Предиктивная диагностика оборудования тепловоза на основе интеллектуального анализа данных тема диссертации и автореферата по ВАК РФ 05.22.07, кандидат наук Федотов Михаил Владимирович

• Федотов Михаил Владимирович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Федотов Михаил Владимирович

Введение

1. Анализ путей повышения надежности тягового подвижного состава

1.1. Системы диагностирования, применяемые на тепловозах ОАО «Российские железные дороги»

1.2. Обзор зарубежного опыта применения диагностических систем

1.3. Исследование эксплуатационной надежности тепловоза как объекта диагностирования

1.4. Обзор методов диагностирования состояния элементов систем смазки дизелей

Выводы по первой главе

Цель и задачи исследования

2. Исследование работы системы смазки дизеля тепловоза на математической модели

2.1. Постановка задачи

2.2. Разработка математической модели системы смазки тепловозного дизеля

2.3. Решение системы уравнений модели

2.4. Проверка адекватности модели системы смазки

2.5. Исследование работы системы смазки на математической модели

Выводы по второй главе

3. Применение технологий интеллектуального анализа данных для диагностирования системы смазки дизеля тепловоза

3.1. Выбор методов интеллектуального анализа данных для задач диагностирования системы смазки

3.2. Формирование обучающей выборки для эталонной диагностической модели системы смазки тепловозного дизеля

3.3. Синтез и исследование алгоритмов классификации для диагностирования системы смазки дизеля с использованием методов машинного обучения

3.4. Контроль технического состояния системы смазки с использованием регрессионных эталонных диагностических моделей

3.5. Прогнозирование изменения состояния системы смазки тепловозного дизеля ...118 Выводы по третьей главе

4. Результаты экспериментальных исследований диагностических моделей системы смазки дизеля тепловоза

4.1. Формирование диагностических выборок

4.2. Исследование алгоритмов классификации

4.3. Исследование регрессионных нейросетевых диагностических моделей

4.4. Исследование прогнозных моделей на основе рекуррентных нейронных сетей . 147 Выводы по четвертой главе

5. Построение системы предиктивного контроля технического состояния тепловозов с использованием методов интеллектуального анализа данных

5.1. Основные принципы построения предиктивной системы технического диагностирования тепловозов

5.2. Автоматизация процессов получения и обработки информации в системе предиктивной диагностики тепловозов

5.3. Практическая реализация системы предиктивного контроля технического состояния тепловозов

Выводы по пятой главе

Заключение

Список литературы

Приложение А

Приложение Б

Введение диссертации (часть автореферата) на тему «Предиктивная диагностика оборудования тепловоза на основе интеллектуального анализа данных»

ВВЕДЕНИЕ

АКТУАЛЬНОСТЬ ПРОБЛЕМЫ Повышение качества деятельности холдинга «РЖД» не может быть достигнуто без применения новых научных и технологических подходов, основанных на информационных технологиях. В «Стратегии научно-технического развития холдинга «РЖД» на период до 2025 года и на перспективу до 2030 года (Белая книга)»определены основные принципы формирования и перспективные направления реализации проекта «Цифровая железная дорога ОАО «РЖД»[1.1]. Этот проект - совокупность цифровых информационных и коммуникационных технологий, процессов и стандартов, целью которого является обеспечение устойчивой конкурентоспособности холдинга «РЖД» на основе повышения привлекательности транспортных и логистических услуг, предоставляемых клиентам за счет применения современных цифровых технологий. Стратегией определены пять классов автоматизированных решений, которые обладают высоким технологическим потенциалом использования для реализации модели проекта «Цифровая железная дорога ОАО «РЖД»[1.1]. Одним из классов являются цифровые объекты, диагностика и прогнозирование как средства для формирования и поддержания в актуальном состоянии субъектов производственной деятельности. К данному классу относится технология постоянного сбора первичных данных о состоянии подвижного состава и объектов инфраструктуры с последующим формированием комплексного описания объектов в целях управления их жизненным циклом, контроля состояния в движении, цифровой диагностики объектов инфраструктуры, а также оперативного взаимодействия с участниками производственной деятельности и поставщиками [1.1].

Стратегия развития холдинга «РЖД» определяет и требования к инновационному подвижному составу и его информационно-управляющему бортовому комплексу, где одним из требований является наличиебортовой диагностики вспомогательных машин и вспомогательных цепей, нагруженных механических узлов, экипажной части, пожарно-охранной

сигнализации и пожаротушения, а также диагностики тяговых электродвигателей, силовых электрических цепей локомотивов, дизель-генераторных установок и их систем с возможностью реализации функций автоматизированного прогнозирования наступления предотказного состояния оборудования на основе результатов обработки текущих значений и динамики изменения контролируемых параметров, а также формирования тревожных сообщений о наличии риска возникновения отказа, передаваемых посредством оперативной связи: машинисту, в систему мониторинга состояния локомотива на заводе-изготовителе и в ремонтном подразделении [1.1]. Одной из целевых задач, предъявляемых к новым локомотивам, является наличие в них «интеллектуальных технологий», позволяющих осуществить переход от планово-предупредительного ремонта к ремонту по фактическому состоянию на основе применения бортовой системы диагностики с функцией прогноза остаточного ресурса оборудования [1.1].

СТЕПЕНЬ РАЗРАБОТАННОСТИ.

Современные магистральные тепловозы оборудуются микропроцессорными системами управления и регулирования с функцией непрерывной регистрации всех контролируемых параметров и возможностью их передачи через съемный накопитель или по беспроводным каналам связи. Часть этих параметров используется балансодержателем парка и сервисными компаниями для мониторинга режимов эксплуатации локомотивов, маршрута движения, прихода и расхода топлива. Большая часть регистрируемых параметров может быть использована для контроля технического состояния и планирования объемов предстоящих ремонтов и обслуживаний. Но эта, лежащая на поверхности возможность, не используется по причине отсутствия параметрического обеспечения и комплекса процедур автоматизированного выходного контроля качества ремонта, как объективного «инструмента» балансодержателя парка в деле получения от сервисной компании качественно отремонтированных локомотивов.

Значительный научный и практический вклад в разработку средств параметрической диагностики внести такие ученые и специалисты как как В.Н. Балабин, В.М. Бочаров, А.А. Будницкий, П.А. Васин, Р.К. Гизатулин, А.Д. Глущенко, А.Н. Головаш, Б.С. Гольдберг, В.В. Грачев, А.В. Грищенко, С.Г. Жалкин, А.П. Здор, В.И. Киселев, А.Ю. Коньков, Г.А. Комаров, А.А. Куриц, И.К. Лакин, Э.И. Нестеров, Е.А. Никитин, Д.А. Носырев, А.Т. Осяев, Е.С. Павлович, В.П. Парамзин, Э.А. Пахомов, В.А. Перминов, Ю.Э. Просвиров, Н.Н. Простотин, В.А. Рыжов, А.Э. Симсон, Т.В. Ставров, Э.Д. Тартаковский, В.Ю. Тэттер, Э.А. Улановский, Л.П. Устюгов, Г.А. Фофанов, А.З. Хомич, В.А. Четвергов, А.А. Черняков, С.Г. Шантаренко и др.

ЦЕЛЬ РАБОТЫ. Целью диссертационной работы является повышение эксплуатационной надежности и эффективности работы тепловозов за счет использования предиктивной оценки технического состояния оборудования и прогнозирования его изменения на примере системы смазки дизеля.

Для достижения поставленной цели в работе поставлены и решены следующие задачи.

1. Выполнен обзор современных средств и систем диагностирования локомотивного оборудования и анализ методов обработки диагностической информации.

2. Создана математическая модель системы смазки дизеля тепловоза ТЭП70БС.

3. Теоретически обоснованы и практически реализованы методы контроля текущего состояния системы смазки на основе нейросетевых эталонных диагностических моделей и интеллектуальных классификаторов.

4. Разработаны методы прогнозирования изменения технического состояния системы смазки с использованием рекуррентных нейронных сетей.

5. Выполнены экспериментальные исследования функционирования предиктивной системы технического диагностирования тепловозов на примере системы смазки дизеля.

6. Предложена структура построения предиктивной системы технического диагностирования локомотивов и алгоритм

регламентированного применения интеллектуальных методов обработки диагностической информации.

7. Выполнено технико-экономическое обоснование эффективности применения предлагаемой системы диагностики.

МЕТОДИКА ИССЛЕДОВАНИЯ. Поставленные в диссертационной работе задачи решены с использованием различных методов интеллектуального анализа данных (классификации, регрессии, прогнозирования с использованием временных рядов), теории машинного обучения, теории нейронных сетей, теории вероятности и математической статистики, регрессионного анализа, теории гидравлических расчетов. Реализация поставленных целей в работе производилась при помощи языков программирования Delphiv.7, Python 3 в среде Jupiter Notebook (пакет Anaconda), использовались свободно распространяемые библиотеки Scikit-learn, Seaborn, Matplotlib, TensorFlow, Keras. Расчеты и моделирование процессов в диагностируемых узлах и системах производилось с использованием программных пакетов MahtCad, MatLab. Для работы с большими объемами телеметрических данных использовались СУБД MSSQL, dbForgeStudio 2019 ExpressforSQLServer. Для предварительной обработки данных и построения графиков использовался редактор таблиц Microsoft Exœl.

НАУЧНАЯ НОВИЗНА работы заключается в следующем:

1. Разработана математическая модель системы смазки дизеля тепловоза, позволяющая исследовать изменение технического состояния ее элементов и осуществлять формирование массива исходных данных для обучения моделей диагностирования.

2. Теоретически обоснованы и предложены:

S методика синтеза интеллектуальных диагностических моделей системы смазки дизеля и другого оборудования тепловоза с использованием аналитических моделей оборудования;

^ метод определения текущего технического состояния системы смазки дизеля и другого оборудования тепловоза на основе интеллектуального классификатора и статистической обработки результатов классификации;

^ метод диагностирования системы смазки дизеля и другого оборудования тепловоза на основе регрессионных нейросетевых эталонных диагностических моделей;

^ метод прогнозирования изменения технического состояния системы смазки дизеля и другого оборудования тепловоза на основе анализа временных рядов с использованием рекуррентных нейронных сетей;

3. Разработана система предиктивного контроля технического состояния оборудования тепловозов с использованием технологий интеллектуального анализа данных.

ДОСТОВЕРНОСТЬ РЕЗУЛЬТАТОВ, полученных в диссертационной работе, подтверждается результатами тестирования разработанных моделей на экспериментальных данных, полученных при сдаточных испытаниях тепловозов на Коломенском тепловозостроительном заводе, и данных, полученных во время их эксплуатации с использованием системы непрерывного удаленного автоматического контроля параметров работы тепловоза (АСК). Средняя ошибка отклика аналитической модели системы смазки не превышает 5-8% по всем режимам тепловозной характеристики дизеля (данные по 8-ми тепловозам), ошибки отклика нейросетевых диагностических моделей на контрольных выборках не превышают 3%, точность классификации по метрике ртесгзяюп с макро-усреднением при построении моделей с использованием ансамблей решающих деревьев и статистической классификации, а также нейронных сетей составила 80%. Точность прогнозных моделей, построенных с использованием рекуррентных нейронных сетей с ячейками долгой краткосрочной памяти на периоде упреждения до 30 суток не превышает 3,5%.

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ работы.

1. Разработанная методика синтеза обучающих выборок с использованием аналитических моделей оборудования и построения с их помощью интеллектуальных диагностических моделей может использоваться при разработке методов диагностирования различных систем локомотивов.

2. Предложенные диагностические модели и методы диагностирования узлов системы смазки дизеля позволяют осуществлять непрерывный интегральный контроль состояния фильтра масла и подшипников коленчатого вала в процессе эксплуатации тепловоза и могут использоваться при его техническом обслуживании.

3. Предложенный метод прогнозирования изменения технического состояния агрегатов системы смазки позволяет обоснованно корректировать сроки и объемы текущих ремонтов тепловоза.

4. Разработанная структура системы предиктивного контроля технического состояния системы смазки дизеля и другого оборудования тепловозов с использованием технологий интеллектуального анализа данных может быть применена в системе их технического обслуживания и ремонта.

РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ. Предложенная структура построения предиктивной системы оценки технического состояния реализована на базе сервера АО «ВНИКТИ». К системе подключено более 100 секций тепловозов ТЭП70БС, 2ТЭ116У, 2ТЭ25КМ. Передача диагностической информации с борта тепловозов осуществляется посредством 3G/GPRS-Intemet соединения с использованием автоматизированной системы контроля параметров АСК. Для передачи данных используются протоколы scp, йр, ssh и https. Защита и шифрование данных осуществляется при помощи виртуальной частной сети ОрепУРМ

ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Математическая модель системы смазки дизеля тепловоза, учитывающая влияние состояния ее агрегатов на изменение контролируемых параметров.

2. Методика синтеза обучающих выборок для построения интеллектуальных диагностических моделей системы смазки дизеля и

другого оборудования тепловоза с использованием их аналитических моделей.

3. Метод определения текущего технического состояния системы смазки дизеля и другого оборудования тепловоза на основе интеллектуальных мультиклассовых классификаторов и статистической обработки результатов классификации.

4. Метод диагностирования системы смазки дизеля и другого оборудования тепловоза с использованием регрессионных диагностических моделей на основе нейронных сетей;

5. Метод прогнозирования изменения технического состояния системы смазки дизеля и другого оборудования тепловоза на основе анализа временных рядов с использованием рекуррентных нейронных сетей с ЬЗТМ слоями.

6. Система предиктивного контроля технического состояния системы смазки дизеля и другого оборудования тепловозов с использованием технологий интеллектуального анализа данных.

АПРОБАЦИЯ РАБОТЫ. Основные положения диссертации докладывались на научно-техническом семинаре по системам бортовой и стационарной диагностики локомотивов нового поколения с участием компании «Бомбарьдье-Транспортейшн» (Москва, 2006г.), I, II, III, IV, V, VII-ой Международной научно-технической конференции «Локомотивы. XXI век» (Санкт-Петербург, 2013-2020 гг), I, II, Ш-ей Международной научно-практической конференции «Перспективы развития сервисного обслуживания локомотивов» (Москва, 2016-2018 гг.), Объединенном ученом совете ОАО «РЖД» (Москва, 25.06.2020г).

Разработки автора экспонировались на тематических выставках «ИННОТРАНС 2006» г. Берлин Германия 2006г, «Магистраль 2007» г. Нижний Тагил 2007г., «Ресурсосберегающие технологии на железнодорожном транспорте» г. Щербинка 2008г., Х1Х-ом Московском салоне изобретений и инновационных технологий «Архимед-2016», 44-м Международном салоне изобретений «Изобретения Женева», конкурсе Роспатента «100 лучших изобретений России» за 2015г.

ПУБЛИКАЦИИ. Основное содержание диссертации отражено в 26 научных работах, из них 7 - в изданиях из перечня рецензируемых научных журналов, рекомендованных для опубликования основных научных результатов диссертаций, в том числе в 3 патентах на изобретение, одном свидетельстве о государственной регистрации программ для ЭВМ.

ОБЪЕМ И СТРУКТУРА РАБОТЫ. Диссертация состоит из введения, пяти глав, заключения, приложений и списка цитированной литературы. Общий объем диссертации составляет 205 страниц, в том числе 92 рисунков, 14 таблиц, 2 приложений. Список цитированной литературы содержит 79 источников, в том числе 19 работ автора с соавторами.

1. АНАЛИЗ ПУТЕЙ ПОВЫШЕНИЯ НАДЕЖНОСТИ ТЯГОВОГО ПОДВИЖНОГО СОСТАВА

1.1. Системы диагностирования, применяемые на тепловозах ОАО «Российские железные дороги»

В настоящее время на локомотивах ОАО РЖД применяется целый ряд бортовых систем сбора и регистрации параметров локомотивного оборудования различного назначения, а также стационарных автоматизированных мест для обработки получаемой с их помощью информации [1.2]. На тепловозах наибольшее распространение получили средства автоматизированного контроля топливоиспользования АПК «Борт» (АО «НИИТКД» г. Омск)[1.3] (рис. 1.1), РПРТ, РПДА (ЗАО «ОЦВ» г. Москва) [1.4] (рис.1.2), АСК ВИС (ООО «ТехноВис» г. Санкт-Петербург^^],осуществляющие, помимо учета и контроля количества израсходованного топлива, измерение ряда информативных параметров дизеля и электрического оборудования тепловоза. Все перечисленные системы в последних модификациях имеют средства для удаленной передачи контролируемых параметров. Система удаленного контроля параметров работы дизельного подвижного состава и учета дизельного топлива АСК, разработанная в АО «ВНИКТИ» (г. Коломна) [1.6, 1.7] (рис. 1.3) под руководством и при непосредственном участии автора, также осуществляет контроль количества топлива в баке тепловоза, но, в отличие от выше перечисленных систем, подключается к бортовым микропроцессорным системам управления и диагностики (МСУ) тепловоза, обменивается с ними информацией, регистрирует и передает на удаленный сервер весь объем оперативной диагностической и телеметрической информации, имеющийся в МСУ.

Рисунок 1.1. Структура аппаратно-программного комплекса «Борт»

Рисунок 1.2. Состав системы регистрации параметров работы

тепловозов РПРТ

Рисунок 1.3. Внешний вид автоматизированной системы контроля параметров работы дизельного подвижного состава и учета дизельного

топлива АСК (ВНИКТИ)

Из отечественных внешних средств диагностирования дизель-генераторной установки тепловоза, которые в линейных предприятиях обычно именуются стационарными системами технического диагностирования, наибольшее распространение получили КДП "Магистраль" (ОООО "Техтранс-Д", г. Санкт-Петербург)[1.8], комплекс «Кипарис» (АО «НИИТКД» г. Омск) [1.8], АЛ-030 и СКД ДГУ «Алмаз» (ЗАО «Локомотив» г. Ярославль) [1.8], «ОКО-Арамис» (ООО НПО «ОМИКС. г. Омск) [1.8].В последнее время интенсивность использования систем стационарной диагностики ДГУ в ОАО «РЖД» существенно снизилась по ряду причин, основными из которых являются, с одной стороны, значительные затраты времени на диагностирование, связанные с необходимостью подключения силовой установки к реостату и установки комплекта датчиков, а, с другой стороны, существенное расширение функциональных возможностей встроенных бортовых систем и насыщение парка оборудованных ими локомотивами.

Из бортовых систем диагностирования наиболее распространенным и известным является семейство микропроцессорных систем управления, регулирования и диагностики МСУ-Т (АО «ВНИКТИ» г. Коломна) [1.9].

Данный вид систем на протяжении ряда лет устанавливается на все новые тепловозы (ТЭП70БС, ТЭП70У, 2ТЭ70, 2ТЭ116У, 2ТЭ116УД, 2ТЭ25А, 2ТЭ25К, 2ТЭ25КМ). Системы бортовой диагностики, реализованные на базе МСУ-Т, наиболее полно охватывают спектр требуемых задач: предрейсовый контроль технического состояния, оперативный контроль в процессе эксплуатации, информирование машиниста о месте и причине отказа (аварийно-предупредительная сигнализация), сбор и регистрация всех контролируемых параметров для последующей обработки [1.10].

Для расшифровки и обработки накопленной информации, разработчиками бортовых систем предлагаются автоматизированные рабочие места (АРМ)сходного функционального назначения [1.2], тем не менее, различающиеся по ряду признаков:

- универсальные (для нескольких МСУ) и специализированные;

- сетевые и работающие с локальной базой данных;

- с наличием функции автоматического диагностирования (поиска неисправностей, предотказных состояний);

- с наличием выявления нарушений режимов эксплуатации;

- открыто распространяемые и покупные.

Наибольшее распространение получили АРМ «БОРТ» (АО «НИИТКД» г. Омск) [1.2], АРМ «Осциллограф» [1.11], АРМ «Оциллограф-2»[1.12], АРМ «Осциллограф-3» [1.13](АО «ВНИКТИ» г. Коломна), АРМ РПДА (ЗАО «АВП Интеллектуальные технологии», г. Москва) [1.2].

Наряду с АРМ, информация, регистрируемая бортовыми средствами диагностики локомотивов, может использоваться в сетевых автоматизированных системы управления (АСУ). ОАО «РЖД» активно применяет систему взаимодействия с подвижным составом (СВСПС) АСУТ НБД-2 [1.14], ведется разработка цифровой технологической платформы «Доверенная среда локомотивного комплекса» [1.15], ООО «Локотех» ведет работы по созданию собственной системы управления надежностью АСУНТ [1.2].

1.2. Обзор зарубежного опыта применения диагностических систем

Анализ зарубежного опыта показывает [1.16], что системы дистанционного мониторинга находятся в авангарде технических средств контроля состояния подвижного состава и инфраструктуры. Во всем мире этой проблеме уделяется значительное внимание со стороны разработчиков, производственных компаний и железных дорог. В настоящее время доступны разнообразные технологии контроля, вплоть до измеренияусилий в сцепных устройствах вагонов при движении подвижного состава. Это дает возможность прогнозировать появление и дальнейшее развитие дефектов ходовой части и элементов инфраструктуры, а также последствия для перевозочного процесса и технического обслуживания. Франция

Французское национальное общество железных дорог (SNCF) уже использует облачную платформу WatsonInternetofThings (IoT) компании IBMс целью мониторинга в режиме реального времени состояния поездов и инфраструктуры [1.17]. Многие крупнейшие железнодорожные операторы Европы, к которым относится и SNCF, сталкиваются с двумя серьезными проблемами:

• повышение сложности оборудования и компонентов в современных поездах требует больше времени на техническое обслуживание и ремонт;

• недостаток места для строительства новых производственных площадок требует рационально использовать существующие мощности.

SNCF планирует оснастить всю железнодорожную систему: поезда, пути и станции тысячами промышленных датчиков для оптимизации технического обслуживания и эксплуатации подвижного состава и инфраструктуры. Передача информации от этих датчиков будет производиться в режиме реального времени по защищенным каналам связи в

облачную платформу компании IBM для последующей обработки.

Уже сейчас каждый из пассажирских пригородных поездов нового поколения, работающий на наиболее загруженных маршрутах, оборудован 2000 датчиков, каждый из которых транслирует до 70 тыс. показателей в месяц[1.17]. Это позволяет инженерам SNCF удаленно контролировать до 200 поездов и обнаруживать во время эксплуатации такие потенциальные проблемы, как сбои в работе дверей или системы кондиционирования воздуха[1.17].

Применение прогнозирования в потребности обслуживания или ремонта позволит сократить время простоя и не выводить поезда из эксплуатации без необходимости. В SNCF рассчитывают, что мониторинг поездов и инфраструктуры позволит уменьшить затраты и значительно повысить их надежность. Для ремонтных служб будет доступна оперативная информацию о состоянии железнодорожной инфраструктуры, а также ранние предупреждения о сбоях. Это также даст возможность оптимизировать складские запасы, выстроить цепочки поставок запасных частей, высвободить мощности для приема нуждающихся в обслуживании и ремонте поездов.

Для обработки информация, поступающей от многочисленных датчиков, после тщательного изучения различных предложений, была выбрана платформа WatsonloT компании IBM. Основными критериями выбора послужили гибкость, встроенные средства безопасности и возможность быстрого внедрения. Платформа WatsonloT предоставляется как облачный сервис, т.е. оплата взимается только за реальное использование этой платформы, зависящее от числа подключенных датчиков, интенсивности передачи информации и ее объема [1.17].Сейчас SNCF использует сравнительно небольшое количество датчиков, но в планах расширить в будущем их количество до миллионов штук.

Основные функции, выполняемые платформой WatsonloT:

• сбор данных от датчиков и сохранение этой информации в единой масштабируемой, универсальной и безопасной базе данных платформы;

• обработка информации с использованием когнитивных вычислений для улучшения взаимодействия различных компонентов системы и повышения качества прогнозирования;

• отображение накопленных и обработанных данных, нахождение и извлечение информации с целью выявления изменений или закономерностей;

• применение мощных аналитических инструментов для прогнозирования с целью принятия решений.

По мнению SNCF, применение облачных технологий в системе мониторинга поездов и инфраструктуры позволит значительно сократить расходы на техническое обслуживание и ремонт и повысить их надежность. Первые проекты в сфере интернета вещей были запущены SNCF в 2015г. С 2017г. начато внедрение новой технологии в масштабах всей сети [1.17]. Великобритания

Британская компания Perpetuum заявляет, что может обеспечить заметное снижение затрат на техническое обслуживание подвижного состава и повышение его эффективности при помощи собственной запатентованной технологии. Эта технология представляет собой преобразование вибраций для использования в беспроводной системе сбора и передачи данных с датчиков контроля состояния, установленных на подвижном составе [1.18]. Предлагаемая компанией Perpetuum технология используется на железнодорожном транспорте впервые и представляет собой микрогенератор, осуществляющий преобразование механической энергии вибраций в электрическую. Объема выработанной электрической энергии достаточно для автономной работы беспроводных датчиков и надежной передачи больших объемов данных на сервер.

Техническое состояние колесных пар, букс, буксовых подшипников и тяговых двигателей, а также состояние объектов путевого хозяйства определяется при помощи специального аналитического ПО, анализирующего комплексные наборы данных и создающего отчеты, которые передаются на компьютеры и мобильные устройства обслуживающего персонала (рис. 1.4).

Данные GPS г» А Удаленный веб-сайт

Ьеспроводиои сенсорный узел

Рисунок 1.4. Схема беспроводной системы мониторинга компании

Perpetuum

Недавно завершено внедрение технологии Perpetuum на парке подвижного состава Компания Southeastern. Southeastern является оператором пригородных перевозок в Лондоне и на юго-востоке Англии. Парк компании состоит из 112 трех- и четырех-вагонных электропоездов Electrostar серии 375 [1.18]. Технология Perpetuum позволяет контролировать более 1,8 млн. измерительных точек в сутки. С 2013 г. с помощью 5000 датчиков, установленных на каждой из 600 единиц подвижного состава, были собраны данные по пробегу, превышающему 400 млн. поездо-км [1.18]. Большие объемы полученных данных были использованы для создания

статистических моделей, позволяющих осуществлять управления процессами жизненного цикла. Все это способствовало повышению безопасности и качества планирования, эффективному сокращению издержек.

Мониторинг состояния узлов подвижного состава на тележках поездов осуществляется с помощью датчиков вибрации и температуры. Применение данной технологии позволило проводить увеличить межремонтные сроки осуществить целевое обслуживание. Дистанционный мониторинг состояния буксовых узлов позволил отказаться от периодической замены буксовых подшипников. В настоящее время технология Perpetuum позволяет надежно и с соблюдением требований безопасности выявлять в среднем один близкий к разрушению подшипник в месяц [1.18].

Список литературы диссертационного исследования кандидат наук Федотов Михаил Владимирович, 2021 год

Список использованных источников в приложении Б

1.Методические рекомендации по оценке эффективности инвестиционных проектов (вторая редакция). Официальное издание. Утверждены Минэкономики РФ, Минфином РФ, Госкомитетом по строительной, архитектурной и жилищной политике №ВК 477 от 21.06.1999г. М., Экономика, 2000г.

2.Методические рекомендации по оценке инвестиционных проектов на железнодорожном транспорте. М. Утверждены Указанием МПС от 31.08.98г. №В-1024У.

3.Методические рекомендации по обоснованию эффективности инноваций на железнодорожном транспорте. М. Утверждены 26.04.1999г. ЦТех 0-11.

4. Распоряжение ОАО «РЖД» от 11.08.2016г. №1651р «О нормах межремонтных пробегов железнодорожного подвижного состава, эксплуатируемого на инфраструктуре ОАО «РЖД» (в ред. Распоряжения ОАО «РЖД» от 10.11.2016г. №2249р).

5. Тепловоз 2ТЭ116. Технические условия ТУ 24.04.031-76.

6.Тепловозы пассажирские ТЭП70, ТЭП70БС, ТЭП70У. Технические условия ТУ 24-4-465-81.