpretation, and industrial case histories / W. T. Thomson, R. J. Gilmore // Proceedings of the 32nd Turbo machinery Symposium, Houston, TX, USA. - 2003. - P. 145 - 156.

196. Vas, P. Parameter estimation, condition monitoring, and diagnosis of electrical machines / P. Vas // Oxford, Clarendon. - 1993. - 378 p.

197. Verstraete, D. Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings / D. Verstraete, A. Ferrada, E.L. Droguett, V. Meruane, M. Modarres // Shock and Vibration. - 2017. - Vol. 17 - P. 60 - 65.

198. Wang, S. Y. Design of adaptive TSK-fuzzy observer for vector control induction motor drives / S. Y. Wang, C. L. Tseng, C. J. Chiu // IEEE Transactions on Systems. - 2011. - P. 5220 - 5223.

199. Wang, T. Rolling element bearing fault diagnosis via fault characteristic order analysis / T. Wang, M. Liang, W. Cheng // Mechanical Systems and Signal Processing. - 2014. - Vol. 45(1) - P. 139 - 153.

200. Yan, Y. Degradation assessment and fault modes classification using logistic regression / J. Yan, J. Lee, J. Manuf // Sci. Eng. - 2005. - Vol. 127 (4) - P. 912 - 914.

201. Yang, Z. R. A novel radial basis function neural network for discriminant analysis / Z. R. Yang // IEEE Trans. on Neural Networks. - 2006. - Vol. 7, Iss. 3. - P. 604 - 612.

202. Yin, S. Data-based techniques focused on modern industry: an overview / S. Yin, X. Li, H. Gao, O. Kaynak // IEEE Trans. Industr. Electron. - 2015. - Vol. 62 (1) -P. 657 - 667.

203. You, W. A hybrid technique based on convolutional neural network and support vector regression for intelligent diagnosis of rotating machinery / W. You, C. Shen, X. Guo, X. Jiang, J. Shi, Z. Zhu // Adv. Mech. Eng. - 2017. - Vol. 9 (6) -P.168-176.

204. Zhang, L. A deep learning-based recognition method for degradation monitoring of ball screw with multi-sensor data fusion / L. Zhang, H. Gao, J. Wen, S. Li, Q. Liu // Microelectron Reliab. - 2017. - Vol. 75 - P. 215 - 222.