Нейросетевая модель контроля рабочего состояния исполнительного устройства стрелочного привода переменного тока в реальном времени

Abstract

RU: Рассмотрен метод диагностирования рабочего состояния асинхронного двигателя стрелочного электропривода в реальном масштабе времени. Установлена определенная зависимость изменения токов в фазах статора при возникновении неисправностей. На основании установленной зависимости построена нейросетевая модель контроля параметров исполнительного устройства стрелочного привода. Для обработки полученных результатов контроля была построена нейросеть с прямым распространением сигнала и обратным распространением ошибки. UA: Розглянуто метод діагностування робочого стану асинхронного двигуна стрілочного електропривода в реальному масштабі часу. Встановлено певну залежність зміни струмів у фазах статора при виникненні несправностей. На підставі встановленої залежності побудовано нейромережеву модель контролю параметрів виконавчого обладнання стрілочного привода. Показано, що результат навчання моделі адекватний, тому що заключна середньоквадратична помилка мала, залежності навчального й перевірочного наборів затвердження мають схожі характеристики, перенавчання не відбулося. Для обробки отриманих результатів контролю було побудовано нейромережу з прямим поширенням сигналу й зворотним поширенням помилки. EN: The method of diagnosing operating condition of an asynchronous engine of a switch electric machine in real time by means of controlling stator current asymmetry using neural networks has been considered. A simulation model showing different malfunctions arising in the course of its operation has been constructed for the analysis of temporary dependences of the controlled device. A certain dependence of current change in stator phases when malfunctions occur has been established. A neural network model of control over the parameters of a switch alternating current machine actuation mechanism with direct propagation of a signal and the reverse propagation of errors has been constructed on the basis of the established dependence. It is shown that the result of the model training is adequate as the final average squared error is small, the dependences of the training and testing sets of the statement have similar characteristics, retraining has not happened. A neuronet with direct signal propagation and the reverse propagation of errors has been constructed to process the obtained results of control. The constructed neural network model allows increasing safety of train operation due to the detection of a fault before the switch machine engine failure occurs and reducing operational expenses due to the reduction of train detention time.