Совершенствование систем управления электрическим подвижным составом тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сычугов Антон Николаевич

• Сычугов Антон Николаевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Сычугов Антон Николаевич

Введение

1. Современное состояние систем управления электрическим подвижным составом. Постановка целей и задач исследования

1.1 Классификация систем управления электрическим подвижным составом

1.2 Обзор и критический анализ систем автоматического управления электрическим подвижным составом

1.3 Анализ состояния парка электроподвижного состава по поколениям систем управления

1.4 Постановка цели и задач диссертационной работы

2. Теоретические аспекты разработки нейросетевого наблюдателя

2.1 Основы теории машинного обучения и её применение в управлении

2.2 Требования к исходным данным для эффективного машинного обучения

2.3 Этапы эволюции нейросетевых технологий

2.4 Анализ архитектур нейронных сетей

2.5 Математическое моделирование нейронных сетей. Алгоритмы обучения

2.6 Выводы по второй главе

3. Разработка системы автоматического управления и синтез оптимальных параметров регуляторов

3.1 Сравнительный анализ методов синтеза параметров регуляторов

3.2 Расчет динамических характеристик системы автоматического регулирования тока тяговых двигателей

3.2.1 Расчет динамических характеристик исполнительного устройства

3.2.2 Расчет динамических характеристик объекта регулирования

3.2.3 Расчет динамических характеристик элементов обратной связи

3.2.4 Расчет динамических характеристик регулятора тока якоря

3.2.5 Расчет динамических характеристик таймера/счетчика

(фазорегулятора)

3.3 Компьютерное моделирование системы автоматического регулирования

3.4 Разработка и применение генетического алгоритма для оптимизации параметров регуляторов

3.5 Выводы по третьей главе

4. Разработка нейросетевого наблюдателя для системы

автоматического управления

4.1 Сравнительный анализ и выбор методов обучения с подкреплением для синтеза параметров систем автоматического регулирования

4.2 Выбор и обоснование архитектуры нейросетевого наблюдателя

4.3 Синтез системы автоматического управления с применением нейросетевого наблюдателя

4.4 Исследование эффективности системы автоматического управления с нейросетевым наблюдателем

4.5 Методика интеграции нейросетевого наблюдателя в систему автоматического управления электрическим подвижным составом

4.6 Выводы по четвертой главе

Заключение

Список рисунков

Список таблиц

Список литературы

Приложение А. Акт о внедрении результатов диссертационной работы

Приложение Б. Справка о внедрении результатов диссертационной

работы

Приложение В. Программа для расчета параметров системы

автоматического регулирования

Приложение Г. Программа для обучения нейросетевого наблюдателя

с алгоритмом DDPG

Приложение Д. Программа для обучения нейросетевого наблюдателя

с алгоритмом TD3 и эволюционной стратегией

Приложение Е. Программа для обучения нейросетевого наблюдателя

с алгоритмом SAC

Введение диссертации (часть автореферата) на тему «Совершенствование систем управления электрическим подвижным составом»

Введение

Актуальность темы. Актуальность исследования обусловлена тем, что существующие микропроцессорные системы управления электрическим подвижным составом переменного тока с зонно-фазовой системой регулирования напряжения не обеспечивают необходимого качества регулирования. Колебания напряжения в контактной сети могут значительно превышать номинальные параметры, особенно при больших углах управления и удалённости от тя-

V-* ТЛ __V-/

говой подстанции. В некоторых случаях амплитуда этих искажений может быть в 1,6-1,8 раза больше амплитуды питающего напряжения, что негативно сказывается на надёжности и стабильности работы системы управления. Микропроцессорные системы автоматического регулирования, использующие штатные регуляторы, не способны учитывать нелинейность и динамическую вариативность параметров электрического оборудования подвижного состава.

Одной из сложных задач является обеспечение точного и устойчивого управления в условиях изменяющихся параметров и режимов работы системы тягового электроснабжения и тягового оборудования электрического подвижного состава, так как реакция системы на управляющие воздействия ограничена инерционностью силовой схемы и нелинейностью характеристик. Одним из наиболее опасных последствий неэффективного управления является потеря устойчивости работы системы, что может привести к значительному снижению силы тяги электровоза и возникновению аварийных ситуаций.

Проблема качества регулирования усугубляется тем, что при современных условиях эксплуатации тягового подвижного состава возросли требования к надёжности, точности и эффективности работы систем управления, а существующие методы их реализации не способны обеспечить необходимые показатели. Важно отметить, что отсутствие адаптации и самонастройки систем регулирования к изменяющимся внешним и внутренним условиям эксплуатации не позволяет достичь высокой точности управления, что приводит к увеличению энергопотребления, износу оборудования, и снижению общей надёжности электрического подвижного состава.

Поэтому следует считать актуальным расширение функциональных возможностей систем управления электрическим подвижным составом за счёт применения новых технологий, современных методов машинного обучения и

нейросетевых алгоритмов. Особое внимание необходимо уделить разработке математического аппарата для анализа и обработки данных, а также созданию методик, позволяющих эффективно адаптировать систему к изменяющимся условиям эксплуатации. Это позволит повысить надёжность и эффективность функционирования системы в условиях изменяющихся режимов работы и параметров тягового оборудования, с учётом внедрения данных разработок на существующий электрический подвижной состав.

Степень разработанности темы. Значительный вклад в развитие теории автоматического управления тяговым подвижным составом и в практическое применение систем автоматического регулирования внесли видные отечественные ученые и специалисты, посвятившие свои труды этой области, такие как Алексеев А.С., Баранов Л.А., Бурков А.Т., Викулов И.П., Власьевский С.В., Грачев В.В., Гребенников Н.В., Грищенко А.В., Евстафьев А.М., Зарифьян А.А., Захарченко Д.Д., Иньков Ю.М., Исаев И.П., Калиниченко А.Я., Капустин Л.Д., Колпахчьян П.Г., Космодамианский А.С., Кулинич Ю.М., Курбасов А.С., Ку-чумов В.А., Лисицын А.Л., Литовченко В.В., Лозановский А.Л., Мазнев А.С., Малютин В.А., Мельниченко О.В., Мугинштейн Л.А., Наумов Б.Н., Некрасов О.А., Никифоров Б.Д., Плакс А.В., Плис В.И., Пудовиков О.Е., Ротанов Н.А., Савоськин А.Н., Сидоров Н.Н., Сорин Л.Н., Тихменев Б.Н., Трахтман Л.М., Тулупов В.Д., Феоктистов В.П., Широченко Н.Н., Якушев А.Я., Янов В.П. и другие ученые.

Значительный вклад в развитие теории автоматического управления, адаптивных и нейросетевых систем регулирования внесли видные отечественные и зарубежные ученые и специалисты, посвятившие свои труды этой области, такие как Бесекерский В.А., Буянкин В.М., Егупов Н.Д., Ефимов Д.В., Ким Д.П., Кулинич Ю.М., Попов Е.П., Ротач В.Я., Терехов В.А., Тюкин И.Ю., Astrom K.J., Chang L.-Y., Chen H.-C., Hagglund T., Leigh B., Nise J.R., Omatu S., Akhyar S. и другие ученые.

Значительный вклад в развитие теории нейронных сетей и их практического применения внесли видные отечественные и зарубежные ученые и специалисты, посвятившие свои труды этой области, такие как Галушкин А.И., Ростовцев В.С., Рутковский Л., Рутковская Д., Пилиньский М., Темкин И.О., Трофимов В.Б., Aggarwal C.C., Haykin S., Hertz A., Krogh S., Palmer R.G., Sivanandam S.N., Deepa S.N., Shalev-Shwartz S., Ben-David S. и другие ученые.

Цель работы. Совершенствование систем автоматического управления электрическим подвижным составом переменного тока путем применения нейросе-тевых наблюдателей для адаптивного управления.

Задачи работы. Для достижения поставленной цели в диссертационной работе решались следующие задачи:

1. Провести анализ и обобщение современных подходов к разработке систем управления электрическим подвижным составом. Уточнить классификацию систем управления на основе результатов комплексного анализа отечественного и зарубежного опыта.

2. Разработать математическую модель тягового электропривода электровоза переменного тока с системой автоматического управления с нейросетевым наблюдателем для исследования электромагнитных и информационных процессов, протекающих в его электрических цепях, анализа и оптимизации архитектуры и параметров нейронных сетей.

3. Разработать методику интеграции нейросетевого наблюдателя в микропроцессорные системы автоматического управления, обеспечивающую работу в условиях реальной эксплуатации.

4. Разработать архитектуру нейросетевого наблюдателя для системы автоматического регулирования электрическим подвижным составом переменного тока, обеспечивающего повышение точности и адаптивности управления, а также специализированное прикладное программное обеспечение для моделирования, проектирования и отладки параметров системы автоматического управления электрическим подвижным составом с использованием нейросетевого наблюдателя.

Научная новизна работы:

1. Уточнена классификация систем управления электрическим подвижным составом, выделяющая новые поколения (киберфизические системы, системы с искусственным интеллектом), что позволяет совершенствовать подходы к разработке и оценке эффективности этих систем.

2. Разработана методика синтеза оптимальных параметров регулятора контура тока тяговых двигателей на основе генетического алгоритма,

отличающаяся применением нейросетевого наблюдателя для учета возмущающих факторов.

3. Разработана математическая модель тягового электропривода электровоза переменного тока с системой автоматического управления, отличающаяся применением нейросетевого наблюдателя, который позволяет повысить качество управления за счет адаптации к нелинейным и динамическим характеристикам системы.

4. Предложены архитектура и параметры нейронных сетей, обеспечивающие моделирование, разработку и отладку параметров системы автоматического управления с нейросетевым наблюдателем для электрического подвижного состава переменного тока.

Теоретическая значимость работы:

1. Уточнена классификация систем управления электрическим подвижным составом, позволяющая структурировать и систематизировать поколения систем.

2. Разработана рациональная архитектура нейросетевого наблюдателя системы автоматического управления электрическим подвижным составом.

3. Разработана методика синтеза оптимальных параметров регулятора контура тока тяговых двигателей на основе генетического алгоритма, отличающаяся применением нейросетевого наблюдателя для учета возмущающих факторов.

Практическая ценность работы:

1. Разработаны практические рекомендации по повышению эффективности микропроцессорных систем управления электрическим подвижным составом переменного тока в условиях изменяющихся параметров и режимов работы электрического оборудования и внешних воздействиях.

2. Обоснована необходимость применения адаптивных методов управления, учитывающих динамические изменения характеристик тягового электрооборудования и внешних факторов, что способствует повышению надежности и устойчивости системы автоматического регулирования.

3. Разработаны математическая и компьютерная модели системы автоматического управления электровозом переменного тока с использованием нейросетевого наблюдателя, обеспечивающие оптимальное регулирование тока в контуре тяговых двигателей.

4. Установлено, что предлагаемая система управления с адаптивным нейросетевым наблюдателем может эффективно применяться на электрическом подвижном составе переменного тока для предотвращения значительного снижения силы тяги и возникновения аварийных ситуаций в условиях нестабильных режимов эксплуатации.

Методы исследований. В работе применялись методы теории автоматического управления, теории вероятностей и случайных процессов, методы математической статистики, методы решения дифференциальных уравнений (включая численные методы интегрирования), методы алгоритмического синтеза, а также методы обработки сигналов. Для моделирования и анализа систем управления использовались методы математического анализа, схемотехнического моделирования, а также численные методы моделирования сложных динамических систем с использованием программного комплекса Ма1ЬаЪ/81МиЬШК.

Положения, выносимые на защиту:

1. Классификационная схема систем управления электрическим подвижным составом.

2. Научно-технические предложения и методика разработки рациональной архитектуры нейросетевого наблюдателя для использования в системе автоматического управления электрическим подвижным составом.

3. Методика синтеза оптимальных параметров регулятора с нейросетевым наблюдателем контура тока тяговых двигателей электровоза переменного тока.

Объект исследования. Объектом исследования является магистральный электровоз переменного тока с зонно-фазовой системой регулирования напряжения и микропроцессорной системой управления.

Предмет исследования. Предметом исследования являются информационные, электромагнитные и электромеханические процессы в тяговом электроприводе

и системах управления электровоза переменного тока с зонно-фазовой системой регулирования напряжения и микропроцессорной системой управления.

Степень достоверности полученных результатов. Результаты, представленные в данной работе, основываются на применении известных физических законов и проверенных методик, которые подтверждаются их соответствием с экспериментальными данными. Надежность полученных данных подтверждается сравнением теоретических прогнозов с экспериментальными результатами и гарантируется точностью начальных математических предпосылок и обоснованностью принятых предположений.

Апробация работы. Результаты диссертационного исследования обсуждались на международных научно-практических конференциях: IV Международная научно-практическая конференция «ИнтеллектТранс-2014» (г. Санкт-Петербург, 2017 г.), IX Международном симпозиуме «Элтранс - 2017. Прорывные технологии электрического транспорта» (г. Санкт-Петербург, 2017 г.), X Международном симпозиуме «ELTRANS 10.0» (г. Санкт-Петербург, 2019 г.), XI международном симпозиуме «Eltrans - 2023. Электрификация и электрическая тяга: цифровая трансформация железнодорожного транспорта» (г. Санкт-Петербург, 2023 г.), IX Международная научно-техническая конференции «Локомотивы. Электрический транспорт — XXI век» (г. Санкт-Петербург, 2024 г.).

Публикации. Основные положения и научные результаты диссертационной работы опубликованы в 19 печатных работах, из них 7 в ведущих рецензируемых научных изданиях, включенных в Перечень изданий, рекомендованных ВАК РФ для публикации результатов диссертационных работ, 3 опубликовано в изданиях, индексируемых в международной базе данных Scopus, получено 9 свидетельств о регистрации программ для ЭВМ.

Личный вклад. Результаты работы, изложенные в настоящем исследовании, получены автором самостоятельно, а именно:

1. Проведен анализ существующих систем управления электрическим подвижным составом, включая их классификацию по технологическим и функциональным характеристикам. На основании результатов данного анализа выявлены ключевые тенденции и направления в развитии

систем управления. Разработана классификационная схема, которая систематизирует эволюцию технологий и современные тенденции в области управления электрическим подвижным составом, что способствует более эффективной разработке и оценке систем управления, адаптированных к современным требованиям эксплуатации.

2. В рамках исследования разработаны алгоритмы адаптивного управления электрооборудованием электровоза серии 2ЭС5к с использованием нейросетевых наблюдателей. Предложены методы оптимизации параметров регулятора в контуре регулирования тока тяговых двигателей, обеспечивающие устойчивость системы в условиях изменяющихся режимов эксплуатации.

3. Разработаны математическая и компьютерная модели системы автоматического управления электровозом переменного тока с нейросетевым наблюдателем, которые позволяют оптимизировать регулирование тока в контуре тяговых двигателей в условиях нелинейности и нестабильности системы.

4. Проведен детальный анализ работы предложенной системы на основе моделирования различных эксплуатационных ситуаций, включая нестационарные процессы в силовых цепях тяговых двигателей при использовании ПИ-регулятора с нейросетевым наблюдателем. На основании результатов анализа предложены рекомендации по применению адаптивных нейросетевых наблюдателей в сочетании с существующей микропроцессорной системой управления.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения и 6 приложений. Полный объём диссертации составляет 229 страниц, включая 63 рисунка и 22 таблицы. Список литературы содержит 185 наименований.

1. Современное состояние систем управления электрическим подвижным составом. Постановка целей и задач исследования

1.1 Классификация систем управления электрическим подвижным

составом

Электрический железнодорожный транспорт на протяжении почти века играет центральную роль в обеспечении транспортных перевозок, при этом процесс совершенствования подвижного состава остается непрерывным. В последние десятилетия наблюдается значительный прогресс в области полупроводниковых технологий и вычислительной техники, что закономерно нашло широкое применение в системах управления электрическим подвижным составом. Системой управления будем называть совокупность устройств, которые предназначены для управления режимами работы электрического подвижного состава. Для определения перспективных направлений совершенствования электрического подвижного состава выполним технико-хронологический анализ развития систем управления, для этого рассмотрим основные архитектуры систем управления (далее СУ ЭПС).

Архитектура СУ ЭПС определяется из требований и возможностей тягового подвижного состава, которые, в свою очередь, определяются силовой схемой (комплектом электрооборудования).

Действующие государственные стандарты ГОСТ Р 55364-2012 Электровозы, ГОСТ Р 55434-2013 Электропоезда [1,2] устанавливают очень гибкие требования к архитектуре системы управления, стандарт ГОСТ Р 54798-2011 [3] регламентирует лишь общие требования к системам безопасности ЭПС.

Рассмотрим некоторые положения этих документов. Например, [1] предъявляет следующие требования к системам управления, регулирования, защиты и диагностики: «...на электровозе должны быть установлена комплексная микропроцессорная система управления, регулирования и диагностики...»; «...на электровозе должны быть установлена система автоматического управления тягой и поддержания скорости движения...». Требования к архитектуре системы: «Система управления должна быть выполнена модульной, иерархически выстроенных подсистем, которые должны обеспечивать автоматическую рекон-

фигурацию в случае отказа отдельных модулей. Система управления с помощью интерфейсов должна взаимодействовать с другими подсистемами».

Для электропоездов стандартом [2] устанавливаются следующие требования к системе управления: «...система управления должна быть выполнена на

V V V J^ J^ 1 V

современной микропроцессорном элементной базе, блочно-унифицированнои, и осуществлять управление всем оборудованием электропоезда, сбор информации о состоянии оборудования...».

Важно отметить, что часто возникает некорректная трактовка терминов, а именно «система управления» и «микропроцессорная система управления». Микропроцессорная система управления является лишь одним из элементов СУ ЭПС. На сети железных дорог России эксплуатируется достаточно большое количество электровозов и электропоездов, не оборудованных микропроцессорной системой управления, где управление осуществляется посредством системы, выполненной на аналоговой электронике.

Отсутствие унифицированных стандартов для СУ ЭПС, а также недостаток регламентированных требований к программному обеспечению и методологиям испытаний для оценки эксплуатационных характеристик данных систем (например, в зарубежных странах действуют стандарты EN 50155-20191, EN 61377:20162 и др.) влечет за собой ряд негативных последствий: невозможно выполнить оценку безопасности (в том числе кибербезопасности), надежности и отказоустойчивости систем, невозможно обеспечить интероперабельность систем, невозможно оценить экономический эффект от внедрения новых систем. Требования ГОСТов [1,2] в части обязательного применения микропроцессорных систем влечет за собой ряд вопросов, связанных с безопасностью. Речь прежде всего идет о системах, выполненных на базе микроконтроллеров или микропроцессоров, применение которых требует формирования стандартов или иных руководящих документов по разработке безопасного кода. При разработке программного обеспечения для железнодорожных систем управления допускается применять документацию MISRA (англ. Motor Industry Software Reliability Association). Отметим, что стандарт MISRA изначально разрабатывался для автомобильной промышленности, но впоследствии нашел применение и в других областях. Существуют и другие аналогичные стандарты: DO-178C (англ. Software Considerations in Airborne Systems and Equipment Certification),

1Railway rolling stock. Electronic equipment used on rolling stock

2Railway applications - Rolling stock - Combined test method for traction Systems

ISO 26262. Road vehicles - Functional safety, IEC 61508.Functional safety of electrical/electronic/programmable electronic safety-related systems, CENELEC EN 50128. Тем не менее, вопрос о том, на какие стандарты следует ориентироваться разработчикам отечественных микропроцессорных систем управления и автоматизированных систем ведения, остается нерешенным и требует дальнейших решений.

Рассмотрим некоторые характеристики, параметры и топологии отечественных и зарубежных СУ ЭПС.

Первое поколение систем управления

Началом эксплуатации электрического подвижного состава на железных дорогах России считается 1926 г., когда на линии Баку - Сабунчи - Сураханы начали курсировать первые электропоезда. На электропоездах были установлены тяговые двигатели ДБ-2 и пусковые реостаты. Позднее, в конце 1920-х г. в регулярную эксплуатацию на Московском железнодорожном узле были введены электропоезда постоянного тока серии С (позднее их модификации Св, Сд, См, См3, Ср, Ср3). На электропоездах устанавливались двигатели постоянного тока и пусковые реостаты. Тяговые электродвигатели моторных вагонов серии С, как и у моторных вагонов Баку-Сабунчинской железной дороги, были соединены попарно последовательно. Группы из двух электродвигателей могли включаться между собой параллельно и последовательно, а при параллельном соединении электродвигателей было возможно движение с ослабленным возбуждением. Все переключения в силовой цепи тяговых электродвигателей производились индивидуальными электропневматическими контакторами. Пуск моторных вагонов (выключение реостатов) происходил автоматически при помощи реле ускорения [4].

Первые годы электропоезда эксплуатировались на линиях, электрифицированных на постоянном токе с напряжением 1500 В, немного позднее появилась возможность повысить напряжение в контактной сети до 3000 В. До 50-х годов поезда могли эксплуатироваться на линиях с напряжением 1500 В и 3000 В, позднее все линии были переведены на напряжение 3000 В. Сегодня на участках железных дорог постоянного тока установлено именно это значение напряжения. В конце 1950-х производство электропоездов осуществлялось Рижским вагоностроительным заводом, где было налажено производство электропоездов серии ЭР1, ЭР2, силовая схема которых повторяла схему электропоездов серии С [5].

Первые электровозы серии С в СССР выпускались совместно с зарубежными фирмами. Первый отечественный грузовой электровоз ВЛ19 был построен в 1932 г. По задумке конструкторов электровоз должен был быть оборудован рекуперативным тормозом. Однако серийный образец с номером «02» был предназначен для эксплуатации на равнинном участке, поэтому был оборудован лишь реостатным тормозом. Силовая схема обеспечивала реостатный пуск тягового двигателя постоянного тока и реостатное торможение. Переключение на разные соединения ветвей пусковых резисторов осуществлялось групповым переключателем, который использовался и для переключения тяговых электродвигателей. Электровозы этой серии эксплуатировались до конца 1970-х гг. Для работы с пассажирскими поездами в 1933 г. был спроектирован электровоз ПБ1. На электровозе было установлено электрооборудование такого же типа, как и на ВЛ19. В конце 1930-хх ученые вновь вернулись к исследованиям возможности применения рекуперативного торможения на электровозах. В результат был построен электровоз ВЛ22, силовая схема которого предусматривала возможность рекуперативного торможения [4].

Первые СУ ЭПС были оборудованы коллекторными тяговыми двигателями с реостатным пуском и обеспечивали работы тягового подвижного состава на линиях, электрифицированных постоянным током. Управление переключением реостатов выполнялось с использованием группового переключателя, который обеспечивал поддержание величины среднего пускового тока на заданном уровне. Такие системы управления классифицируются как релейно-контактор-ные и относятся к системам первого поколения.

Второе поколение

В 1947-1948 гг. в США, во время работы в компании Bell, У. Шокли (William Bradford Shockley) предложил конструкцию первого биполярного транзистора - прибора, который имеет управляемую проводимость и способность усиливать сигналы [6]/ Благодаря этому изобретению бурное развитие получила электроника и вычислительные системы. В 1949 г. в СССР первые научно-исследовательские работы по транзисторам поставили: ФИ АН СССР (Б.М. Вул, А.В. Ржанов), ЦНИИ-108 (С.Г. Калашников, Н.А. Пенин, А.И. Берг), НИИ-160 (А.В. Красилов, С.Г. Мадоян) [7]/

В начале 1950-х годов начались работы по электрификации железных дорог системой переменного тока промышленной частоты. В период с 1930 г. по 1950 г. советскими учеными были выполнены исследования по выбору и обос-

нованию такой системы. Уже в 1938 г. был выпущен первый отечественный электровоз переменного тока. Для питания тяговых двигателей постоянного тока применялся ртутный выпрямитель. Немного позднее академиком В.М. Тучкеви-чем совместно с Б.М. Вулом и С.Г. Калашниковым были разработаны силовые полупроводниковые приборы - германиевые и кремниевые диоды, мощные диффузионные управляемые тиристоры, лавинные диоды. Эти работы и исследования на долгие годы сформируют основы советской полупроводниковой промышленности и нового направления науки и техники - силовая полупроводниковая техника [8].

До появления силовых полупроводниковых преобразователей для выпрямления тока применялись игнитроны (электровозы серии Н-О, Н6О, ВЛ60), и только в конце 1960-х на электровозы серии ВЛ60 стали устанавливаться выпрямители, выполненные на базе силовых диодов [9]/ Параллельно с разработкой электровозов переменного тока проводились работы по созданию электропоездов переменного тока. В конце 1960-х годов прошли испытания опытные поезда серии ЭР-7, где в качестве выпрямительной установки использовался преобразователь, выполненный на игнитронах. В 1961 г. ВНИИЖТ под руководством профессора Б.Н. Тихменева переоборудовал вагон №102 электропоезда ЭР7-01 - преобразователь был выполнен на базе кремниевых диодов [10].

Развитие силовой и слаботочной электроники позволило ученым продолжить работы по совершенствованию СУ ЭПС постоянного тока. В течение 1950-1960-х годов проводились научные исследования, направленные на изучение возможностей внедрения рекуперативного и реостатного торможения в системах электропоездов, работающих на постоянном токе (серии ЭР6, ЭР10, ЭР22). В это же время были предприняты разработки по использованию импульсных преобразователей для повышения эффективности работы тягового привода на электропоездах серий ЭР12, ЭР2и и ЭР22и [11,12]. В этот же период налажено производство электровозов серии ВЛ8, ВЛ10 [13,14].

Ключевыми направлениями стали исследования по применению рекупе-ративно-реостатного торможения на подвижном составе постоянного тока, где в силовой схеме в качестве преобразователя применялся электромашинный преобразователь, а также по опытному применению схем импульсного регулирования и внедрению схем для цепей управления, выполненных на базе слаботочных транзисторов. Выполнены исследования по возможности повышения напряжения в контактной сети до значения 6кВ [15] и другие. Для ЭПС переменного тока

Список литературы диссертационного исследования кандидат наук Сычугов Антон Николаевич, 2024 год

- I -

i i i I ■ ■■i ■ ■■i IIII

0,0 0,25 0,50 0,75 /, с Рисунок 1.15 — Пусковая диаграмма электровоза 2ЭС5к

Гармоники тока, возникающие в результате нелинейной нагрузки вы-прямительно-инверторного преобразователя, представляют собой серьезные

проблемы для функционирования систем автоматического управления. Эти гармонические составляющие, возникающие в потребляемом из контактной сети токе и характеризующиеся частотами, кратными основной частоте, вызывают искажения формы тока в питающей сети и приводят к появлению мощности искажения. Электровозы переменного тока с выпрямительно-инверторными преобразователями действуют как генераторы высших гармоник, влияя на другие объекты системы тягового электроснабжения. Это приводит к увеличению действующего значения тока, потребляемого из контактной сети, что, в свою очередь, вызывает повышенную нагрузку на оборудование и может негативно сказываться на его надежности и долговечности. На рис. 1.15 приведена пусковая диаграмма электровоза 2ЭС5к: показаны изменения угла регулирования ВИП, мощности электровоза и коэффициента мощности.

Колебания напряжения в контактной сети могут значительно превышать номинальные параметры, особенно при больших углах управления и удалён-

V-* ТЛ __V-/

но сти от тяговой подстанции. В некоторых случаях амплитуда этих искажений может быть в 1,6-1,8 раза больше амплитуды питающего напряжения (рис. 1.16), что негативно сказывается на надёжности и стабильности работы системы управления. Микропроцессорные системы автоматического регулирования, использующие штатные регуляторы, не способны учитывать нелинейность и динамическую вариативность параметров электрического оборудования подвижного состава. Одной из сложных задач является обеспечение точного и устойчивого управления в условиях изменяющихся параметров и режимов работы системы тягового электроснабжения и тягового оборудования электрического подвижного состава, так как реакция системы на управляющие воздействия ограничена инерционностью силовой схемы и нелинейностью характеристик.

I я 1 = 408,8А

... ивип б А 01ЯЗС1А .. япл

.....-...........

.(у Ч НП Ч .КМ <-л м

' * с ' к ■ \ й

ц

А : ^•Т"""....."-р ......^ .

I • 4 • *

Ч- • '> X - II . Ч ' Ч • I •••• --■■ ■ V . ч •

. Н ¡1 ГА V 5, 4 5 А М* . X I. » Мл V I •/. , .к" \ • Г И V г ) . •

! \ 1-Л ;,}! 1п \ (5 ¿¡«'я ». т ду чп 1 . ]* я •,! ! $я Л и I» '■ I,* А« > и А,

I •• 1 - \ ■ШИ»-1; ■ V '1Ч 1- ' а < . V -титла - V ■ гя ^; '' > У

г ■...................\ г*.--------<г--— V Ч.......-Ч..........\.....г^п-Ч----------*........-Ч—г1^-1 --------......г"г?1'-'г............. \ »

Ч .. .: -.>Гр-.. Л* №. ■. А . •■■ .'л ^Гр ' . ^ д?

, ■' V

4

■ . 5 ■

| : ч г ■ - . 1

' \ ■ .. ■ 4 • • V. { ... * I - .2

-.....- V...... • ЛН - -у^..... ■■■ Ч-*-

ия1 Б .-. У ВИП С1

0ия1 Б

—"" —V

ис/

Ч ■ 5

АЛ

"Х

:-■ V ( .......

иа Б аргг= 90'эл.

V .

А..

¿г:-

•„л,—

>0

с

.Л..."........

-—•—'—

73,75

73*77

,'2/.В

72.73

72.8

"Г"'"ч1.......у------у -.-,—,-^и.—г<

. /2:357 . 72.32

Рисунок 1.16 — Осциллограммы токов и напряжений в силовых цепях электровоза ЗЭС5к в режиме тяги на 4-й зоне

регулирования

Одним из наиболее опасных последствий неэффективного управления является потеря устойчивости работы системы, что может привести к значительному снижению силы тяги электровоза и возникновению аварийных ситуаций (рис. 1.17). Проблема качества регулирования усугубляется тем, что при современных условиях эксплуатации тягового подвижного состава возросли требования к надёжности, точности и эффективности работы систем управления, а существующие методы их реализации не способны обеспечить необходимые показатели. Важно отметить, что отсутствие адаптации и самонастройки систем регулирования к изменяющимся внешним и внутренним условиям эксплуатации не позволяет достичь высокой точности управления, что приводит к увеличению энергопотребления, износу оборудования, и снижению общей надёжности электрического подвижного состава.

На рисунке 1.17 показаны результаты расшифровки данных, записанных микропроцессорной системой управления электровоза серии 2ЭС5к для ведущей секции. В качестве отображаемых параметров в том числе выбраны: напряжение контактной сети, токи тяговых двигателей, заданное значение тока, номер зоны регулирования и величина угла регулирования. Данные, получаемые от микропроцессорной системы управления, не обладают высоким разрешением, запись осуществляется каждые 250 мс.

Анализ результатов переходных процессов при пуске показывает, что при изменении уставки тока машинистом, а также при переходе с одной зоны регулирования на другую, САУ не обеспечивает удовлетворительный переходной процесс. При этом на систему не оказывается внешних возмущающих воздействий (резкие изменения уровня напряжения в контактной сети не зафиксированы), условия сцепления следует считать удовлетворительными, поскольку система не регистрирует режим боксования.

а)

б)

| ЧСУ Андлилтор 1.3

* вИвг_«_ 156 Аяшфе регулируемый ВИП1 ■ " ■

ГС регулируемый ВИГУ <■>

Р0К5 0 Признаки ботомння «*>

» ■ 242 Си*» пгиЛорывм*м и*

7» Ток 1-го ТЭД •:•>

* 940Т<* 2-го ТЭД «■»

» * 930Ток 1-гоТЭД -:■>

И 950То»Л-«о ТЭД

\ъ Г« »ЛуЖММИЯ

- и 1 950То* чялмнмй

пот2о.. 1 Моу#р к«ы ВИГИ <'>

пот^о.- ■ 1 Иоыгр ими ВИП2 <*»

Напрляан« ТЭД1

Напряжение ТЭД2 <">

1А1 Напрлканк* нонппноЙ «ГИ (100% -

Л".: :::••.. ДИСКЕТ- Сообл*- ФуМ.

Гг

12! 1; 950 А 1301 930 А 1451; 951) А ад II 950 А .И.г <лр1|1| 156 град. ■Квг *1Р2| Ч 154 град. пот2оп.«|р1|1| 1 гиртТрл тр2(1| 1 | а*г кк

80КЯ11 о

Рисунок 1.17 — Процесс пуска электровоза 2ЭС5к с БУ-193-02 (данные МСУД)

о

X о

я

Напряжение контактной сети, В

о>

Угол регулирования ВИЛ, эл.град

Токи тяговых двигателей, А

оо

е

р

§

О)

X н

Я

о §

СЙ

Е

X

ё

X

Е й

О) 8

р & £

о р

^ В

И £

^ и й О) я

н ^

о

СЙ

о

со р

и о

я

0 Ст1

1

>0 и)

I

о

11 30 40 210

11 30 41 280

11 30:42.340

11 30,43400

11 30 44.460

11:30:45.530

11 30:46.590

11 30 47 650

11 3048.710

11 3049 780

11 30:50.840

11 30:51.900

11 30:52.960

11 30:54 030

11 30 55.090

11.30 56 150

11 30 57.230

11 30:58.310

11 30 59 390

11 31:00.450

11 31:01.510

11 31 02.570

11 31:03.640

11 31:04.700

11 31 05 760

11 31:06,820

11 31:07.890

11 31:08.950

11 31 10.010

11 31 И 070

11 31:12.140

11 31.13.200

11 31 14.260

11 31 15.320

11 31 16390

11 31:17.450

11 31 18.510

11 31.19.570

11 31 20.640

Сила тяги, кН

11:30:40.210 11:30:41.280 11 304 2340 11-3043.400 11 30:44.460 11 3045-530 11 30:46-590 И 3047.650 И 3048.710 И 30:49-780 11:30:50.840 11.30:51.900 11 30:52.960 11.30:54030 И 30:55.090 11 30 56.150 11 30:57.230 11.30:58.310 11 30:59.390 11:31:00.450 И 31.01 510 11 31 02 570 11 31 03.640 11:31:04.700

11 31

05 760

11 31:06.820 11:31 07.890 11 31 08.950 11 31 10.010 11 31 11.070 11.31:12,140 11 31 13.200 11 31:14 260 11:31 15.320 11 31 16,390 11:31:17450 11:31 18 510 11 31 19 570 11 31 20.640

* V 1 1 к

! 1 1 1 <

! \

\ 1—1

\ 0 Я в

\

\

\ 1

ч ' к

* и V.

\ 1 1—1

% я * * о Я

1 « 1 г

• 1

11:30:40.210 11:30:41.280 11:30:42.340 11:30:43.400 11.30:44.460 11:30.45.530 11:3046 590 11:30:47.650 11:30 48.710 11:3049.780 11:30 50.840 11:30 51 900 11:30:52.960 11:30:54030 11:30 55 090 11:30:56.150 11:30 57.230 11:30:58.310 11:30:59.390 11:31-00.450 11:3101.510 11:31:02.570 11:31:03.640 11:31:04.700 11:31:05.760 11:31 06.820 11.31:07.890 11:31.08.950 11:31 10.010 11:31 11.070 11:31 12140 11:31 13 200 11 31 14.260 11:31 15.320 11:31 16.390 11:31 17450 11:31 18.510 11:31 19.570 11:31 20.640

> >

Следует считать актуальным расширение функциональных возможностей систем управления электрическим подвижным составом за счёт применения новых технологий, современных методов машинного обучения и нейросетевых алгоритмов. Особое внимание необходимо уделить разработке математического аппарата для анализа и обработки данных, а также созданию методик, позволяющих эффективно адаптировать систему к изменяющимся условиям эксплуатации. Это позволит повысить надёжность и эффективность функционирования системы в условиях изменяющихся режимов работы и параметров тягового оборудования с учётом внедрения данных разработок на существующий электрический подвижной состав.

1.3 Анализ состояния парка электроподвижного состава по поколениям

систем управления

Компания ОАО «РЖД» — один из мировых лидеров по количеству тягового подвижного состава, в частности, на балансе компании находится более 10 тысяч электровозов различных серий и более 11,5 тысяч вагонов электропоездов. В разделе 1.1 проанализированы основные этапы развития систем управления ЭПС. Для количественной оценки уровня эксплуатируемого парка электровозов по поколению систем управления и перспектив перехода к системам пятого и шестого поколения проведем анализ структуры парка. Структура парка ОАО «РЖД» на 2018 год представлена в таблице 4.

Таблица 4 — Структура парка электровозов (2018 год)

Род службы Инвентарный парк Средний возраст от даты постройки (лет) Срок службы с учетом ПСС (лет)

Грузовые электровозы постоянного тока 35% 28,79 42

Грузовые электровозы переменного тока 43% 26,35 44

Пассажирские электровозы постоянного тока 9% 25,82 40

Пассажирские электровозы переменного тока 12% 17,14 34

Пассажирские электровозы двойного питания 1% 5,02 39

Всего электровозов 100% 25,96 42

Далее, в соответствии с предложенной классификацией (см. табл. 2), для каждой серии ЭПС присвоен номер поколения системы управления (табл. 5).

Таблица 5 — Структура парка по поколениям систем управления ЭПС (2018 год)

Поколение системы управления Серия электровоза Доля в структуре парка Средневзвешенное значение «возраста» электровоза, лет Срок службы локомотива, лет

3 ВЛ10 в/и, ВЛ11в/и, ВЛ15в/и, ВЛ80в/и, ВЛ85, ВЛ82, ЧС2в/и, ЧС200, ЧС6, ЧС7, ВЛ60, ВЛ65, ЧС4в/и, ЧС8 65% 36,4 40

4 2(3)ЭС4к, 2(3,4)ЭС5к, Э5к, ЭП2к, ЭП1в/и 33% 6,2 40

5 2(3)ЭС10, 2ЭС5, 2ЭС7, ЭП10, ЭП20 2% 4,2 40

В 2018 г. более 60% парка электровозов ОАО «РЖД» составляли локомотивы 3-го поколения, для которых средневзвешенное значение «возраста» составляет более 36 лет. Если принять, что для всех серий локомотивов назначенный срок службы составляет не более 40 лет, тогда можно сделать вывод о том, что в ближайшей перспективе необходимо заменить эти локомотивы новым подвижным составов. Компания ОАО «РЖД» уже на протяжении нескольких лет успешно реализует стратегию по обновлению тягового подвижного состава, в результате чего более 30% локомотивов можно отнести к 4 поколению, средний возраст таких электровозов на 2018 год составляет около 6 лет. На основании этих данных можно составить прогноз, что эти локомотивы начнут

выбывать лишь в 2050 г. Для того, чтобы оценить тенденции в структуре парка электровозов по критерию «поколение», рассмотрим динамику производства новых локомотивов в России за период с 2018 по 2022 гг. В таблице 6 приведена информация об объемах производства новых локомотивов в России за период с 2018 по 2022 год.

Таблица 6 — Производство локомотивов 2018-2022 гг.

Предприятие, серии электровозов 2018 г. 2019 г. 2020 г. 2021 г. 2022 г.

НЭВЗ (ТМХ):2(3,4)ЭС5К, 2(3)ЭС4К, ЭП1М, ЭП20 204 204 178 167 178

Уральские локомотивы (СТМ): 2ЭС6, 2(3)ЭС10, 2ЭС7 120 164 138 117 128

Коломенский завод (ТМХ): ЭП2К 30 25 25 6 15

Всего 354 393 341 290 321

На рисунке 1.19 показана динамика выпуска нового тягового подвижного состава в период с 2018 по 2022 гг. ОАО «РЖД» - основной потребитель выпускаемых в России магистральных электровозов, благодаря реализуемым инвестиционными программами «Приобретение тягового подвижного состава» ежегодно закупалось в среднем 340 электровозов, что составляет примерно 3,3% от общего числа электровозов, числящихся на балансе компании.

* 450

о

ч

х 400

о

« 350

Hill

2018 2019 2020 2021 2022 Год

■ 4 поколение ■ 5 поколение Рисунок 1.19 — Объем закупок новых электровозов за период 2018-2022 гг.

В настоящее время более 96% выпускаемых и приобретаемых электровозов относятся к 4 поколению. Очевидно, что на сегодняшний день отсутствуют веские основания полагать, что эта тенденция изменится в среднесрочной перспективе, что означает, что на ближайшие 40-50 лет основными электровозами, выполняющими грузовую и пассажирскую работу, станут электровозы четвертого поколения.

Рассмотрим основные технические характеристики электровозов, которые в настоящее время производятся в странах, входящих в БРИКС. Целесообразно акцентировать внимание на производстве электровозов в Индии и Китае, поскольку именно в этих странах такие ключевые параметры как протяженность железнодорожных линий, электрификация, дальность перевозки грузов по железной дороге, средний вес поезда и ряд других характеристик в достаточной степени сравнимы с показателями работы железных дорог России (см.табл. 7).

Таблица 7 — Средние значения показателей работы железных дорог за период

2018-2022 гг.

Показатель США (AAR) Германия (DB AG) Франция (SNCF) Китай (CR) ЮАР (Transnet) Индия (IR) Южная Корея (Korail) Россия (РЖД)

Эксплуатационная длина сети, км 148258 33426 28468 92746 20953 67690 4226 85539

Длина электрифицированных линий, км н\д 20439 16254 71019 8043 39644 3188 44156

Отправлено грузов, млн. т 1364 202 34 2621 216 1247 26 1378

Коммерческий грузооборот, млрд. ткм 2306.0 84.2 16.1 2352.8 85.2 746.1 6.9 2602.8

Коммерческий грузооборот на 1 км эксплуатационной длины, млн. т 15.6 2.5 0.5 26.6 4.1 11.0 1.5 30.4

Локомотивный парк, ед. 24373 3675 1514 20182 2127 12494 415 13507*

Пассажирооборот (для США - Амтрак), млрд. пасс.-км 7.5 63.2 85.3 654.3 3.5 841.4 19.2 113.4

Объем пассажирских перевозок, млн. чел. 22.6 1671.5 1076.0 1895.6 146.6 5916.0 114.9 1083.1

Общий пробег поездов, млн. поездо-км (для США -пробег в грузовом движении) 676.3 399.0 175.5 1254.8 74.0 809.4 53.9 1308.8

Среднесписочная численность работников в целом, тыс. чел. 143.4 321.8 94.7 1682.4 35.1 1243.4 29.0 691.0

В Китае с 2004 г. начался период активной локализации производства электроподвижного состава с асинхронными тяговыми электродвигателями, разработанного совместно с ведущими мировыми компаниями. Многочисленные производственные площадки страны входят в Китайскую корпорацию железнодорожного подвижного состава - China Railway Rolling Stock Corporation (CRRC), являющуюся самым крупным участником на локомотивостроительном рынке. Китай выпускает всю необходимую линейку электровозов: шестиосные пассажирские электровозы, шестиосные грузовые электровозы для работы с контейнерными поездами, двухсекционные восьмиосные электровозы для работы с грузовыми поездами (табл. 8).

Таблица 8 — Характеристики электровозов Китая

Серия / Показатель HXD1.1 HXD1B HXD1C HXD1D HXD2B HXD2.1 HXD3 HXD3B HXD3C HXD3D

Род службы Груз. Груз- Груз- Пасс. Груз- Груз. Груз- Груз- Груз./ Пасс. Пасс.

Начало эксплуатации 2006 20092011 2009 2012 20092011 2012 20032010 20092011 2010 2015

Конструкционная скорость, км/ч 120 120 120 160 120 120 120 120 120 160

Количество >600 650 1207 >600 500 >280 1080 500 >1300 >600

Мощность (длит.), кВт 9600 9600 7200 7200 9600 10000 7200 9600 7200 7200

Количество осей 8 6 6 6 6 6 6 6 6 6

Сила тяги (длит.), кН 494 570 520 420 455 400 370/400 506 520 324

Нагрузка на ось, т 23 (25) 25 23 (25) 21 (23) 23 (25) 23 (25) 23 (25) 25 23 (25) 21

Элементная база тягового преобразователя ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ ЮБТ

ТЭД АТД АТД АТД АТД АТД АТД АТД АТД АТД АТД

Мощность ТЭД, кВт 1224 1633 1200 1225 1600 1250 1250 1632 1200 1250

Начиная с 2000-х годов, на железных дорогах Индии активно эксплуатируется электроподвижной состав, разработанный в сотрудничестве с производителями. В этот период в эксплуатацию поступили шестиосные пассажирские электровозы, а также шести- и восьмиосные грузовые электровозы (табл. 9).

Таблица 9 — Характеристики электровозов Индии

Показатель WAP-5 WAP-7 WAG-9H WAG-12B

Род службы Пасс. Пасс. Груз. Груз.

Начало эксплуатации 1995 1999 2006 2017

Конструкционная скорость, км/ч 200 160 100 100

Количество 240 1500 4600 390

Мощность (длит.), кВт 4500 4600 4400 9000

Количество осей 6 6 6 8

Сила тяги (длит.), кН н/д 228 н/д н/д

Нагрузка на ось, т 19.5 20.5 22 22.5(25)

Элементная база тягового преобразователя ОТО/ ЮБТ 1ОБТ 1ОБТ 1ОБТ

ТЭД АТД АТД АТД АТД

Мощность ТЭД, кВт 1150 760 750 1125

В настоящее время электровозостроительная отрасль в России сталкивается с определёнными трудностями. Анализ опыта Индии и Китая показывает, что успешное развитие электроподвижного состава может быть обеспечено через сотрудничество с зарубежными компаниями и локализацию производства (рис. 1.20). Однако, по мнению автора, такой подход не является оптимальным

зарубежными

для России, так как он может привести к утрате технологической и интеллектуальной независимости.

Для преодоления текущих вызовов, стоящих перед российской электровозостроительной отраслью, требуется осуществить прорыв, опирающийся на внедрение принципиально новых систем управления [63,64]. Ключевым направлением для достижения мирового уровня в данной сфере станет внедрение передовых технологий и разработка систем управления на основе нейросетевых технологий, способных обеспечивать высокую эффективность работы тягового электрического подвижного состава.

Кроме того, следует учитывать, что в ближайшие десятилетия невозможно полностью отказаться от производства и эксплуатации электровозов с коллекторным приводом в пользу бесколлекторных систем. В связи с этим особую важность приобретает задача разработки и внедрения новых алгоритмов управления и нейросетевых систем, адаптированных для работы на существующем парке электровозов.

Начало выпуска электровозов серии WAP-7

Один из самых массовых пассажирских электровозов с асинхронным тяговым приводом. Выпущено более 1500 ед.

Начало серийного производства локомотивов серии Гармония 3

Один из самых массовых односекционных грузовых электровозов переменного тока

Прекращен выпуск электровозов серии Шаошань

Прекращен выпуск электровозов с коллекторными тяговыми двигателями

Начало выпуска электровозов серии WAG-9H

Один из самых массовых грузовых электровозов с асинхронным тяговым приводом. Выпущено более 4500 ед.

Начало серийного производства грузовых электровозов серии HXD

Мощность электровозов 9600 кВт, выполнены в двухсекционном исполнении и оборудованы асинхронными тяговыми двигателями

^ 2000

2001 2002 2003 |.............20042005

Представлен электровоз серии $Нсп-24

Мощность электровоза - 28.8 МВт, сила тяги - 2280 кН

ш

...2006 н н

//

.2007 <

'' /

2008 (

/ 2009

(

2010

2011 2012

2013

2014

2015

2016

2017

2018 2019

2020

2021 2022

2023

2024

Выпущен электровоз серии ЭП1

Основная серия пассажирских электровозов на железных дорогах переменного тока

Выпущен электровоз серии ЭС5к

Основная серия грузовых электровозов на железных дорогах переменного тока

Выпущен электровоз серии ЭП2к

Основная серия пассажирских электровозов на железных дорогах постоянного тока

Выпущены электровозы серий 2ЭС6 и 2ЭС4к

Основные серии грузовых электровозов на железных дорогах постоянного тока

Выпущен электровоз серии 2ЭС10

Первый серийный грузовой электровоз постоянного тока

с асинхронными тяговыми двигателями

Выпущен электровоз серии ЭП20

Первый серийный двухсистемный пассажирский электровоз с асинхронными тяговыми двигателями

Выпущен электровоз серии 2ЭС5

Первый серийный грузовой электровоз переменного тока

с асинхронными тяговыми двигателями

Выпущен опытный образец 2ЭС7

11 Выпущен опытный образец 2ЭС8

Рисунок 1.20 — Хронологическая лента основных событий электровозостроительной отрасли в России, Китае и Индии за последние 20 лет

1.4 Постановка цели и задач диссертационной работы

Целью настоящего диссертационного исследования является разработка и совершенствование систем автоматического управления электрическим подвижным составом на основе нейросетевых регуляторов. Исследование сосредоточено на создании адаптивных систем управления, обеспечивающих высокие показатели качества регулирования и устойчивости в условиях изменяющихся эксплуатационных режимов работы электровоза. В рамках исследования необходимо разработать инновационные методы синтеза нейросетевых наблюдателей, обладающих способностью к самообучению и адаптации в реальном времени, что позволит повысить гибкость управления, а также общую энергоэффективность и надежность функционирования электрического подвижного состава.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ и обобщение современных подходов к разработке систем управления электрическим подвижным составом. Уточнить классификацию систем управления на основе результатов комплексного анализа отечественного и зарубежного опыта.

2. Разработать математическую модель тягового электропривода электровоза переменного тока с системой автоматического управления с нейросетевым наблюдателем для исследования электромагнитных и информационных процессов, протекающих в его электрических цепях, анализа и оптимизации архитектуры и параметров нейронных сетей.

3. Разработать методику интеграции нейросетевого наблюдателя в микропроцессорные системы автоматического управления, обеспечивающую работу в условиях реальной эксплуатации.

4. Разработать архитектуру нейросетевого наблюдателя для системы автоматического регулирования электрическим подвижным составом переменного тока, обеспечивающего повышение точности и адаптивности управления, а также специализированное прикладное программное обеспечение для моделирования, проектирования и отладки параметров системы автоматического управления электрическим подвижным составом с использованием нейросетевого наблюдателя.

2. Теоретические аспекты разработки нейросетевого наблюдателя 2.1 Основы теории машинного обучения и её применение в управлении

Машинное обучение - это область информатики, которая в настоящее время получила интенсивное развитие. Машинное обучение (далее ML) фокусируется на разработке алгоритмов и моделей, которые позволяют компьютерам учиться на основе данных без явного программирования, обучаясь автоматически улучшать свою производительность при выполнении конкретной задачи.

Машинное обучение включает множество различных типов систем, которые можно сгруппировать (рис 2.1) по трем критериям:

- критерий «контроль обучения»: обучение с учителем, обучение без учителя, частичное обучение и обучение с подкреплением;

- критерий «скорость обучения»: динамическое и пакетное обучение;

- критерий обобщения: обучение на основе образцов и обучение на основе моделей.

Классификация алгоритмов ML по критерию «контроль обучения» основывается на принципах, в соответствии с которыми выбирается тип контроля. Обучение с учителем - это такие алгоритмы обучения, которые для обучения используют обучающий набор данных, содержащий искомые решения (или решение). Наиболее известными и типовыми алгоритмами этого обучения являются: линейная и логистические регрессии (linear regression, logistic regression), метод опорных векторов (Support Vector Machine), деревья принятия решения (decision tree) и случайный лес (random forest), k-ближайших соседей (k-nearest neighbors). Обучение без учителя - алгоритмы обучения, которые используют неразмеченные наборы данных, т.е. набор данных не содержит искомого решения. Для алгоритмов обучения без учителя выделяют несколько подтипов: кластеризация (clustering), обнаружение аномалий и новизны (novelty and outlier detection), визуализация и понижение размерности, обучение ассоциативным правилам (association rule training). Частичное обучение - алгоритмы обучения, которые использует набор, содержащий как размеченные данные, так и не размеченные данные. Большинство таких алгоритмов используют комбинированные алгоритмы обучения с учителем и обучения без учителя.

Обучение с подкреплением - это алгоритмы обучения, использующие специальную систему наблюдения, которая называется агентом. Система следит за процессом обучения (окружением) и в зависимости от результатов работы формирует «награды» или «штрафы», после чего выбирает наилучшую «политику». При обучении с подкреплением применяются следующие алгоритмы: Q-learning, State-Action-Reward-State-Action, Deep Q Network, Deep Deterministic Policy Gradient и другие.

Второй критерий, который используется при классификации, основан на том, как происходит процесс обучения. Можно выделить два подхода: динамическое обучение и пакетное обучение. Динамическое обучение - это процесс, при котором обучение системы происходит постепенно, на основании после-

довательно передаваемых образцов данных; пакетное обучение происходит на всем объеме данных, а обучение на части данных невозможно.

Третий критерий классификации основан на двух подходах к обобщению. Обучение на основе образцов - это подход к обучению, при котором результаты процесса обучения, полученные на основе примеров, распространяются на новые примеры. Обучение на основе моделей - метод обобщения набора примеров, который используется для выработки прогнозов.

Технологии машинного обучения тесно связаны с таким понятием как данные, а именно «Большие данные» (англ. Big Data), и качественное глубокое обучение нейронных сетей просто невозможно без соответствующего набора данных, который содержит достаточное количество примеров для выявления закономерностей и последующего обучения. Большой объем обучающей выборки повышает вероятность того, что будет охвачен весь спектр характеристик, а, значит, будут выделены более сложные закономерности, что особенно важно при интеграции нейронных сетей в системы управления таких ответственных узлов как система управления подвижным составом. Большие данные позволяют выявлять сложные паттерны и предсказывать тенденции, следовательно позволяют найти скрытые закономерности и взаимосвязи, в результате чего нейронная сеть получает возможность «предсказания» событий. Именно этот принцип используется при организации системы ремонта тягового подвижного состава, о снованный на предиктивных свойствах сети. Значительный вклад в развитие отечественных систем предиктивной диагностики принадлежит Грачеву В.В. В его работе [65] разработаны новые методы и способы контроля эффективности и качества функционирования оборудования локомотива с помощью алгоритмов машинного обучения [66]. Поскольку технологии «Большие данные» и «Нейронные сети» неразрывно связаны и не могут существовать друг без друга, необходимо сформулировать современные требования, которые предъявляются к этим технологиям.

2.2 Требования к исходным данным для эффективного машинного обучения

Рост технологий, связанных с машинным обучением, прежде всего вызван появлением возможности работы с большими данными. Этот термин появился

3 сентября 2008 года в специальном номере журнала Nature [67]. Согласно [68] сегодня объем собранных данных измеряется в зеттабайтах (1021 байт).

Аналитики Gartner в своих статьях описали три основных характеристики «Больших Данных», обозначаемых как «три V»:

- объём (англ. volume) - физический объем хранимых данных;

- скорость (англ. velocity) - скорость изменчивости данных и, как следствие, последующий анализ этих изменений;

- многообразие (англ. variety) - разнообразие обрабатываемых типов данных: как структурированные, так и неструктурированные данные.

В настоящее время специалисты добавили еще две характеристики: value and veracity - ценность и достоверность данных:

- ценность (англ. value) - полезность и значимость данных для принятия решений, создания идей и достижения целей;

- достоверность (англ. veracity) - совокупность характеристик надежность, достоверность и точность хранимых данных.

Объем генерируемых данных растет экспоненциально, и современные технологии обработки информации уже не поспевают за этим ростом, что ставит задачу реализации аналитической обработки данных в режиме, максимально приближенном к реальному времени. В условиях этого роста требуется разработка новых подходов, которые смогут эффективно решать задачи прогнозной аналитики, имитационного моделирования и машинного обучения. Большие данные представляют собой совокупность методов и инструментов для обработки огромных объемов структурированной и неструктурированной информации, что делает их ключевыми для решения современных аналитических задач.

Дайон Хинчклиф 1 предложил классифицировать большие данные на три группы:

- быстрые данные (англ. Fast Data) - объем измеряется терабайтами;

- большая аналитика (англ. Big Analytics) - объем измеряется петабайта-ми;

- глубокое осознание (англ. Deep Insight) - объем измеряется экзабайтами или зеттабайтами.

Группы различаются между собой не только оперируемыми объемами данных, но и качеством решения по их обработке.

1 Редактор журнала Web 2.0 Journal

Качество данных отражает степень, в которой данные соответствуют стандартам или ожиданиям. Высококачественные данные можно легко обрабатывать и интерпретировать для различных целей, например, для планирования, отчётности, принятия решений и выполнения основной деятельности. Для оценки качества специалисты рекомендуют использовать разные сочетания аспектов и признаков данных - размерности (метрики) качества данных.

В Data Quality Assessment Framework (DQAF) учитывается пять размерностей качества данных:

- целостность;

- методологическая надёжность;

- точность и надёжность;

- удобство обслуживания;

- доступность.

Одним из первых вопросов, который возникает в процессе исследования возможностей применения инструментов машинного обучения для повышения надежности и производительности, улучшения энергетических показателей и других характеристик железнодорожного транспорта, является вопрос соответствия данных, которые создаются в процессе эксплуатации ЭПС, требованиям, предъявляемым к Большим данным. В самом названии технологии «БОЛЬШИЕ» данные скрывается ключевая характеристика, которая достигается за счет скорости получения этих данных и количества опрашиваемых сенсоров и датчиков. Рассмотрим несколько примеров, которые характеризуют скорость и объем получаемых данных. Выясним, с какой скоростью в настоящее время формируются данные на различных видах транспорта.

В [69] утверждается, что бортовое оборудование современного авиалайнера генерирует до l Тб информации за один полет. Современный самолет оборудован более чем 4000 датчиками, данные от которых записываются параллельно. Специалисты Lufthansa Technik отмечают, что «ключевым фактором является выбор правильного набора датчиков и сбор данных, когда они необходимы, и с необходимой частотой». Современные морские суда также оборудованы огромным количеством датчиков и сенсоров. Согласно [7C], современное судно генерирует более 20 Гб бортовых данных в сутки. Это данные о параметрах работы бортовых систем, а также параметры окружающей среды. Аналитики McKinsey подсчитали [71], что современные автомобили создают до 25 Гб данных в час. Специалисты компании Lucid Group [72], кото-

рая производит электромобили, оборудованные системой автопилота, заявляют, что автомобильные системы безопасности генерирует данные со скоростью до 40 Гбит/с (или 19 ТБ/ч). На железнодорожном транспорте аналогичные показатели скорости получения данных возможны лишь для ЭПС, соответствующего высшему уровню автоматизации воЛ4 [73]. На основе анализа публикаций за последние несколько лет составлена таблица 10, в которой отражена скорость получения данных для различных видов транспорта.

Таблица 10 — Скорость получения данных на различных видах транспорта

Вид транспорта Скорость генерации данных

Автомобильный до нескольких десятков Гб в час

Воздушный до нескольких сотен Гб в час

Морской до нескольких десятков Гб в день

Железнодорожный до нескольких десятков Гб в час

Для каждого предложенного поколения ЭПС (см. табл. 2), составлена таблица (табл. 11), в которой выполнено сравнение ключевых характеристик получения данных 5V: volume, velocity, variety, value and veracity.

Таблица 11 — Сравнение параметров «5V» для ЭПС по поколениям

Характеристика ЭПС 3-го ЭПС 4-го ЭПС 5-го Компьютерная Цифровой

данных поколения поколения поколения модель ЭПС двойник ЭПС

Объем (volume) до нескольких Мб до нескольких десятков Мб до нескольких сотен Мб до нескольких Гб до нескольких Гб

определяется

сложностью

моделей и

Скорость (velocity) до нескольких до нескольких до нескольких может определяется

Мб за время оборота десятков Мб за время оборота сотен Мб за время оборота достигать значений до сотен Мб за цикл моделирования сложностью моделей

Многообразие (variety) недостаточное недостаточное ограниченное определяется сложностью моделей определяется сложностью моделей

Ценность (value) высокая высокая высокая средняя высокая

Достоверность (veracity) средняя высокая высокая определяется точностью моделей определяется точностью моделей

Современные системы управления третьего и четвертого поколения, системы автоведения и регистрации параметров движения даже в совокупности не могут обеспечить всех необходимых характеристик технологии Больших

данных. Неудовлетворительные показатели характеристик скорости, объема и многообразия данных существенно осложняют возможность применения машинного обучения, поэтому в работе в качестве дополнительного источника данных для обучения предлагается использовать компьютерные модели и цифровые двойники ЭПС. Вопросы разработки компьютерных моделей и цифровых двойников, а также механизм получения обучающих выборок рассмотрен в главах 3 и 4.

2.3 Этапы эволюции нейросетевых технологий

Существует несколько вариантов определения «нейронная сеть». Словарь [74] дает следующее определение: нейронная сеть - вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными функциональными моделями нейронов. Другие популярные словари дают схожее определение этого термина. Структура сети пришла в мир программирования и техники из биологии. Нейронная сеть получает информацию и производит расчеты с помощью вычислительных единиц - нейронов, которые связаны друг с другом с помощью синапса.

Годом появления «искусственного интеллекта» считается момент, когда в 1943 г. американский математик Норберт Виннер положил начало нового научного направления кибернетика [75]. В 1943 году были опубликованы две основополагающие статьи: «Поведение, цель и телеология» Артуро Розенблу-та, Норберта Винера и Джулиана Бигелоу, основанные на исследованиях живых организмов, проведенных Розенблутом в Мексике, и статья «Логическое исчисление идей, имманентных нервной деятельности» Уоррена Маккалоха и Уолтера Питтса. Основы кибернетики были затем разработаны в ходе серии междисциплинарных конференций, на которых Винер ввел неологизм кибернетика для обозначения изучения «телеологических механизмов» и популяризации его через книгу «Кибернетика: или управление и коммуникация у животного и машины» [76]. В 1956 году появился новый термин - искусственный интеллект, который ввёл американский учёный Джон Маккарти - американский информатик и основоположник функционального программирования [77]. В это же время в 1957 году Фрэнк Розенблатт предложил первую кибернетическую модель мозга. В

этой модели учёный исходил из природы мозговой структуры, которая представляет сеть нейронов, связанных между собой дендритами и аксонами [78]. Упрощенная модель первой искусственной модели нейрона2 представлена на рисунке 2.2.

FIGURE г

ORGANIZATION OF A PERCEPTRON WITH THREE INDEPENDENT OUTPUT-SETS

Рисунок 2.2 — Модель перцептрона Розенблатта (1957 г.)