Разработка алгоритмов обучения классификаторов технического состояния стрелочного перевода с электроприводом переменного тока тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Канарский Вадим Андреевич

  • Канарский Вадим Андреевич
  • кандидат науккандидат наук
  • 2024, ФГБОУ ВО «Тихоокеанский государственный университет»
  • Специальность ВАК РФ00.00.00
  • Количество страниц 178
Канарский Вадим Андреевич. Разработка алгоритмов обучения классификаторов технического состояния стрелочного перевода с электроприводом переменного тока: дис. кандидат наук: 00.00.00 - Другие cпециальности. ФГБОУ ВО «Тихоокеанский государственный университет». 2024. 178 с.

Оглавление диссертации кандидат наук Канарский Вадим Андреевич

Введение

1 Анализ неисправностей стрелочных переводов и информация, предоставляемая по ним современными системами технической диагностики

1.1 Анализ статистических данных об отказах связанных с неисправностью стрелочных переводов

1.2 Сравнительный анализ функциональных возможностей по

выявлению предотказных состояний и принципов построения

систем технической диагностики и мониторинга устройств ЖАТ

1.3 Исследование отечественных подходов к диагностике неисправностей стрелочного электропривода и использованию в процессе формирования решения искусственного интеллекта

1.4 Современные подходы к техническому обслуживанию. Реализация прогностического обслуживания в ЖАТ

1.5 Зарубежный опыт применения машинного обучения в железнодорожной инфраструктуре и прогнозировании отказов стрелочного перевода

1.6 Постановка задачи и выбор направления исследований

Основные выводы и результаты по главе

2 Методология обнаружения предотказных состояний элементов стрелочных переводов

2.1 Выявление предотказных состояний стрелочного перевода при выполнении, предусмотренных графиком технического обслуживания, регламентных работ

2.2 Выявление предотказных состояний по метрологическим характеристикам оцениваемых параметров

2.3 Чтение данных архивов мониторинга АПК-ДК ОАО «КИТ», их разметка в соответствии с результатами натурных экспериментов

2.4 Классический подход. Масштабирование, нормализация, двумерное представление многомерного набора данных

2.5 Сэмплирование исходного набора данных по переводам стрелок. Under-sampling и over-sampling

Основные выводы и результаты по главе

3 Обучение классификаторов и оценка достоверности формируемых решений по идентификации неисправности стрелочного перевода

3.1 Классификаторы на основе машинного обучения с учителем

3.2 Компоненты обучения: кросс-валидация и метрика качества

3.3 Кросс-валидация на исходных данных

3.4 Кросс-валидация на семплированных данных о мощности

3.5 Создание нового признакового пространства на базе исходных данных об активной мощности методами Feature Engeneering

3.5.1 Обоснование предпосылок к использованию методов Feature Engeneering

3.5.2 Извлечение статистических показателей

3.5.3 Спектральный анализ кривых мощности. Дискретное преобразование Фурье

3.5.4 Динамическое трансформация временной шкалы для классификаций функций мощности P(t) разной длительности

Основные выводы и результаты по главе

4 Глубокое обучение в задаче классификации состояния стрелочного перевода

4.1 Основные положения и термины

4.2 Подходы глубокого обучения

4.3 Диагностика СП классификаторами на основе рекуррентных нейронных сетей

4.3.1 Разработка, обучение и оценка эффективности классификатора

на основе сетей Элмана

4.3.2 Обучение и оценка эффективности классификатора на управляемом рекуррентном блоке

4.4 Диагностика СП классификатором на основе свёрточных нейросетей

Основные выводы и результаты по главе

Заключение

Список литературы

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЯ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

ПРИЛОЖЕНИЕ Е

ПРИЛОЖЕНИЕ Ж

ПРИЛОЖЕНИЕ З

Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка алгоритмов обучения классификаторов технического состояния стрелочного перевода с электроприводом переменного тока»

Введение

Актуальность темы исследования. Утвержденная Правительством РФ от 17.06.2008 г. № 877-р стратегия развития железнодорожного транспорта до 2030 г. предполагает повышение безопасности перевозок, пропускной и провозной способности, а также эффективности функционирования всей транспортной инфраструктуры благодаря внедрению новых цифровых технологий. В достижении поставленных в стратегии задач особая роль отводится системам обеспечения безопасности при управлении перевозочным процессом. Одними из устройств, от стабильной работы которых зависит эффективность и безопасность поездной и маневровой работы на ж.д. транспорте, являются управляемые стрелочные переводы. Их количество на железных дорогах РФ к настоящему времени превышает 150000.

Нарушение нормальной работы стрелочного перевода, как правило, приводит к задержке поездов и сопровождается снижением безопасности движения. Обслуживание переводов на ж.д. РФ осуществляется по системе планово-предупредительного ремонта (ППР), а не по текущему техническому состоянию, что требует значительных временных и материальных затрат и далеко не всегда приводит к желаемому результату по предотвращению отказов. Следовательно, с целью недопущения возникновения отказов, целесообразно перейти к обслуживанию различных устройств, в том числе и стрелочных переводов, по текущему техническому состоянию.

Для контроля функционирования различных устройств на ж.д. транспорте сегодня используются различные системы технической диагностики и мониторинга, такие как: аппаратно-программный комплекс диспетчерского контроля АПК-ДК, система диагностики технических средств СДТС, система автоматизации диагностирования и контроля устройств сигнализации, централизации и блокировки АДК СЦБ и многие другие. Однако потенциал данных систем используется не полностью, т.к., во-первых, приходится постоянно

анализировать очень большие объёмы поступающей информации; во-вторых -регистрируемые параметры обычно позволяют определить только наличие неисправности, а не возможную причину её возникновения. Проблема осложняется ещё и тем, что для контроля состояния устройства далеко не всегда достаточно измерять ток или напряжение на отдельных его элементах. Во многих случаях требуется дополнительная установка множества различного дорогостоящего оборудования в виде разнотипных датчиков, преобразователей, концентраторов и т.п. Следовательно, несмотря на использование на ж.д. транспорте большого количество различных систем технической диагностики, службе железнодорожной автоматики не хватает инструментов и систем поддержки принятия решений, которые могли бы помочь выявлять развития предотказных состояний и причины их возникновения ещё на этапе функционирования устройства или системы до возникновения отказа. Анализ имеющихся публикаций показывает, что научные достижения в данной области требуют дальнейшего исследования по созданию базирующихся на искусственном интеллекте специальных обучаемых классификаторов, обеспечивающих оперативную поддержку принятия обоснованных решений при обнаружении предотказных состояний различных устройств железнодорожной инфраструктуры и диагностике факторов, приведших к их появлению.

На основе архивов данных мониторинга стрелочных переводов предоставленных компанией «Компьютерные и информационные технологии» ОАО «КИТ» от их аппаратно-программного комплекса АПК-ДК, а также статистических данных об отказах, предоставленных Центральной дирекцией инфраструктуры ОАО «РЖД», в диссертации разработаны методы обучения классификаторов на основе метрических моделей, опорных векторов, дерева решений, случайного леса, деревьев с градиентным усилением, линейных моделей, а также нейросетей различного типа.

Представленные подходы к методологии разработки классификаторов состояния стрелочного перевода могут иметь более широкое применение и быть

использованы для диагностики других типов устройств и разработки различных сценариев их технического обслуживания.

Степень разработанности темы. Проблема диагностирования стрелочных приводов была широко освещена в трудах Д.В. Ефанова, А.А. Лыкова, Чухонина В.М., Сапожникова В.В. Технические реализации мониторинга были подробно исследованы Котовым В.К., Павловским А.А., Молодцовым В.П. В работах Горелика А.В., Орлова А.В. представлены различные способы оценки остаточного ресурса стрелочного электропривода. Фундаментальными подходами к выявлению причин отказов на основе спектрального анализа занимались Буряк С.Ю., Гаврилюк, Сердюк Т.Н.

Значительный вклад в исследование и разработку интеллектуальных систем железнодорожного транспорта внесли Никитин А. Б., Бестемьянов П.Ф., Баранов Л.А., Сидоренко В. Г., Бушуев С. В., Долгий И.Д., Годяев А.И. Тарасов Е.М., Тарасова А.Е. Исследования в области интеллектуальных методов диагностирования стрелочного перевода получили продолжение в работах Бочкарева С.В. и Белоусова С.В.

Необходимо также отметить фундаментальные исследования Воронина В.В. в области технического диагностирования; Конькова А.И. в вопросе диагностирования состояния двигателя, его систем и агрегатов; Левенца А.В., Чье Е.У. в области цифровой обработки данных.

Среди работ иностранных авторов по теме диссертации заслуженное внимание получили исследования китайских учёных: Mengyang Li, Xinhong Hei, Wenjiang Ji, Lei Zhu, Yichuan Wang и Yuan Qiu в области глубокого обучения для эффективного решения задачи диагностики стрелочных приводов; Jia Yang, Yongkui Sun, Yuan Cao, Xiaoxi Hu в проектировании цифровых двойников, оптимизирующих техническое обслуживание стрелок на китайском полигоне железных дорог.

В развитии области машинного обучения значительный вклад внесли Turing A., McCarthy J., Minsky M., Rosenblatt F и др.

Однако, несмотря на исследования в данной области, проблема построения обучаемых классификаторов состояния механизмов на основе искусственного интеллекта требует дальнейшей углублённой теоретической проработки. Создание методологии построения таких классификаторов особенно актуально с учётом огромного числа стрелочных переводов, их роли в работе железнодорожного транспорта и обеспечении безопасности движения поездов.

Объектом исследования является стрелочный перевод с электроприводом переменного тока - одно из наиболее многочисленных устройств обеспечения движения поездов на ж.д. транспорте.

Предметом исследования являются алгоритмы машинного и глубокого обучения, адаптированные к задаче классификации временных рядов, описывающих техническое состояние стрелочных переводов с электродвигателями переменного тока.

Целью диссертационной работы является совершенствование систем технической диагностики и мониторинга ЖАТ путем создания инструмента поддержки принятия решения о необходимости проведения технического обслуживания стрелочного перевода за счет внедрения технологий искусственного интеллекта, создание инструмента поддержки принятия решения о необходимости проведения технического обслуживания стрелочного перевода. Данные цели были достигнуты благодаря разработанным в рамках диссертации алгоритмам интеллектуальной обработки первичной информации, получаемой от систем технической диагностики устройств ЖАТ. Для достижения цели в диссертации сформулированы и решены следующие задачи.

Задачи исследования

1. Проанализировать информацию, предоставляемую отечественными системами технической диагностики и мониторинга о состоянии устройств ЖАТ и особенно стрелочного перевода.

2. Проанализировать актуальные исследования по выявлению возможности оценки состояния стрелочного перевода и идентификации

неисправностей по изменению в процессе перевода стрелки электрических параметров электродвигателя во времени.

3. Проанализировать современное состояние научно-технической проблемы разработки классификаторов состояний стрелочного перевода и на основе данного анализа предложить алгоритмы предварительной обработки исходных данных для обучения классификаторов.

4. Методами семплирования преобразовать первичную информацию, получаемую с измерительных устройств системы технической диагностики, для более эффективной разделимости классов в последующем после этого процессе обучения и тестирования классификаторов.

5. Выявить в процессе исследования наиболее значимые признаки каждого класса состояний стрелочного перевода и протестировать их в классических алгоритмах машинного обучения.

6. Разработать алгоритмы обучения классификаторов состояний стрелочного перевода на различных информационных признаках.

7. Разработать модификации нейронных сетей для решения задачи классификации временных рядов и произвести сравнительный анализ их работоспособности на предоставляемых системами технической диагностики временных зависимостях изменения электрических параметров работы электродвигателя при переводе стрелки.

8. Оценить эффективность каждого из предложенных решений, алгоритмов и методов построения обучаемых классификаторов, выявить преимущества и недостатки каждого из исследуемых подходов.

Научная новизна полученных автором результатов состоит в следующем: 1. Разработана и исследована новая методика обнаружения предотказных состояний стрелочного перевода, основанная на использовании телеметрических данных отечественных систем технической диагностики ЖАТ и классификаторов машинного и глубокого обучения.

2. В ходе сравнительного анализа различных математических методов обработки, сжатия, представления и балансировки репрезентативного набора данных, содержащего характеристики изменения мощности двигателей в процессе функционирования стрелочных переводов, был разработан алгоритм, обеспечивающий получение равномерной и хорошо разделённой по классам выборки, пригодной для обучения классификаторов состояния стрелочного перевода.

3. Для фиксируемых системами технической диагностики телеметрических данных работы стрелочного перевода предложены отличающиеся от используемых ранее способы формирования специальных информационных признаков на основе статистических показателей, быстрого преобразования Фурье и метода динамической трансформации временной шкалы. Разработанные алгоритмы обучения классификаторов на данных признаках обеспечили высокую точность выявления наличия и вида предотказного состояния стрелочного перевода.

4. Спроектированы адаптированные для определения технического состояния стрелочного перевода оригинальные модификации рекуррентных и свёрточных нейронных сетей, которые позволяют обеспечить формирование и формализацию вывода в системах поддержки принятия решений по данным, предоставляемым системами мониторинга и технической диагностики.

Теоретическая и практическая значимость диссертационного исследования:

1. Разработанная методика, модели и алгоритмы обучения классификаторов могут быть применены при решении задач, связанных с идентификацией состояния оборудования по графикам его диагностируемых параметров.

2. Предложенные алгоритмы обучения и создания классификаторов на основе теории искусственного интеллекта позволяют автоматизировать процесс выявления предотказных состояний стрелочного перевода и могут использоваться

компаниями ОАО «КИТ», ООО «Инфотекс», ООО "НПП "ЮГПРОМАВТОМАТИЗАЦИЯ" и других производителей систем мониторинга при разработке программного обеспечения.

3. Разработанные стратегии машинного и глубокого обучения также могут быть применены в целях совершенствования технической диагностики.

Методология и методы исследования.

Для решения задач, поставленных в диссертационной работе, были использованы методы математической статистики, аналитической геометрии, спектрального анализа, теории электрических цепей, теории алгоритмов, теории систем искусственного интеллекта, а также основные концепции науки о данных.

Проектирование блоков считывания и обработки данных, обучения классификаторов машинного и глубокого обучения проводилось в среде разработки Jupyter Notebook на языке программирования Python. Чтение и предварительная обработка выполнялись библиотеками Numpy v.1.21.5, Pandas v.1.4.4; балансировка и извлечение признаков - Imbalanced-learn v.0.10.1, TsFresh v.0.20.0, Dtaidistance v.2.3.10; классификация - Scikit-learn v.1.0.2, Pytorch v.1.13.1; визуализация процессов обучения - Matplotlib v.3.5.2, Seaborn v.0.11.2.

Положения, выносимые на защиту:

1. Сравнительный анализ различных математических методов обработки, сжатия, представления и разделения данных, а также разработанный алгоритм последовательного семплирования данных, позволивший сформировать сбалансированную и хорошо разделённую по классам выборку информационных признаков, пригодную для обучения классификаторов состояния стрелочного перевода.

2. Способы создания специальных информационных признаков, формируемых из графиков активной мощности электропривода, основанных на извлечении статистических показателей, коэффициентов быстрого преобразования Фурье, межсигнальных расстояний и обеспечивающих получение признаковых матриц для обучения классификаторов распознавания типа предотказного

состояния стрелочного перевода с высокой точностью, которая для матрицы амплитудного спектра составила 99%.

3. Классификатор на основе рекуррентных нейросетей со спроектированной под исходные данные топологией, а также с определенным в процессе вычислительных экспериментов, числом скрытых состояний, количеством слоев и нейронов в полносвязных слоях с погрешностью диагностики технического состояния, не превышающей 5 %.

4. Классификатор на основе одномерных свёрточных нейросетей с определенным в процессе вычислительных экспериментов числом каналов, количеством ядер слоёв свертки и пуллинга, рассчитанным числом нейронов в полносвязных слоях с погрешностью диагностики технического состояния, не превышающей 5 %.

Достоверность и обоснованность результатов диссертационной работы подтверждается применением фундаментальных принципов машинного и глубокого обучения, корректностью поставленных задач и применяемых в процессе исследования математических методов, обоснованностью принятых допущений, а также сопоставлением результатов распознавания состояний с данными натурных исследований и результатами, полученными в работах других авторов.

Апробация результатов. Результаты исследований докладывались и обсуждались на Всероссийской научно-практической конференции «Научно-техническое и социально-экономическое развитие транспорта и промышленности стран АТР» с получением диплома I степени, Хабаровск, 2023; II Международной научно-практической конференции «Интеллектуальные транспортные системы», г. Москва, 2023; XIV Международной научно-практической конференции «Транспортная инфраструктура сибирского региона» , г. Иркутск, 2023; III Международной научно-практической конференции «Цифровые инфокоммуникационные технологии», г. Ростов-на-Дону, 2023, Арктический технологический конкурс 2023 года: финал, г. Москва, 11 декабря 2023.

Соответствие паспорту специальности. Содержание диссертации соответствует паспорту специальности 2.3.1. Системный анализ, управление и обработка информации, статистика по следующим пунктам:

- п. 10. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах;

- п. 11. Методы и алгоритмы прогнозирования и оценки эффективности, качества, надежности функционирования сложных систем управления и их элементов;

- п.13. Методы получения, анализа и обработки экспертной информации, в том числе на основе статистических показателей.

Публикации.

По теме диссертации опубликовано 11 научных работ из которых 5 в ведущих рецензируемых журналах, определённых ВАК для данной специальности; 3 в других изданиях ВАК и 3 в изданиях РИНЦ.

Содержащиеся в диссертации алгоритмы и их программные реализации разработаны автором самостоятельно. Описанные научные результаты оригинальны. В опубликованных в соавторстве работах наибольший вклад был внесён автором данного диссертационного исследования, а именно: постановка задачи; проведение исследований и вычислительных экспериментов; интерпретация и обобщение полученных результатов.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, имеющего 112 наименований и 8 приложений. Общий объем диссертационной работы составляет 178 страниц, включая 53 рисунка, 13 таблиц и 25 страниц приложений.

1 Анализ неисправностей стрелочных переводов и информация, предоставляемая по ним современными системами технической диагностики

1.1 Анализ статистических данных об отказах связанных с неисправностью стрелочных переводов

Стрелочные переводные устройства (стрелки) являются одним из важнейших элементов электрической централизации (ЭЦ). От исправной работы стрелок зависит возможность организации движения поездов, безопасность и бесперебойность. Для поддержания исправного состояния стрелочных переводов необходимо проводить своевременное и качественное техническое обслуживание, так как данные элементы железнодорожной инфраструктуры подвержены воздействию как климатических, так и механических факторов в условиях эксплуатации.

Согласно статистике на 2019 год на станциях, оборудованных электрической централизацией, насчитывалось 151901 стрелочных переводов, из которых 84064 оборудованы электродвигателями постоянного тока и 67837 оборудованы электродвигателями переменного тока [1]. С расширением сети железных дорог, строительством новых станций с логистической инфраструктурой, количество находящихся в эксплуатации стрелочных переводов постоянно увеличивается.

Долгое время двигатель постоянного тока был предпочтительным для его применения на железной дороге. Однако после 80-к годов прошлого века очевидные преимущества машин переменного тока сделали их лучшей альтернативой. Они проще в конструкции, для их работы не требуются механические контакты (например, щетки), они легче двигателей постоянного тока при эквивалентной мощности, более надёжны в эксплуатации, т.к. имеют в 5.5 раз меньшую интенсивность отказов. Повсеместное использование систем электроснабжения переменного тока в промышленности и на транспорте означает,

что для питания двигателей постоянного тока требуется выпрямители, закупка которых приводит к дополнительным затратам. Поэтому количество стрелочных переводов с электродвигателями переменного тока постоянно увеличивается, а их диагностика становится всё более актуальной.

При планировании работ по техническому обслуживанию и ремонту оборудования применяются два классических подхода, таких как:

1. система планово-предупредительного ремонта (ППР),

2. обслуживание по текущему техническому состоянию.

В настоящее время на железнодорожном транспорте основным видом технического обслуживания является ППР, который занимает 80% рабочего времени обслуживающего персонала. При таком обслуживании, как правило, половина отказов - так называемые «после профилактические», т.е. вызванные ошибками, совершенными при выполнении профилактического обслуживания. Динамика нарушений по службе автоматики за 2015 и 2019 годы, повлекших задержки поездов представлена в таблице 1.1:

Таблица 1.1 - Сравнительный анализ нарушений хозяйства Ш для 2015 и 2019

годов

.................——......................... 2015 г. 2019 г.

Пассажирские поезда (кол-во случаев)

отправление 36 29

прием 320 339

Пригородные поезда (кол-во случаев)

отправление 1364 1198

прием 3403 2799

Грузовые поезда (кол-во случаев)

отправление 81 9474

прием 12561

Задержки пассажирских поездов увеличились на 3,4 %, пригородных и грузовых уменьшились на 16,2 % и 25,1% соответственно.

Согласно распределению Парето главными причинами, вызывающими 80% всех отказов 1 и 2 категории по хозяйству автоматики и телемеханики являются: аппаратура сигнализации, централизации и блокировки (СЦБ) 32,5 %; монтаж стативов и релейные шкафы 16,7%; кабель 11%; рельсовые линии 8,8 %; стрелки 7,5% [1]. Однако как показывает проведённый группой диспетчерского контроля в 2022 г. анализ инцидентов высокой критичности [2] - на долю стрелочных переводов приходится 36,7% всех предотказных состояний напольного оборудования по хозяйству автоматики и телемеханики (см. рис. 1.1).

■ Светофоры ■ Стрелки

■ РЦ ■ Кабель

■ Неисправность изоляции ■ Внешнее энергоснабжение

■ САУТ ■ Остальные

Рисунок 1.1 - Распределение предотказных состояний по основным элементом

напольного оборудования

В ходе исследования причин возникновения отказов было выявлено, что в 2015 году преобладающими были эксплуатационные отказы (48.7 %), возникающие вследствие нарушений установленных правил и норм эксплуатации.

Уже с 2018 г. их число стало существенно сокращаться и к 2019 г. составило только 24 %. Доминирующим видом стали деградационные отказы 34 %, связанные со старением и изнашиванием оборудования, что говорит о несвоевременной замене и выводе из эксплуатации приборов с истекшим сроком пользования (рис. 1.2).

3500 3000 2500 2000 1500 1000 500 0

о

.кСГ

□П Пп Пп

Л Л

' / /

/ ✓ □ 2015 □ 2019

Л»

к4

Рисунок 1.2 - Гистограмма по видам отказов в хозяйстве автоматики

2015/2019 г.

В категории эксплуатационных отказов наибольший вклад вносит человеческий фактор, проявляющийся в низкой исполнительской дисциплине (28 %) и непредумышленных ошибочных действиях персонала (67 %).

Рассматривая более детально статистику технологических нарушений по вине хозяйства автоматики и телемеханики (службы Ш) можно заметить, что с 2015 г. их доля уменьшилась на 77 %. В общей сложности все виды отказов по вине Ш в 2019 г. привели к потерям, составляющим 13058 поездо-часов [1]. В распределении потерь поездо-часов среди всех хозяйств железнодорожной инфраструктуры служба Ш занимает 9 место. Однако, как показывает проведённый анализ статистических данных, несмотря на положительную динамику по

сокращению количества отказов, их число, как и количество часов задержки поездов по-прежнему остаётся значительным. Также наблюдается увеличение среднего время восстановления отказов, что позволяет сделать вывод о том, что работникам службы Ш зачастую просто не хватает времени на устранение отказа.

По числу всех отказов в хозяйстве автоматики и телемеханики неисправности стрелочного перевода занимают 5 место. Однако среди отказов напольного оборудования, обслуживание которого осуществляется в наиболее сложных условиях при влиянии различных климатических и других дестабилизирующих факторов, предотказные состояния стрелочных переводов занимают практически лидирующее место [2] (см. рис. 1.1). Особенно это проявляется на участках с большой интенсивностью движения, где нарушаются сроки проведения ремонтных работ на стрелочных переводах [1].

Анализ статистических данных показывает, что наибольшее число поломок в стрелочных переводах приходится на стрелки с электроприводами СП-6 (М) и СП-6К (рис. 1.3). Распределение отказов по элементам привода представлено на рис. 1.4.

Проведённый анализ показал, что отказы автопереключателя в большинстве случаев вызваны загрязнением и заиндевением контактов [3]. Неисправности фрикционного сцепления возникают при перекосе трущихся поверхностей из-за некачественного технического обслуживания. Поломки двигателей постоянного тока в большинстве случаев обусловлены наличием коллекторно-щёточного узла, который является наиболее уязвимым и приводит к низкой отказоустойчивости (рис. 1.4). Двигатели переменного тока из-за отсутствия коллектора и щёток лишены подобных недостатков. Однако стрелочные переводы, оборудованные привода с такими двигателями, требуют регулировки тягового усилия с помощью специальных инструментов - устройства контроля усилия стрелочных приводов УКРУП. Как видно из рис. 1.4 значительная доля отказов также приходится на монтаж и курбельный контакт привода.

Автопереключатель

Рисунок 1.3 - Конструкция стрелочного электропривода марки СП-6 [6]

Фрикционное сцепление

Монтаж

Курбельный контакт

Двигатели переменного тока

Двигатели постоянного тока Автопереключатель

175

0 20 40 60 80 100 120 140 160 180 200

Рисунок 1.4 - Отказы стрелочных электроприводов за 2019 год

С 2012 года внедряются двигатели типа ЭМСУ на электронном управлении, которые способны заменить выпускаемые ранее стрелочные электродвигатели. ЭМСУ работают как с постоянным, так и с переменным током. Электронная плата позволяет программно настроить число оборотов и потребляемое напряжение. Универсальность и отказоустойчивость этих двигателей позволила в 3-4 раза сократить межремонтный срок службы [4,5].

При возникновении отказа стрелка или вообще не переводится, либо переходит в состояние защитного отказа [7] и теряет контроль, что с целью обеспечения безопасности, обязательно фиксируется, установленной на станции системой ЭЦ. Например, для предотвращения аварии и поломки двигателя при попадании постороннего предмета между остряком и рамным рельсом предусмотрена фрикционная муфта, ограничивающая момент при резких перегрузках. При этом недоведение остряка из-за наличия постороннего предмета фиксируется схемой управления, которая сигнализирует о потере контроля стрелки. Это в свою очередь приводит к невозможности задания маршрута через изолированный участок, в котором эта стрелка находится [8]. Следовательно, возникновение любого типа отказа всегда сопровождается нарушением поездной и маневровой работы и задержкой поездов. Поэтому, чтобы исключить возникновение отказа необходимо упреждающе выявлять предотказные состояния стрелочного перевода.

Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Список литературы диссертационного исследования кандидат наук Канарский Вадим Андреевич, 2024 год

Список литературы

1. Анализ эксплуатационной деятельности хозяйства автоматики и телемеханики по итогам 2019 года / Управление автоматики и телемеханики Центральной дирекции инфраструктуры. - г. Москва: ОАО «РЖД», 2019. -101 с.

2. Шарко, А. В. Автоматизация организации работ повысит эффективность / А. В. Шарко // Автоматика, связь, информатика. - 2022. -№ 2. - С. 34-38.

3. Седельников, А. А. Возможности применения твердотельных реле в системах ЖАТ / А. А. Седельников, В. А. Паршин, В. А. Канарский // Молодая наука Сибири. - 2023. - № 3(21). - С. 91-97.

4. Татиевский, С.А. Повышение надежности стрелочных электродвигателей / С.А. Татиевский, Р.Ж. Бикташев, П.В. Пензев, Д.Е. Минаков, Е.Ю. Минаков // Автоматика, связь, информатика. - 2023. - № 7. - С. 10-12. - 001: 10.34649/АТ.2023.7.7.002.

5. Кондратюк, Т. В. О внедрении новых электродвигателей для стрелочных горочных приводов / Т. В. Кондратюк, М. В. Копанев, О. И. Монид // Молодая наука Сибири. - 2021. - № 1(11). - С. 277-282.

6. Сороко, В. И., Фотькина, Ж. В. Аппаратура железнодорожной автоматики и телемеханики: Справочник: в 4 кн. Кн. 1. — 4-е изд. — М.: ООО «НПФ «ПЛАНЕТА», 2013. - 1060 с.

7. ГОСТ 33358-2015. Межгосударственный стандарт. Безопасность функциональная. Системы управления и обеспечения безопасности движения поездов. Термины и определения. - М.: Стандартинформ, 2015. - 16 с.

8. Сборник методик и алгоритмов поиска и устранения неисправностей в устройствах СЦБ (2-ая редакция). - утв. распоряжением ЦДИ ОАО «РЖД» от 23.11.2015 г. - М.: ЦДИ ОАО «РЖД», 2015. - 315 с.

9. Повышение эффективности перевозочного процесса на железнодорожных направлениях: учебное пособие / В. Н. Зубков, И. А. Солоп, Е. А. Чеботарева, О. И. Веревкина. — Ростов-на-Дону: РГУПС, 2019. - 152 с. - ISBN 978-5-88814-826-6.

10. Углев, Д. В. Система частотного диспетчерского контроля (ЧДК): учеб.-метод. пособие /Д. В. Углев. - 2-е изд. - Екатеринбург: УрГУПС, 2017. - 72 с.

11. Авторское свидетельство № 1084165 A1 СССР, МПК B61L 7/08. Устройство для управления стрелочным приводом и контроля положения стрелки : № 3489960 : заявл. 02.07.1982 : опубл. 07.04.1984 / А. И. Сорока, В. П. Ледовский, А. Л. Резников, Н. Т. Агапов.

12. Буряк, С.Ю. Дистанционное диагностирование состояния стрелочных переводов по временной характеристике и спектральному составу токовой кривой / С. Ю. Буряк, В. И. Гаврилюк, О. А. Гололобова, М. А. Ковригин // Наука и прогресс транспорту. - 2015. - № 2(56). - С. 3957.

13. 411303-ТМП.1-П3. Альбом 1. Пояснительная записка // Типовые материалы для проектирования системы диагностики технических средств железнодорожной автоматики и телемеханики на перегонах и станциях (СДТС-АПС, СДТС-ЭЦ). - Санкт-Петербург: Гипротранссигналсвязь, 2020. - 201 с.

14. 410422-ТМП. Альбом 1. Пояснительная записка // Типовые материалы для проектирования системы технической диагностики и мониторинга на баз технических средств АСДК (СТДМ АСДК). - Санкт-Петербург: Гипротранссигналсвязь, 2007. - 76 с.

15. 411111-ТМП. Альбом 1. Пояснительная записка // Типовые материалы для проектирования системы диспетчерского контроля и диагностики устройств железнодорожной автоматики и телемеханики АПК-

ДК. Система АПК-ДК «МГМ ИМСАТ». - Санкт-Петербург: Гипротранссигналсвязь, 2011. - 76 с.

16. 411501-ТМП. Альбом 1. Пояснительная записка // Типовые материалы для проектирования системы аппаратно-программного комплекса диспетчерского контроля система технического диагностирования и мониторинга АПК-ДК. Система АПК-ДК ООО «КИТ». - Санкт-Петербург: Гипротранссигналсвязь, 2015. - 98 с.

17. Плата контроля, диагностики и мониторинга ПКДМ [Электронный ресурс]: техническое описание // Научно-исследовательская лаборатория «Компьютерные системы автоматики». URL: https://nilksa.ru/plata-kontrolya-diagnostiki-i-monitoringa-pkdm/ (дата обращения 04.05.2023).

18. Сапожников, В. В. Основы теории надежности и технической диагностики / В. В. Сапожников, В. В. Сапожников, Д. В. Ефанов. - Санкт-Петербург: Издательство "Лань", 2019. - 588 с. - ISBN 978-5-8114-3453-4.

19. Онищенко, И. Н. Возможности реализации функций экспертных систем в системах технического диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики / И. Н. Онищенко // Студент: наука, профессия, жизнь : материалы II всероссийской студенческой научной конференции с международным участием, Омск, 2030 апреля 2015 года / Ответственный редактор С.Г. Шантаренко. - Омск: Омский государственный университет путей сообщения, 2015. - С. 42-46.

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

21. Ефанов, Д. В. Функциональное диагностирование стрелочных электроприводов переменного тока / Д. В. Ефанов, Е. В. Басалаев, В. Г. Алексеев // Транспорт Урала. - 2012. - № 4(35). - С. 26-29.

22. Никитин, А. Б. Интеллектуальные функции управления в микропроцессорных системах централизации / А. Б. Никитин, О. А. Наседкин, А. А. Лыков [и др.] // Автоматика на транспорте. - 2023. - Т. 9, № 1. - С. 63-71. - 001: 10.20295/2412-9186-2023-9-01-63-71

23. Баранов, Л.А. Погрешности измерения расстояния до препятствия средствами технического зрения и прогноза пути торможения в беспилотных системах управления движением поездов / Л. А. Баранов, П. Ф. Бестемьянов, Е. П. Балакина, А. Л. Охотников // Мир транспорта. -2021. - Т. 19, № 6(97). - С. 6-12. - Б01: 10.30932/1992-3252-2021-19-6-1.

24. Баранов, Л.А. Методология обоснования требований безопасности при использовании систем технического зрения в интеллектуальных системах управления движением поездов / Л. А. Баранов, П. Ф. Бестемьянов, Е. П. Балакина, А. Л. Охотников // Интеллектуальные транспортные системы: материалы Международной научно-практической конференции, Москва, 26 мая 2022 года. - Москва: Российский университет транспорта, 2022. - С. 54-58.

25. Баранов, Л.А. Методика выбора длины виртуальной сцепки по требованиям безопасности в интеллектуальных системах управления движением поездов / Л. А. Баранов, П. Ф. Бестемьянов, Е. П. Балакина, О. Е. Пудовиков // Проблемы управления безопасностью сложных систем: Материалы XXX международной конференции, Москва, 14 декабря 2022 года / Под общей редакцией А.О. Калашникова, В.В. Кульбы. - Москва: Институт проблем управления им. В.А. Трапезникова РАН, 2022. - С. 261267. - Б01 10.25728Ziccss.2022.39.49.039.

26. Сидоренко, В. Г. Интеллектуальная система построения графиков работы машинистов метрополитена / В. Г. Сидоренко, А. В. Маркевич // Автоматика, связь, информатика. - 2023. - № 8. - С. 19-20. -БОТ 10.34649/АТ.2023.8.8.004.

27. Тарасова, А. Е. Обучаемые классификаторы состояний рельсовых линий с самонастройкой решающей функции для автоматизированных систем управления движением поездов: специальность 29.40.00: диссертация на соискание ученой степени кандидата технических наук / Тарасова Анна Евгеньевна, 2022. - 200 с.

28. Бушуев, С. В. Анализ загрузки путевого развития станции (по данным архивов систем централизаций стрелок и сигналов) / С. В. Бушуев, Б. В. Рожкин, А. А. Блюдов, Н. С. Голочалов // Вестник Уральского государственного университета путей сообщения. - 2021. - № 2(50). - С. 3044. - Б01 10.20291/2079-0392-2021-2-30-44.

29. Долгий, И. Д. Прогнозирование поездной обстановки в автоматизированных системах диспетчерского управления на основе иерархической нейронной сети / И. Д. Долгий, С. В. Криволапов // Вестник Ростовского государственного университета путей сообщения. - 2013. - № 1(49). - С. 71-74.

30. Долгий, И. Д. Теоретические основы, методы и средства разработки интегрированных систем диспетчерского управления на базе интеллектуальных технологий: специальность 05.13.06 «Автоматизация и управление технологическими процессами и производствами (по отраслям)»: автореферат диссертации на соискание ученой степени доктора технических наук / Долгий Игорь Давидович. - Ростов-на-Дону, 2011. -34 с.

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

32. Черезов, Г. А. Современное состояние диагностирования объектов инфраструктуры железнодорожной автоматики и телемеханики / Г. А. Черезов // Вестник транспорта Поволжья. - 2017. - № 2(62). - С. 62-66.

33. Колесниченко, К. В. Разработка системы технического диагностирования устройств железнодорожной автоматики и телемеханики на основе классификации временных рядов / К. В. Колесниченко, Г. А. Черезов // Наука и образование транспорту. - 2019. - № 1. - С. 326-328.

34. Об утверждении стратегического направления в области цифровой трансформации транспортной отрасли РФ до 2030 г.: распоряжение Правительства РФ от 03.11.2023 г. № N 3097-р // Министерство транспорта Российской федерации. URL: https://mintrans.gov.ru/documents/2/12953 (дата обращения: 15.11.2023).

35. Géron A. Hands-On Machine Learning with ScikitLearn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol, CA: O'Reilly Media, 2019. 600 pp.

36. Канарский, В. А. Автоматизированные системы управления в эпоху четвертой промышленной революции / В. А. Канарский, Ю. В. Пономарчук // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. - 2022. - Т. 1. - С. 230-234.

37. Ефанов, Д. В. Система мониторинга устройств железнодорожной автоматики на основе промышленного «Интернета вещей» / Д. В. Ефанов // Мир транспорта. - 2020 - Т. 18, № 6(91). - С. 118134. - DOI: 130932/1992-3252-2020-18-6-118-134.

38. Li, H. Improving rail network velocity: A machine learning approach to predictive maintenance / H. Li, D. Parikh, H. Qing, B. Qian, Z. Li, D. Fang, A. Hampapur // Transportation Research Part C: Emerging Technologies. - 2014.

- Vol. 45. - P.17-26. - DOI: 11016/j.trc.2014.04.013.

39. Kauschke, S. Predicting Cargo Train Failures: A Machine Learning Approach for a Lightweight Prototype / S. Kauschke, J. Fürnkranz, F. Janssen // International Conference on Discovery Science, 19-21 October 2016. - Vol. 9956.

- P. 151-166. - DOI: 11007/978-3-319-46307-0 10 .

40. Manco, G. Fault detection and explanation through big data analysis on sensor streams / G. Manco, E. Ritacco, P. Rullo, L. Gallucci, W. Astill, D. Kimber, M. Antonelli // Expert Systems with Applications. - 2017. - Vol. 87. - P. 141-156. - DOI: 11016/j.eswa.2017.05.079.

41. de Bruin T. Railway Track Circuit Fault Diagnosis Using Recurrent Neural Networks / T. de Bruin, K. Verbert, R. Babuska // IEEE Transactions on Neural Networks and Learning Systems. - March 2017. - No. 3, vol. 28. - P. 523533. - DOI: 11109/TNNLS.2016.2551940.

42. B'ohm T. Remaining Useful Life Prediction for Railway Switch Engines Using Classification Techniques / T. B'ohm // International Journal of Prognostics and Health Management. - 17 November 2020. - No. 3, vol. 8. -D0I:136001/ijphm.2017.v8i3.2666.

43. Chen, J. Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network / J. Chen, Z. Liu, H. Wang, A. Nùnez, Z. Han // IEEE Transactions on Instrumentation and Measurement. - February 2018. - No. 2, vol. 67. - P. 257-269. -DOI: 11109/TIM.2017.2775345.

44. Канарский, В. А. Современные подходы к диагностике стрелочных переводов в мировой практике / В. А. Канарский, В. В. Халиман // Транспорт Азиатско-Тихоокеанского региона. - 2023. - № 4(37). - С. 3742.

45. Bukhsh, Z. Predictive maintenance using tree-based classification techniques: A case of railway switches / Z. Bukhsh, A. Saeed, I. Stipanovich, A. Dorée // Transportation Research Part C Emerging Technologies. - February 2019. - Vol. 101. - P. 35-54. - DOI: 10.1016/j.trc.2019.02.00.

46. Patalay, S. Predictive Maintenance of Railway Points / S. Patalay // ResearchGate. - October 2021. - DOI: 113140/RG.2.2.26532.19846.

47. Salierno, G. An Architecture for Predictive Maintenance of Railway Points Based on Big Data Analytics / G. Salierno, S. Morvillo, L. Leonardi,

G. Cabri // In: Dupuy-Chessa, S., Proper, H. (eds) Advanced Information Systems Engineering Workshops. - 2020. - Vol. 382. - P. 29-40. - DOI: 11007/978-3-030-49l65-9_3.

48. Yang, J. Predictive Maintenance for Switch Machine Based on Digital Twins / J. Yang, Y. Sun, Y. Cao, X. Hu // Information. - 22 November 2021. - No. 11, vol. 12. - P. 485. - DOI: l3390/infol2ll0485.

49. Зуев, Д. В. Цифровой двойник инфраструктуры железнодорожной автоматики и телемеханики ОАО «РЖД» / Д. В. Зуев, С. В. Бочкарев // Транспорт Российской Федерации. - 2022. - № 3(100). - С. 19-22.

50. ГОСТ Р 53431-2009. Автоматика и телемеханика железнодорожная. Термины и определения. - M.: Стандартинформ, 2010. -36 с.

51. Инструкция по техническому обслуживанию и ремонту устройств и систем сигнализации, централизации и блокировки: утв. распоряжением ОАО «РЖД» № 3168р 30.12.201 (ред. от 18.11.2022). - M., 2015. - 162 с.

52. Правила технической эксплуатации железных дорог Российской Федерации / Ыинистерство транспорта Российской Федерации. - M., 2015. - 130 с.

53. Прокофьева, E. С. Технико-технологические основы организации движения поездов: учебное пособие / E. С. Прокофьева, E. О. Дмитриев, А. С. Петров. - Mосква: РУТ (ЫИИТ), 202 - 226 с. - Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/175913 (дата обращения: 07.09.2023). — Режим доступа: для авториз. пользователей.

54. Буряк, С. Ю. Исследование диагностических признаков стрелочных электроприводов переменного тока / С. Ю. Буряк, В. И. Гаврилюк, О. А. Гололобова, А. M. Безнарытный // Наука и прогресс

транспорта. Вестник Днепропетровского национального университета железнодорожного транспорта, 2014. - Т. 52, № 4. - С. 7-22.

55. Иванов, А. А. Автомат диагностики силовых параметров стрелочного электропривода / А. А. Иванов, А. К. Легоньков,

B. П. Молодцов // Проблемы безопасности и надежности микропроцессорных комплексов, Санкт-Петербург, 27-28 мая 2015 года. -Санкт-Петербург: Петербургский государственный университет путей сообщения Императора Александра I, 2015. - С. 110-117.

56. Пельменев, В.А. Стрелочные электроприводы и схемы управления стрелками : метод. пособие / В.А. Пельменев. - Хабаровск: Изд-во ДВГУПС, 2011. - 64 с.: ил.

57. Reback, J. pandas-dev/pandas: Pandas v. 1.5.0 / J. Reback et al. // Zenodo. - 19 September 2022.- DOI: 10.5281/zenodo.7093122.

58. Богачев, И. В. Предварительная обработка и сжатие телеметрических данных на основе геометрического подхода / И. В. Богачев, А. В. Левенец, Е. У. Чье. - Москва: Общество с ограниченной ответственностью "Издательство "КноРус", 2021. - 168 с. - ISBN 978-54365-7823-1.

59. Канарский, В.А. Прогнозирование отказов насосной станции с помощью машинного обучения без учителя / В.А. Канарский // Вестник РосНоу: Сложные системы: модели, анализ и управление. - 2022. - № 4. -

C. 63-74. - DOI: 118137/RNU.V9187.22.04.P.1.

60. Weiderer, P. Decomposing Temperature Time Series with NonNegative Matrix Factorization / P. Weiderer, A. Tomé, E. Lang // Cornel University. - 03 April 2019. - DOI: 148550/arXiv.1904.02217.

61. Ali, M. Time Cluster: dimension reduction applied to temporal data for visual analytics / M. Ali, M.W. Jones, X. Xie et al. // Visual Computer. - 9 May 2019. - Vol. 35. - P. 1013-1026. - DOI: 10.1007/s00371-019-01673-y.

62. Канарский, В.А. Исследование эффективности машинного обучения в мониторинге сигнальной точки / В.А. Канарский // Надежность.

- 2023. - №1. - С. 38-44. - DOI: 121683/1729-2646-2023-23-1-38-44.

63. Krawczyk, B. Learning from imbalanced data: open challenges and future directions / B. Krawczyk // Progress in Artificial Intelligence. - 22 April 2016. - Vol. 5. - P. 221-232. - DOI: 10.1007/s13748-016-0094-0.

64. Dasarathy, B. Nearest Neighbour Editing and Condensing ToolsSynergy Exploitation / B. Dasarathy, J. Sánchez, S. Townsend // Pattern Analysis & Applications. - February 2000. - No. 1, vol. 3. - P. 19-30. - DOI: 10.1007/s100440050003.

65. Mqadi, N. Solving Misclassification of the Credit Card Imbalance Problem Using Near Miss / N. Mqadi, N. Naicker, T. Adeliyi// Mathematical Problems in Engineering. - 2021. - DOI: 10.1155/2021/7194728.

66. Douzas, G. Improving imbalanced learning through a heuristic oversampling method based on k-means and SMOTE / G. Douzas, F. Last,

F. Ba?ao // Information Sciences. - 2018. - Vol. 465. - P. 1-20. - DOI: 10.1016/j.ins.2018.06.056.

67. Li, M. A Fault-Diagnosis Method for Railway Turnout Systems Based on Improved Autoencoder and Data Augmentation / M. Li, X. Hei, W. Ji, L. Zhu, Y. Wang, Y. Qiu // Sensors. - 2 December 2022. - No. 23:9438, vol. 22.

- DOI: 13390/s22239438.

68. Grisel, O. Scikit-learn 1.3.0 / O. Grisel, A. Mueller, A. Gramfort,

G. Louppe, T. J. Fan, P. Prettenhofer et al. // Zenodo. - 2023. - DOI: 10.5281/zenodo.8098905.

69. Bauer, E. An empirical comparison of voting classification algorithms: Bagging, boosting and variants / E. Bauer, R. Kohavi // Machine Learning. -1999. - No. 1-2, vol. 36. - P. 105-142.

70. Grandini, M. Metrics for Multi-Class Classification: an Overview / M. Grandini, E. Bagli, G. Visani // ArXiv. - 2020. - DOI: 10.48550/arXiv.2008.05756.

71. Попова, В. Б. Статистический анализ и прогнозирование с использованием пакетов прикладных программ: учебное пособие / В. Б. Попова, И. В. Фецкович. — Воронеж: Мичуринский ГАУ, 2021. — 147 с. — ISBN 978-5-94664-432-7. — Текст: электронный // Лань: электронно-библиотечная система. — URL: https://e.lanbook.com/book/253565 (дата обращения: 01.08.2023). — Режим доступа: для авториз. пользователей.

72. Christ, M. Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh -- A Python package) / M. Christ, N. Braun, J. Neuffer, A.W. Kempa-Liehr // Neurocomputing. - 2018. - No. 7, vol. 307. - P. 72-77. -DOI: 10.1016/j.neucom.2018.03.067.

73. Loperfido, N. Kurtosis-based projection pursuit for outlier detection in financial time series / N. Loperfido // The European Journal of Finance. -August 2019. - Vol. 26. - P. 1-23. - DOI: 10.1080/1351847X.2019.1647864.

74. Delgado-Bonal, A. Approximate Entropy and Sample Entropy: A Comprehensive Tutorial / A. Delgado-Bonal, A. Marshak // Entropy. - 28 May 2019. - No. 6, vol. 21. - P. 541. - DOI: 13390/e21060541

75. Воскобойников, Ю. Е. Регрессионный анализ данных в пакете MATHCAD: учебное пособие / Ю. Е. Воскобойников. — Санкт-Петербург: Лань, 2022. — 224 с. — ISBN 978-5-8114-1096-5. — Текст: электронный // Лань: электронно-библиотечная система. — URL: https://e.lanbook.com/book/210557 (дата обращения: 03.08.2023). — Режим доступа: для авториз. пользователей.

76. Канарский, В. А. Обнаружение предотказного состояния стрелочного перевода по графику активной мощности / В. А. Канарский // Вестник Сибирского государственного университета путей сообщения. -2023. - № 4(67). - С. 40-46. - DOI 10.52170/1815-9265_2023_67_40.

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

78. Новиков, А. И. Дискретное преобразование Фурье и обработка изображений: учебное пособие / А. И. Новиков. — Рязань: РГРТУ, 2022. — 92 с. — Текст: электронный // Лань: электронно-библиотечная система. — URL: https://elanbook.com/book/310592 (дата обращения: 03.08.2023). — Режим доступа: для авториз. пользователей.

79. Фарфоровская, Ю. Б. Математика. Дискретное преобразование Фурье и быстрое преобразование Фурье: методические указания / Ю. Б. Фарфоровская, Е. Л. Рабкин. — Санкт-Петербург: СПбГУТ им. М.А. Бонч-Бруевича, 2013. — 31 с. — Текст: электронный // Лань: электронно-библиотечная система. — URL: https://e.lanbook.com/book/181509 (дата обращения: 04.08.2023). — Режим доступа: для авториз. пользователей.

80. Harris, C.R. Array programming with NumPy / C.R. Harris, K.J. Millman, S.J. van der Walt et al. // Nature. - 16 September 2020. - No. 7825, vol. 585. - P. 357-362. - DOI: 10.1038/s41586-020-2649-2.

81. Канарский, В. А. Классификация состояний стрелочного перевода / В. А. Канарский // Автоматика, связь, информатика. - 2023. -№ 12. - С. 6-10. - DOI 10.34649/AT.2023.12.12.002.

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

83. Rohit, J.K. Using dynamic time warping distances as features for improved time series classification / J.K. Rohit // Data Mining and Knowledge Discovery. - May 2015. - No. 2, vol. 30. - P. 283-312. - DOI: 10.1007/s10618-015-0418-x.

84. Канарский, В. А. Динамическая трансформация временной шкалы аналоговых телеизмерений для идентификации состояния стрелочного перевода / В. А. Канарский, А. И. Годяев // Информатика и системы управления. - 2023. - Т. 4, № 78. - С. 65-74. - DOI 10.22250/18142400_2023_78_4_65.

85. Berndt, D. J. Using Dynamic Time Warping to Find Patterns in Time Series / D. J. Berndt, J. Clifford // Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, 31 July 1994. - P. 359-370.

86. Meert, W. DTAIDistance (v2.3.10) / W. Meert, K. Hendrickx, T. Van Craenendonck // Zenodo. - 2020. - DOI: 15281/zenodo.7158824.

87. Turing, A. Computing Machinery and Intelligence / A Turing. // Mind. - October 1950. - No. 236, vol. 59. - P. 433-460.

88. Rosenblatt, F. The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain / F. Rosenblatt // Psychological Review. - 01 November 1958. - Vol. 65, Iss: 6. - P. 386-408. -DOI: 10.1037/h0042519.

89. Werbos, P. J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences / P. J. Werbos. - Cambridge: Harvard University, 1975. - pp. 906.

90. Minsky, M. Perceptrons: An Introduction to Computational Geometry / M. Minsky, S. Papert. - Cambridge: MIT Press, 1969. - pp. 258.

91. Rumelhart, D. E. Parallel Distributed Processing:Explorations in the Microstructure of Cognition / D. E. Rumelhart, J. McClelland. - Cambridge: MIT Press,1987. - pp. 567.

92. Рассел, С. Искусственный интеллект: современный подход, 2-е изд..: Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1408 с.: ил. -Парал. тит. англ.

93. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина. - 2-е изд., испр. - М.: ДМК Пресс, 2018. - 652 с.: цв. ил.

94. Paszke, A. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, S. Chintala et al. // 33rd Conference on Neural Information Processing Systems, 3 December 2019. - Vol. 32. - P. 8026-8037. - DOI: 10.48550/arXiv.1912.01703.

95. Стивенс, Э.; Антига, Л.; Виман, Т. PyTorch. Освещая глубокое обучение. - СПб.: Питер, 2022. - 576 с.: ил. - (Серия «Библиотека программиста»). ISBN 978-5-4461-1945-5.

96. Пойнтер, Я. Программируем с PyTorch: Создание приложений глубокого обучения. - СПб.: Питер, 202 - 256 с.: ил. - (Серия «Бестселлеры O'Reilly»). ISBN 978-5-4461-1677-5.

97. Diederik, P. Adam: A Method for Stochastic Optimization / P. Diederik, B. Jimmy // 3rd International Conference on Learning Representations, 7 - 9 May 2017. - DOI: 10.48550/arXiv.1412.6980.

98. Bengio, Y. Learning deep architectures for AI / Y. Bengio // Foundations and Trends in Machine Learning. - 2009. - No. 1, vol. 2. - P. 1-127. - DOI:10.1561/2200000006.

99. Elman, J. Finding structure in time / J. Elman // Cognitive science, 1990. - No. 2, vol. 14. - P. 179-211. - DOI: 10.1016/0364-0213(90)90002-E.

100. Rumelhart, D.E. Learning represen-tations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Nature. - 1986. - No. 6088, vol. 323. - P. 533-536. - DOI: 10.1038/323533a0.

101. Jordan, M.I. Serial order: A parallel distributed processing approach / M.I. Jordan // Advances in Psychology. - 1997 - No. 2, vol. 105. - P. 471-495.

- DOI: 10.1016/s0166-4115(97)80111-2.

102. LeCun, Y. Gradient-basedlearning applied to document recognition / Y. LeCun, L. Bottou, Y. Bengio, P. Haffner// Proceedings of the IEEE. - 1998.

- No. 11, vol. 86. - P. 2278-2324. - DOI: 10.1109/5.726791.

103. Krizhevsky, A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. E. Hinton// Communications of the ACM. - 2017. - No. 6, vol. 60. - P. 84-90.- DOI: 10.1145/3065386.

104. Белоусов, С.В. Методы и алгоритмы диагностики неисправностей стрелок с электродвигателями переменного тока: дисс. ... канд. техн. наук: 05.13.06 / Белоусов Сергей Владимирович; ПГУПС. -Санкт-Петербург, 2019. - 128 с.

105. Бочкарев, С.В. Методы диагностирования и прогнозирования технического состояния стрелочного переводного устройства: дисс. ... канд. техн. наук: 05.22.08 / Бочкарев Сергей Владимирович; ПГУПС. - Санкт-Петербург, 2014. - 208.

106. Hochreiter, S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber // Neural Computation. - 1997. - No. 8, vol. 9. - P. 1735-1780. -DOI: 10.1162/neco.1997.9.8.1735.

107. Cho, K. Learning Phrase Representations Using RNN EncoderDecoder for Statistical Machine Translation / K. Cho, B. van Merrienboer, C. Gulcehre, et al. // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (Doha, Qatar, October 25-29, 2014). -2014. - P. 1724-1734. - DOI: 10.3115/v1/d14-1179.

108. Канарский, В. А. Использование рекуррентных нейронных сетей для диагностики временных характеристик стрелочного привода / В. А. Канарский // Интеллектуальные транспортные системы: Материалы II Международной научно-практической конференции, Москва, 25 мая 2023

года. - Москва: Российский университет транспорта, 2023. - С. 578-583. -DOI 10.30932/9785002182794-2023-578-583.

109. Канарский В.А. Рекуррентный нейросетевой классификатор состояния механизма стрелки // Нейрокомпьютеры: разработка, применение. - 2024. - T. 26. - №№ 1. - С. 23-31. - DOI: https://doi.org/10.18127/ j19998554-202401-03.

110. Leontjeva, A. Combining Static and Dynamic Features for Multivariate Sequence Classification / A. Leontjeva, I. Kuzovkin// 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA), 1719 October 2016. - DOI: 10.1109/DSAA.2016.10.

111. Канарский, В.А. Информационный потенциал систем мониторинга в распознавании отказов ЖАТ / В.А. Канарский // Цифровые инфокоммуникационные технологии : сборник научных трудов, Ростов-на-Дону, 27 октября 2023 года. - Ростов-на-Дону: Ростовский государственный университет путей сообщения, 2023. - С.398-402.

112. Канарский, В.А. Сверточный нейросетевой классификатор состояния механизма стрелочного перевода / В. А. Канарский, А. И. Годяев // Информатика и системы управления. - 2024. - № 1(79). - С. 72-80. - DOI: 10.22250/18142400 2024 79 1 72.

ПРИЛОЖЕНИЕ А Перечень используемых сокращений

АДСП - автомат диагностики параметров стрелочного привода

АЛСН - автоматическая локомотивная сигнализация непрерывного типа действия

АПК ДК - аппаратно-программный комплекс диспетчерского контроля

АРМ - автоматизированное рабочее место

ЖАТ - железнодорожная автоматика и телемеханика

ОАО «КИТ» - открытое акционерное общество «Компьютерные и

информационные технологии»

СП - стрелочный перевод

СТДМ - система технической диагностики и мониторинга СЦБ - сигнализация, централизация и блокировка ПЧ - путевая часть ТО - техническое обслуживание

Ш (ШЧ) - железнодорожная служба автоматики и телемеханики ЭМСУ - электродвигатель малогабаритный стрелочный универсальный

CNN - Convolution neural networks (свёрточная нейросеть) DL - Deep learning (глубокое обучение) DTW - Dynamic Time Warping (динамическая трансформация временной шкалы)

FNN - Feedforward neural networks (полносвязная нейросеть) RNN - Recurrent neural networks (рекуррентная нейросеть) ML - Machine learning (машинное обучение) PCA - Principal Component Analysis (метод главных компонент) PdM - Predictive maintenance (предиктивное обслуживание)

ПРИЛОЖЕНИЕ Б

Функциональные возможности используемых в исследовании

библиотек Python

Таблица 1 - Наименование библиотек Python и краткое описание их функциональных возможностей, использованных для целей исследования

№ Библиотека Функциональные возможности

1 Pandas Извлечение данных из архивов мониторинга. Обработка и анализ табличный данных -изменение размерности таблиц, извлечение статистической информации, фильтрация, группировка и т.п.

2 Imbalanced-learn Пакет различных методов для устранения дисбаланса данных (удаление зашумленных данных, оверсэмплинг, андерсэмплинг)

3 Scikit-learn Основной пакет методов машинного обучения без учителя (понижение размерности) и с учителем (классические классификаторы)

4 Numpy Представление графиков мощности, информационных признаков и похожих структур в матрично-векторном виде. Реализация быстрого преобразования Фурье

5 Matplotlib Визуализация различных графиков, гистограмм и диаграмм рассеяния для более наглядного отображения результатов исследования

6 TsFresh Извлечение статистических признаков из временных рядов (графиков мощности)

7 Dtaidistance Измерения сходства и расстояний между временными рядами по методу динамической трансформации временной шкалы

8 Seaborn Визуализация высокоуровневых сложных графических представлений. В данной работе выступает инструментом для получения матриц ошибок

9 Pytorch Тензорное вычисление с ускорением GPU и высокоуровневые функции для создания сетей глубокого обучения

ПРИЛОЖЕНИЯ В Программа чтения данных с архивов мониторинга АПК-ДК

Исходные данные: имеется папка с файлами .xlsx за месяцы работы станции. Один файл .xlsx содержит множество листов с табличными данными параметров переводов разных стрелок за одни сутки. Листы вручную были промаркированы по 8 категориям с целью их последующего разделения в программной среде. Считывание и сохранение исследуемой информации выполнено следующим образом:

path1 = г'^:\Мой диск\Диссертация\DATA\markeringn define = [ 't' ,'Ua' ,'Ub' ,'Uc' ,'Ia' , 'Ib' ,'Ic' ,'P' ,'F'] # Создание списков для каждого класса графиков

norm data,resistance,ost,pruggin,fric plus,fric minus,obrab,bash = [],[],[],[],[],[],[],[] " "

onlyfiles = listdir('^:\Мой диск\Диссертация\DATA\markering") for xls in onlyfiles:

path2 = pathl xls

for sheet in pd.ExcelFile(path2).sheet names[:-1]:

# если в имени листа есть буква "b", содержимое листа добавляется в список bash

if 'b' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') bash.append(df)

# если в имени листа есть "+", содержимое листа добавляется в список fric plus

elif '+' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') fric plus.append(df)

# если в имени листа есть "s", содержимое листа добавляется в список ost

elif 's' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') ost.append(df)

# если в имени листа есть "o" и "b", содержимое листа добавляется в список obrab

elif ('o' in list(sheet) and 'b' in list(sheet)):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') obrab.append(df)

# если в имени листа есть "R", содержимое листа добавляется в список resistance

elif 'R' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') resistance.append(df)

# если в имени лсита есть "-", содержимое листа добавляется в список fric minus

elif '-' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') fric minus.append(df)

# если в имени листа есть "p", содержимое листа добавляется в список fric minus

elif 'p' in list(sheet):

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') pruggin.append(df) else: # иначе это нормальные данные

df = pd.read excel(path2,sheet name = sheet,names=define,usecols='A:I') norm data.append(df)

*Примечание: в зависимости от формата данных, их передачи и сохранение в среде программирования алгоритм считывания может быть изменён

ПРИЛОЖЕНИЕ Г Начальная обработка данных. Приведение к регулярной сетке. Семплирование. Визуализация двумерных представлений.

import pandas as pd import numpy as np

from sklearn.preprocessing import MinMaxScaler

# Создание общего списка данных

all data = norm data + bash + resistance + ost + fric minus + fric plus + pruggin

# Создание списка меток в соответствии с порядком в общем списке label = ['0']*len(norm_data) + ['1']*len(bash) + ['2']*len(resistance)+ [ '3']*len(ost) +

['4']*len(fric_minus)+['5']*len(fric_plus)+['6']*len(pruggin)

# Отбор мощности из общего списка

power = pd.DataFrame([i.P.tolist() for i in all data])

# Заполнение пропусков нулями в сформированной таблице мощности power.fillna(0,inplace=True)

# MinMax-нормализация mms = MinMaxScaler()

power mms = mms.fit transform(power) labint = np . int0 ( label )

1. Моделирование двумерных представлений:

from sklearn.decomposition import NMF,PCA from sklearn.manifold import TSNE from umap import UMAP import matplotlib.pyplot as plt

# Факторизация неотрицательной матрицы model = NMF(n_components=7,alpha_W=0.06)

# Равномерная аппроксимация и проекция многообразий

model = UMAP(n components=2,min dist=2,spread=2, n neighbors=150)

# Стохастическое вложение соседей с t-распределением model = TSNE(n components=2,

metric='chebyshev',perplexity=35,early exaggeration=10)

# Метод главных компонент model = PCA(n components=7)

def train model(power,label,model): label = list(map(int,label))

power mod = model.fit transform(power) return power mod,np.array(label)

power mod,labint = train model(power smote,label smote,model)

# Для метода PCA получение распределения объясненной дисперсии a = model.explained variance ratio *100

plt.bar(x=range(len(a)),height=a)

plt.xlabel('Компоненты PCA')

plt.ylabel('Содержание объясненной дисперсии')

# Построение диаграммы рассеяния на плоскости для любого из четырех методов plt.figure(figsize=(8,6))

plt.axes().set facecolor('mintcream')

define = ['норма', 'грязные башмаки','перех сопрот','остряки','усиленное сцепл','ослабленное сцепл','пружинность']

colors = ['blue','salmon','lime','magenta','steelblue','aqua','yellow'] for true cl in np.unique(labint):

cluster points = power mod[labint==true cl] plt.scatter(cluster points [:, 0], cluster points [:, 1], label=define[true cl], s=60, alpha=0.8,color=colors [true cl],edgecolors='black') plt.xlabel('Компонента 1') plt.ylabel('Компонента 2')

plt.legend(title='Состояния СП',loc = 'best') plt. show ()

2. Семплирование:

metki = ['norm','bash','R','ost','fric-','fric+','prug'] print(f'Метки классов {metki} ^Исходное количество

np.unique(label,return counts=True)[1]}')

# Удаление шума методом Edited Nearest Neighbours из таблицы активных мощностей

p,l = EditedNearestNeighbours(sampling strategy = ['0','1','3','6'], n neighbors=3).fit resample(power,label)

print(f'После ENN {np.unique(l,return counts=True)[1]}')

# Понижение размера класса исправных переводов в таблице активных мощностей p,l = NearMiss(sampling strategy={'0' : 700}, n neighbors=5,

version=1).fit resample(p,l)

print(f'После NearMiss {np.unique(l,return counts=True)[1]}')

# Генерация примеров миноритарного класса fric+ ; fric-; pruggin p,l = KMeansSMOTE (sampling_strategy = {'4':60, '5':40, '2':90}, k neighbors=4).fit resample(p,l)

print(f'После KmeansSmote {np.unique(l,return counts=True)[1]}') power smote = MinMaxScaler().fit transform(p)

ПРИЛОЖЕНИЕ Д Обучение и оценка классификаторов. Построение матрицы

ошибок

1. Обучение и оценка различных классификаторов:

from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import balanced accuracy score

from sklearn.linear model import LogisticRegression,RidgeClassifier from sklearn.tree import DecisionTreeClassifier,ExtraTreeClassifier from sklearn.svm import SVC

from sklearn.ensemble import GradientBoostingClassifier, RandomForestClassifier

from sklearn.model selection import cross val score %%time

# выбор алгоритма классификации clf = RidgeClassifier()

clf = LogisticRegression() clf = KNeighborsClassifier() clf = SVC()

clf = DecisionTreeClassifier() clf = GradientBoostingClassifier() clf = RandomForestClassifier()

# инициализация кросс-валидации scores = cross val score(clf,

power mod,labint,scoring='balanced accuracy',cv=2 0)

# функция получения оценок def display scores(scores):

print("Балансная точность:", np.round(scores,3)*100) printer среднем:", np .round(scores . mean (), 4 )*100) print("Отклонение:", np.round(scores.std()**0.5,4)*100)

display scores(scores)

2. Построение матрицы ошибок:

from sklearn.model selection import train test split,,confusion matrix import seaborn as sns

# разбиение на тренировочную и тестовую выборку X train,X test,y train,y test =

train test split(ts power smote,ts label smote,test size=0.2)

# обучение лучшего классификатора согласно кросс-валидации clf.fit(X train,y train)

# получение численных значений матрицы ошибок

confusion mat = confusion matrix(clf.predict(X test),y test)

# Визуализация матрицы ошибок с использованием тепловой карты class names = ['norm','bash','R','ost','fric-','fric+','pruginnost'] plt.figure(figsize=(6, 4))

sns.heatmap(confusion mat, annot=True, fmt='d',

cmap=plt.colormaps()[129],xticklabels=class names, yticklabels=class names) plt.xlabel('Предсказанные классы') plt.ylabel('Истинные классы') plt. show ()

ПРИЛОЖЕНИЕ Е Методы Feature Engineering: создание матриц статистических показателей, амплитудного спектра и DTW-расстояний

I. Получение матрицы статистических показателей:

import tsfresh import pandas as pd import numpy as np from random import shuffle

%%time

# создание функции извлечения статистических показателей из временных рядов def tsfresh transform(data):

define = ['Ua' ,'Ub' ,'Uc' ,'Ia' ,'Ib' ,'Ic' ,'P' ,'F']

extraction settings = \ { "

'maximum':None, 'mean' : None, median' :None, standard deviation' : None, count above mean' : None, count below mean': None, last location of maximum' : None, last location of minimum' : None, longest strike above mean':None, longest strike below mean':None, length':None, mean change' : None, sum values' : None, kurtosis' : None, skewness' : None,

sample entropy':None

}

Pts = np.zeros((len(data),len(extraction settings)))

for k in range(len(data)):

norm tsfresh = pd.melt(data[k],id vars='t',value vars = define,value name=")

featuresDF = tsfresh.extract features(norm tsfresh, column sort='t',column id='variable',default fc parameters = extraction settings)

P ts [k] = featuresDF.iloc[4].to numpy()

return P ts

# случайное перемешивание общего списка данных shuffle(all data)

# инициализация спроектированной функции

ts data = tsfresh transform(all data[:572])

II. Получение матрицы амплитудного спектра:

import numpy as np

import matplotlib.pyplot as plt

а) получение информации для таблицы усредненных k-ых гармоник:

# функция разложения в спектр каждого отдельного графика мощности

# с сохранением своего набора спектральных составляющих def full spectral(data):

s = [] fs = []

for i in data:

a = np.fft.rfft(i.P) s.append(a)

aa = np.fft.rfftfreq(len(i.P),0.02) fs.append(aa) return fs,s

freq, s = full spectral(all data)

def percentage of harmonics(s,n):

# s - список спектральных векторов из функции full spectral

# n - метка класса состояния стрелки (от 0 до 6)

wn = np.where(labint==n)[0]

pn = pd.DataFrame([np.abs(s[i]) for i in wn])

# создание списка векторов с процентным содержанием гармоник

# по каждому временному ряду

procent = []

for i in range(len(pn)):

procent.append(pn.loc[i]*10 0/pn.loc[i].sum())

# создание табличного кадра процентов

procent=pd.DataFrame(procent)

# взятие среднего по каждой k-ой гармоники и их вывод

for k in [0,1,2,3,4,7,10,15,25,40,70,100]:

print(f'Номер {k} процент (np.round(procent[k].mean(),2)}')

б) построение амплитудно-частотных характеристик, а также восстановление сигналов на амплитудах 30-ти спектральных составляющих

def plot spectr(data,N):

# data - список графиков мощности

# N - индекс графика мощности из списка data. Для all data N от 0 до 2428

freq, s = full spectral(data)

fig,ax = plt.subplots(1,2,figsize=(16,3)) ax [1].grid(True, linestyle='--' , alpha=0.7)

reconstraction = np.abs(np.fft.ifft(s[N][:30],n=len(data[N]))) ax[1].plot(data[N].t,reconstraction,color='darkcyan') ax[1].set xlabel('t, сек') ax[1].set_ylabel('P, Ватт')

ss = np.abs(s[N][:30])

cmap = plt.get cmap(plt.colormaps()[-67])

ax [0].bar(x=freq[N][:30],height=ss,width=0.16,edgecolor='black' ,color=cmap( np.linspace(0, 1, 30)))

ax[0].set_xlabel('F, Гц') ax[0].set_ylabel('P, Ватт') ax[0].grid(True, linestyle=':', alpha=0.7) ax[0].set_ylim(0,20000)

plot spectr(all data,2221)

в) получение матрицы 30-ти гармонических амплитуд

def spectral 30(data):

s = np.zeros([len(data),30]) for i,j in enumerate(data):

s[i] = (np.abs(np.fft.rfft(j.P)[:30])) return s

III. Получение и оценка матрицы смежности методом DTW

def DTW_calculation(clf,n): accuracy = [] time cv = []

# cемплирование минориатрных классов

p54 = fric minus + fric plus 154 = [ '4']*29 + [ '5']*10

power45 = pd.DataFrame([i.P.to numpy() for i in p54]) power45.fillna(0,inplace=True) power smote,label smote = KMeansSMOTE(sampling_strategy={,4':55,,5':45}).fit_resample(power4 5,l54) power smote = power smote.to numpy()

# цикл обучения и тестирования, где n - число циклов

for t in range(n):

# перемешивание списков данных для репрезентативности

shuffle(norm data) shuffle(bash) shuffle(ost) shuffle(pruggin) shuffle(resistance)

all data = norm data[:220] + bash[:120] + resistance [:60] +

ost [:90] + pruggin[:70]

label = ['0']*220 + ['1']*120 + ['2']*60 + ['3']*90 +['6']*70

#

агрегирование мощности переводов в один список power = [i.P.to numpy() for i in all data]

#

добавление к списку семплированных данных [power.append(i) for i in power smote] label = label + label_smote

#

инициализация отсчета времени start time = time.time()

# Случайное разбиение на тренеровочную и тестовую выборки

X train,X test,y train,y test = train test split(power,label,test size=60)

#

Расчёт матрицы смежности DTW

dist = dtw.distance matrix fast(X train,window=30)

#

Понижение ращмерности методом главных компонент pca = PCA(n components=7) dist = pca.fit transform(dist)

#

обучение классификатора clf.fit(dist,y train)

#

получение DTW-расстояний тестовых даных от тренировочных test = np.zeros([len(X test),len(dist)])

for kn,k in enumerate(X test):

for i,j in enumerate(X train):

test[kn,i] = dtw.distance fast(j,k,window=30) test = pca.transform(test)

# получение оценки обученнной модели на тестовых данных

accuracy.append(balanced accuracy score(clf.predict(test),y test))

# конец отсчёта времена end time = time.time()

time cv.append(end time - start time)

# вывод данных

print(f'Оценки (np.round(accuracy,3)} \пВ среднем {np.mean(accuracy).round(3)}, ^отклонение {np.std(accuracy).round(3)}') print(f,Время исполнения np.mean(time cv):.3f}')

ПРИЛОЖЕНИЕ Ж Классификаторы на основе искусственных нейронных сетей

I. Создание, обучение и оценка эффективности рекуррентного нейросетевого классификатора

from torch import nn import torch

from torch.nn.utils.rnn import pack sequence

'''Создание класса ''' hidden size = 250 num layers = 1 output size = 1 class RNNP(nn.Module):

def _init_(self):

super(RNNP,self)._init_()

self.rnn = nn.GRU(input size = 1,

hidden size = hidden size,

num layers = num layers,batch first=True)

self.linear = nn.Sequential(nn.Linear(hidden size*num layers,60), nn.ReLU(),nn.Linear(60,7))

def forward(self,x,hidden prev):

out,hidden prev = self.rnn(x,hidden prev)

# [1, seq, h] => [seq, h] (batch=1)

h = hidden prev.reshape(hidden prev.size(1),-1)

out = self.linear(h) return out

# иницализация модели на GPU model = RNNP().to('cuda')

# инициализация функции потерь criterion = nn.CrossEntropyLoss()

# инициализация оптимизатора

optimizer = torch.optim.Adam(model.parameters(),lr=0.001)

'''обучение реккуретной нейросети'''

%%time

epochs = 41

loss train = []

loss val = []

accuracy train list = []

accuracy val list = []

pack X test = pack sequence([i.to('cuda') for i in X test],enforce sorted=False)

hidden prev = torch.zeros(num layers,50,hidden size,device='cuda')

for epoch in range(epochs):

pred list = [] y true list = []

model.train() for batch X,batch y in zip(np.array split(X train,4 0),np.array split(y train,40)):

packed sequence = pack sequence([i.to('cuda') for i in batch X],enforce sorted=False)

batch y torch = torch.tensor(batch y,dtype=torch.long,device='cuda')

outputs = model(packed sequence, hidden prev)

loss = criterion(outputs, batch y torch) loss train.append(loss.item())

optimizer.zero grad() loss.backward() optimizer.step()

predicted = torch.argmax(outputs,1).tolist()

pred list+=predicted y true list +=batch y.tolist()

accuracy train list.append(balanced accuracy score(pred list,y true list))

валидация1,1 model.eval() with torch.no grad():

outputs_val=

model(pack X test,torch.zeros(num layers,len(X test),hidden size,device='cu da')) "" " " "

pred val = torch.argmax(outputs val,1).tolist()

accuracy val list.append(balanced accuracy score(pred val,y test))

loss val.append(criterion(outputs val, torch.tensor(y test,dtype=torch.long,device='cuda')))

if epoch%5 == 0:

print(f'Эпоха: {epoch}, потери {loss.item():.3f}, точность на тренеровочной balanced accuracy score(pred list,y true list):.3f}')

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.