Архив статей журнала
Железнодорожная инфраструктура представляет из себя совокупность сложных технических систем. Используемые на станциях стрелочные переводы в основном обслуживаются регламентно, что не гарантирует появления неисправностей между запланированными проверками. В России процесс переоснащения станционных систем на более отказоустойчивые и способные к самодиагностике микропроцессорные централизации выполняется медленными темпами. Наиболее распространены так называемые надстраиваемые средства диагностирования. Однако из-за нехватки контролируемых параметров и многообразия отказов, действующие системы мониторинга и диагностики железнодорожной автоматики неспособны предоставлять рекомендации о предстоящей поломке для сложных устройств. У двигателей стрелочных переводов эти системы способны лишь регистрировать осциллограммы электрических параметров. Для трёхфазного двигателя этими параметрами являются три фазных тока, три линейных напряжения, полезная мощность и оцениваемое на её основе тяговое усилие. В неявном виде эти осциллограммы содержат скрытые закономерности о предстоящей поломке. Выявить эти закономерности могут алгоритмы из области глубокого обучения. Было установлено, что диагностический кадр данных, формируемый стрелочным измерительным контроллером, может быть эффективно обработан свёрточными нейронными сетями для решения задачи классификации предотказного состояния стрелочного перевода. В данной работе проанализирована актуальность проблемы, предложена архитектура нейронной сети, установлены характеристики обучения и точность прогнозирования.