Классификатор неисправностей: 6. Классификатор N 5 — Классификатор видов эксплуатационных неисправностей, приведших к возникновению инцидентов с опасными грузами / КонсультантПлюс

Содержание

Перечень неисправностей грузовых вагонов подлежащих устранению в текущем отцепочном ремонте от 21.02.2006 г.

ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО
«РОССИЙСКИЕ ЖЕЛЕЗНЫЕ ДОРОГИ»
(ОАО «РЖД»)

УТВЕРЖДАЮ:
Начальник департамента
вагонного хозяйства ОАО «РЖД»
Н.А.Бочкарев
21 февраля 2006 г.

СОГЛАСОВАНО:
Заместитель
директора ВНИИЖТ
С.С.Барбарич
20 февраля 2006 г.

Заместитель
начальника департамента
вагонного хозяйства ОАО «РЖД»
С.П.Кондрашов
20 февраля 2006 г.

ПЕРЕЧЕНЬ
неисправностей грузовых вагонов подлежащих устранению в
текущем отцепочном ремонте

«Перечень неисправностей грузовых вагонов, подлежащих устранению в текущем отцепочном ремонте» (далее — Перечень) содержит выборку кодов и наименований неисправностей из отраслевого классификатора «Основные неисправности грузовых вагонов», устранение которых должно производиться при текущем отцепочном ремонте на специализированных путях и наименования основных типовых работ, регламентных работ и операций контроля технического состояния грузового вагона, выполняемых в текущем отцепочном ремонте.
Перечень предназначен для работников ОАО «РЖД» и собственников (арендаторов) грузовых вагонов с целью установления единых терминов, понятий, определений в области технического содержания грузовых вагонов и номенклатуры неисправностей грузового вагона, подлежащих устранению в текущем отцепочном ремонте и не имеет юридической силы.
Приведенные в Перечне наименования неисправностей, работ и операций с грузовым вагоном должны рассматриваться только как перечисление работ, выполняемых при текущем ремонте. Наименования работ и операций, подлежащих выполнению на вагоне и их объем определяются техническим состоянием вагона, а последовательность их выполнения, требования к параметрам состояния деталей и узлов — в соответствующих инструкциях и нормативно-технической документации (руководящих документах). При этом, в состав работ на текущем отцепочном ремонте включается:
— устранение указанной в ф.ВУ-23 неисправности грузового вагона;
— выполнение регламентных и профилактических работ;
— контроль технического состояния всех узлов и деталей вагона.
В Перечне приняты следующие термины и определения:
Текущий ремонт грузового вагона (неплановый) — комплекс операций или операция по восстановлению работоспособности или исправности груженого или порожнего вагона с заменой или восстановлением отдельных частей с выпиской для производства работ формы ВУ-23 и подачей на специализированные пути.
Устранение неисправности грузового вагона — комплекс операций или операция по поддержанию и восстановлению работоспособности (исправности) или замене неисправного узла или детали грузового вагона.
Контроль технического состояния узлов и деталей грузового вагона — комплекс операций или операция оценки уровня технического состояния вагона, его узлов и деталей при производстве текущего отцепочного ремонта.
Регламентные работы — работы, выполняемые с периодичностью и в объеме, установленными в нормативно-эксплуатационной документации, независимо от технического состояния узлов и деталей вагона в момент начала ремонта.

Перечень состоит из двух разделов.
В первом разделе приведена выборка из классификатора К ЖА 2005 04 «Основные неисправности грузовых вагонов» кодов и наименований неисправностей, подлежащих устранению в текущем отцепочном ремонте.
Во втором разделе представлен перечень наименований основных типовых работ, регламентных работ и операций контроля технического состояния грузового вагона, выполняемых в текущем отцепочном ремонте.
Позиция второго раздела структурно состоит из 2 блоков:
— блок идентификации;
— блок наименования работы.
Блок идентификации построен с использованием серийно-порядковой системы кодирования и содержит цифровой код.
Первая цифра кода соответствует применяемой в классификаторе «Основные неисправности грузовых вагонов» последовательности кодировки укрупненного узла грузового вагона:
1.х.х. — колесная пара и буксовый узел;
2.х.х. — тележка;
3.х.х. — автосцепное оборудование;
4.х.х. — автотормозное оборудование;
5.х.х. — кузов;
6.х.х. — рама вагона.
Для вагона в сборе введен дополнительный код — 0.
Вторая цифра кода отражает вид выполняемой работы и имеет значения:
х.1.х. — работы, выполняемые при устранении неисправности соответствующего укрупненного узла или детали;
х.2.х. — контроль технического состояния соответствующего укрупненного узла.
Третья цифра кода (четвертая цифра кода для подраздела 5.х.х.х — кузов вагона) указывает порядковый номер работы в настоящем перечне.
В подразделе 5.х.х.х (кузов вагона) — третья цифра кода указывает на тип вагона по первой цифре общепринятой нумерации вагона и имеет значения:
х.х.2.х — крытый вагон;
х.х.4.х — платформа;
х.х.6.х — полувагон;
х.х.7.х — цистерна;
х.х.9.х — специализированные вагоны всех типов.
Блок наименований перечня состоит из поля наименования выполняемой работы.

ПЕРЕЧЕНЬ
неисправностей грузовых вагонов, подлежащих устранению
в текущем отцепочном ремонте

* — устранение неисправностей авторежима и его привода (код 401) в текущем отцепочном ремонте производится у груженых вагонов.
** — Неисправности, связанные с ослаблением крепления тормозных приборов (код 440), устраняются в текущем отцепочном ремонте при наличии предохранительных (антивандальных) приспособлений.

Перечень наименований основных типовых работ,
регламентных работ и операций контроля технического состояния
грузового вагона, выполняемых в текущем отцепочном ремонте


Код 

                Наименование неисправности               

101 

Сход с рельс                                             

102 

Тонкий гребень                                           

103 

Прокат по кругу катания выше нормы                       

104 

Кольцевые выработки на поверхности катания               

105 

Навар на поверхности катания                             

106 

Ползун на поверхности катания                            

107 

Выщербины обода колеса, раковины                         

108 

Раздавливание обода колеса (уширение обода)              

109 

Остроконечный накат гребня                               

110 

Вертикальный подрез гребня                               

111 

Тонкий обод                                               

112 

Трещины обода, откол обода колеса                        

113 

Ослабление ступицы на оси                                

114 

Трещина гребня, откол гребня колеса                      

115 

Откол обода колеса                                       

116 

Ползун на поверхности катания на одном колесе            

117 

Неравномерный прокат по кругу катания выше нормы         

118 

Трещина диска колеса колесной пары                       

130 

Поперечная трещина оси колесной пары                     

131 

Продольная трещина оси колесной пары                     

132 

Протертое место оси колесной пары                        

133 

Следы контакта с электродом на оси                       

134 

Холодный излом шейки оси                                 

148 

Повреждение оси колесной пары                            

150 

Грение буксы                                             

151 

Сдвиг буксы                                              

152 

Трещина/излом корпуса буксы                              

153 

Излом/изгиб крышки буксы                                 

154 

Ослабление/отсутствие болта крепительной крышки буксы    

155 

Перевернута роликовая букса                              

201 

Несоответствие зазора между рамой и тележкой 8-осного    
вагона                                                   

204 

Излом/отсутствие/срез шкворня                            

205 

Трещины/излом боковины (рамы)                            

208 

Износ колпака скользуна                                  

209 

Трещина прилива (опоры) для колпака скользуна            

210 

Отсутствие колпака скользуна                             

211 

Излом колпака скользуна                                  

212 

Трещина колпака скользуна                                

213 

Отсутствие/смещение пружин                               

214 

Излом пружин                                              

215 

Трещина соединительной балки 8-осного вагона             

216 

Несоответствие типа тележки грузоподъемности вагона      

217 

Трещина/излом надрессорной балки                         

218 

Трещина/излом клина гасителя колебаний                   

219 

Завышение фрикционного клина относительно опорной        
поверхности надрессорной балки                           

220 

Несоответствие зазоров скользуна                         

221 

Разнотипность тележек                                    

225 

Неисправность опорной прокладки в буксовом проеме        

226 

Трещина или откол подвижной планки тележки 18-100        
прошедшей модернизацию                                   

227 

Ослабление заклепок планки фрикционного гасителя         
колебаний                                                

228 

Неисправность полимерной накладки                        

250 

Просрочен срок службы деталей тележки                    

302 

Провисание автосцепки                                    

303 

Нарушение расстояния от упора автосцепки до ударной      
розетки                                                  

304 

Трещины в корпусе автосцепки                             

305 

Уширение зева автосцепки                                 

306 

Износ контура зацепления                                 

307 

Изгиб хвостовика автосцепки                              

308 

Обрыв хвостовика автосцепки                              

309 

Износ перемычки хвостовика автосцепки                    

310 

Неисправность корпуса автосцепки                         

318 

Несоответствие высоты оси автосцепки над уровнем верха   
головки рельсов                                          

319 

Несоответствие зазора между потолком розетки и хвостовиком
автосцепки                                               

340 

Трещина тягового хомута                                  

341 

Износ тягового хомута                                    

342 

Износ поддерживающий планки тягового хомута              

343 

Трещина/излом поддерживающей планки тягового хомута      

346 

Излом ударной розетки                                    

347 

Обрыв упорного угольника                                 

348 

Неисправности поглощающего аппарата                      

349 

Излом/трещина упорной плиты поглощающего аппарата        

352 

Суммарный зазор между эластомерного поглощающего         
аппарата более 5мм                                       

353 

Повреждение поглощающего аппарата                        

360 

Излом кронштейна расцепного привода                      

361 

Излом державки расцепного привода                        

362 

Неправильная длина цепи расцепного привода                

363 

Излом рычага расцепного привода                          

401*

Неисправность авторежима и его привода                   

402 

Неисправность авторегулятора                             

403 

Неисправность воздухораспределителя                      

404 

Неисправность тормозного цилиндра                        

406 

Неисправность разобщительного крана                      

407 

Повреждение запасного резервуара                         

408 

Срыв корончатой гайки триангеля                          

409 

Обрыв кронштейна двухкамерного резервуара                
воздухораспределителя                                    

410 

Неисправность тройника                                   

411 

Обрыв кронштейна рабочей камеры                          

440**

Ослабление крепления труб воздухопровода и тормозных     
приборов                                                 

441 

Обрыв/излом магистрали воздухопровода и подводящих труб  

443 

Излом рычагов и тормозных тяг                            

445 

Завар башмака                                            

446 

Излом предохранительных скоб горизонтальных тяг тормозной
рычажной передачи                                        

448 

Неисправность стояночного тормоза                        

449 

Неисправность автоматического стояночного тормоза        

450 

Изгиб/излом триангеля                                    

451 

Обрыв/трещина кронштейна тормозного цилиндра             

501 

Перекос кузова более 75 мм                               

502 

Уширение кузова более 75 мм на одну сторону              

503 

Обрыв сварного шва стойки                                

504 

Обрыв сварных швов раскосов                              

505 

Повреждение стоек                                        

506 

Повреждение обвязочных брусьев                           

507 

Повреждение дверных брусьев                              

508 

Повреждение потолочных дуг                               

530 

Повреждения крыши                                        

531 

Повреждение обшивки кузова                               

532 

Повреждение пола                                         

533 

Повреждение переходной площадки                          

534 

Отсутствие двери                                         

535 

Отсутствие дверного упора                                

536 

Повреждение крепления двери                              

537 

Неисправности запора двери                               

538 

Отсутствие крышки люка                                   

539 

Повреждение крышки люка и петель                         

540 

Неисправность запора люка                                

541 

Отсутствие борта платформы                               

542 

Повреждение бортов платформы                             

543 

Неисправность петель, запоров бортов платформы           

544 

Трещины сварных швов котла цистерны                      

547 

Ослабление/обрыв пояса крепления котла цистерны          

548 

Повреждение сливного прибора цистерны                    

549 

Неисправность погрузочно/разгрузочных механизмов         
специализированных вагонов                               

550 

Повреждение воздушных магистралей погрузки/разгрузки     
специализированных вагонов                               

551 

Излом/изгиб зонта двери                                  

552 

Течь котла цистерны                                      

553 

Повреждение (обрыв) лестниц, поручней, подножек          

554 

Повреждение или изгиб дверных рельсов                    

555 

Обрыв кронштейна шарнирного соединения крышки люка       

556 

Отсутствие болтов крепления крыши крытых вагонов         

558 

Трещина/отсутствие фитингов на платформе                 

559 

Отсутствие порога двери полувагона                       

560 

Излом порога двери полувагона                            

561 

Изгиб порога двери полувагона                            

562 

Отсутствие валика двери                                  

603 

Трещины в узлах сочленения хребтовой и шкворневой балок  

604 

Трещины скользуна на шкворневой балке                    

605 

Ослабление крепления скользуна на шкворневой балке       

606 

Трещина пятника                                          

607 

Ослабление крепления пятника                             

610 

Продольные трещины в балках рамы длиной более 300мм      

611 

Трещины в надпятниковой плите (фланце) пятника не более  
30мм                                                     

614 

Обрыв по сварке, разрыв накладок полувагона              

615 

Трещины верхнего/вертикального листа поперечной балки    
рамы                                                     

616 

Излом/трещина промежуточных балок                        

617 

Излом крепления фитингового упора                        

618 

Излом/трещина/обрыв раскосов                             

621 

Трещина концевых балок                                   

623 

Разрывы верхнего/вертикального листа поперечной балки    
рамы                                                     

624 

Излом крепления скользуна на шкворневой балке            

625 

Отсутствие верхнего/вертикального листа поперечной балки 
рамы                                                     

901 

Искаженный номер вагона                                  

903 

Регистрация нового установленного оборудования           

910 

Перевод в неисправные по причине отсутствия паспорта     
формы ВУ-4М                                              

920 

Отсутствие/повреждение одного датчика                    

921 

Отсутствие/повреждение двух датчиков                     


N п.п  

Наименование работ                                     

1      

КОЛЕСНЫЕ ПАРЫ И БУКСОВЫЕ УЗЛЫ                          

1.1    

Устранение неисправностей колесных пар и буксовых узлов

1.1.1  

Обмер колесной пары                                    

1.1.2  

Подбор колесной пары для замены                        

1.1.3  

Замена колесной пары                                   

1.1.4  

Устранение остроконечного наката гребня колеса         
средствами малой механизации                           

1.1.5  

Устранение ослабления крепительной крышки буксы        

1.1.6  

Профилактическая ревизия буксового узла                

1.1.7  

Промежуточная ревизия буксового узла                   

1.2    

Контроль технического состояния колесных пар и буксовых
узлов                                                  

1.2.1  

Осмотр, обстукивание букс                              

1.2.2  

Контроль наличия и ослабления болтов крепления смотровой
и крепительной крышек буксы                            

1.2.3  

Устранение ослабления болтов смотровой крышки буксы    

1.2.4  

Остукивание колеса                                     

1.2.5  

Осмотр колеса с наружной стороны                       

1.2.6  

Осмотр поверхности катания колеса на наличие дефектов   

1.2.7  

Обмер обода и гребня колеса шаблонами                  

1.2.8  

Осмотр колеса с внутренней стороны                     

1.2.9  

Осмотр места сопряжения ступицы колеса и оси колесной  
пары                                                   

1.2.10 

Осмотр оси колесной пары                               

2      

ХОДОВЫЕ ЧАСТИ                                          

2.1    

Устранение неисправностей ходовых частей               

2.1.1  

Регулировка зазора скользуна                           

2.1.2  

Замена коробки скользуна                               

2.1.3  

Обмер тележки вагона                                   

2.1.4  

Подбор тележки вагона в сборе для замены                

2.1.5  

Замена тележки вагона в сборе                          

2.1.6  

Замена (установка) шкворня                             

2.1.7  

Осмотр скользуна, коробки скользуна, ролика скользуна, 
упругого элемента ролика скользуна, крепления коробки  
скользуна                                              

2.1.8  

Устранение ослабления деталей упруго-каткового         
скользуна                                              

2.1.9  

Замена неисправных деталей упруго-каткового скользуна  

2.1.10 

Устранение зазора в узле упруго-каткового скользуна    
тележки и рамы вагона                                  

2.1.11 

Смазывание поверхности трения скользуна смазкой        

2.1.12 

Смазывание поверхности трения подпятника смазкой       

2.1.13 

Демонтаж деталей тележки                               

2.1.14 

Монтаж деталей тележки                                 

2.1.15 

Обмер надрессорной балки                               

2.1.16 

Подбор надрессорной балки для замены                   

2.1.17 

Замена надрессорной балки                              

2.1.18 

Обмер боковой рамы тележки                             

2.1.19 

Подбор боковой рамы тележки для замены                 

2.1.20 

Замена боковой рамы тележки                            

2.1.21 

Осмотр пружин рессорного комплекта                     

2.1.22 

Подбор пружин рессорного комплекта для замены          

2.1.23 

Замена неисправных пружин рессорного комплекта         

2.1.24 

Устранение смещения пружин рессорного комплекта        

2.1.25 

Осмотр деталей узла фрикционного гасителя колебаний    

2.1.26 

Подбор сменных деталей узла фрикционного гасителя      
колебаний для замены                                   

2.1.27 

Замена неисправных сменных деталей узла фрикционного   
гасителя колебаний                                     

2.1.28 

Регулировка (заменой деталей) узла фрикционного гасителя
колебаний                                              

2.1.29 

Осмотр деталей модернизации тележки 18-100 (прокладка  
сменная буксового проема, подвижная планка узла        
фрикционного гасителя колебаний, клин узла фрикционного
гасителя колебаний, полимерная накладка)               

2.1.30 

Замена неисправных деталей модернизации тележки 18-100 

2.2    

Контроль технического состояния ходовых частей         

2.2.1  

Осмотр надрессорной балки                              

2.2.2  

Контроль наличия шкворня                               

2.2.3  

Осмотр пятника (концевого пятника соединительной балки 
8-ми осного вагона)                                    

2.2.4  

Контроль зазоров центрального узла пятник-подпятник    
восьмиосной цистерны                                   

2.2.5  

Осмотр скользуна, коробки скользуна, ролика скользуна, 
упругого элемента ролика скользуна, крепления скользуна

2.2.6  

Контроль зазоров скользуна                             

2.2.7  

Замена (установка) болта крепления коробки скользуна   
(при необходимости)                                     

2.2.8  

Осмотр боковой рамы тележки в районе буксового проема  

2.2.9  

Осмотр боковой рамы тележки в центральной части        

2.2.10 

Осмотр рессорного подвешивания                         

2.2.11 

Осмотр узла фрикционного гасителя колебаний            

2.2.12 

Осмотр деталей модернизации тележки (износостойкие     
элементы)                                              

2.2.13 

Контроль завышения клина узла фрикционного гасителя    
колебаний                                               

3      

АВТОСЦЕПНОЕ ОБОРУДОВАНИЕ                               

3.1    

Устранение неисправностей автосцепного оборудования    

3.1.1  

Замена автосцепки                                      

3.1.2  

Замена поглащающего аппарата                           

3.1.3  

Замена тягового хомута                                 

3.1.4  

Замена поддерживающей планки                           

3.1.5  

Замена упорной плиты поглащающего аппарата             

3.1.6  

Правка рычага расцепного привода                       

3.1.7  

Замена рычага расцепного привода                       

3.1.8  

Замена кронштейна рычага расцепного привода            

3.1.9  

Профилактический осмотр ударно-тяговых устройств       

3.2    

Контроль технического состояния автосцепного           
оборудования                                           

3.2.1  

Осмотр корпуса автосцепки                              

3.2.2  

Проверка действия механизма автосцепки на саморасцеп   

3.2.3  

Контроль разности высот между продольными осями        
сцепленных автосцепок                                  

3.2.4  

Контроль зазора между потолком розетки и хвостовиком   
корпуса автосцепки                                     

3.2.5  

Замер высоты оси автосцепки над уровнем верха головок  
рельсов концевого вагона                               

3.2.6  

Контроль расстояния от головы автосцепки до ударной    
розетки                                                

3.2.7  

Обмер шаблоном автосцепки концевого вагона             

3.2.8  

Разборка механизма автосцепки (при необходимости)      

3.2.9  

Сборка механизма автосцепки (при необходимости)        

3.2.10 

Замена неисправных деталей механизма автосцепки (при   
необходимости)                                         

3.2.11 

Осмотр центрирующего прибора автосцепки                

3.2.12 

Осмотр ударной розетки                                 

3.2.13 

Постановка (при отсутствии) или замена маятниковой     
подвески (при необходимости)                           

3.2.14 

Постановка (при отсутствии) или замена центрирующей    
балочки (при необходимости)                            

3.2.15 

Осмотр расцепного привода                              

3.2.16 

Устранение ослабления крепления кронштейна рычага      
расцепного привода (при необходимости)                 

3.2.17 

Осмотр  поглощающего аппарата (клин, детали крепления  
клина, поддерживающая планка, задние и передние упоры, 
тяговый хомут, зазоры между упором и упорной плитой ЭПА)

3.2.18 

Замена клина (валика) тягового хомута                  
(при необходимости)                                    

3.2.19 

Устранение ослабления крепления болтов клина тягового  
хомута (при необходимости)                             

3.2.20 

Устранение ослабления крепления поддерживающей планки  
тягового хомута (при необходимости)                    

4      

АВТОТОРМОЗНОЕ ОБОРУДОВАНИЕ                             

4.1    

Устранение неисправностей автотормозного оборудования  

4.1.1  

Замена запасного резервуара                            

4.1.2  

Замена вертикальных рычагов                            

4.1.3  

Замена авторегулятора                                  

4.1.4  

Замена триангеля                                       

4.1.5  

Замена подвески тормозного башмака                     

4.1.6  

Замена тормозного башмака                              

4.1.7  

Замена предохранительных устройств тормозной рычажной  
передачи                                               

4.1.8  

Ремонт сваркой кронштейна двухкамерного резервуара     
воздухораспределителя                                  

4.1.9  

Ремонт сваркой кронштейна тормозного цилиндра          

4.1.10 

Замена тормозного цилиндра                             

4.1.11 

Установка (замена) подводящей тормозной трубки         

4.1.12 

Замена разобщительного крана                           

4.1.13 

Замена тройника тормозной магистрали                   

4.1.14 

Замена двухкамерного резервуара воздухораспределителя  

4.1.15 

Замена главной части воздухораспределителя             

4.1.16 

Замена магистральной части воздухораспределителя       

4.1.17 

Очистка сетчатых фильтров воздухораспределителя        

4.1.18 

Замена авторежима                                      

4.1.19 

Устранение утечки воздуха в пневмосистеме тормозного   
оборудования                                           

4.1.20 

Ремонт стояночного тормоза                             

4.1.21 

Испытание тормозного оборудования после ремонта        

4.2    

Контроль технического состояния автотормозного         
оборудования                                           

4.2.1  

Осмотр соединительного рукава с головкой и             
уплотнительным кольцом, концевого крана                

4.2.2  

Замена соединительного рукава (при необходимости)      

4.2.3  

Замена концевого крана (при необходимости)             

4.2.4  

Установка (при отсутствии) ручки концевого крана       

4.2.5  

Замена уплотнительного кольца соединительного рукава   
(при необходимости)                                    

4.2.6  

Осмотр кронштейнов крепления тормозной магистрали      

4.2.7  

Устранение ослабления крепления тормозной магистрали   
(при необходимости)                                    

4.2.8  

Осмотр воздухопровода и разобщительного крана          

4.2.9  

Устранение утечек сжатого воздуха в тормозной системе  
вагона                                                  

4.2.10 

Установка (при отсутствии) ручки разобщительного крана 

4.2.11 

Осмотр крепления и состояния тормозных приборов:       
двухкамерного резервуара, главной и магистральной      
части воздухораспределителя, запасного резервуара,     
тормозного цилиндра, выпускного клапана с приводом     
(цепочкой), авторежима и его арматуры, положения       
режимного переключателя                                

4.2.12 

Установка (при отсутствии)  пробки тормозного цилиндра 

4.2.13 

Устранение ослабления крепления рабочей камеры         
воздухораспределителя (при необходимости)              

4.2.14 

Устранение ослабления крепления главной части          
воздухораспределителя (при необходимости)              

4.2.15 

Устранение ослабления крепления магистральной части    
воздухораспределителя (при необходимости)              

4.2.16 

Устранение ослабления крепления тормозного цилиндра    
(при необходимости)                                    

4.2.17 

Устранение ослабления крепления запасного резервуара   
(при необходимости)                                    

4.2.18 

Устранение ослабления крепления авторежима             
(при необходимости)                                    

4.2.19 

Устранение ослабления крепления балочки авторежима     
(при необходимости)                                    

4.2.20 

Регулировка зазора между авторежимом и балочкой        
(при необходимости)                                    

4.2.21 

Установка (при отсутствии) привода (цепочки) выпускного
клапана                                                

4.2.22 

Регулировка длины привода (цепочки) выпускного клапана 
(при необходимости)                                    

4.2.23 

Устранение ослабления крепления или замена  ручки      
режимного переключателя (при необходимости)            

4.2.24 

Осмотр деталей тормозной рычажной передачи и           
предохранительных устройств                            

4.2.25 

Регулировка тормозной рычажной передачи                
(при необходимости)                                    

4.2.26 

Установка типовых валиков, шайб и шплинтов шарнирного  
соединения рычажной передачи (при необходимости)       

4.2.27 

Проверка состояния  автоматического регулятора тормозной
рычажной передачи                                      

4.2.28 

Устранение ослабления крепления предохранительных      
устройств тормозной рычажной передачи                  
(при необходимости)                                    

4.2.29 

Осмотр деталей тормоза на тележке вагона-вертикальных  
рычагов, горизонтальных тяг, предохранительных         
устройств, триангеля, подвески тормозных башмаков,     
тормозных башмаков, тормозных колодок, их крепления    

4.2.30 

Замена валика подвески тормозных башмаков (при         
необходимости)                                         

4.2.31 

Замена втулок подвески тормозных башмаков (при         
необходимости)                                         

4.2.32 

Замена или установка тормозной колодки                 
(при необходимости)                                    

4.2.33 

Замена или установка клина тормозной колодки (при      
необходимости)                                         

4.2.34 

Устранение ослабления крепления тормозной колодки      
(при необходимости)                                    

4.2.35 

Устранение ослабления крепления или установка          
сменных деталей типового шарнирного соединения         
вертикальных рычагов и горизонтальных тяг               
(при необходимости)                                    

4.2.36 

Устранение ослабления крепления или установка сменных  
деталей типового шарнирного соединения подвески        
тормозных башмаков (при необходимости)                 

4.2.37 

Осмотр деталей стояночного тормоза вагона              

4.2.38 

Устранение ослабления крепления или установка сменных  
деталей типового шарнирного соединения деталей         
стояночного тормоза (при необходимости)                

4.2.39 

Контроль или фиксация штурвала привода стояночного     
тормоза в транспортное положение                       

5      

КУЗОВ ВАГОНА                                           

5.1    

Устранение неисправностей кузова вагона                

5.1.0.1

Восстановление знаков и надписей на кузове вагона      

5.1.0.2

Ремонт площадки помоста                                

5.1.0.3

Ремонт переходной площадки вагона                      

5.1.0.4

Ремонт подножки составителя                             

5.1.0.5

Правка подножки составителя                            

5.1.2  

крытые вагоны                                          

5.1.2.1

Правка двери                                           

5.1.2.2

Ремонт сваркой двери                                   

5.1.2.3

Замена двери                                           

5.1.2.4

Ремонт деревянной обшивы двери                         

5.1.2.5

Замена деревянной обшивы двери (частичная)             

5.1.2.6

Правка дверной рельсы                                  

5.1.2.7

Ремонт сваркой дверной рельсы                          

5.1.2.8

Замена дверной рельсы                                  

5.1.2.9

Ремонт внутренней обшивы двери                         

5.1.2.10

Замена внутренней обшивы двери (частичная)             

5.1.2.11

Правка планки с отверстиями для открытия двери         

5.1.2.12

Ремонт сваркой планки с отверстиями для открытия двери 

5.1.2.13

Замена планки с отверстиями для открытия двери          

5.1.2.14

Ремонт дверного упора                                  

5.1.2.15

Замена дверного упора                                  

5.1.2.16

Установка закидки двери                                

5.1.2.17

Ремонт сваркой крышки люка                             

5.1.2.18

Правка крышки люка                                     

5.1.2.19

Демонтаж крышки люка                                   

5.1.2.20

Монтаж крышки люка                                     

5.1.2.21

Ремонт деталей крепления люка                          

5.1.2.22

Ремонт запорного устройства люка                       

5.1.2.23

Замена деталей запорного устройства люка               

5.1.2.24

Правка стоек и раскосов                                

5.1.2.25

Ремонт сваркой трещин и изломов стоек и раскосов       

5.1.2.26

Усиление накладками трещин и изломов стоек и раскосов  

5.1.2.27

Окраска элементов стоек, раскосов, рамы поврежденных   
коррозией                                              

5.1.2.28

Ремонт сваркой боковых стен вагона                     

5.1.2.29

Ремонт сваркой торцовых стен вагона                    

5.1.2.30

Заварка дефектов сварных швов листов наружной обшивки  

5.1.2.31

Заварка пробоин и прорезов листов стены                 

5.1.2.32

Замена досок обшивы стены                              

5.1.2.33

Ремонт с постановкой ремонтной вставки внутренней      
обшивы стены                                           

5.1.2.34

Окраска ремонтных вставок и поврежденных участков      
внутренней обшивы стены                                

5.1.2.35

Окраска деревянных деталей в местах соприкосновения с  
металлическими частями                                 

5.1.2.36

Ремонт сваркой металлического пола                     

5.1.2.37

Заварка пробоин и прорезов металлического пола         

5.1.2.38

Вварка вставки пола                                    

5.1.2.39

Замена досок пола                                      

5.1.2.40

Ремонт порезов и пробоин крыши вагона                  

5.1.2.41

Вварка вставки крыши                                   

5.1.2.42

Ремонт сваркой дуги и обвязочного угольника крыши      

5.1.2.43

Окраска сварочных швов и накладок после остывания      

5.1.4  

платформы                                               

5.1.4.1

Ремонт правкой борта платформы без демонтажа           

5.1.4.2

Ремонт сваркой борта платформы без демонтажа           

5.1.4.3

Демонтаж борта платформы                               

5.1.4.4

Монтаж борта платформы                                 

5.1.4.5

Ремонт деталей крепления борта платформы               

5.1.4.6

Ремонт деталей запорных устройств борта платформы      

5.1.4.7

Восстановление сваркой деталей крепления металлического
борта                                                   

5.1.4.8

Ремонт сваркой металлического борта                    

5.1.4.9

Замена изношенных валиков клиновых запоров             

5.1.4.10

Замена клинового запора крепления борта                

5.1.4.11

Ремонт сваркой петель борта с постановкой усиливающей  
накладки                                               

5.1.4.12

Осмотр стоячных скоб                                   

5.1.4.13

Ремонт стоячных скоб                                   

5.1.4.14

Замена досок пола платформы                            

5.1.4.15

Вварка вставки пола платформы                          

5.1.4.16

Осмотр фитинговых устройств платформ для перевозки     
контейнеров                                            

5.1.4.17

Замена неисправных откидных фитинговых устройств       

5.1.4.18

Осмотр крепления специализированного оборудования      
платформ для перевозки леса                            

5.1.4.19

Ремонт специализированного оборудования платформ для   
перевозки леса                                         

5.1.6  

полувагоны                                             

5.1.6.1

Устранение уширения кузова вагона                      

5.1.6.2

Осмотр верхней и нижней обвязки вагона                  

5.1.6.3

Правка верхней обвязки вагона                          

5.1.6.4

Ремонт сваркой трещин и изломов верхней и нижней обвязки

5.1.6.5

Усиление накладками трещин и изломов верхней и нижней  
обвязки                                                

5.1.6.6

Замена накладок                                        

5.1.6.7

Правка стоек и раскосов                                

5.1.6.8

Ремонт сваркой трещин и изломов стоек и раскосов       

5.1.6.9

Усиление накладками трещин и изломов стоек и раскосов  

5.1.6.10

Правка двери                                           

5.1.6.11

Ремонт сваркой двери                                   

5.1.6.12

Замена двери                                            

5.1.6.13

Ремонт запорного устройства двери                      

5.1.6.14

Ремонт деталей крепления двери                         

5.1.6.15

Ремонт сваркой порога двери                            

5.1.6.16

Ремонт сваркой крышки люка                             

5.1.6.17

Правка крышки люка                                     

5.1.6.18

Демонтаж крышки люка                                   

5.1.6.19

Монтаж крышки люка                                     

5.1.6.20

Ремонт деталей крепления люка                          

5.1.6.21

Ремонт деталей крепления торсионного устройства люка   

5.1.6.22

Замена торсионного устройства люка                     

5.1.6.23

Ремонт запорного устройства люка                       

5.1.6.24

Замена деталей запорного устройства люка               

5.1.6.25

Ремонт сваркой боковых стен вагона                     

5.1.6.26

Ремонт сваркой торцовых стен вагона                    

5.1.6.27

Заварка дефектов сварных швов листов наружной обшивки  

5.1.6.28

Заварка пробоин и прорезов листов стены                

5.1.6.29

Ремонт сваркой металлического пола вагона              

5.1.6.30

Заварка пробоин и прорезов металлического пола         

5.1.6.31

Вварка вставки пола                                    

5.1.7  

цистерны                                               

5.1.7.1

Осмотр стяжных хомутов                                 

5.1.7.2

Устранение ослабления стяжных хомутов                  

5.1.7.3

Осмотр гаек болтов на лапах крепления                  

5.1.7.4

Затяжка гаек болтов на лапах крепления                 

5.1.7.5

Осмотр деревянных брусков опор                         

5.1.7.6

Осмотр предохранительного клапана цистерны             

5.1.7.7

Осмотр заглушки сливного прибора цистерны              

5.1.7.8

Замена заглушки сливного прибора цистерны              

5.1.7.9

Осмотр сливо-наливного устройства                      

5.1.7.10

Установка крышки сливного прибора                       

5.1.7.11

Замена откидных болтов                                 

5.1.9  

специализированные вагоны                              

5.1.9.1

Ремонт сваркой паровой рубашки бункера вагона          

5.1.9.2

Замена штуцера паровой рубашки бункера вагона          

5.1.9.3

Осмотр погрузочно-разгрузочных устройств               
специализированных вагонов                             

5.1.9.4

Проверка рычажной передачи механизмов разгрузки        

5.1.9.5

Проверка исправности и действия механизмов разгрузки у 
порожнего вагона                                       

5.1.9.6

Проверка воздушной магистрали механизмов разгрузки у   
порожнего вагона                                       

5.1.9.7

Проверка воздухопроводов и приборов механизмов         
разгрузки                                              

5.1.9.8

Ревизия пневмосистемы погрузочно-выгрузочных устройств 

5.1.9.9

Проверка плотности прилегания отбуртовки крышек        
разгрузочных люков к проемам люков                     

5.1.9.10

Выправление отбуртовки крышек разгрузочных люков       

5.1.9.11

Ремонт сваркой крышек разгрузочных люков               

5.1.9.12

Замена уплотнения крышек разгрузочных люков            

5.1.9.13

Ремонт стойки откидного шарнира люка                   

5.1.9.14

Замена стойки откидного шарнира люка                   

5.1.9.15

Замена приспособления для пломбирования                

5.1.9.16

Проверка состояния предохранителя от произвольного     
открытия крышек люков                                  

5.1.9.17

Проверка состояния и положения рычагов управления      
механизмов разгрузки                                   

5.1.9.18

Устранение увеличенных зазоров в рычажных соединениях  
механизма разгрузки                                     

5.1.9.19

Устранение утечек воздуха в пневматической системе     
управления механизмов разгрузки                        

5.1.9.20

Замена кранов в пневматической системе управления      
механизмов разгрузки                                   

5.1.9.21

Регулировка рычажной передачи механизмов разгрузки     

5.1.9.22

Замена рычагов рычажной передачи механизмов разгрузки  

5.1.9.23

Ремонт рычагов рычажной передачи механизмов разгрузки  

5.1.9.24

Осмотр кронштейнов крепления механического и           
пневматического оборудования вагона                    

5.1.9.25

Ремонт кронштейнов крепления механического и           
пневматического оборудования вагона                    

5.1.9.26

Осмотр опор кузова и их крепления                      

5.1.9.27

Ремонт опор кузова и их крепления                      

5.1.9.28

Осмотр механизма опрокидывания бортов                  

5.1.9.29

Осмотр стоек платформы двухъярусной для перевозки      
автомобилей                                            

5.1.9.30

Ремонт стоек сваркой (включая предварительную разделку 
и постановку  усиливающих накладок с двух сторон)      

5.1.9.31

Осмотр погрузочно-выгрузочных устройств                

5.1.9.32

Ремонт погрузочно-выгрузочных устройств                

5.1.9.33

Ремонт кронштейнов погрузочно-выгрузочных устройств    

5.1.9.34

Замена кронштейнов погрузочно-выгрузочных устройств    

5.1.9.35

Осмотр дополнительного оборудования погрузочно-        
выгрузочных устройств (ролики, рольганги, катки,       
винтовые пары)                                         

5.1.9.36

Очистка дополнительного оборудования погрузочно-       
выгрузочных устройств (ролики, рольганги, катки,       
винтовые пары)                                          

5.1.9.37

Смазка дополнительного оборудования погрузочно-        
выгрузочных устройств (ролики, рольганги, катки,       
винтовые пары)                                         

5.1.9.38

Замена  дополнительного оборудования погрузочно-       
выгрузочных устройств (ролики, рольганги, катки,       
винтовые пары)                                         

5.1.9.39

Установка недостающего дополнительного оборудования    
погрузочно-выгрузочных устройств (ролики, рольганги,   
катки, винтовые пары)                                  

5.1.9.40

Фиксация дополнительного оборудования в транспортное   
положение                                              

5.1.9.41

Осмотр лестниц, поручней, подножек для обслуживающего  
персонала                                              

5.1.9.42

Правка лестниц, поручней, подножек для обслуживающего  
персонала                                              

5.1.9.43

Ремонт сваркой лестниц, поручней, подножек для         
обслуживающего персонала                               

5.1.9.44

Установка недостающих лестниц, поручней, подножек для  
обслуживающего персонала                               

5.1.9.45

Замена белтинговой ленты (в цистернах для перевозки    
цемента)                                                

5.2    

Контроль технического состояния кузова вагона          

5.2.1  

Осмотр торцевой стены вагона — стойки, обшива,         
переходная площадка (при наличии), кронштейн сигнального
диска, фрамуга крыши, двери, торцовый борт, котел,     
запорные устройства                                    

5.2.2  

Осмотр боковой стены вагона — стена кузова, трафареты и
надписи, пол, крыша, стойки, раскосы, обшива, верхняя и
нижняя обвязка,  дверь, дверной упор, направляющую     
двери, крышки люков, борт платформы, фитинги, котел    
цистерны, сливной прибор, крышка сливного прибора,     
крышка колпака, откидной колпак, запорные устройства,  
скобы стоек, увязочные скобы, загрузочные и разгрузочные
устройства и их приводы, предохранительные устройства от
открытия разгрузочных люков,торсионы, подножки         
составителя, поручни, кронштейны, механизм открывания  
бортов, механизм блокировки проворачивания собачки, шип,
амортизатор и его крепление, упоры кузова, разгружающий
цилиндр                                                

5.2.3  

Замер кузова вагона на перекос (при необходимости)     

5.2.4  

Замер уширения кузова вагона (при необходимости)       

5.2.5  

Замер трещин котла цистерны или кузова вагона (при     
необходимости)                                         

5.2.6  

Устранение ослабления крепления пояса котла цистерны   
(при необходимости)                                    

5.2.7  

Устранение ослабления крепления фасонной лапы цистерны 
(при необходимости)                                    

5.2.8  

Установка валика крышки люка полувагона (вагон в       
порожнем состоянии) (при необходимости)                

5.2.9  

Установка закидки (сектора) люка (вагон в порожнем     
состоянии) (при необходимости)                         

5.2.10 

Установка валика двери полувагона (вагон в порожнем    
состоянии) (при необходимости)                         

5.2.11 

Установка валика борта платформы (вагон в порожнем     
состоянии) (при необходимости)                         

5.2.12 

Контроль закрытия и закрепление дверей, люков, бортов, 
переездных мостиков, бункеров и нижних крышек сливных  
приборов порожних вагонов                              

6      

РАМА ВАГОНА                                             

6.1    

Устранение неисправностей рамы вагона                  

6.1.1  

Ремонт сваркой трещин и обрывов балок рамы вагона      

6.1.2  

Ремонт сваркой скользуна на шкворневой балке           

6.1.3  

Обмер пятника                                          

6.1.4  

Устранение ослабления пятника                          

6.1.5  

Ремонт сваркой стяжного хомута                         

6.1.6  

Замена хвостовика стяжного хомута, гайки стяжного      
хомута, контрогайки, муфты                             

6.2    

Контроль технического состояния рамы вагона            

6.2.1  

Осмотр рамы — концевая балка, хребтовая балка,         
балки рамы, шкворневая балка, пятник, скользун         

6.2.2  

Измерение  прогиба балок рамы                          

6.2.3  

Измерение  трещин в балках рамы                        

0      

ВАГОН В СБОРЕ                                          

0.1.1  

Составление учетной документации по ф. ВУ-22, ВУ-36М,  
ВУ-41М, ВУ-53, ВУ-68, ВУ-92                            

0.1.2  

Проверка объема и качества выполненных на вагоне работ 

Кто должен отвечать за «скрытые неисправности» вагона? — ЗАО «Локотранс»

Компания ЗАО «Локотранс» обратилась в НП «Объединение производителей железнодорожной техники» по рассмотрению вопроса о внесении изменения в «Регламент расследования причин отцепки грузового вагона и ведения рекламационной работы» (далее – Регламент) применяемый на сети железных дорог.

Суть предложения в следующем.

В настоящее время Регламент не охватывает все случаи выявления неисправностей технологического характера при эксплуатации вагонов. Первый раздел Регламента содержит правило, согласно которого расследованию подлежат только причины возникновения таких неисправностей, по которым вагон отцеплен в ремонт. В то же время, в ходе текущего ремонта выявляются неисправности технологического характера, в том числе не указанные в классификаторе «Основные неисправности грузовых вагонов (К ЖА 2005 05)» (далее Классификатор неисправностей), но без устранения которых вагон не подлежит эксплуатации. Эксплуатационные вагонные депо отказываются оформлять акт-рекламацию на такие неисправности, ссылаясь на их отсутствие в Классификаторе неисправностей. Вагонные ремонтные депо, в случае передачи к ним деталей для проведения ремонта из ВЧДЭ, не видят оснований проводить расследование ввиду отсутствия в Регламенте прямого указания осуществлять такие действия ремонтными депо при проведении ТОР вагонов.

Как пример, вагон отцеплен в текущий ремонт по эксплуатационной неисправности «тонкий гребень» и забракованную колесную пару направляют в вагонное ремонтное депо для проведения ремонта. Согласно пункта 12.4.1.3. «Руководящего документа по ремонту и техническому обслуживанию колесных пар с буксовыми узлами грузовых вагонов магистральных железных дорог колеи 1520 (1524 мм)» (далее Руководство) колесной паре должен производится текущий ремонт. Однако если перед проведением ремонта будет зафиксирован отрицательный результат входного вибродиагностического контроля либо выявится обводнение смазки в буксе, то колесной паре в соответствии с пунктами 12.5.1.13 и 12.5.1.10 Руководства проводят более дорогостоящий средний ремонт. В ответ на просьбу составить акт-рекламацию на предприятие, проводившее колесу последний средний ремонт и предоставившее гарантию на качество выполняемых работ до следующего среднего ремонта, нам отказывают с пояснением, что неисправность «тонкий гребень» носит эксплуатационный характер, а на неисправности «отрицательный результат виброконтроля» или «обводнение смазки» отсутствует код в Классификаторе неисправностей. Тем не менее, мы считаем наше требование законным, так как предприятие, проводившее последний средний ремонт, предоставило гарантию на свои работы согласно пункта 31.3.1 Руководства. Возникновение неисправности в гарантийный период дает нам право в силу положений гражданского законодательства обратиться к указанному предприятию за возмещением возникших расходов. Вместе с тем отказ в оформлении акта-рекламации лишает нас этого права.

На основании выше изложенного предлагаем:

— включить в первый раздел Регламента положения, согласно которых акт-рекламация должен составляться не только на неисправности, послужившие причиной отцепки вагона в ТОР, но и на те, которые выявлены в ходе текущего ремонта вагона и его составных частей;

— при отсутствии кода для неисправности в Классификаторе неисправностей предлагаем указывать в акте рекламации код 912, 913, 914 «претензии к качеству ремонта, изготовления вагона»;

— обязанность по расследованию причины возникновения неисправности и составлению акта рекламации возложить на предприятие, обнаружившее такую неисправность.

Данный вопрос был рассмотрен 01.11.2016г. на заседании рабочей группы Подкомитета по эксплуатации Комитета НП «ОПЖТ» по грузовому подвижному составу. Было принято решение, что для рассмотрения позиции, изложенной в обращении ЗАО «Локотранс», необходимо получить оценку со стороны юридических служб своих организаций о правомерности выставления затрат за ремонт вагонов при обнаружении скрытых неисправностей, которые были выявлены в ходе проведения внепланового ремонта вагона, первоначально отцепленного по эксплуатационным кодам неисправностей.

http://мояколея1520.рф/new/1719/

1.20.001-2007 Классификатор неисправностей вагонных колесных пар и их элементов

1.20.001-2007 Классификатор неисправностей вагонных колесных пар и их элементов
Связь с администрацией сайта: [email protected]
Новости и статьи     Справочная информация     Тарифное руководство #4     Медиа    

Распоряжения     Сайты о поездах и железной дороге     Лаборатория данных     Энциклопедия

ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО
РОССИЙСКИЕ ЖЕЛЕЗНЫЕ ДОРОГИ
(ОАО «РЖД»)

УТВЕРЖДЕНО
Вице-президент ОАО «РЖД»
В.А. Гапанович
07.12.2007г.


КЛАССИФИКАТОР
НЕИСПРАВНОСТЕЙ ВАГОННЫХ КОЛЕСНЫХ ПАР
И ИХ ЭЛЕМЕНТОВ
1.20.001-2007

СОГЛАСОВАНО

Начальник Департамента
вагонного хозяйства ОАО «РЖД»
Н.А. Бочкарев
31.10.2007г.

Начальник Департамента
пассажирских сообщений ОАО «РЖД»
Г.В. Верховых
06.11.2007г.

Начальник Департамента
технической политики ОАО «РЖД»
Н.Г. Шабалий
03.12.2007г.

РАЗРАБОТЧИКИ

Первый заместитель директора
ФГУП «ВНИИЖТ»
Ю.М. Черкашин
12.09.2007г.

Заведующий лабораторией
колесных пар и буксового узла
ФГУП «ВНИИЖТ»
С.Г. Иванов
12.09.2007г.

Старший научный сотрудник
ФГУП «ВНИИЖТ»
А.В. Фофанова
12.09.2007г.


СОДЕРЖАНИЕ

1. Область применения

2. Назначение классификатора
3. Нормативные ссылки
4. Основные термины
5. Принципы классификации
6. Обозначения неисправностей
1. Износы
1.1 Колеса
1.2 Оси
2. Термомеханические повреждения
2.1 Колеса
2.2 Оси
3. Механические повреждения, вызывающие деформацию и нарушение сборки
3.1 Колеса
3.2 Оси
3.3 Колесные пары
4. Нарушение сплошности металла эксплуатационного происхождения
4.1 Колеса
4.2 Оси
5. Нарушение сплошности металла технологического происхождения
5.1 Колеса
5.2 Оси
6. Разрушение в виде выкрашивания металла и откола отдельных частей
6.1 Колеса
6.2 Оси
7. Разрушение в виде излома
7.1 Колеса
7.2 Оси
8. Нарушение геометрического параметра
8.1 Колеса
8.2 Оси
8.3 Колесные пары
9. Нарушение отклонений формы и расположения поверхностей
9.1 Колеса
9.2 Оси
9.3 Колесные пары


1. Область применения

Классификатор неисправностей вагонных колесных пар и их элементов предназначен для работников вагонного и пассажирского хозяйств, ремонтных и эксплуатационных предприятий – филиалов ОАО «РЖД» и распространяется на колесные пары типа РУ1-957 и РУ1Ш-957 пассажирских и грузовых вагонов магистральных железных дорог колеи 1520 (1524) мм.

Применение настоящего классификатора сторонними организациями оговаривается в договорах (соглашениях) с ОАО «РЖД».


2. Назначение классификатора

Классификатор предназначен для:
— исключения разнообразия в наименовании одних и тех же неисправностей колесных пар;
— правильного ведения статистического учета причин выхода из строя колесных пар в эксплуатации и поступлении в ремонт;
— установления объема ремонтных работ;

— оптимизации процессов обслуживания и ремонта колесных пар;
— регистрации информации о состоянии колесных пар в течение их жизненного цикла в базе данных системы контроля и учета колесных пар;
— использования результатов статистического учета при разработке мер по повышению эксплуатационной стойкости и удлинению срока службы колесных пар и их элементов.


3. Нормативные ссылки

Классификатор содержит требования следующих технических и нормативных документов:
— ЦРБ/756 (с изменениями), 2000 г. «Правила технической эксплуатации железных дорог Российской Федерации»;
— ЦВ/3429, 1976 г. «Инструкция по осмотру, освидетельствованию, ремонту и формированию вагонных колесных пар»;
- 3-ЦВРК , 1998 г. «Инструктивные указания по эксплуатации и ремонту вагонных букс с роликовыми подшипниками»;

— ЦВ РК-6, 1986 г «Инструкция по организации ремонта колесных пар в вагоноколесных мастерских и вагонных депо»;
— ЦВ-201-98, изменения № 1,2 1998 г. «Инструкция по сварке и наплавке при ремонте грузовых вагонов»;
— РД 32 ЦВ 058-97 «Методика выполнения измерений при освидетельствовании колесных пар вагонов колеи 1520 мм»;
— ТИ 32 ЦВ-ВНИИЖТ-86, изменения «Технологическая инструкция по упрочнению накатыванием роликами осей колесных пар вагонов»;
— ПР 07.07-98 «Типовое положение по организации работ по неразрушающему контролю на предприятиях, производящих ремонт и модернизацию вагонов всех типов»;
— ПР32ЦВ 001-95 «Методические указания, калибровка средств измерений и контроль средств допускового контроля колесных пар вагонов»;
— РД 0709-1997, изменения № 1,2,3; ТИ 07.26-01; ТИ 07.27.01 «Руководство по комплексному ультразвуковому контролю колесных пар вагонов»;
— РД 32.174-2001 «Неразрушающий контроль деталей вагонов. Общие положения»;
— РД 32.159-2000 «Магнитопорошковый метод неразрушающего контроля деталей вагонов»;
— РД 32.150-2000 «Вихретоковый метод неразрушающего контроля деталей вагонов»;
— Руководство по комплексному ультразвуковому контролю колесных пар вагонов, программируемым дефектоскопом «Пеленг» УД2-102;
— Технологическая инструкция по ультразвуковому контролю осей колесных пар вагонов программируемым дефектоскопом «Пеленг» УД2-102.


4. Основные термины

Неисправность – состояние объекта, при котором он не соответствует хотя бы одному из требований нормативной, технической или конструкторской документации.
Колесная пара – основной элемент ходовой части (вагонной тележки) подвижного состава, состоящий из двух цельнокатаных колес, напрессованных в холодном состоянии на ось, воспринимающий и передающий статическую и динамическую нагрузки от вагона на рельсы и служащий для направления его движения по рельсовому пути.
Цельнокатаное колесо – элемент колесной пары, состоящий из ступицы, диска и обода, передающий статические и динамические нагрузки от вагона на рельсы и обеспечивающий движение подвижного состава.
Ступица – часть цельнокатаного колеса с отверстием для установки его на оси методом холодного прессования.
Диск – часть цельнокатаного колеса, соединяющая ступицу с ободом.
Обод – изнашиваемая часть цельнокатаного колеса, контактирующая с рельсом при движении подвижного состава.
Поверхность катания обода колеса – поверхность специального профиля, обеспечивающая устойчивое положение колесной пары на рельсовой колее и определяющее направление движения подвижного состава.
Гребень – часть профиля поверхности катания обода колеса, удерживающая колесную пару от схода с рельсовой колеи.
Ось – элемент колесной пары, представляющий собой стальной брус круглого поперечного сечения, имеющий разные диаметры по длине в зависимости от частей оси и усилий, возникающих в них.
Шейка оси – часть оси, служащая для размещения на ней подшипников.
Подступичная часть оси – часть оси, на которую напрессовываются колеса.
Предподступичная часть оси – часть оси, служащая переходом от шейки к подступичной части оси.
Отверстие в торце оси М20 – резьбовое отверстие, обеспечивающее установку болтов М20 торцевого крепления буксового узла колесной пары на шейке оси.
Резьбовая часть оси М110 – резьбовая часть оси, предназначенная для установки гайки М110 торцевого крепления буксового узла колесной пары на шейке оси.


5. Принципы классификации

Все неисправности колесных пар и их элементов классифицируются по трехзначной десятеричной цифровой системе, образующей код неисправности.
Первая позиция образует классы, вторая – группы, входящие в состав классов, третья – виды конкретных неисправностей.
Классы объединяют неисправности по общему признаку, характеризующему главное свойство и причинно-следственные связи их появления. Классификация содержит девять классов:
1. Износы.
2. Термомеханические повреждения.
3. Механические повреждения, вызывающие деформацию и нарушение сборки.
4. Нарушение сплошности металла эксплуатационного происхождения.
5. Нарушение сплошности металла технологического происхождения.
6. Разрушения в виде выкрашивания металла и откола отдельных частей.
7. Разрушение в виде излома.
8. Нарушение геометрического параметра
9. Нарушение отклонений формы и расположения поверхностей.

Группы объединяют неисправности по месту их возникновения.
Классификация содержит три группы:
1. Колеса.
2. Оси.
3. Колесные пары.
Вид неисправности указывает на его наименование и принадлежность к месту на колесной паре.

Пример:
3 класс — механические повреждения, вызывающие деформацию и нарушение сборки
1 группа – колеса
код неисправности 312 – круговой наплыв на фаску.


6. Обозначения неисправностей Вы можете оставить комментарии от своего имени, через сервисы представленные ниже:

 

commentit

Страница не найдена — «Объединение производителей железнодорожной техники»

RU | EN Вступить в Партнерство
  • О партнерстве
    • О партнерстве
    • Руководство НП «ОПЖТ»
    • Члены НП «ОПЖТ»
    • Эксперты НП «ОПЖТ»
    • Вступление и членство
    • Документы
    • Партнёры
    • Организации, созданные при участии НП «ОПЖТ»
  • Мероприятия
  • Новости
    • Новости
    • Новости организаций
    • Новости Партнерства
    • Видео
  • Члены НП «ОПЖТ»
  • Рабочие органы
    НП «ОПЖТ»
  • Контакты
  • Техрегулирование
    • Технические регламенты
    • Стандартизация
    • Метрология
    • Подтверждение соответствия
    • Разрабатываемые документы по стандартизации
  • Документы
  • Меры поддержки
  • Опросы
  • Аналитика
RU | EN
  • О партнерстве
    • О партнерстве
    • Руководство НП «ОПЖТ»
    • Члены НП «ОПЖТ»
    • Эксперты НП «ОПЖТ»
    • Вступление и членство
    • Документы
    • Партнёры
    • Организации, созданные при участии НП «ОПЖТ»
  • Мероприятия
  • Новости
    • Новости
    • Новости организаций
    • Новости Партнерства
    • Видео
  • Контакты
Вступить Вступить в Партнерство Вступить в Партнерство +7 (499) 262-27-73
  • Главная
  • Страница не найдена

К сожалению данная


страница не найдена… Перейти на главную   О партнерстве
  • О партнерстве
  • Руководство НП «ОПЖТ»
  • Члены НП «ОПЖТ»
  • Вступление и членство
  • Документы
  • Партнёры
  • Организации, созданные при участии НП «ОПЖТ»
Техрегулирование
  • Технические регламенты
  • Стандартизация
  • Метрология
  • Подтверждение соответствия
  • Разрабатываемые документы по стандартизации
Новости
  • Новости
  • Новости организаций
  • Новости Партнерства
  • Видео
  • Телеграм канал НП «ОПЖТ»
Рабочие органы
НП «ОПЖТ» Единое окно инноваций Контакты 2022 © НП «ОПЖТ» Политика обработки персональных данных 129272, Москва, Рижская пл., 3 | Тел.: +7 (499) 262-27-73 | Факс: +7 (499) 262-95-40

КЛАССИФИКАЦИЯ КОММЕРЧЕСКИХ НЕИСПРАВНОСТЕЙ ГРУЗОВЫХ ВАГОНОВ РАСПОРЯЖЕНИЕ ОАО «РЖД» от 01.06.2005 N 834р «ОБ УТВЕРЖДЕНИИ КЛАССИФИКАЦИИ КОММЕРЧЕСКИХ НЕИСПРАВНОСТЕЙ ГРУЗОВЫХ ВАГОНОВ»

Позиция 1. Виды коммерческих неисправностей Номер графы КНО-5 Примечание
Код
1 2 3 4
1. Неисправность кузова груженого вагона, контейнера, угрожающая сохранности перевозимого груза
101 Трещина 11
102 Щель 11 при размерах, приводящих к доступу к грузу
103 Отверстие 11
104 Проруб 11
105 Пролом 11
106 Излом 11
107 Перекос кузова 11
108 Повреждение увязочных устройств 11
111 Заделка внутренняя 11
112 Заделка наружная на сварке 11
113 Заделка наружная 11 без применения сварки
121 Трещина сварочного шва узлов и деталей 11
122 Нетиповой сварочный шов 11
123 Сварка на станции погрузки при составлении акта на станции погрузки
131 Не заведен штырь штанги запорного устройства двери контейнера 11
132 Отсутствие упорной головки на специализированной платформе 6
133 Повреждение нижнего фитинга контейнера 6
199 Прочие 11
2. Неисправность устройств и оборудования груженого вагона, контейнера
201 Отсутствие болта дверной накладки 11
202 Неисправность болта дверной накладки 11 в том числе нестандартный болт
203 Нетиповая дверная накладка 11
204 Неисправность дверной накладки 11
205 Нетиповое ушко дверной стойки 11
206 Пропил ушка дверной стойки 11
207 Неисправность ушка дверной стойки 11
211 Срыв двери с направляющих 11
212 Зазор между дверью и кузовом 11
213 Приоткрыта дверь 11
221 Обрыв ушка крышки люка 11
222 Приоткрыта крышка люка 11
223 Открыт люк 11
224 Отсутствие крышки люка 11
225 Не закреплена крышка люка 11
226 Заварена крышка люка 11
227 Излом запорного устройства разгрузочного люка 11
228 Не закрыта решетка бокового люка 11
230 Разгрузочные устройства не приведены в транспортное положение 11
299 Прочие 11
3. Отсутствие ЗПУ, закрутки, пломбы
301 Отсутствие ЗПУ 10
302 Отсутствие закрутки 10
303 Отсутствие пломбы 10
4. Неисправность ЗПУ, закрутки, пломбы
401 Повреждение ЗПУ 11
402 Установка ЗПУ на непредусмотренном месте 11
403 Неправильно установленное ЗПУ 11
404 Тип ЗПУ не соответствует сведениям, указанным в перевозочных документах 11
405 Номер ЗПУ не соответствует сведениям, указанным в перевозочных документах 11
406 ЗПУ неустановленного типа 11
407 Невозможно считывание нанесенной на ЗПУ информации 11
408 Комбинированное ЗПУ 11
411 Повреждение закрутки 11
412 Установка закрутки на непредусмотренном месте 11
413 Неправильно установленная закрутка 11
414 Закрутка неустановленного типа 11
420 Вместо ЗПУ установлена пломба 11
421 Повреждение пломбы 11
422 Установка пломбы на непредусмотренном месте 11
423 Неправильно установленная пломба 11
424 Знаки на пломбе не соответствуют сведениям, указанным в накладной 11
425 Невозможно считывание нанесенной на пломбу информации 11
426 Пломбы имеют разные знаки 11
427 Расширены отверстия на пломбе 11
428 Использование нестандартной проволоки при установке пломбы 11
499 Прочие 11
5. Нарушение требований, указанных в главах и разделах Технических условий размещения и крепления грузов в вагонах и контейнерах, утвержденных МПС России 27 мая 2003 г., N ЦМ-943, и Технических условий погрузки и крепления грузов (при перевозке грузов в страны СНГ, Эстонию, Латвию, Литву), утвержденных МПС СССР в 1988 г.
501 Перегруз сверх трафаретной грузоподъемности 8
502 Перекос кузова из-за нарушений на месте погрузки, угрожающий безопасности движения 6
503 Перекос кузова из-за нарушений в пути следования, угрожающий безопасности движения 7
5.1. Нарушение требований, указанных в главах и разделах Технических условий размещения и крепления грузов в вагонах и контейнерах, утвержденных МПС России 27 мая 2003 г., N ЦМ-943
Глава 1. Требования к размещению и креплению грузов в вагонах и контейнерах
504 Гл. 1 раз. 1. Общие положения 6 кроме нарушений НТУ, МТУ или НТУ
505 Гл. 1 раз. 1. Общие положения. Нарушения МТУ 6
506 Гл. 1 раз. 2. Габариты погрузки 6
507 Гл. 1 раз. 3. Подготовка вагонов, контейнеров к погрузке 6
508 Гл. 1 раз. 4. Средства крепления грузов в вагонах 6
509 Гл. 1 раз. 5. Подготовка грузов к перевозке, требования к погрузке и выгрузке 6
510 Гл. 1 раз. 6. Размещение грузов в вагонах 6
511 Гл. 1 раз. 7. Порядок разработки, утверждения и внесения изменений в ТУ, МТУ, НТУ 6
512 Гл. 1 раз. 8. Осуществление контроля за соблюдением Технических условий размещения и крепления груза 6
513 Гл. 1 раз. 10. Методика расчета способа размещения и крепления грузов в вагонах 6
514 Гл. 1 раз. 11. Особенности размещения и крепления длинномерных грузов в вагонах 6
Глава 2. Размещение и крепление лесоматериалов
515 Гл. 2 раз. 1. Общие положения 6
516 Гл. 2 раз. 2. Размещение и крепление круглых лесоматериалов 6
517 Гл. 2 раз. 3. Размещение и крепление непакетированных и пакетированных пиломатериалов в полувагонах и на платформах 6
518 Гл. 2 раз. 4. Размещение и крепление древесностружечных плит в полувагонах 6
519 Гл. 2 раз. 5. Размещение и крепление лесоматериалов на оборудованных устройствами ВО-162 и ВО-118 платформах 6
520 Гл. 2 раз. 6. Размещение и крепление непакетированных неокоренных круглых лесоматериалов на платформе модели 23-4000 6
521 Гл. 2 раз. 7. Размещение и крепление древесины в хлыстах на специальных лесовозных платформах 6
522 Гл. 2 раз. 8. Размещение и крепление лесоматериалов на четырехосной лесовозной платформе модели 23-925 6
Глава 3. Технические условия размещения и крепления металлопродукции и лома черных металлов на открытом подвижном составе
523 Гл. 3 раз. 1. Общие положения 6
524 Гл. 3 раз. 2. Размещение и крепление проката сортовой стали 6
525 Гл. 3 раз. 3. Размещение и крепление рельсов 6
526 Гл. 3 раз. 4. Размещение и крепление листового металла 6
527 Гл. 3 раз. 5. Размещение и крепление стальных и чугунных слитков 6
528 Гл. 3 раз. 6. Размещение и крепление изложниц 6
529 Гл. 3 раз. 7. Размещение и крепление слябов 6
530 Гл. 3 раз. 8. Размещение и крепление блюмсов 6
531 Гл. 3 раз. 9. Размещение и крепление бандажей и цельнокатаных колес 6
530 Гл. 3 раз. 10. Размещение и крепление металлических прокатных валков 6
532 Гл. 3 раз. 11. Размещение и крепление стрелочных переводов 6
533 Гл. 3 раз. 12. Размещение и крепление колесных пар 6
534 Гл. 3 раз. 13. Размещение и крепление тележек для изложниц 6
535 Гл. 3 раз. 14. Размещение и крепление стального проката в бунтах 6
536 Гл. 3 раз. 15. Размещение и крепление рулонов листовой и полосовой стали, стальной ленты 6
537 Гл. 3 раз. 16. Размещение и крепление труб 6
538 Гл. 3 раз. 17. Размещение и крепление лома черных металлов 6
Глава 4. Размещение и крепление железобетонных, асбестоцементных изделий и конструкций
539 Гл. 4 раз. 1. Общие положения 6
540 Гл. 4 раз. 2. Железобетонные шпалы для железных дорог колеи 1520 мм 6
541 Гл. 4 раз. 3. Железобетонные плиты, панели 6
542 Гл. 4 раз. 4. Железобетонные колонны, сваи, прогоны, ригели, балки, подножники 6
544 Гл. 4 раз. 5. Фундаментные блоки 6
545 Гл. 4 раз. 6. Лестничные марши и площадки 6
546 Гл. 4 раз. 7. Железобетонные элеваторные элементы 6
547 Гл. 4 раз. 8. Железобетонные опоры и трубы 6
548 Гл. 4 раз. 9. Асбестоцементные трубы с муфтами и уплотнительными резиновыми кольцами для напорных и безнапорных трубопроводов 6
549 Гл. 5. Размещение и крепление грузов с плоской опорой 6
Глава 6. Размещение и крепление грузов цилиндрической формы в железнодорожных полувагонах
550 Гл. 6 раз. 1. Размещение и крепление грузов цилиндрической формы на железнодорожных платформах 6
551 Гл. 6 раз. 2. Размещение и крепление грузов цилиндрической формы в железнодорожных полувагонах 6
Глава 7. Размещение и крепление технических средств на колесном ходу
552 Гл. 7 раз. 1. Общие положения 6
553 Гл. 7 раз. 2. Размещение и крепление тракторных прицепов ММЗ-771Б 6
554 Гл. 7 раз. 3. Размещение и крепление на платформах автомобилей массой до 3,0 т растяжками, выполненными механизированным способом, без применения упорных брусков 6
555 Гл. 7 раз. 4. Размещение и крепление легковых автомобилей на двухъярусных платформах, в крытых вагонах для перевозки легковых автомобилей 6
556 Гл. 7 раз. 5. Размещение и крепление зерноуборочных самоходных комбайнов СК-6 «Колос», СК-5 «Нива» и СК-4 на платформах 6
Глава 8. Размещение и крепление технических средств на гусеничном ходу
557 Гл. 8 раз. 1. Общие положения 6
558 Гл. 8 раз. 2. Требования к креплению машин на платформе 6
559 Гл. 8 раз. 3. Размещение и крепление тракторов, бульдозеров, кусторезов 6
560 Гл. 8 раз. 4. Размещение и крепление трубоукладчиков 6
561 Гл. 8 раз. 5. Размещение и крепление многоковшовых траншейных, роторных и цепных экскаваторов 6
562 Гл. 8 раз. 6. Размещение и крепление одноковшовых экскаваторов и кранов 6
Глава 9. Размещение и крепление универсальных и специализированных контейнеров
563 Гл. 9 раз. 1. Подготовка вагонов под перевозку контейнеров 6
564 Гл. 9 раз. 2. Размещение универсальных среднетоннажных контейнеров на универсальных платформах, в полувагонах и вагонах-контейнеровозах 6
565 Гл. 9 раз. 3. Размещение и крепление универсальных крупнотоннажных контейнеров на универсальных платформах и специализированных платформах 6
566 Гл. 9 раз. 4. Размещение и крепление специализированных контейнеров на универсальных платформах и в полувагонах 6
Глава 10. Размещение и крепление длинномерных грузов
567 Гл. 10 раз. 1. Общие положения 6
568 Гл. 10 раз. 2. Размещение и крепление длинномерных грузов на сцепе с опорой на один вагон 6
569 Гл. 10 раз. 3. Размещение и крепление длинномерных грузов на сцепах платформ с опорой на два вагона 6
570 Гл. 10 раз. 4. Размещение и крепление длинномерных грузов, перевозимых на сцепах платформ с применением турникетов 6
Глава 11. Размещение и крепление грузов в крытых вагонах
571 Гл. 11 раз. 1. Общие положения 6
572 Гл. 11 раз. 2. Размещение тарных штучных грузов в вагонах 6
573 Гл. 11 раз. 3. Размещение и крепление в вагонах тарных штучных грузов, сформированных в транспортные пакеты 6
574 Гл. 11 раз. 4. Размещение и крепление рулонов бумаги в вагоне 6
Глава 12. Размещение и крепление грузов в универсальных контейнерах
575 Гл. 12 раз. 1. Общие положения 6
576 Гл. 12 раз. 2. Требования к размещению и креплению грузов в крупнотоннажных контейнерах 6
577 Гл. 12 раз. 3. Размещение и крепление тарных штучных грузов в крупнотоннажных контейнерах 6
578 Гл. 12 раз. 4. Размещение и крепление в крупнотоннажных контейнерах грузов массой до 1,5 т включительно в упаковке 6
579 Гл. 12 раз. 5. Размещение в крупнотоннажных контейнерах грузов длиной до 6000 мм включительно без упаковки 6
580 Гл. 12 раз. 6. Размещение в крупнотоннажных контейнерах грузов цилиндрической формы 6
581 Гл. 12 раз. 7. Размещение и крепление легковых автомобилей в крупнотоннажных контейнерах 6
582 Гл. 12 раз. 8. Требования к размещению и креплению грузов в среднетоннажных контейнерах 6
5.2. Нарушение требований, указанных в разделах и главах Технических условий погрузки и крепления грузов (при перевозке грузов в страны СНГ, Эстонию, Латвию, Литву), утвержденных МПС СССР в 1988 г.
Раздел 1. Технические условия размещения и крепления грузов на открытом подвижном составе
583 Раз. 1 гл. 1. Общие требования к размещению и креплению грузов в вагонах 6
584 Раз. 1 гл. 2. Размещение и крепление лесоматериалов 6
583 Раз. 1 гл. 3. Технические условия размещения и крепления металлопродукции и металлолома 6
584 Раз. 1 гл. 4. Размещение и крепление железобетонных, асбестоцементных и других изделий и конструкций 6
586 Раз. 1 гл. 5. Размещение и крепление грузов в ящичной упаковке и неупакованных с плоскими опорами 6
587 Раз. 1 гл. 6. Размещение и крепление грузов цилиндрической формы 6
588 Раз. 1 гл. 7. Размещение и крепление машин на колесном ходу 6
589 Раз. 1 гл. 8. Размещение и крепление машин на гусеничном ходу 6
590 Раз. 1 гл. 9. Размещение и крепление контейнеров и соломы на открытом подвижном составе 6
591 Раз. 1 гл. 10. Размещение и крепление длинномерных грузов, перевозимых на сцепах четырехосных платформ с применением турникетных опор 6
592 Раз. 1 гл. 11. Размещение и крепление тяжелых и легких грузов в полувагонах и на платформах совмещенным способом 6
593 Раздел 2. Технические условия размещения в подвижном составе грузов мелких фракций, перевозимых без тары 6
594 Раздел 3. Технические условия размещения и крепления грузов в крытых вагонах 6
595 Раздел 4. Технические условия обеспечения сохранности вагонов при погрузке и выгрузке грузов 6
599 Прочие нарушения ТУ 6 дополнения ТУ
6. Расстройство размещения и крепления грузов
601 Перекос стойки 7
602 Выбита стойка 7
603 Повреждение торцевой стойки 7
604 Повреждение боковой стойки 7
611 Излом прокладки 7
612 Раздавлена подкладка 7
613 Раздавлена прокладка 7
614 Излом бруска 7 упорный или распорный брусок
615 Выбит брусок 7
616 Выбит клин 7
621 Обрыв растяжки 7
622 Обрыв обвязки 7
623 Обрыв увязки 7
624 Обрыв стяжки 7
625 Ослаблена растяжка
626 Ослаблена обвязка
627 Ослаблена увязка
631 Продольный сдвиг шапки 7
632 Поперечное смещение шапки 7
633 Продольный сдвиг груза 7
634 Поперечное смещение груза 7
635 Излом конструкции груза 7
636 Смещение груза с повреждением вагона 7
637 Смещение груза без повреждения вагона 7
641 Неисправность тары 7
642 Нарушение транспортного пакета 7
643 Неполный комплект контейнеров 7
651 Навал груза на дверь 7
652 Заваливание груза наклонно с опорой на стену 7
660 Развал груза 7
699 Прочие неисправности 7
7. Неисправности, связанные с условиями перевозки груза
701 Течь груза, угрожающая безопасности движения 7
702 Течь по шву котла цистерны 11
703 Течь из сливного прибора цистерн 11
704 Течь из-под крышки заливной горловины цистерны 9
705 Течь из воздушного клапана цистерны 9
706 Течь из цистерны с нарушением сохранности перевозимых грузов 9 по причинам, не входящим в 702 — 705
707 Течь из тарных емкостей с нарушением сохранности перевозимых грузов 11
711 Высыпание груза, угрожающее безопасности движения 7
712 Высыпание груза с нарушением сохранности перевозимых грузов 11
720 Наличие необычного запаха
731 Отсутствие знаков опасности 11 Правила перевозки опасных грузов
732 Несоответствие знаков опасности на вагонах 11
733 Нанесение знаков опасности с нарушением требований ППОГ 11
739 Нарушение правил перевозок опасных грузов 11
741 Нарушение условий перевозок негабаритных грузов 11 Инструкция ДЧ-1835 2001 г.
742 Нарушение условий перевозок грузов на транспортерах 11
750 Нарушение погрузки воинских грузов 11 Наставления по перевозке войск
799 Прочие 11
8. Неисправности, обнаруженные автоматизированной системой коммерческого осмотра поездов и вагонов (АСКО ПВ)
801 Нарушение левого верхнего габарита погрузки 6
802 Нарушение левого бокового габарита погрузки 6
803 Нарушение левого нижнего габарита погрузки 6
804 Нарушение правого верхнего габарита погрузки 6
805 Нарушение правого бокового габарита погрузки 6
806 Нарушение правого нижнего габарита погрузки 6
807 Нарушение верхнего габарита погрузки 6
811 Перегруз вагона сверх грузоподъемности 6
812 Перегруз вагона против документов 11
813 Недогруз вагона против документов 11
814 Превышение допустимой нагрузки на колесную ось 6
815 Превышение допустимой разницы нагрузки по тележкам 6
816 Боковой перегруз 6
821 Отсутствие электронного ЗПУ 10
822 Повреждение электронного ЗПУ 11
823 Несоответствие электронного ЗПУ документам 11
824 Сбой при считывании информации о ЗПУ
831 Наличие остатков груза, обнаруженных тепловизором
832 Неисправность, обнаруженная тепловизором 11
899 Прочие 11
9. Прочие неисправности
901 Наличие остатков груза в порожнем вагоне или в порожнем контейнере
902 Не сняты элементы крепления в порожнем вагоне
903 Не снято ЗПУ в порожнем вагоне
904 Открыта дверь в порожнем вагоне
905 Открыт люк в порожнем вагоне
906 Детали порожнего транспортера не приведены в транспортное положение
911 Несоответствие груза документам
912 Утрата документов, приложенных грузоотправителем к накладной
913 Вскрытие по требованию органов, уполномоченных для проведения проверки
914 Оформление акта по заявке работника военизированной охраны
915 Отсутствие проводника
921 Подача вагона для проверки на обесточенный путь
922 Подача вагона для контрольного взвешивания
959 Прочие

Классификатор коммерческих неисправностей — презентация на Slide-Share.ru 🎓

1

Первый слайд презентации: Классификатор коммерческих неисправностей

Презентация для проведения занятия по предмету «Организация работы пунктов коммерческого осмотра поездов и вагонов» 2017

Изображение слайда

2

Слайд 2: Классификатор коммерческих неисправностей

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 2 | Организация работы ПКО | 2017

Изображение слайда

3

Слайд 3: Учет коммерческих неисправностей

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 3 Книга учета времени нахождения вагонов под исправлением коммерческих неисправностей формы ГУ-115 предназначена для анализа времени нахождения вагонов под исправлением коммерческих неисправностей, обнаруженных работниками ПКО вагонов в поездах или коммерческого поста безопасности (КПБ) | Организация работы ПКО | 2017

Изображение слайда

4

Слайд 4: Учет коммерческих неисправностей

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 4 Книга формы ГУ-115 формируется в электронном виде в Единой автоматизированной системе актово-претензионной работы (ЕАСАПР М) и может быть напечатана по запросу на автоматизированном рабочем месте приемщика поездов ПКО | Организация работы ПКО | 2017

Изображение слайда

5

Слайд 5: Отчет о вагонах с коммерческими неисправностями

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 5 На основании записей в «Книге регистрации коммерческих неисправностей в пунктах коммерческого осмотра составов» (ф. ГУ-98) и актов общей формы по итогам работы за квартал станции составляется отчет о вагонах с коммерческими неисправностями формы КНО-5 | Организация работы ПКО | 2017

Изображение слайда

6

Слайд 6: Отчет о вагонах с коммерческими неисправностями

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 6 Учету в отчете формы КНО-5 подлежат все груженые вагоны, обнаруженные с коммерческими неисправностями, угрожающими безопасности движения и сохранности перевозимых грузов: платформы и полувагоны, погруженные с нарушением ТУ, а также с расстройством погрузки и повреждением крепления груза вагоны без ЗПУ, если в перевозочных документах имеется отметка об их наложении, а также с неисправными ЗПУ вагоны с наличием признаков хищения или утраты груза вагоны, загруженные сверх их грузоподъемности и допускаемого перегруза | Организация работы ПКО | 2017

Изображение слайда

7

Слайд 7: Отчет о вагонах с коммерческими неисправностями

Основной текст – Verdana, 16, черный, полужирный, междустрочный интервал одинарный, выравнивание текста по левому краю или по центру 7 Отчету не подлежат: вагоны с техническими неисправностями торцовых дверей, кузова, люков и люковых запоров полувагонов повреждением пола, бортов и бортовых запоров платформ неисправностью крыши, пола, обшивки кузова, дверей, дверной накладки и болта дверной накладки крытого вагона неисправностью сливного прибора повреждением котла цистерны | Организация работы ПКО | 2017

Изображение слайда

8

Последний слайд презентации: Классификатор коммерческих неисправностей

Спасибо за внимание 8

Изображение слайда

Методы для обнаружения и диагностика неисправностей применительно IoT / Хабр

Введение

Текущая промышленная тенденция в отношении автоматизации и промышленных предприятий ведет нас к все более и более сложным  системам. В свою очередь простой системы может приводить к огромным финансовым потерям. В некоторых случаях поломка одной детали может привести к разрушению целой системы без возможности восстановления. В связи с этим возникает необходимость разработки Обнаружения и Диагностики Неисправностей (ОДН), которая может предотвратить и локализовать неисправности, при этом повышается производительность систем. Диагностика заключается в обнаружении ненормального функционирования по данным датчиков. Обычно данные от датчиков бывают сильно зашумленными или поврежденными, с шумами сети передачи данных, соответственно алгоритмы ОДН также должны быть устойчивы к выбросам.

Давайте рассмотрим методы ОДН,  Рис. 1. Методы ОДН : подходы, которые используют аналитическую физическую модель системы и подходы, полагающиеся только на системные наблюдения. Использование методов диагностики с моделями кажется трудным и дорогостоящим из-за менее удовлетворительных характеристик. Кроме того, существует несколько промышленных приложений, в которых модель трудно или невозможно получить из-за повышенной сложности или нескольких конфигураций, задействованных в производственном процессе. 

Рис. 1. Методы ОДН

Описание проблемы

В ОДН основной трудно решаемой задачей является установка порога, который определяет неисправности.  В случае установки низкого порога обнаружения, система будет генерировать достаточно много ложных тревог. При ложной тревоге отправляется обслуживающий персонал или организуется не плановая замена частей системы, а в совокупности определенные ложные тревоги приведут к огромным затратам. С другой стороны, установка очень высокого порога обнаружения может привести к риску не обнаружения неисправности и привести к остановке производства. Также неисправность системы может повлияет на жизнь и здоровье людей, что крайне не допускается.  Поэтому следует учитывать множество неопределенностей: неопределенности, связанные с отсутствием знаний о процессе, неточности данных в датчиках, которые могут содержать шум или отсутствовать данные, связанные с погрешностями неправильной обработки.

В наши дни система становится очень сложной и бывает сложно определить аналитическую модель системы, а модели машинного обучения (ML) справляются с этой задачей достаточно неплохо. Сформировались некоторые требования ML-моделей, такие как: необходимость качественных данных (отсутствующие или зашумленные данные), возможность рассмотреть несколько типов переменных (дискретных или непрерывных), способ учесть время для динамической системы и способность обобщить, чтобы модель могла найти решение с новым наблюдением. Но кроме этих требований есть производственный момент, при котором руководство хочет модели, которые были бы объяснениями, а не черным ящиком. Дальше мы посмотрим ML алгоритмы для ОДН.

Подходы к машинному обучению

Применение IoT-систем во всех областях создает огромное количество данных. Кроме того, эти системы становятся все более и более сложными, и трудно запустить аналитическую модель с хорошими результатами.  Использование моделей ML становится очевидным и логичным решением для диагностирования этих систем. 

Цель данной статьи — мы хотим показать несколько методов машинного обучения для ОДН. Мы рассмотрим популярные методы машинного обучения в ОДН, такие как метод опорных векторов (англ. SVM, support vector machine), искусственная нейронная сеть (ИНС), нечеткая нейронная сеть (англ. FNN, fuzzy neural network), деревья решений, Байесовская сеть доверия (англ. BNN, bayesian belief network).

Метод опорных векторов

Метод опорных векторов показывает хорошие результаты относительно других алгоритмов с небольшим объемом обучающих данных, также применяется при отказе аналоговой цепи диагностика с использованием вейвлет-преобразования в качестве препроцессора с высокой точностью классификации. Это один из наиболее популярных методов обучения, который применяется для решения задач классификации и регрессии.

Основная идея метода заключается в построении гиперплоскости, разделяющей объекты выборки оптимальным способом. Алгоритм работает с тем предположением, что чем больше расстояние (зазор) между разделяющей гиперплоскостью и объектами разделяемых классов, тем меньше будет средняя ошибка классификатора. Количество опорных векторов увеличивается с усложнением задачи. Однако у SVM есть недостатки:

  • Неустойчивость к шуму: выбросы в исходные данные становятся опорными объектами-нарушителями и напрямую влияют на построение разделяющей гиперплоскости;

  • Не описаны общие методы построения ядер и спрямляющих пространств, наиболее подходящих для конкретной задачи;

  • Нет отбора признаков;

  • При попытке использования в мультиклассовой задаче качество и скорость работы падают.

В последнее время набирает популярность обучение с частичным привлечением учителя для ОДН HVAC (отопления, вентиляции и кондиционирования воздуха). Используя только несколько неисправных обучающих выборок, SVM решает задачу обнаружения и диагностирования компонентов нагрева.

Также можно отметить метод релевантных векторов (Relevance Vector Machine, RVM). В отличие от SVM данный метод дает вероятности, с которыми объект принадлежит данному классу. Т.е. если SVM говорит «x принадлежит классу А», то RVM скажет «x принадлежит классу А с вероятностью p и классу B с вероятностью 1-p«.

Искусственная нейронная сеть (ИНС)

ИНС — это мощный инструмент, способный выполнять задачи классификации и регрессии. ИНС можно рассматривать как взвешенные ориентированные графы, в которых нейроны являются узлами, и связи между узлами являются взвешенными связями. Это обучение регулирует веса, а также функции активации для принятия желаемого поведения. Используются два типа обучения: контролируемое обучение с учителем и без учителя. 

  • Обучение с учителем: цель состоит в том, чтобы определить синаптические веса из помеченных примеров. Сеть параметров изменяется, чтобы минимизировать ошибки между целевым выводом (предоставленным экспертом) и фактическим выводом в сеть. Метод обратного распространения ошибки (англ. backpropagation) — это пример контролируемого алгоритма обучения.

  • Без учителя: входные данные не содержат информации о желаемом результате; обучение осуществляется с правилами, которые изменяют параметры сети в соответствии с входными данными. Алгоритм обучения ассоциативной памяти для сетей Хопфилда является тому примером. Квантовые сети Хопфилда используются для диагностики множественных неисправностей аналоговых схем с использованием вероятностного механизма. Затем образцы неисправностей квантуются и стандартно ортогонализируются для подачи в квантовую нейронную сеть Хопфилда. Системный подход, использующий механизм квантовой ассоциативной памяти и принцип квантовой суперпозиции, дает хорошее объяснение вероятности множественных неисправностей. 

Кроме того, ИНС можно использовать для создания нейронной модели с целью имитации нормального поведения системы и дополнительных моделей для имитации различных условий неисправности. Затем нейронные модели размещаются параллельно с отслеживаемой системой, и обнаружение неисправностей достигается путем сравнения выходных данных нейронных моделей с выходными данными реальной системы. Классификация неисправностей основана на простом пороговом тесте остатков, сформированных путем вычитания выходных данных каждой нейронной модели из соответствующих выходных данных реальной системы. Для оценки остатков используется байесовская сеть. Сила ИНС — в их способности аппроксимировать и распознавать закономерности. В диагностических приложениях они показали большие перспективы в областях, где присутствуют шумы и ошибки. Однако ИНС требует больших вычислительных ресурсов, что делает сходимость обычно медленной во время обучения и склонна к переобучению, а также требует большого разнообразного набора данных для обучения.

Нечеткая нейронная сеть

Приложения для диагностики в основном включают гибридные нечеткие нейронные модели, в которых нейронные сети и нечеткие системы объединены в одну систему. Наиболее распространенные нечеткие нейронные сети основаны на двух типах моделей: моделях Тагаки Сугено Канга (ТСК) и Мамдани, в сочетании с алгоритмами нейронного

обучения. Существует два основных применения нечетких нейронных сетей в мониторинге. Эти применения чаще всего основаны на изучении остатков, которые генерируются разницей оцененного сигнала, полученного нейро-нечетким наблюдателем, с фактическими значениями сигнала. Затем эти остатки классифицируются и оцениваются с помощью нечеткой нейронной сетью.

Нейро-нечеткое обучение и адаптация нечетких моделей ТСК используются для остаточной генерации, в то время как для остаточной оценки используется нейро-нечеткий классификатор для моделей Мамдани. Такая сеть может быть использована для обнаружения и изолирования неисправности промышленной газовой турбины, уделяя особое внимание неисправностям, возникшим в исполнительной части газовой турбины. Более того, нечеткая нейронная сеть применяется для обучения отображения причин неисправности. Результаты показывают, что этот метод может точно диагностировать множественные неисправности. Последовательная нечеткая кластеризация нечетких нейронных сетей на динамической основе разработана и успешно применяется для мониторинга высокоскоростного процесса фрезерования. Он может последовательно изучать модель, адаптироваться к вариациям и предоставлять оценку или прогноз состояния процесса. Это облегчает ненавязчивую диагностику неисправностей. Нечеткая нейронная сеть имеет преимущества над ИНС, так как нечеткая нейронная сеть обладает способностью представлять неопределенности, присущие человеческому знанию, с помощью лингвистических переменных, и это надежно в отношении возможных нарушений в системе. Тем не менее, для обучения нечеткой нейронной сети необходимо включать знание эксперта в этой области, чтобы установить правила, а обучение требует больших вычислительных ресурсов.

Деревья решений

Деревья решений являются одним из наиболее эффективных инструментов интеллектуального анализа данных и предсказательной аналитики, которые позволяют решать задачи классификации и регрессии.

Они представляют собой иерархические древовидные структуры, состоящие из решающих правил вида «Если …, то …». Правила автоматически генерируются в процессе обучения на обучающем множестве и, поскольку они формулируются практически на естественном языке (например, «Если объём продаж более 1000 шт., то товар перспективный»), деревья решений как аналитические модели более вербализуемы и интерпретируемы, чем, скажем, нейронные сети.

Поскольку правила в деревьях решений получаются путём обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область, то по аналогии с соответствующим методом логического вывода их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.

В обучающем множестве для примеров должно быть задано целевое значение, так как деревья решений являются моделями, строящимися на основе обучения с учителем. При этом, если целевая переменная дискретная (метка класса), то модель называют деревом классификации, а если непрерывная, то деревом регрессии.

Основополагающие идеи, послужившие толчком к появлению и развитию деревьев решений, были заложены в 1950-х годах в области исследований моделирования человеческого поведения с помощью компьютерных систем. Среди них следует выделить работы К. Ховеленда «Компьютерное моделирование мышления» и Е. Ханта и др. «Эксперименты по индукции».

Существует несколько алгоритмов обучения деревьев решений на основе данных, включая ID3, C4.5 и CART. 

В ОДН деревья решений можно использовать для анализа распространения телеметрии в ветряных турбинах с помощью алгоритма обучения дерева решений и обнаружения отказов, повреждений и аномальных операций. Они обучают набор классификаторов дерева решений Bagged на наборе данных с морской ветряной электростанции, состоящей из 48 ветряных турбин, и используют его для автоматического выделения путей, связывающих сбои из-за чрезмерной вибрации с их возможными первопричинами. 

Алгоритм CART используется для введения дерева решений в диагностическую стратегию для вентиляционных установок. Детектор установившегося состояния и регрессионная модель включены в стратегию для повышения интерпретируемости разработанной диагностической стратегии. Показано, что с помощью этой стратегии можно достичь хороших диагностических показателей. 

Деревья решений визуально более интуитивно понятны, проще и легче усваиваются и интерпретируются инженерами. В отличие от других методов классификации, с классификаторами дерева решений можно выполнять анализ первопричин неисправностей на основе данных; можно проследить путь от конечного состояния до инициирования, путь, который следует последовательности и хронологии взаимосвязи событий. Деревья решений очень устойчивы к зашумленным и неполным данным. Однако для них необходимо использовать параметр обрезки, чтобы уменьшить необходимость переобучения.

Байесовская сеть доверия

Байесовская сеть доверия (англ. Bayesian Belief Network, BBN) — важная вероятностная графическая модель, которая может эффективно решать различные проблемы неопределенности на основе вероятностного представления информации и логических выводов. Байесовская сеть доверия — вероятностная графическая модель, представляющая набор случайных величин и их условных зависимостей через ориентированный ациклический граф. Такая сеть состоит из качественной и количественной частей. 

  • Качественная часть — это направленный ациклический граф, в котором узлы представляют системные переменные, а дуги символизируют зависимости или причинно-следственные связи между переменными. 

  • Количественная часть состоит из условной вероятностной таблицы, которая представляет отношения между каждым узлом и его родителями. 

Процедуры диагностики неисправностей с байесовской сетью доверия состоят из моделирования структуры BBN, моделирования параметров BBN, вывода BBN, идентификации неисправностей, а также проверки и верификации. Сообщалось о нескольких методах построения структурных моделей BBN для диагностики неисправностей. Три основных метода включают причинно-следственные связи, алгоритмы сопоставления или структурирование обучения. Кроме того, параметрами являются априорная вероятность корневых узлов и условная вероятность листовых узлов. Эти вероятности могут быть получены из экспертных знаний и опыта, а также статистических результатов исторических, смоделированных и экспериментальных данных. 

Алгоритмы могут быть основаны на анализе наблюдаемого поведения системы и сравнении его с набором поведенческих паттернов, созданных на основе различных неисправных состояний. Сопоставляя с образцом, можно сформулировать оценку апостериорного распределения байесовской вероятностной модели. Когда диагностика неисправностей связана с временными, системными или сложными системами, неизбежны трудности со статическими BBN. Поэтому для решения этих проблем используются некоторые другие типы BBN, такие как динамическая байесовская сеть и объектно-ориентированная байесовская сеть. 

Динамическая байесовская сеть  — это экстенсиональные BBN с переменными, зависящими от времени, и их можно использовать для моделирования временной эволюции динамических систем. Таким образом, используется байесовская сеть, которая моделирует систему электроснабжения для интегральных схем. При этом обрабатывается изменяющаяся динамика сбоя, развитие сбоя и мощность сбоя. Динамическая байесовская сеть  используется для моделирования процесса динамической деградации электронных продуктов, а цепи Маркова используются для моделирования переходных отношений четырех состояний, то есть отсутствия неисправности, переходной неисправности, прерывистой неисправности и постоянной неисправности. Кроме того, методология диагностики неисправностей может идентифицировать неисправные компоненты и различать типы неисправностей в разное время. 

Объектно-ориентированная байесовская сеть обеспечивает подход для достижения иерархического представления модели, и каждый уровень соответствует уровню абстракции, показывая инкапсулированные узлы для текущего уровня объекта. Такой подход снижает сложность построения BBN и повышает вероятность повторного использования моделей. Методология диагностики неисправностей в реальном времени сложных систем с повторяющимися структурами предложена с использованием объектно-ориентированной байесовской сети. При возникновении неисправностей предлагаемая система диагностики неисправностей на основе объектно-ориентированной байесовской сети может сообщать о неисправностях и предупреждениях. Для указанной системы с определенной ситуацией оператор может ввести некоторую известную информацию об опыте в дополнительные информационные уровни подсетей дополнительной информации и отказов по общей причине. 

BBN интуитивно понятен пользователю в плане взаимодействия между переменными модели. Это полезно для моделирования неопределенности и может быть легко использовано для моделирования иерархических уровней множественных причин и следствий с данными из множества источников, которые обычно встречаются в производственных системах. Основная проблема обучения BBN заключается в построении древовидной структуры, и для решения этой проблемы было предложено несколько методов, включая экспертное мнение.

Обсуждения

В процессе диагностики система развивается в недетерминированной среде, что требует учета неопределенностей, которые включают зашумленные измерения, недостающие данные, неизвестность и изменчивость системы. Как правило, корректность работы модели машинного обучения в основном зависит от качества используемых данных. 

Основная проблема диагностических систем в промышленных приложениях — это оценка неисправностей с неполными наблюдениями. В промышленной практике необходимо иметь дело с неполными наборами данных и неизвестными измерениями, при этом постоянно требуя полезной и надежной информации для поддержки принятия решений.

Сложность этого вопроса зависит от механизма обмена данных и информативности базы данных процессов. Есть много подходов к решению этих проблем, таких как удаление неполных данных или оценка недостающих данных. Однако некоторые инструменты машинного обучения могут обрабатывать непосредственно неполные данные. Например,  BBN может работать неполными наблюдениями. Фактически, он использует вероятности для оценки степени нашей неопределенности, а иногда использует алгоритмы максимизации ожидания для изучения параметров, когда в наборе данных есть некоторые недостающие данные.

Важной частью машинного обучения является способность модели к обобщениям. Действительно, модель, которая слишком сложна по сравнению с проблемой, которую мы хотим моделировать, будет учиться на выбросах, включенных в набор данных; следовательно, модель может быть переобученной, неспособной к обобщениям и допускать множество ошибок при новом наблюдении. По этой причине в некоторых методах используются методы отсечения, например, деревья решений и нейронные сети.

Цель техники обрезки — остановить тренировку, чтобы избежать переобучения. Кроме того, большинство этих методов — это контролируемые методы, которые используют знания эксперта для постановки диагноза. Главный недостаток контролируемых методов состоит в том, что модели известен только тип обнаруженных неисправностей. Тем не менее, с новой ошибкой некоторые модели могут выполнять отклонение неоднозначности или отклонение расстояния, чтобы восполнить недостаток знаний о системе и адаптироваться к развитию системы.

Кроме того, в процессе диагностики датчики генерируют числовые данные, и не все инструменты машинного обучения используют эти числовые данные напрямую. Однако большинство методов машинного обучения работают только с непрерывными переменными, например, метод опорных векторов и ИНС. С другой стороны, другие методы используют дискретные переменные; это случай деревья решений и BBN. В деревьях решений C4.5 поддерживает числовые целевые переменные. Для других алгоритмов, таких как ID3 и CART, они используют дискретные переменные или преобразуют непрерывные переменные в интервал. BBN обычно используют дискретную случайную величину, а иногда можно включить случайную непрерывную переменную, если она имеет гауссовское распределение вероятностей. 

Нечеткая нейронная сеть — единственный метод, который может обрабатывать различные типы данных (числовые и символьные). Фактически, он преобразует количественные и качественные значения в нечеткое множество. Оптимальный процесс диагностики заключается в создании модели, способной обрабатывать числовые или символьные данные, при этом оператор может использовать свои знания, улучшая диагностику. 

Сложные или гибридные системы характеризуются множеством реконфигураций, несколькими режимами работы и регулярным изменением количества датчиков, особенно в IoT-системах: добавлением или удалением одного или нескольких датчиков. Диагностика гибридных динамических систем требует совместного использования непрерывной динамики и дискретной динамики. В этом случае для диагностики в данном контексте нам потребуются надежные инструменты с изменением моделей и системы измерения.

Заключение 

Этот обзор приложения машинного обучения для диагностики неисправностей демонстрирует, что методы машинного обучения могут быть очень полезным инструментом для обнаружения и диагностики неисправностей. Этой статьей мы показали, что один метод не позволяет учесть все характеристики, которые требуются при диагностики системы. Некоторые методы могут дополнять другие, для улучшения системы ОДН. IoT ведет к огромному объему, разнообразию и высокой скорости передачи данных. Более того, возникает необходимость проектировать облака для хранения данных. Однако есть некоторые проблемы, такие как безопасность и масштабируемость. Таким образом, важно построить систему ОДН для уменьшение расходов и простоев системы.

В этой статье было много обзоров и теории без практики и кода. Но в будущем мы планируем написать статью про байесовские сети доверия с практической стороны с примерами кода, способную поставить надежный диагноз и с включение знание эксперта.

Вследствие увеличения сложности систем и необходимости уменьшения затрат на их поддержание традиционные методы ОДН (обнаружение и диагностика неисправностей) не справляются со своей задачей. С другой стороны, эксперты в этой области не сильно доверяют методам, основанным на машинном обучении и глубоком обучении, или, говоря по-другому — методам BlackBox. В свою очередь, при GreyBox методах возможно вводить знание эксперта в систему и более или менее объяснять, как были получены результаты. В связи с этим в статье мы рассмотрим методы ОДН и примеры их применения в IoT системах.


Материал подготовлен в рамках курса «Промышленный ML на больших данных».

Также скоро пройдет двухдневный бесплатный онлайн-интенсив «Как вывести модель в продакшн с помошью AWS? Теория и подготовка». На нем можно узнать, как использовать lambda и нюансы работы с IoT данными; а также научиться выводить модель в продакшн без сложных настроек системы. Записаться можно здесь.

методов обнаружения и классификации неисправностей на основе k-NN для систем электропередачи | Защита и управление современными энергосистемами

  • Чоудхури, Ф. Н., Кристенсен, Дж. П., и Аравена, Дж. Л. (1991). Обнаружение неисправностей энергосистемы и оценка состояния с использованием фильтра Калмана с проверкой гипотез. IEEE Transactions on Power Delivery, 6 (3), 1025–1030.

    Артикул Google ученый

  • Эрстрём, М.и Седер, Л. (2002). Быстрое обнаружение неисправностей в системах распределения электроэнергии. Силовые и энергетические системы (ПЭС), Марина-дель-Рей, США, 13–15 мая.

  • Магнаго, Ф. Х., и Абур, А. (1999). Новый метод определения места повреждения радиальных распределительных систем на основе высокочастотных сигналов. Летнее собрание IEEE in Power Engineering Society, 1 , 426–431.

    Google ученый

  • Сянцзюнь З., Юаньюань В., Яо, X. (2010). Обнаружение неисправностей в энергосистемах. Издатель открытого доступа INTECH. В W. Zhang (Ed), Обнаружение неисправностей (стр. 512). ИнТех. ISBN 978-953-307-037-7. дои: 10.5772/56395. https://www.intechopen.com/books/fault-detection

  • Гопакумар, П., Редди, М.Дж.Б., и Моханта, Д.К. (2015). Методология обнаружения и локализации неисправностей линий электропередачи с использованием измерений PMU. Журнал ИЭПП, Генерация, передача и распределение, 9 (11), 1033–1042.

    Артикул Google ученый

  • Безерра Коста, Ф. (2014). Обнаружение переходных процессов, вызванных неисправностями, на основе анализа энергии вейвлет-коэффициента в реальном времени. IEEE Transactions on Power Delivery, 29 (1), 140–153.

    Артикул Google ученый

  • Хагифам, М. Р., Седиги, А. Р., и Малик, О. П. (2006). Разработка системы нечеткого вывода на основе генетического алгоритма для обнаружения высокоимпедансных неисправностей. Journal of IEE Proceedings-Generation, Transmission and Distribution, 153 (3), 359–367.

    Артикул Google ученый

  • Баки, И., Замора, И., Масон, Дж., и Буигес, Г. (2011). Методика обнаружения неисправностей с высоким импедансом с использованием вейвлет-преобразования и искусственных нейронных сетей. Journal of Electric Power Systems Research, 81 (7), 1325–1333.

    Артикул Google ученый

  • Шайк А.Г. и Пулипака, Р. Р. В. (2015). Новое обнаружение неисправностей на основе вейвлета, классификация и локализация в линиях передачи. Международный журнал электрических и энергетических систем, 64 , 35–40.

    Артикул Google ученый

  • Тораби, Н., Каррари, М., Менхай, М.Б., Каррари, С. (2012). «Классификация отказов на основе вейвлета для частично наблюдаемых энергосистем». IEEE, Азиатско-Тихоокеанская конференция по энергетике и энергетике (APPEEC) (стр.1–6).

  • Усама Ю., Лу Х., Имам Х., Сен К. и Кар Н. (2013). Разработка и внедрение модуля обнаружения и идентификации шунтирующих повреждений на основе вейвлет-анализа для применения в линиях электропередачи. IET Journal of Generation, Transmission & Distribution, 8 (3), 431–444.

    Google ученый

  • Гильен Д., Арриета Патернина М. Р., Замора А., Рамирес Дж. М. и Идаррага Г. (2015).Обнаружение и классификация неисправностей в линиях передачи с использованием максимального сингулярного значения вейвлета и евклидовой нормы. IET Journal of Generation, Transmission & Distribution, 9 (15), 2294–2302.

    Артикул Google ученый

  • Лю, З., Хань, З., Чжан, Ю., и Чжан, К. (2014). Энтропия многоволновых пакетов и ее применение для распознавания и классификации неисправностей линий передачи. IEEE Transactions on Neural Networks and Learning Systems, 25 (11), 2043–2052.

    Артикул Google ученый

  • Дэш, П.К., Дас, С., и Мойрангтем, Дж. (2015). Дистанционная защита шунтовой компенсации линии передачи с использованием разреженного S-преобразования. IET Journal of Generation, Transmission & Distribution, 9 (12), 1264–1274.

    Артикул Google ученый

  • Гиргис, А., и Макрам, Э. Б. (1988). Применение адаптивной фильтрации Калмана для классификации неисправностей, дистанционной защиты и локализации повреждений с использованием микропроцессоров. IEEE Transactions on Power Systems, 3 (1), 301–309.

    Артикул Google ученый

  • Аду, Т. (2002). Метод точной классификации неисправностей для устройств мониторинга энергосистемы. IEEE Transactions on Power Delivery, 17 (3), 684–690.

    Артикул Google ученый

  • Рахмати, А., и Адхами, Р. (2014). Метод обнаружения и классификации неисправностей, основанный на последовательных компонентах. IEEE Transactions on Industry Applications, 50 (6), 4202–4209.

    Артикул Google ученый

  • Эсмаилиан, А., и Кезунович, М. (2014). Анализ неисправности линии электропередачи с использованием синхронизированной выборки. IEEE Transactions on Power Delivery, 29 (2), 942–950.

    Артикул Google ученый

  • Батлер, К.Л., Момох, Дж. (1993). Обнаружение и классификация неисправностей линий в системах распределения электроэнергии с использованием нейронных сетей.Материалы IEEE 36-го симпозиума Среднего Запада, «Схемы и системы». (стр. 368–371).

  • Упендар, Дж., Гупта, С.П., Сингх, Г.К. (2008). Классификация неисправностей энергосистем на основе ИНС. IEEE, Конференция в регионе 10 (TENCON), ноябрь (стр. 1–6).

  • Тайеб, Э.Б.М., Рим, О.А.А.А. (2011). Обнаружение, классификация и локализация неисправностей линий электропередачи с использованием искусственной нейронной сети. IEEE, международная конференция, выставка коммунальных услуг по энергетике и энергетическим системам: проблемы и перспективы для Азии (ICUE), сентябрь.

  • Маханти, Р. Н., и Гупта, П. Д. (2007). Подход к классификации неисправностей на основе нечеткой логики с использованием только текущих выборок. Журнал исследований электроэнергетических систем, 77 (5), 501–507.

    Артикул Google ученый

  • Редди, М.Дж., и Моханта, Д.К. (2007). Вейвлет-нечеткий комбинированный подход для классификации и локализации неисправностей линий электропередачи. Международный журнал электрических и энергетических систем, 29 (9), 669–678.

    Артикул Google ученый

  • Шахид, Н., Алим, С.А., Накви, И.Х., Заффар, Н. (2012). Поддержка векторного машинного обнаружения и классификации неисправностей в интеллектуальных сетях. IEEE, In Globecom Workshops (GC Wkshps), декабрь (стр. 1526–1531).

  • Ливани, Х., Эвреносоглу, К.Ю. (2012). Метод классификации неисправностей в энергосистемах с использованием классификатора DWT и SVM. IEEE PES, Конференция и выставка по передаче и распределению (T&D), 1–5 мая.

  • Моравей, З., Пазоки, М., и Хедерзаде, М. (2015). Новый метод распознавания образов для анализа неисправностей в линии передачи с UPFC. IEEE Transactions on Power Delivery, 30 (3), 1231–1242.

    Артикул Google ученый

  • Светападма, А., и Ядав, А. (2015). Ошибка на основе интеллектуального анализа данных при идентификации качания мощности в системе передачи электроэнергии. Journal of IET Science, Measurement & Technology, 10 (2), 130–139.

    Артикул Google ученый

  • Масуд, М.Э., и Махфуз, М.М.А. (2010). Схема защиты линий электропередачи на основе коэффициентов отчуждения для токовых сигналов. Журнал генерации, передачи и распределения IET, 4 (11), 1236–1244.

    Артикул Google ученый

  • Самет Х., Шабанпур-Хагиги А. и Ганбари Т.(2017). Метод классификации неисправностей для линий электропередачи с использованием усовершенствованного метода коэффициентов отчуждения. doi:10.1002/etep.2235. http://onlinelibrary.wiley.com/doi/10.1002/etep.2235/abstract.

  • Новый метод классификации многорежимных неисправностей, основанный на глубоком обучении

    Из-за проблемы изменения нагрузки или окружающей среды машинное оборудование часто работает в многорежимном режиме. Характеристики данных, задействованные в наблюдении, часто меняются при смене режима. Разделение режима является фундаментальным шагом перед классификацией неисправностей.В этой статье предлагается многорежимный метод классификации, основанный на глубоком обучении путем построения иерархической модели DNN с первой иерархией, специально разработанной для разделения режимов. Во второй иерархии для каждого режима строятся разные модели классификации DNN, чтобы получить более точный результат классификации неисправностей. В целях предоставления полезной информации для профилактического обслуживания в третьей иерархии строится дополнительная DNN для дальнейшей классификации определенной неисправности в заданном режиме на несколько классов с разной серьезностью неисправности.Применение к многорежимной классификации отказов подшипников качения показывает эффективность предложенного метода.

    1. Введение

    Подшипник качения является очень важным компонентом вращающихся машин, которые широко используются в крупномасштабном автоматизированном промышленном оборудовании. Механический отказ, вызванный подшипниками качения, может привести к нарушению работы системы вращающихся машин, что приведет к огромным экономическим потерям и даже к ненужным жертвам [1–5]. Поэтому своевременная и точная классификация имеет решающее значение для контроля подшипников.

    Методы классификации неисправностей механического оборудования можно разделить на метод, основанный на качественной модели, метод, основанный на количественной модели, и метод, основанный на данных [6, 7]. Методы, основанные на качественной модели и количественной модели, требуют точной математической модели или большого объема экспертных знаний о системе, что неизбежно ограничит ее применение в области классификации неисправностей. В последние два десятилетия метод, управляемый данными, широко используется для обнаружения неисправностей сложных систем.Вместо гораздо большего количества предварительных знаний подход, основанный на данных, может обнаруживать неисправности только через измеренные данные сложной системы [8–11]. Наиболее распространенными методами классификации неисправностей на основе данных являются методы, основанные на извлечении статистических признаков, и методы, основанные на машинном обучении. Однако метод, основанный на извлечении статистических признаков, может реализовать только обнаружение ошибок и не может реализовать классификацию ошибок. Для классификации ошибок нам лучше использовать метод машинного обучения, такой как машина опорных векторов (SVM) и искусственная нейронная сеть (ANN).

    В области классификации неисправностей механических систем из-за чувствительности спектра вибрации к отказу оборудования сигналы вибрации обычно используются в качестве источника данных для классификации неисправностей механического оборудования. Из-за того, что характеристики механического оборудования нестабильны, нелинейны, крупномасштабны, многоразмерны и зашумлены, обычно очень сложно точно выделить признаки неисправности, что является наиболее важным фактором точности мониторинга механического оборудования [12–14]. ].Некоторые ученые предложили несколько методов выделения признаков, которые сочетают технологию обработки сигналов с методом машинного обучения для классификации неисправностей механического оборудования. Видодо и Ян извлекают функцию частотной области в качестве источника данных SVM для обнаружения неисправности оборудования [13]. Когда количество выборок невелико, а сигналы нестационарны, Yu et al. предложил метод классификации неисправностей подшипников, сочетающий SVM и эмпирическую модовую декомпозицию (EMD) [10]. Ху и др. извлекли энергию каждого узла пакетного вейвлет-преобразования (WPT) в качестве предварительно извлеченной характеристики для разработки комбинированного метода на основе WPT-SVM для более точной классификации неисправностей подшипников [15].Ван и др. также использовал WPT для извлечения нестационарных характеристик сигнала вибрации подшипника в качестве предварительно извлеченного признака ANN [16]. В методе используется нелинейная обучающая способность классификации и самоорганизующаяся способность ИНС для классификации и диагностики неисправностей подшипников. Ян и Тан предложили метод, объединяющий экспертную систему и нейронную сеть с обратным распространением (BPNN) [17]. Этот метод в полной мере использует преимущества экспертной системы и ИНС для успешного обнаружения отказа подшипника. Поскольку сигналы вибрации подшипников чувствительны к гауссову шуму, Jiang et al.использовали статистику высокого уровня в качестве вектора признаков BPNN для повышения эффективности BPNN при классификации неисправностей подшипников [18]. Однако SVM и BPNN имеют общие недостатки метода поверхностного обучения: SVM представляет собой алгоритм из двух классификаторов и неэффективен при мультиклассификации, особенно в случае, когда число выборок наблюдений очень велико. Выбор подходящей функции ядра и параметра масштаба обычно требует большого опыта. ИНС также страдает от многих дефектов, таких как следующие: () ИНС имеет медленную скорость сходимости и может легко сходиться к локальному оптимуму и () ИНС неэффективна в изучении признаков сложных нелинейных данных и обычно приводит к плохой точности классификации.Таким образом, SVM и BPNN как поверхностные методы обучения не могут хорошо выделить особенности данных, связанные с многомерными нестационарными данными [19]. При изменении нагрузки подшипник может работать в различном установившемся режиме, что называется «многорежимным» явлением. Текущая исследовательская работа по классификации на основе машинного обучения не принимает во внимание многомодовую проблему.

    Для многомодового процесса характеристики данных для каждой моды различаются [20], но текущие исследования по классификации неисправностей подшипников обычно рассматривают ее как один режим для простоты обработки данных, что приведет к неточному результату классификации, поскольку извлекаемая характеристика неточна [20]. 21–23].Следовательно, разделение режимов должно быть реализовано перед выделением признаков неисправности в отдельном режиме для точного выделения признаков. Чжан и др. предложил улучшенный алгоритм кластеризации средних, основанный на существующем методе модального разделения [20]. Сонг и др. исследовал вопрос, чтобы отличить режим устойчивости от режима перехода без заранее известного количества режимов [24]. Чжао и др. разделил несколько модальностей в соответствии с анализом разнообразия на этапах эксплуатации и установил метод онлайн-мониторинга по нескольким направлениям партии [25].Чжан и др. использовали метод разделения модальных подпространств для решения задач многомодового мониторинга [26]. Используя различные характеристики подпространства, можно легко разделить разные моды, что может дать возможность для более точной классификации многомодовых неисправностей.

    К сожалению, разделение режимов и соответствующий метод контроля отказов для определенных многорежимных процессов разрабатываются только специально для конкретного производственного процесса [20, 24–27]. Требуется разработать более универсальный метод.Глубокое обучение — многообещающий универсальный инструмент извлечения признаков, привлекший широкое внимание ученых из разных областей [21, 28–30]. По сравнению с неглубоким обучением, глубокое обучение может хорошо обрабатывать извлечение признаков и проблему нелинейных больших данных путем построения глубокой сети [31, 32]. Благодаря неконтролируемому послойному жадному алгоритму обучения и тонкой настройке глобальных параметров на основе BP глубокая нейронная сеть (DNN) может не только избежать проблемы локальной оптимизации, но также решить проблему ограничения количества помеченных выборок и ограничение способности к обобщению.Метод глубокого обучения был впервые предложен Хинтоном и Салахутдиновым в 2006 году [22]. Ввиду его превосходных возможностей извлечения признаков, он также привлекает внимание экспертов по классификации неисправностей. Лу и др. успешно использовал лучшую способность извлечения признаков глубокой нейронной сети для диагностики неисправности подшипника [33]. Предлагаемый метод устраняет недостатки, заключающиеся в том, что традиционный метод выделения признаков не мог своевременно и эффективно обнаружить неисправность неизвестного типа. Джиа и др.использовали глубокую нейронную сеть для контроля выхода из строя подшипников [34]. Ган и др. предложил метод классификации неисправностей на основе иерархической нейронной сети [11]. Путем построения двухслойной нейронной сети этот метод не только может определить местонахождение неисправности подшипника, но также эффективно определяет размер неисправности подшипника в том же месте. Глубокое обучение, как один из самых популярных методов машинного обучения, произвело подрывную революцию в области искусственного интеллекта. Тем не менее, приложение о глубоком обучении все еще находится в зачаточном состоянии, в процессе подачи заявки; есть также много вопросов, требующих улучшения.Например, данные в [11] получены для одного режима без учета многомодового наблюдения, вызванного проблемой изменения нагрузки. Следовательно, он не может полностью выделить характеристику неисправности, связанную с наблюдением за другой модой, что важно для точности классификации многомодовой неисправности.

    Для решения вышеупомянутых проблем в этой статье представлен многорежимный метод классификации неисправностей, основанный на глубоком обучении. Сначала строится модель DNN, и обученная сеть используется для разделения режима; затем строится новый набор DNN для данных наблюдения каждого режима, и обученные сети используются для определения того, какой компонент не может реализовать распознавание места неисправности; наконец, для определенной неисправности в заданном режиме строится другая DNN для классификации этих данных наблюдений с другим размером неисправности.

    Оставшаяся часть статьи выглядит следующим образом: Раздел 2 посвящен теории глубокого обучения. В разделе 3 разрабатывается метод классификации многорежимных неисправностей на основе DNN путем иерархического построения моделей DNN с различным назначением. В разделе 4 эффективность предлагаемого метода классификации многомодовых неисправностей демонстрируется на основе анализа экспериментов. Раздел 5 завершает эту статью.

    2. Теория глубокого обучения

    Глубокое обучение — это метод, основанный на неконтролируемом изучении признаков.Мы используем теорию глубокого обучения для построения DNN. Процесс обучения DNN состоит из двух этапов: () использование алгоритма обучения без учителя для предварительной подготовки сети слой за слоем, что помогает DNN эффективно извлекать признаки из необработанных данных; () используя алгоритм обратного распространения для точной настройки параметров всей сети, оптимизируя производительность DNN для майнинга необработанных функций. В этой статье DNN предварительно обучается с помощью многостекового AutoEncoder (AE).

    2.1. AutoEncoder

    AutoEncoder — это неконтролируемая структура машинного обучения, которую можно рассматривать как трехуровневую искусственную нейронную сеть прямого действия, как показано на рисунке 1.Он состоит из входного слоя, скрытого слоя и выходного слоя. AutoEncoder — это особая нейронная сеть с одним скрытым слоем, выход которого равен входу. Параметры сети AutoEncoder можно настроить с помощью повторяющегося процесса обучения, чтобы реконструированный выходной сигнал был приближенным с высокой точностью входным сигналом. AutoEncoder состоит из двух частей: кодера и декодера. Сеть кодировщика кодирует входные данные из многомерного пространства в низкоразмерное пространство; затем данные низкоразмерного пространства отображаются в многомерное пространство через сеть декодера, которая реализует процесс реконструкции от вывода к входу.Следовательно, низкоразмерные пространственные данные могут использоваться в качестве характеристического представления входных данных.


    Учитывая немаркированный набор данных ,; состоящий из признаков наблюдения или переменных, каждая переменная наблюдения имеет выборки. Сеть кодировщика кодирует образец в скрытое значение активации с помощью функции активации. Процесс кодирования описывается следующим образом: где функция кодировщика, сигмовидная функция обычно берется в качестве функции активации в процессе кодирования, это весовая матрица сети между входным слоем и скрытым слоем, это вектор смещения, генерируемый сети кодировщика и является параметром соединения между входным слоем и скрытым слоем.Сигмовидную функцию можно изобразить через

    . Аналогично, для сети декодера матрица признаков, полученная из сети кодировщика, используется для реконструкции через сеть декодера таким образом, чтобы восстановленное было равно входному. Процесс декодера описывается следующим образом: где — функция декодера, — функция активации процесса декодера, представляет матрицу весов между скрытым слоем и выходным слоем сети, а — вектор смещения, генерируемый процессом декодера.

    Суть процесса обучения АЭ заключается в оптимизации параметров сети и. Для того чтобы сделать вывод как можно ближе к входу, мы характеризуем степень приближения между входом и выходом, минимизируя ошибку реконструкции. Процесс оптимизации описан ниже:

    В каждом процессе обучения метод градиентного спуска используется для обновления параметров обучения и сети AE. Процессы обновления сетевых параметров следующие:где представляет скорость обучения и частные производные и может быть рассчитана с помощью алгоритма обратного распространения.

    DNN можно просто рассматривать как нейронную сеть со множеством скрытых слоев, сформированную путем наложения множества автоэнкодеров. Эта модель использует восходящий метод обучения без учителя, извлекая признаки слой за слоем. Затем применяется метод обучения с учителем для точной настройки параметров всей сети, что позволяет извлечь наиболее важные характеристики из исходных сигналов. Структура DNN показана на рисунке 2.


    Прежде всего, предварительно обучите DNN, используя неконтролируемый послойный жадный алгоритм обучения.Во-первых, первый автоэнкодер AE1 обучается, предоставляя немаркированный набор данных в качестве входных данных сети кодировщика. Закодированная функция — это скрытый слой AE1. Параметр обучения получается путем проектирования уникального выхода AE1. Затем используйте в качестве входных данных второй AutoEncoder (AE2) и обучите AE2 для получения параметра обучения сети. это скрытый слой AE2, который можно рассматривать как характеристики AE2. После этого выбираем в качестве входа третий AutoEncoder (AE3).Повторите процесс, чтобы получить функции скрытого слоя th AutoEncoder (AE) и соответствующий параметр обучения сети.

    Во-вторых, в верхний слой DNN добавлен классификатор. Информация об особенностях извлекается с использованием метода неконтролируемого обучения в процессе предварительной подготовки DNN. Однако DNN не имеет возможности классификации; классификатор должен быть добавлен в начало DNN. В этой статье классификатор Softmax используется в качестве выходного слоя DNN. Мы предполагаем, что набор обучающих данных равен , метка равна , а вероятность для каждой категории может быть рассчитана с помощью следующей функции гипотезы: где параметр модели Softmax.Подобно модели AE, чтобы гарантировать производительность классификатора, параметр модели классификатора обучается путем минимизации функции стоимости. Функция стоимости процесса обучения Softmax показана в (7), где верхний параметр сети получается путем минимизации .

    Наконец, точная настройка. Чтобы гарантировать точность извлечения признаков и эффективность классификации выходного слоя, все параметры обучения DNN точно настраиваются с использованием контролируемого алгоритма обратного распространения с некоторым ограниченным количеством выборочных меток.Процесс тонкой настройки завершается минимизацией ошибки реконструкции. Процедуры обновления параметров следующие: где представляет собой фактическое выходное значение, представляет собой набор параметров, сгенерированный в результате обучения всей сети, алгоритм обратного распространения используется для обновления параметра сети и представляет собой скорость обучения в процессе глубокого обучения. . В процессе тонкой настройки помеченные данные используются для повышения производительности DNN.

    2.2. Классификация на основе DNN

    Чтобы точно извлечь основные характеристики состояния механического оборудования с помощью моделирования DNN, необходимо выполнить следующие шаги.Во-первых, исходные сигналы вибрации должны быть предварительно обработаны. Поскольку сигналы в частотной области более чувствительны к неисправностям механического оборудования, исходные сигналы во временной области преобразуются в сигналы в частотной области на первом этапе. Во-вторых, использовать предварительно обработанные данные в качестве входных данных модели DNN для извлечения признаков состояния работоспособности механического оборудования с неконтролируемой послойной предварительной подготовкой. И последнее, но не менее важное: весь параметр сети может быть обновлен с помощью алгоритма обратного распространения для точной настройки структуры DNN, когда доступно ограниченное количество помеченных выборок.Таким образом, мы можем получить эффективный результат выделения признаков для классификации ошибок. Предварительно обработанные наборы данных делятся на данные обучения и данные тестирования. Данные обучения используются для построения модели DNN для получения параметра обучения, а тестовая сеть, инициализированная параметром обучения, используется для проверки ее эффективности. Частота ошибочной классификации используется в качестве показателя точности метода классификации неисправностей на основе DNN. Подробные этапы DNN для классификации неисправностей механической системы показаны на рисунке 3.


    3. Модель классификации многорежимных неисправностей, основанная на глубоком обучении

    В практической системе существует ряд многорежимных процессов. Для многомодового процесса потенциальная характеристика, извлекаемая из наблюдения за каждой установившейся модой, также различается. Поэтому необходимо разделить наблюдение на несколько режимов работы для извлечения признаков данных точности.

    Таким образом, разделение режимов является основным шагом перед классификацией неисправностей. В данной статье эта проблема решается путем построения иерархической модели DNN с первой иерархией, специально разработанной для разделения режимов.Таким образом, он может создать эффективное разделение режимов для многомодового процесса, что может повысить точность классификации неисправностей на основе DNN. Структура трехуровневой DNN показана на рисунке 4.


    Ниже приведены подробные шаги для классификации многомодовых сбоев.

    Шаг 1 (режим раздела). На этом этапе мы сосредоточимся на построении модели DNN для определения метки режима каждого образца. Целые наборы данных используются в качестве входных данных для многорежимной модели классификации.Процесс разделения режима можно подробно проиллюстрировать следующим образом.

    () Создайте новый AE со скрытыми слоями, описанный в (9), и инициализируйте параметры обучения . где , где – весовая матрица, – вектор смещения. – количество нейронов скрытого слоя в . Конфигурация сети может быть представлена ​​как . обозначает обучающий набор данных. Мы используем в (10) для представления количества нейронов во входном слое . Параметры могут быть инициализированы через

    () Обучение для получения сетевого параметра .Неконтролируемое послойное извлечение признаков на основе обучающего набора данных реализовано на уровне AE, определенном в (9).

    Добавьте классификатор Softmax поверх файлов . Для тонкой настройки и обновления параметра обучения используется ограниченное количество наборов обучающих меток, где , вычисляемое по формулам (6)-(7), и представляет собой количество выборок. обозначает выход и скорость обучения в процессе тонкой настройки.

    () Раздел режима использует обученный файл . После получения тестовой выборки вычислите вероятность каждой тестовой выборки с помощью обученного .Затем используйте (14), чтобы разделить тестовую выборку на разные моды: где и — тип моды выборки. обозначает метку режима тестового образца.

    Сравните метку раздела режима с меткой фактического режима, чтобы определить номер ошибочной классификации, поскольку где — операция для характеристики размера набора и — набор ошибочной классификации, определенный

    Шаг 2 (местоположение источника неисправности). Для определенного режима, разделенного на шаге 1, мы можем дополнительно определить источник неисправности.Процедура шага 2 аналогична шагу 1, описанному ниже.

    () В соответствии с результатом разделения режима мы строим вторую иерархию модели, которая включает набор DNN и обозначает набор обучающих данных в. Механизм инициализации параметров такой же, как на шаге 1.

    () Train to получить параметры сетки. Точно так же для подробного процесса расчета можно обратиться к (12)–(13).

    () Определить место неисправности обученным .

    Набор тестовых данных используется для прогнозирования местоположений неизвестных неисправностей на основе обученного .Предположим, что каждый режим имеет разные места неисправности; Метка местоположения неисправности для выборки режима может быть рассчитана по формуле прогнозирования с помощью

    Вычислите номер ошибочной классификации режима. И затем неправильная классификация этого шага классификации может быть вычислена с помощью

    шага 3 (распознавание серьезности неисправности). Для определения серьезности неисправности разработана третья иерархия с намерением различать серьезность неисправности. Постройте третью глубокую сеть, это обучающий набор данных в и тестовый набор данных.Процесс обучения параметров аналогичен шагу 2. Классификационная метка серьезности образца может быть определена с помощью

    . Номер ошибочной классификации для данной неисправности в определенном режиме может быть вычислен с помощью , где — номер ошибочной классификации места неисправности в режиме, — номер ошибочной классификации всех режимов, а — номер ошибочной классификации на этом этапе.

    Шаг 4 (расчет точности всей многорежимной сети классификации). В этой статье точность классификации иерархической DNN измеряется количеством ошибочных классификаций.Окончательная точность рассчитывается как отношение общего количества ошибочных классификаций к общему количеству выборок. Процедура расчета следующая:

    Объединив (21) с (22), окончательную точность предлагаемой классификации многомодовых неисправностей на основе DNN можно сформулировать следующим образом: Метод классификации неисправностей, основанный на трехуровневой DNN, показан на рисунке 5.


    4. Применение к классификации неисправностей подшипников качения

    Подшипники качения играют важную роль во вращающихся механизмах.Состояние подшипника напрямую влияет на надежность и стабильность всей системы. Подшипник качения в качестве экспериментальной платформы используется для проверки эффективности иерархического метода многорежимной классификации неисправностей DNN, а производительность предлагаемого метода сравнивается с традиционным методом, таким как DNN, BPNN, SVM, иерархический BPNN и иерархический SVM, которые подробно перечислено в Разделе 4.3.

    4.1. Experimental Platform

    Наборы экспериментальных данных получены из Центра данных подшипников Университета Кейс Вестерн Резерв в США [35].Экспериментальная платформа показана на рисунке 6. Видно, что экспериментальная платформа состоит из двигателя мощностью 2 л.с., измерителя мощности, электронного контроллера, датчика крутящего момента и нагрузочного двигателя. Сигналы вибрации приводного конца двигателя собираются датчиком ускорения в качестве наборов экспериментальных данных для классификации неисправностей подшипников. В этом эксперименте мы используем датчик ускорения для сбора сигналов вибрации с нагрузкой 0 л.с., 1 л.с., 2 л.с. и 3 л.с. соответственно, а частота дискретизации составляет 48 кГц.Существует четыре типа состояния здоровья подшипника: () нормальное состояние; () неисправность внутренней гонки; () неисправность внешней обоймы; () ролик неисправность. Размеры дефекта подшипника составили 0,007 мм, 0,014 мм и 0,021 мм соответственно.


    4.2. Данные Описание

    В этом случае мы собираем сигналы вибрации приводного конца подшипника при различных нагрузках. Собранный набор данных содержит 4 вида режимов; нагрузка двигателя составляет 0 л.с., 1 л.с., 2 л.с. и 3 л.с. соответственно, а 4 режима показаны в таблице 1.В каждом режиме имеется четыре состояния: неисправность внутренней дорожки, неисправность внешней дорожки, неисправность ролика и нормальная, с 3 различными размерами неисправности в каждом состоянии неисправности, то есть 10 различных типов неисправности в одном режиме. В этой статье отобрано 200 образцов для каждого типа неисправности; каждая выборка содержит 2048 точек наблюдения. 100 выборок выбираются случайным образом в качестве обучающих данных, а остальные 100 выборок — в качестве тестовых данных. Мы используем быстрое преобразование Фурье (БПФ) для каждого образца, чтобы получить 2048 коэффициентов Фурье. Из-за симметрии коэффициентов Фурье мы берем первые 1024 коэффициента в качестве новых выборок; то есть набор данных содержит 8000 образцов.Чтобы сравнить предложенный метод иерархической сети с одноуровневой сетью и изучить влияние различных номеров выборок на сеть, для данного режима номер выборки каждой DNN указан в таблице 2. Кроме того, мы представляем исходный Образы от времени домены 10 типов неисправностей в режиме 1 до A , как показано на рисунке 7.

    63

    763

    do — 10.1109 / icps48405.2020.63

    м3 — Конференция вклад

    201682

    201682

    T3 — Производительность — 2020 IEEE Конференция по промышленным киберфизическим системам, ICPS 2020

    EP — 319

    EP — 319

    EP — 319

    BT — Proceedings — 2020 IEEE Conference on Industrial Cyberphysical Systems, ICPS 2020

    PB — Institute of Electrical and Electronics Engineers Inc. Июнь 2020 г.

    ER —

    Классификация неисправностей в линии передачи с использованием вейвлет-функций и Fuzzy-KNN

    [1] У.Миннаар, К. Гонт и Ф. Николлс, Характеристика событий энергосистемы на линиях электропередач Южной Африки, Исследование систем электроснабжения, том. 88, (2012).

    DOI: 10.1016/j.epsr.2012.01.015

    [2] К.Сильва, Б. Соуза и Н. Брито, Обнаружение и классификация неисправностей в линиях передачи на основе вейвлет-преобразования и ANN, Power Delivery, IEEE Trans. на, том. 21, (2006).

    DOI: 10.1109/tpwrd.2006.876659

    [3] М.Дж. Б. Редди, Д. В. Раджеш и Д. Моханта, Надежная классификация неисправностей линии передачи с использованием вейвлет-анализа с несколькими разрешениями, Computers & Electrical Eng., vol. 39, (2013).

    DOI: 10.1016/j.compeleceng.2013.02.013

    [4] Б.Вьяс, Р. П. Махешвари и Б. Дас, Оценка методов искусственного интеллекта для определения типа неисправности в расширенной серии с компенсацией Trans. Lines, IETE J. of Research, (2014).

    [5] З.He, S. Lin, Y. Deng, X. Li, Q. Qian, Нейросетевой подход с грубым членством для классификации неисправностей в линиях передачи, Int. Журнал Elec Power & Energy Syts, (2014).

    [6] С.Muyeen, HM Hasanien, and A. Al-Durra, Повышение устойчивости ветряных электростанций, подключенных к энергосистеме с несколькими машинами, с помощью адаптивного SMES, управляемого ANN, Energy Conversion and Management, vol. 78, (2014).

    DOI: 10.1016/j.enconman.2013.10.039

    [7] ЧАС.-Л. Чен, К.-К. Хуан, X.-G. Yu, X. Xu, X. Sun, G. Wang и др., Эффективная система диагностики для обнаружения болезни Паркинсона с использованием нечеткого подхода k-ближайших соседей, Экспертные системы с приложениями, том. 40, (2013).

    DOI: 10.1016/j.eswa.2012.07.014

    [8] О.Кастильо, П. Мелин, Э. Рамирес и Дж. Сориа, Гибридная интеллектуальная система для классификации сердечных аритмий с нечеткими K-ближайшими соседями и нейронными сетями в сочетании с нечеткой системой, Экспертные системы с приложениями, том. 39, (2012).

    DOI: 10.1016/j.eswa.2011.08.156

    [9] ЧАС.-Б. Шен, Дж. Ян и К.-К. Чоу, Fuzzy KNN для предсказания типов мембранных белков по псевдоаминокислотному составу, Журнал теоретической биологии, том. 240, (2006).

    DOI: 10.1016/j.jtbi.2005.08.016

    [10] С.Экичи, Машины опорных векторов для классификации и локализации неисправностей на линиях передачи, Applied Soft Computing, vol. 12, (2012).

    DOI: 10.1016/j.asoc.2012.02.011

    [11] Дж.Келлер М., Грей М. Р. и Гивенс Дж. А., Нечеткий алгоритм k-ближайшего соседа, Системы, человек и кибернетика, IEEE Transactions on, (1985).

    DOI: 10.1109/tsmc.1985.6313426

    [12] Я.Saini, D. Singh и A. Khosla, Обнаружение QRS с использованием алгоритма K-ближайших соседей (KNN) и оценка по стандартным базам данных ЭКГ, J. of advanced research, vol. 4, (2013).

    DOI: 10.1016/j.jare.2012.05.007

    [13] ЧАС.Лю и С. Чжан, Устранение зашумленных данных с использованием взаимного k-ближайшего соседа для анализа классификации, Journal of Systems and Software, vol. 85, (2012).

    DOI: 10.1016/j.jss.2011.12.019

    [14] Э.Насибов и К. Кандемир-Кавас, Анализ эффективности KNN и классификаторов на основе минимального расстояния в предсказании семейства ферментов, Comp. биология и химия, (2009).

    DOI: 10.1016/j.compbiolchem.2009.09.002

    Диагностика неисправностей воздушного тракта двигателя с помощью нейронных моделей и классификатора

    • Хамад
    • Д Ю
    • Дж. Б. Гомм
    • МС Сангха

    Ключевые слова: Автомобильные двигатели, независимая модель RBF, нейронные сети RBF, обнаружение неисправностей, локализация неисправностей

    Аннотация

    Обнаружение и изоляция неисправностей (FDI) стали одним из наиболее важных аспектов конструкции автомобиля.В этой статье разработана новая схема ПИИ для автомобильных двигателей. В методе используется модель нейронной сети с независимой радиальной базисной функцией (RBF) для моделирования динамики двигателя, а ошибки моделирования используются для формирования основы для остаточной генерации. Зависимая модель RBFNN — это модель, которая использует выходные данные объекта в качестве целевого вывода, а затем использует их для обучения нейронной сети, в то время как независимая модель RBFNN имеет более высокую точность, чем зависимая модель, и эта модель может обнаруживать ошибки. , потому что эта модель не зависит от выхода объекта и будет использовать его выход в качестве цели, поэтому, если какие-либо неисправности в объекте не будут влиять на модель, эти неисправности будут обнаружены легко и четко.Кроме того, другая сеть RBF используется в качестве классификатора неисправностей, чтобы изолировать различные неисправности от ошибок моделирования. Метод разработан, и производительность оценивается с использованием эталонного теста двигателя, модели двигателя среднего значения (MVEM) с помощью Matlab/Simulink.

    Добавить комментарий

    Ваш адрес email не будет опубликован.


    Mode Груз (HP) Скорость вращения (RPM)

    Режим 1 0 1797
    Режим 2 1 одна тысяча семьсот семьдесят-две
    Режим 3 2 1750
    Режим 4 3 1730

    3 скважины результаты моделирования двух предложенных алгоритмов. Действительно, выходные данные ИНС сходятся к желаемым значениям (либо очень близким к нулю, либо к единице). Однако из результатов испытаний, представленных в таблице 4, видно, что модульная искусственная нейронная сеть на основе классификатора неисправностей (FC 2 ) является более точной, чем одиночная искусственная нейронная сеть на основе классификатора неисправностей (FC 1 ). ), так как первый сходится к желаемым результатам с минимальной ошибкой по сравнению со вторым классификатором.

    Выход 0,8 или 0,9, полученный одним из двух предложенных алгоритмов классификации неисправностей, представляет тот же результат в задаче классификации неисправностей и в то же время указывает неисправную фазу, тогда как для задачи локализации неисправности выход 0,8 означает, что неисправность возникла на расстоянии 80 % от длины линии, а выход 0,9 означает, что неисправность возникла на расстоянии 90 % от длины линии. Локализация неисправности требует большей точности, чем классификация неисправности. Таким образом, использование подхода с одной ИНС для задачи локализации неисправности имеет такие недостатки, как сложность, длительное время обучения ИНС и меньшая точность по сравнению с подходом модульной ИНС, что уже было видно для задачи классификации неисправности.Следовательно, для оценки точного местоположения неисправности было принято решение разработать алгоритм точного определения местоположения неисправности на основе модульных искусственных нейронных сетей.

    4.2. Местоположение неисправности

    Предлагаемые в этой части алгоритмы локализации неисправности основаны на модульном подходе ИНС. При таком подходе при появлении неисправности в линии передачи блоки обнаружения и классификации неисправностей определяют возникновение неисправности и ее тип. Затем он активирует блок определения места неисправности.Блок классификации неисправностей сможет определить тип неисправности, если это одиночная линия на землю (-), двойная линия (-), двойная линия на землю (—) или трехпроводная неисправность (—). Предлагаемый блок классификации отказов, основанный на модульном подходе ИНС, обнаруживает и идентифицирует тип отказа. Таким образом, выходные данные, генерируемые блоком классификации неисправностей, активируют конкретный модуль локализатора неисправностей; см. рис. 9. Предлагаемый алгоритм поиска неисправности состоит из четырех независимых ИНС, при этом каждый тип неисправности обучается нейронной сетью ИНС- с .Блок-схема предполагаемого места повреждения показана на рисунке 9.


    4.2.1. Входы и выходы

    Определение количества входов и выходов представляет собой основной фактор в определении адекватного размера и наилучшей архитектуры нейронной сети. Следовательно, должно быть обеспечено достаточное количество входных данных для описания проблемы. В этом контексте представлены три локатора неисправностей. Первый (ФЗ 1 ) использует только величины основных составляющих трехфазных токов, второй (ФЗ 2 ) использует только величины основных составляющих трехфазных напряжений, а третий (ФЗ 3 ) использует одновременно величины основных составляющих трехфазных токов и напряжений.Цель задачи локализации неисправности состоит в том, чтобы оценить точное местонахождение неисправности. Следовательно, предлагаемая модульная нейронная сеть, основанная на локаторе повреждений, будет предоставлять только полученные алгоритмом определения места повреждения выходные данные, соответствующие расстоянию до места повреждения.

    Таким образом, мы указали , , и входные векторы, взятые каждым предложенным локатором повреждений на основе модульного подхода ANN: Выходные данные для задачи локализации неисправности задаются выражением

    4.2.2. Данные обучения

    Большое количество обучающих данных для различных ИНС, основанных на задаче локализации неисправности, было сгенерировано с использованием программного обеспечения MATLAB с учетом различных сценариев неисправности, подверженных различным условиям неисправности, таким как различные местоположения неисправности (длины линии), различные углы возникновения неисправности. FIA (0°, 180° и 270°) и различная устойчивость к ошибкам (0.1 Ом, 50 Ом, 100 Ом и 150 Ом). Таким образом, смоделированные номера неисправностей для процесса обучения ИНС равны 648 для неисправности, связанной с землей: 6 (типы неисправности), 9 (локация неисправности), 4 (сопротивление неисправности), 3 (углы возникновения неисправности). Для замыканий, не связанных с землей, количество имитаций замыканий равно 108 случаям моделирования: 9 (места замыканий) × 4 (типы замыканий) × 3 (углы зарождения замыканий). Следовательно, полное количество смоделированных неисправностей равно 756. В таблице 5 представлены значения параметров, использованных для создания обучающих наборов данных и тестовых моделей для трех предложенных локаторов неисправностей.


    200/100 200/100

    DataSet для разных неисправностей Местоположение 90 327 DataSet для различных неисправностей Образец номер
    Подробнее / Меньше
    Разломы Размер неисправности / мм
    200/100 Normal (N) 0 .000

    200/100 Неисправность внутренней расы (если) 0,007
    200/100 Внутренняя неисправность гонки (IF) 0,014
    200/100 Внутренняя гоночная неисправность (если) 0.021

    200/100 Неисправность внешней расы (из) 0.007
    200/100 Ошибка внешней расы (из) 0.014
    200/100 200/100 90/100 0,021

    200/100 Roller Shift (RF) 0,007
    90/100 200/100 Roller Shift (RF) 0,014
    Roller РФ) 0.021


    4.3. Результаты классификации неисправностей

    Предложенная иерархическая структура DNN применяется для классификации неисправностей подшипников; в наборе данных A имеется 8000 образцов, 4 различных режима, 4 положения неисправности в каждом режиме и всего 40 состояний работоспособности. Смоделированы условия работоспособности системы вращающихся машин при многорежимном, многоусловном, множественном отказе и больших выборочных данных, которые продемонстрировали эффективность предлагаемого метода.Для уменьшения эффекта случайности эксперимент повторяли 20 раз. В этой статье инициализированные параметры в процессе претендующего DNN отображаются в таблице 3.


    9


    Скрытые слои 5 4 4 4 3
    Количество нейронов 512/400/300/200/100 512/400/200/100 512/256/100
    Максимальное количество эпох 500 300 300

    В обучении сети используется метод стохастического спуска; на каждой иерархии максимальное количество итераций DNN составляет 500, 300 и 300 соответственно.Моделирование трех традиционных методов, BPNN, SVM и DNN, сравнивается с моделированием предложенного многомодового подхода к классификации неисправностей для проверки его эффективности. Кроме того, иерархическая BPNN (HBPNN) и иерархическая SVM (HSVM) также сравниваются с иерархической DNN (HDNN). BPNN использует метод градиентного спуска для обновления веса сети и параметра смещения; Механизм индивидуального обучения используется для обучения SVM с радиальным базисом. Механизм обучения HBPNN и HSVM такой же, как и HDNN.

    В таблице 4 сравниваются точности классификации неисправностей во временной и частотной областях. Из таблицы 4 видно, что неисправность механизма вращения более чувствительна в частотной области. Поэтому мы используем БПФ как инструмент для предварительной обработки исходных данных.



    Метод Данные с временным доменом Данные частоты

    80327 80.65 99.96

    В таблице 5 сравниваются результаты классификации неисправностей после разделения режимов. Из строк 2 и 3 видно, что HDNN может получить более точную классификацию либо для определения местоположения источника сбоя, либо для распознавания серьезности сбоя, что говорит нам о том, что разделение режимов является критическим шагом в классификации многомодовых сбоев.

    71,68 62,42


    Метод Точность неисправности
    Классификация
    Точность неисправности

    HDNN 99.79 99,52
    DNN 97,06 96,38

    HSVM 82,82 77,00
    СВМ 65,74 58,40

    HBPNN 81.28
    BPNN 68,11

    иерархическая модель для случая BPNN и SVM также подтверждает этот вывод.Сравнивая строку 2 со строками 4 и 6, мы видим, что HDNN значительно превосходит другие модели иерархического машинного обучения из-за того, что HDNN может обеспечить лучшую точность разделения режима, что показано в таблице 6. С другой стороны, мы можем сделать еще один вывод о том, что производительность традиционного метода BPNN превосходит традиционный метод SVM в случае большой выборки, но точность HSVM выше, чем у HBPNN, из-за того, что SVM хорошо справляется с обучением на небольшой выборке.

    +

    Метод Режим раздела

    HDNN 99,96
    HBPNN 90,45
    HSVM 89,73

    Чтобы продемонстрировать эффективность предлагаемого метода многомодовой классификации, в этой статье используются методы иерархического машинного обучения.Как видно из таблицы 6, точность разделения режимов с помощью предложенного метода HDNN может достигать 99,96%, и мы, естественно, можем обнаружить, что производительность HDNN превосходит HBPNN и HSVM в процедуре разделения режимов.

    Ввиду отличной производительности предложенного метода многорежимной классификации мы обнаружили, что на производительность классификации влияет точное извлечение признаков. Чтобы проверить эффективность метода извлечения признаков на основе HDNN, графики рассеяния извлеченных признаков показаны на рисунках 8–10.Как показано в таблице 3, в каждом процессе обучения количество нейронов в последнем скрытом слое равно 100; то есть размер объекта равен 100, что слишком велико для визуализации. Поэтому PCA используется как инструмент сжатия данных для уменьшения размерности признаков. В этой статье мы используем первые три основных компонента для построения диаграммы рассеивания функции местоположения источника разлома, извлеченной с помощью HDNN, как показано на рисунке 8. На рис. 9 показаны диаграммы рассеяния для признака разлома, извлеченного с помощью DNN без разделения по моде.На рисунках 9 и 10 видно, что некоторые особенности разломов перекрываются, что приводит к неудовлетворительному результату классификации разломов.


    На рис. 10 представлена ​​диаграмма рассеяния функции, извлеченной для разных режимов. Из рисунка 10 видно, что HDNN хорошо справляется с выделением признаков многомодовых разломов, что сильно повлияет на точность последовательной классификации разломов.

    Таким образом, предлагаемый метод многорежимной классификации может точно выделить различные особенности разломов, основываясь на его сильной нелинейной способности характеризовать.

    Как правило, эффективность метода классификации отказов зависит от количества выборок данных поезда. На рис. 11 показана точность классификации ошибок DNN и HDNN в двух случаях. Красная линия обозначает точность классификации для случая, когда в качестве обучающих данных используется больше выборок. Черная линия обозначает точность классификации для случая, когда в качестве обучающих данных используется меньше выборок (всего 1/2 от первого случая). Кроме того, строка со знаком «» является результатом моделирования HDNN, а строка со знаком «□» — результатом моделирования традиционной DNN.


    Из рисунка 11 ясно видно, что () точность классификации ошибок HDNN не сильно различается для двух случаев, в то время как точность классификации ошибок DNN сильно зависит от количества используемых обучающих данных и () в обоих случаях точность классификации неисправностей HDNN намного лучше, чем DNN. Таким образом, мы можем прийти к выводу, что HDNN является более надежной классификацией неисправностей для многорежимной классификации неисправностей подшипников в случае, когда доступно меньше обучающих данных.

    5. Выводы

    В этой статье разработан новый метод классификации многомодовых неисправностей, основанный на DNN. Основная идея состоит в построении иерархической модели DNN с первой иерархией, специально разработанной для разделения режимов. Вторая иерархическая модель, включающая набор DNN, разработана для извлечения признаков отдельно для разных режимов и точной диагностики источника неисправности. Другой набор DNN разработан для определения степени серьезности определенной неисправности в заданном режиме, что полезно для профилактического обслуживания машинного оборудования.Подшипник качения является экспериментальной площадкой для проверки эффективности предлагаемого метода.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов.

    Благодарности

    Это исследование было частично поддержано Фондом естественных наук Китая (гранты № U1604158, U1509203 и 61333005) и Программой технических инноваций провинции Хэнань (грант № 2012HASTIT005).

    Точный классификатор и локатор повреждений линий электропередачи сверхвысокого напряжения на основе искусственных нейронных сетей

    Способность идентифицировать тип неисправности и локализовать неисправность в линиях электропередачи сверхвысокого напряжения очень важна для экономичной эксплуатации современных энергосистем.В статье предложены точные алгоритмы классификации и локализации неисправностей на основе искусственной нейронной сети. Представлены два алгоритма классификации неисправностей; первый использует подход одиночной ИНС, а второй использует модульный подход ИНС. Сравнительное исследование двух классификаторов проводится для того, чтобы выбрать, какая структура классификатора неисправностей ИНС приводит к наилучшей производительности. Представлены проектирование и реализация модульного локатора повреждений на основе ИНС. Предлагаются три локатора неисправностей, и проводится сравнительное исследование трех локаторов неисправностей, чтобы определить, какая архитектура локаторов неисправностей приводит к точному местоположению неисправности.Мгновенные значения тока и/или напряжения использовались в качестве входных данных для ИНС. Для классификации повреждений использовались только доаварийные и послеаварийные выборки трехфазных токов. Для локализации повреждения использовались доаварийные и послеаварийные выборки трехфазных токов и/или напряжений. Предложенные алгоритмы были оценены при различных сценариях отказов. Представленные результаты моделирования подтверждают эффективность предложенных алгоритмов.

    1. Введение

    Разработка высокоэффективных методов защиты остается важной темой для разработки в университетском сообществе и промышленности.Действительно, линия электропередачи является важным элементом системы электроснабжения. Тем не менее, линии электропередачи демонстрируют самый высокий уровень появления неисправностей, учитывая условия окружающей среды, которым они подвергаются. Следовательно, системы релейной защиты интегрируются в линии электропередачи, чтобы быстро обнаруживать возникновение неисправностей и как можно скорее изолировать неисправную часть от остальной энергосистемы. Эти системы релейной защиты служат для обеспечения устойчивости энергосистемы, минимизации повреждений оборудования и восстановления качества обслуживания.Для защиты линий передачи в литературе предлагались различные алгоритмы. В 70-е годы в алгоритмы защиты линий электропередачи были введены методы бегущей волны [1]. Однако большинство исследователей [2–4] отмечают, что метод, основанный на бегущей волне, плохо работает для разломов вблизи места ретрансляции и разломов с малыми углами зарождения разломов. Технология синхронизированных измерений кажется перспективной для обеспечения защиты в режиме реального времени.С глобальной системой позиционирования (GPS) цифровое измерение сигналов трехфазного тока и напряжения для двух концов линии может выполняться синхронно [5–8]. Эти методы являются более точными, чем алгоритмы дистанционной ретрансляционной защиты, на которые влияет недостаточное моделирование линий передачи и неопределенность параметров из-за старения линий. Кроме того, эти методы требуют установки GPS, где измерения синхронизируются по сравнению с часами GPS.Тем не менее, технология синхронных измерений имеет много недостатков, таких как высокая стоимость и наличие канала связи между терминалами линии, которого нет на большинстве линий. Таким образом, методы диагностики отказов с использованием однотерминальных данных могут быть более привлекательными для исследователей. В этом контексте необходимо разработать алгоритмы, обладающие способностью динамически адаптироваться к условиям работы системы, таким как изменения конфигурации системы и условия неисправности (устойчивость к неисправности, угол возникновения неисправности и положение неисправности).В последнее время современные технологии релейной защиты основаны на инструментах искусственного интеллекта, таких как нечеткая логика (FL), искусственные нейронные сети (ANN) и адаптивная система нечеткого вывода на основе сети (ANFIS). Многие исследователи предлагают методы ретрансляции линий передачи на основе нечеткой логики для классификации и локализации неисправностей [9–11]. Однако эти методы никоим образом не могут гарантировать точные результаты : для широкого диапазона условий неисправности (высокая устойчивость к неисправности, большой угол возникновения неисправности и большое расстояние от релейной площадки).В недавнем исследовании [12] был предложен алгоритм, обладающий синергетическим эффектом для расчета с высокой точностью мест повреждения на расстояниях менее 80% длины линии. В [13] представлен алгоритм классификации неисправностей, основанный на системе нечеткой логики. Тем не менее, этот алгоритм действителен только для меньшего диапазона разнообразия отказоустойчивости.

    Другие исследователи релейной защиты использовали адаптивную сетевую систему нечеткого вывода (ANFIS) [14–17]. В [18] разработана схема обнаружения и классификации неисправностей.В этом методе используются трехфазные токи и ток нулевой последовательности, но процедура определения места повреждения не указывается. В [19] предложены алгоритмы классификации и локализации повреждений комбинированной воздушной линии электропередачи. Для предлагаемой схемы используются образцы тока и напряжения. Эти значения были получены в течение одного цикла после возникновения неисправности, что подразумевает время отклика, превышающее один рабочий цикл. Подходы защиты от сбоев, основанные на методах нечеткой логики (FL) и адаптивной сетевой нечеткой системы вывода (ANFIS), чувствительны к изменениям частоты системы и требуют больших обучающих наборов.

    Искусственные нейронные сети были интегрированы в методы релейной защиты. В этих методиках использовались выборки тока и/или напряжения без расчета симметричных составляющих [1]. Различные типы нейронных сетей, такие как многослойный персептрон (MLP), радиальная базисная функция (RBF) и вероятностная нейронная сеть, применяются для диагностики неисправностей в линиях электропередачи [20–24]. Подходы к защите, основанные на ИНС, использовались для разработки надежных, точных и быстрых алгоритмов в режиме реального времени для обнаружения, классификации и локализации неисправностей.В этом контексте в [25] было разработано приложение нейронной сети радиальной базовой функции (RBF) для локализации повреждений в линиях электропередачи. Максимальная ошибка предлагаемого алгоритма равна 0,5. Кроме того, [26, 27] разработали нейросетевые подходы для обнаружения и локализации неисправностей в линиях электропередачи. Тем не менее, эти подходы обнаруживают только неисправности, возникшие в первой зоне линии, а именно на 80% длины линии передачи. В [28] был разработан алгоритм локализации повреждений линий электропередачи.Алгоритм использует одну искусственную нейронную сеть, основанную на методе оптимизации Левенберга-Марквардта. Однако тип ошибки не указывается, а процентная ошибка алгоритма поддерживается ниже 0,65%. В [29] предложены схемы классификации и локализации разломов. В этих схемах используются трехфазные формы токов и напряжений на одной клеммной линии. Время отклика предлагаемой схемы не указано, а процентная ошибка определения места неисправности равна 3%. В [30] представлена ​​новая схема классификации и локализации неисправностей.Максимальная погрешность предлагаемой схемы составляет 3,05%, время отклика не указано. В [31] предложен модуль локализации неисправностей для диагностики неисправностей, который включает двухступенчатую нейронную сеть с адаптивными структурами. Алгоритмы обнаружения, классификации и локализации неисправностей представлены со средней ошибкой локализации неисправности 0,4% и 0,5411%. Результаты ясно показывают, что такой подход обеспечивает надежное определение местоположения всех типов разломов. Время работы этого метода равно 1.28 циклов после возникновения неисправности. В [32] предложена оценка расстояния и направления повреждения на основе ИНС для защиты линий передачи с двойным питанием, но тип повреждения не указан. Время работы этого подхода составляет около 1,5 циклов, а процентная доля ошибок при определении места повреждения составляет от 0,052% до 1,57%.

    Для разработки алгоритмов классификации и локализации неисправностей, ведущих к желаемым результатам с хорошей точностью и быстрым временем отклика по сравнению с предыдущими работами, в настоящей статье мы предложили новую классификацию и алгоритмы локализации неисправностей, основанные на ИНС.Таким образом, были предложены оптимальные архитектуры нейронных сетей, используемые в алгоритмах классификации и локализации неисправностей (количество скрытых слоев, число нейронов в скрытых слоях, сокращенные обучающие выборки, быстрая сходимость к желаемым результатам, надежность и точность алгоритмов защиты). Эти алгоритмы основаны на искусственных нейронных сетях (ИНС) (с прямой связью), обученных с помощью контролируемого алгоритма обучения, называемого обратным распространением. В этом контексте предлагаются два классификатора отказов: первый использует подход с одной ИНС, а второй использует подход с модульной ИНС.Проведено сравнительное исследование двух предложенных классификаторов неисправностей, чтобы определить, какой из надежных и эффективных классификаторов неисправностей ИНС обеспечивает наилучшую производительность. Для локализации неисправностей предлагаются три локатора неисправностей, основанные на модульном подходе ИНС, чтобы выбрать оптимальную архитектурную стратегию с высокой точностью и быстрой сходимостью к точному местоположению неисправности. Нейронные классификаторы и локаторы неисправностей были обучены и протестированы при различных условиях неисправности (типы неисправности, ее местонахождение, устойчивость к неисправности и углы возникновения неисправности).Результаты моделирования ясно показывают высокую точность предложенных алгоритмов классификации и локализации неисправностей.

    2. Исследуемая энергосистема

    Для оценки производительности предлагаемого детектора и локатора повреждений на основе нейронной сети в этом исследовании рассматривается линия электропередачи 400 кВ, протяженностью 100 км, проходящая между двумя источниками. Модель энергосистемы, смоделированная с помощью программного обеспечения MATLAB, показана на рисунке 1. Она содержит синхронный генератор (приводимый в действие гидравлической турбиной), подключенный к бесконечной шине.Линия передачи была представлена ​​распределенным параметром одной модели линии с использованием набора инструментов Power System программного обеспечения MATLAB, при этом учитывалась зависимость параметров линии от частоты. Предлагаемые алгоритмы классификации и локализации неисправностей требуют только выборки трехфазных напряжений и/или токов на передающем конце линий передачи. С помощью MATLAB было сгенерировано большое количество выборочных данных о неисправностях с учетом большого разнообразия условий неисправности, таких как местоположение неисправности, сопротивление повреждения, угол возникновения повреждения и типы повреждения.Используя эти данные, классификация и локализация неисправностей были выполнены с помощью MATLAB, использующего его «инструментарий нейронной сети».


    Параметры линии передачи следующие: (i) длина линии = 100 км; (ii) напряжение = 400 кВ; (iii) полное сопротивление линии передачи: (a) полное сопротивление прямой последовательности = 0,0275 + 0,422 Ом/км; (b) импеданс нулевой последовательности = 0,275 + 1,169 Ом/км; (c) емкость прямой последовательности = 9,483 нФ/км; (d) емкость нулевой последовательности = 6,711 нФ/км.

    Для синхронного генератора принята модель четвертого состояния порядка [33–37]: где , , и – соответственно (, ) ax ЭДС переходного процесса и ЭДС возбуждения., , , и являются, соответственно, реактивными сопротивлениями (, ) ax и переходными реактивными сопротивлениями (, ) ax. — коэффициент демпфирования. постоянная инерции. , , , и – соответственно электрическая мощность, механическая мощность, скорость и угол поворота ротора.

    Для определения типа неисправности и достижения высокой степени точности определения местоположения неисправности в линиях электропередачи был введен ряд вкладов для оценки расстояния до неисправности для линий электропередачи. В настоящее время наиболее широко используемый метод определения места повреждения линий электропередачи заключается в определении кажущегося реактивного сопротивления линии во время протекания тока повреждения и преобразовании омического результата в расстояние на основе параметров линии.Общепризнано, что этот метод подвержен ошибкам, когда сопротивление короткого замыкания высокое и линия питается с обоих концов [38].

    Необходимы алгоритмы измерения, способные динамически адаптироваться к условиям работы системы, таким как изменения в конфигурации системы, импедансы источника и сопротивления замыкания. Было продемонстрировано множество успешных приложений на основе искусственных нейронных сетей для энергосистем, включая оценку безопасности [39] и управление прогнозированием нагрузки [40].Недавние применения в области защиты касались диагностики неисправностей в электроэнергетических системах [41]. Следовательно, чтобы улучшить прежние результаты работы по классификации и локализации неисправностей в линиях электропередачи, мы прибегли к инструментам искусственных нейронных сетей.

    3. Искусственные нейронные сети

    ИНС представляет собой параллельную многоуровневую структуру обработки информации. Характерной особенностью этой сети является то, что она учитывает накопленные знания, полученные в процессе обучения, и реагирует на новые события наиболее адекватным образом, учитывая опыт, полученный в процессе обучения.ИНС имитируют процесс обучения человеческого мозга и могут обрабатывать проблемы, связанные с нелинейными и сложными данными, даже если данные неточны и зашумлены. Модель ИНС определяется в соответствии с архитектурой сети, передаточной функцией и алгоритмами обучения. Учитывая их разнообразие, все типы нейронных сетей, доступные в настоящее время, невозможно легко перечислить. Исследователи постоянно пытаются изобретать новые типы, более подходящие для решения конкретных проблем. Среди типов нейронных сетей можно назвать многослойный персептрон (MLP), рекуррентную нейронную сеть, нейронные сети Хопфилда, нейронные сети Кохонена и т.д.

    В последние годы рекуррентные нейронные сети на основе мемристоров представляют собой основные передовые нейросетевые технологии, которые были предложены и реализованы в различных областях приложений. Некоторые работы по проблеме управления синхронизацией этого типа сетей были подняты, изучены и обсуждены в [42].

    Для обеспечения сходимости системы к точке равновесия авторы использовали теорию дифференциальных включений и метод функционала Ляпунова.Кроме того, было предложено несколько других новых архитектур нейронных сетей, а именно динамические рекуррентные нейронные сети. Для такого рода нейронных сетей, как правило, налагается исследование динамического анализа [43–45].

    После того, как тип и архитектура нейронной сети выбраны для данного приложения, необходимо выполнить алгоритмы обучения, способные определить значения веса, позволяющие выходу нейронной сети быть как можно ближе к упомянутому цель.

    Методы обучения нейронной сети основаны на алгоритмах оптимизации, которые стремятся свести к минимуму разрыв между фактическими ответами сети и желаемыми ответами, и это достигается за счет последовательного изменения настроек для любого шага (так называемых «эпох»). Было использовано множество алгоритмов обучения, таких как алгоритм обратного распространения, алгоритмы сопряженных градиентов, квазиньютоновские алгоритмы и алгоритм Левенберга-Марквардта. В последнее время для обучения ИНС используются новые алгоритмы обучения, такие как генетические алгоритмы GA [46–48], алгоритм оптимизации роя частиц PSO [49–51] и алгоритм оптимизации роя хаотических муравьев CAS [52–56].

    В этой статье использовалась нейронная сеть многослойного персептрона (MLP), которая обучалась с помощью контролируемого алгоритма обучения, называемого обратным распространением.

    3.1. Многослойная нейронная сеть персептрона

    Многослойная персептронная сеть (MLP) является одной из наиболее часто используемых архитектур нейронных сетей в различных приложениях и относится к классу контролируемых нейронных сетей. Типичная многослойная (MLP) нейронная сеть состоит из трех слоев: входного слоя, выходного слоя и одного или нескольких скрытых слоев.Каждый слой состоит из заранее определенного количества нейронов. Мы помним, что нейронная сеть представляет собой совокупность ячеек нейронов, связанных между собой синаптическими весами и смещениями. Входы подключены к первому скрытому слою. Каждый скрытый слой соединяется со следующим скрытым слоем, а последний скрытый слой соединяется с выходным слоем (рис. 2).


    Используемый нейрон стандартного типа. Он состоит в суммировании всех взвешенных входных данных через его синаптические коэффициенты, которые представляют собой линейный выход, а затем в применении его к функции активации.Полученный выход затем подключается ко всем входам следующего слоя. Базовая структура нейрона показана на рис. 3.


    Математическая модель нейрона имеет очень простую структуру по сравнению с биологическим нейроном [57–59]. Следовательно, нейрон j можно математически описать следующим уравнением: где  представляют собой передаточную функцию (активационную функцию) нейрона; , , представляет входные сигналы нейрона ; представляет собой весовые коэффициенты связи между входами и нейроном ; это смещение нейрона.

    NN с прямой связью состоит из входного, скрытого и выходного слоев, которые рассматриваются с нейронами , и для каждого слоя соответственно. В этой структуре, представляющей входы, применяется первый слой; затем входные векторы переносятся в скрытый слой с использованием веса соединения между входным и скрытым слоями. Затем получается выходной вектор скрытого слоя. Выход нейрона определяется следующим образом: где  представляет собой вес связи между нейроном скрытого слоя и th-м нейроном входного слоя; представляет смещение нейрона; представляет собой функцию активации скрытого слоя.Значения вектора скрытого слоя передаются в выходной слой с помощью веса связи между скрытыми слоями и выходным слоем. Однако выходной вектор выходного слоя определяется. Выход нейрона (на выходном слое) получается следующим образом: представляет вес связи между нейроном выходного слоя и нейроном скрытого слоя. — функция активации выходного слоя.

    Ошибка в выходном слое между выходным значением и его желаемым значением () минимизируется среднеквадратической ошибкой в ​​выходном слое, определяемой следующим образом:

    3.2. Алгоритм обратного распространения

    Обучающий алгоритм обратного распространения (BP) представляет собой алгоритм итеративного градиентного спуска, который представляет собой простой способ обучения многослойных нейронных сетей с прямой связью. Алгоритм BP стал стандартным алгоритмом, используемым для обучения многослойного персептрона. Это обобщенный алгоритм наименьших средних квадратов (LMS), который минимизирует сумму квадратов ошибок между фактическими и желаемыми выходными данными. Во время обучения веса и смещения сети итеративно корректируются, чтобы минимизировать функцию производительности сети.

    Основные шаги алгоритма обратного распространения суммируются, как и в Алгоритме 1.

    Шаг. BP.1: инициализация
    Инициализировать случайные матрицы синоптик:
    Рассчитают для каждого слоя:
    Шаг.ВР.3: Ошибки
    Рассчитать локальные ошибки для:
    (i) выходной слой:
    (II) слои:
    Line
    Step.bp.4: Адаптация
    Изменить следующие синаптические веса:
    STEP.BP.5: STOP TEST
    Проверьте общий квадрат Ошибка.

    Набор обучающих данных ИНС должен содержать необходимую информацию для обобщения проблемы. В этой работе были рассмотрены различные комбинации различных условий отказа, и схемы обучения были созданы путем моделирования различных ситуаций отказа при исследовании энергосистемы. Условия неисправности, такие как устойчивость к замыканию, местонахождение неисправности и угол возникновения неисправности, были изменены для получения шаблонов обучения, охватывающих широкий диапазон различных условий энергосистемы.

    4. Конфигурация системы классификации и локализации неисправностей с использованием ANN

    Конфигурация классификатора и локализации неисправностей показана на рисунке 4. Входы реле защиты представлены формами напряжения и тока, полученными на конце линии (местоположение реле) через трансформатор тока CT и трансформатор напряжения VT. Эти сигналы используются в качестве входных данных для классификатора и локатора неисправностей на основе ИНС. Сигналы фазного тока и напряжения, полученные при моделировании в месте установки реле, обрабатываются сглаживающим фильтром для фильтрации высших гармоник.Был использован простой низкочастотный фильтр Баттерворта 2-го порядка с частотой среза 400 Гц. Осциллограммы трехфазных напряжений и токов замеряются с частотой дискретизации 1 кГц. Эта частота дискретизации совместима с частотами дискретизации, используемыми в настоящее время в цифровых реле [38]. Кроме того, дискретное преобразование Фурье (ДПФ) используется для извлечения основных компонентов этих сигналов, которые используются в качестве входных данных для классификатора и локатора неисправностей на основе ИНС. С одной стороны, предлагаемый классификатор неисправностей предназначен для определения типа неисправности, а с другой стороны, локатор неисправностей предназначен для оценки точного местоположения неисправности в линии передачи.


    Процесс проектирования классификатора неисправностей и локатора неисправностей на основе ИНС задается следующим алгоритмом, изображенным на рисунке 5.


    4.1. Классификация неисправностей
    4.1.1. Входы и выходы

    Для задачи классификации неисправностей выбрана нейронная сеть с прямой связью из трех слоев, обученная алгоритму обратного распространения. В этом разделе разработаны два классификатора нейронных ошибок. Первый классификатор (FC 1 ), основанный на интеграции одной искусственной нейронной сети, используется для классификации типа неисправности, которая может повлиять на линию передачи.Блок-схема предлагаемого одиночного классификатора неисправностей на основе ИНС (FC 1 ) показана на рисунке 6. Единая нейронная сеть, задуманная для предлагаемого классификатора неисправностей (FC 1 ), учитывает основные сигналы трехфазные токи и токи нулевой последовательности. Эти сигналы дискретизируются с частотой 1 кГц (20 выборок на цикл 50 Гц). Входными данными для одного классификатора неисправностей на основе ИНС являются четыре предаварийных и четыре послеаварийных состояния для каждого фазного тока и для тока нулевой последовательности.


    (, с ) представляют собой удельные значения, рассчитанные путем деления токов выборок во время повреждения (после повреждения) на токи выборок до неисправности в соответствующей фазе. Следовательно, выбранные входные числа для алгоритма классификации неисправностей (FC 1 ) равны 16: четыре выборки тока для каждой фазы (, и ) и четыре выборки для тока нулевой последовательности. Входной вектор представлен в соответствии со следующим уравнением: Выходы ANN, относящиеся к FC 1 , называются , , и , которые представляют три фазы и землю.Если каждый из выходов , , и близок к 1, это указывает на то, что в этой фазе произошла ошибка. Когда выход принимает значение 1, в этом случае неисправность связана с землей. В следующем примере, если выход классификатора неисправностей равен 0101, это указывает на то, что возникшая неисправность является однофазной, которая произошла в фазе и подключена к земле (-). В том же контексте вывод 0110 показывает, что возникшая неисправность является двухфазной (-).

    Второй предложенный классификатор неисправностей (FC 2 ) использовал модульный подход ANN.Предлагаемый подход, основанный на классификации неисправностей, состоит из четырех независимых искусственных нейронных сетей, по одной для каждой фазы (, и ) и еще одной для неисправностей, связанных с землей (), которые называются ANN-, ANN-, ANN- и ANN- соответственно. . Входы ИНС представляют собой выборки токовых сигналов, а выходы представлены логическими значениями (0 или 1). Все сетевые выходы интегрированы для определения типа неисправности с помощью логической схемы; см. рис. 7. Каждая спроектированная сеть (ANN- с , и ) обработала четыре выборки до и четыре послеаварийных выборки для каждого фазного тока.Таким образом, ANN обрабатывает четыре выборки тока нулевой последовательности. На рис. 6 показана принципиальная схема предлагаемого алгоритма классификации неисправностей. Следовательно, входные числа, выбранные для каждой ИНС, равны четырем отсчетам тока. Таким образом, общее количество входов, необходимых для выполнения задачи классификации неисправностей с помощью метода модульной ИНС, равно 16 нормализованным выборкам. Входной вектор каждой ANN- () вызывается, а для ANN- вызывается, показанная следующей системой уравнений: Предлагаемая модульная структура предлагаемого классификатора неисправностей (FC 2 ) на основе четырех независимых искусственных нейронных сетей (ANN-, ANN-, ANN- и ANN-) на четырех выходах подробно представлена ​​на рисунке 7.Каждая искусственная нейронная сеть (ИНС-, ИНС- и ИНС-) предназначена для индикации наличия или отсутствия неисправности в связанных фазах (, , и ), а ИНС- предназначена для индикации наличия или отсутствия замыкания на землю по всей вине. Таким образом, выходы ИНС принимают логическое значение (0 или 1), указывающее на отсутствие или наличие неисправности на соответствующей фазе ( , , и ), а также на то, связана ли авария с землей или нет (). Заметим, что выходы, допускающие значение выше 0,9, будут считаться активными (наличие неисправности), а выходы со значением меньше 0.1 (отсутствие неисправности) будет считаться неактивным. Различные возможные комбинации могут определять тип неисправности. Предлагаемая модульная нейронная сеть должна быть способна с точностью различать десять типов неисправностей, влияющих на одну линию передачи. Неохраняемая сеть для всех десяти типов неисправностей отображается в таблице 1.


    8

    Тип неисправностей Желаемые сети

    7

    вина 1 0 0 1
    — вина 0 1 0 1
    — вина 0 0 1 1 1
    — неисправность 1 1 0 0
    — неисправность 1 0 1 0
    — неисправность 0 1 1 0
    — неисправность 1 1 0 7 903 28
    — неисправность 1 0 1 1 1
    — неисправность
    — неисправность
    0 1 1 1
    — неисправность 1 1 1 0


    4.1.2. Обучающие данные

    Чтобы привести к оптимальной и эффективной архитектуре ИНС, задуманной для задачи классификации неисправностей для двух предложенных классификаторов неисправностей (FC 1 и FC 2 ), необходимо выбрать подходящее количество репрезентативных примеров рассматриваемого явления. . Кроме того, нейронные сети ANN могут изучать основные характеристики проблемы и давать правильные результаты в новых ситуациях, которые не учитываются в процессе обучения. Чтобы обучить каждую ИНС для получения достаточного количества примеров, мы рассмотрели различные сценарии отказов при различных условиях отказа, таких как разные местоположения отказа (от 0 до 100% длины линии) с различным сопротивлением отказу (0.1, 100 Ом) и различные углы зарождения разлома FIA (0 и 90°). Количество этих полных сценариев составляет 10 мест неисправности, 2 сопротивления неисправности, 2 угла возникновения неисправности, 10 типов неисправности = 400 случаев неисправности, предназначенных для процесса обучения ИНС. Значения параметров, используемые для генерации наборов тренировок данных и моделей тестов ANN для двух типов классификатора на двух принятых неисправности, проиллюстрированы в таблице 2.


    Параметр Обучение

    Тип неисправности г : -, -, - 
    -: -, -, - 
    г : —, —, —,   — 90
    г : -, -, - 
    -: -, -, - 
    г : —, —, —,  
    —: —
    8 8 Расположение ошибок (км) , а 90 км 12, 56, 78, и 94



    Угол впускания неисправности FIA (°) 0 ° и 180 ° 0 °, 75°, 135° и 225°

    Сопротивление короткого замыкания (Ом) 0.1 и 100 Ом 2, 33, 99 и 199

    4.1.3. Структура классификатора нейронных ошибок

    Определение числа скрытых слоев и числа нейронов на слой очень важно, учитывая, что это влияет на время обучения и свойство обобщения нейронной сети. Наиболее часто используемый подход к поиску подходящей архитектуры основан главным образом на различных тестах и ​​различных сетевых конфигурациях.После серии тестов и модификаций структуры ИНС наилучшей архитектурой, полученной для каждой ИНС, является та, которая дает удовлетворительные результаты. В этой работе наилучшая производительность двух предложенных классификаторов неисправностей (FC 1 и FC 2 ) достигается с помощью трехслойной нейронной сети. Для всех ИНС, используемых для двух предложенных классификаторов неисправностей (FC 1 и FC 2 ), в качестве функции активации входного слоя использовалась «тангенциально-сигмоидальная» функция, а в выходном слое — «чистая» функция.На рисунке 8 показана архитектура каждой ИНС на основе классификатора неисправностей (FC 1 и FC 2 ).


    Количество нейронов скрытого слоя для классификатора отказов на основе одиночного подхода к ИНС (FC 1 ) изначально выбрано равным 5, а затем постепенно увеличивается до 10, 15, 20, 25 и 30, как описано выше. Наилучшая производительность достигается при использовании трехслойной нейронной сети с 16 входами и 4 выходами, при этом оптимальное количество нейронов в скрытом слое составляет 30 нейронов.В этой стратегии обучения среднеквадратическая ошибка (mse) уменьшается на 100 эпох до 6,67-06 примерно за 8 минут и 35 секунд времени обучения на ПК (P4, 2,13 ГГц, 2 ГБ ОЗУ). Классификатор неисправностей на основе подхода с одной ИНС (FC 1 ) требует больших обучающих наборов и длительного времени обучения. Кроме того, сложность сети выше, и она имеет более медленную способность к обучению. Хотя процедура разработки архитектуры модульного классификатора отказов на основе ИНС такая же, как и у одиночного классификатора отказов на основе ИНС, время обучения для модульных сетей очень меньше, примерно 1 мин и 49 с для всех четырех модулей и конечного Архитектура модульного классификатора неисправностей на основе ИНС представлена ​​в таблице 3.


    Модульная неисправность Ann Classifier Архитектура Средняя квадратная ошибка (MSE) Количество эпох

    Ann- 4-6 -1 5.91 E — 06 12 12
    Ann- 4-5-1 4-85 E — 06 14
    Ann- 4-8-1 4.88 e — 06 10 10
    ann- 4-6-1 4-6-1 5.97 E — 06 13

    4.1.4. Тестирование классификатора неисправностей

    Чтобы оценить характеристики предложенных алгоритмов классификации неисправностей (FC 1 и FC 2 ), основанных, соответственно, на подходе с одной нейронной сетью и подходе модульных искусственных нейронных сетей, мы рассматриваем различных сценариев неисправностей больше, чем учитывается в процессе обучения.Эти сценарии подвержены различным условиям отказа, таким как различные местоположения отказа, различная сопротивляемость отказу и разные углы возникновения отказа FIA. Тесты результаты двух предложенных классификаторов (FC 1 и Fc 2 ) представлены в таблице 4.

    Модульный ИНС 225
    8
    91 539 Одно ИНС 94 Модульный ИНС 225
    8 0,9993 + + Одно ИНС Одно ИНС Модульный ИНС Модульный ИНС 0,0035 225


    Тип ошибки Расположение ошибок (км) Неисправность Угол вжения (°) Сопротивление неисправности () Network Фактический выход фактический выход
    B C D A B C D


    12 25 0 Single Ann 1 1112 0,1281 0,1187 0,9287
    1 0 0 1 1,0013 -0,0071 0,0004 1,0005
    94 199 Only Single Ann 0.9051 0.1266 0.1108 0.1108 1.1290
    Модульная Энн 1.0071 -0,0003 0,0037 1,0085
    12 25 0 -0,0784 0,1420 1.1128 1.2940
    Модульная Энн 0 0 1 1 0.0021 -0.0041 1.0093 0.9941
    225 199 Single ANN 0,1328 -0,1007 1,2871 1,1008
    Модульные ANN -0,0074 — 0.0032 1.0078 0.9814

    12 25 0 Single Ann
    1.1850 0,9072 0,0088 0,9653
    1 1 0 1 1,0085 1,0066 -0,0042 1,1473
    94 199 Single Ann 1.0951 0,9552 0.1178 1.1008 11008
    Modular Ann 1.0082 +1,0077 -0,0004

    12 25 0 0,1136 1,0951 0.9867 1.1000
    Modular Ann 0 1 1 1 -0.0031 0.9772 1 0007 1.0081
    94 225 199 0,1807 1,1009 1,1150 1,087
    -0,0001 1,0023 1.0744 1.0003

    12 25 Single Ann
    0.9962 1,1007 1,1105 -0,1042
    1 1 1 0 1,0087 1,0025 0,9992
    94 Single Ann 0.9198 0.9289 1.1008 -0.1008 -0.1008
    Modular Ann 1.0008 1.0036 1.0089 0.0429


    Параметр Обучение Тестирование

    Тип ошибки г : -, -, —
    -: -, -, —
    г : —, —, —, 
    —: —
    л г : -, -, - 
    5 л — -, -, —
    L л г : -, -, -,
    л л л : —

    Расположение неисправностей (км) , и 90 км км



    Угол взыскания неисправности FIA (°) 0 °, 180 ° и 270 °2

    Сопротивление короткого замыкания (Ом) 0.1, 50, 100 и 150 

    4.2.3. Структура нейронного локатора неисправностей

    После определения количества входов и выходов каждого предлагаемого локатора неисправностей на основе модульной ИНС необходимо определить количество скрытых слоев и количество нейронов в каждом скрытом слое. Основные проблемы при проектировании архитектуры ИНС заключаются в том, чтобы убедиться, что количество скрытых слоев и количество нейронов в каждом скрытом слое сходятся к адекватным результатам (точное местоположение неисправности с минимальной ошибкой) с быстрым временем отклика.Архитектуры ИНС, включая номер входной сети, количество скрытых слоев и количество нейронов в каждом скрытом слое, даны в результате экспериментального исследования с различными конфигурациями сети. Благодаря серии тестов и модификаций архитектур ИНС окончательная архитектура для различных ИНС приводит к наилучшей производительности, которая достигается с использованием нейронной сети с тремя уровнями. Количество нейронов во входном слое соответствует количеству входных переменных в ИНС. Количество нейронов в скрытых слоях было задано после серии тестов, а для выходного слоя только один нейрон соответствует расстоянию неисправности.

    Все вычисления для трех принятых локаторов повреждений (FL 1 , FL 2 и FL 3 ) выполняются на ПК (P4, 2,13 ГГц и 2 ГБ ОЗУ). Время обучения для первого локатора повреждений (FL 1 ) составляет приблизительно 11 минут и 35 секунд для всех четырех модулей. Для второго локатора повреждений (FL 2 ) время обучения составляет около 12 минут и 31 секунду для всех четырех модулей. Третий локатор повреждений (FL 3 ) имеет время обучения, равное 8 мин и 17 с для всех четырех модулей.Следовательно, можно видеть, что третий определитель места повреждения (FL 3 ), который использует величины векторов тока и напряжения, обеспечивает быстрое обучение по сравнению с другими алгоритмами определения места повреждения.

    Последние архитектуры предлагаемой модульной линии неисправности на основе ANN для каждого алгоритма даны таблицей 6.

    04 2 2 9042 2.12


    8
    Модульный локатор неисправностей на основе ANN предлагаемый локатор ошибок Средняя квадратная ошибка (MSE) время обучения (мин)

    1 этап до земли FL 1 3-14-1 4.23 e — 04 280327
    8
    FL 2 3-16-1 3-16-1 5.38 E — 03 3.32
    Fl 3 6-32-1 9.71 E — 06 2 2 2

    Фаза Fl 1 3-16-1 3-27 E — 04 2,19
    Флорида 2 3-18-1 4.99 e — 04 2.92
    FL 3 6-28-1 6-66-1 8-66 e — 05 2,88


    2 Фазы на землю FL 1 3-13-1 3.88 E — 03 3.14 3.14
    FL 2 3-18-1 499 E — 04 3.28
    Флорида 3 6-30-1 6.82 E — 05 212

    3 Phases FL 1 3-8-1 3.62 E — 04 2,82
    Fl 2 3-14-1 3.74 E — 04 2 299
    FL 3 6-18-1 7.33 E — 05 2.34

    4.2.4. Тестирование локатора неисправностей

    После того, как процедура обучения ИНС полностью завершена, локаторы FL 1 , FL 2 и FL 3 , основанные на модульном подходе ANN, тестируются с различными сценариями отказов, которые не представлены. во время тренировочного процесса. Эти колодки испытываются при различных условиях повреждения, таких как различное местоположение повреждения (= 0–100 % длины линии), различные значения сопротивления повреждения ( = 0–200  Ом) и различные углы возникновения повреждения (FIA = 0°). –360°).Кроме того, было проверено влияние вариации состояния отказа.

    Процентная ошибка, относящаяся к задаче локализации неисправности, основана на следующем уравнении:

    ( 1) Влияние типа и места неисправности . В таблице 7 представлено влияние типа неисправности на предлагаемые алгоритмы определения местоположения неисправности (FL 1 , FL 2 и FL 3 ). Действительно, исследованными типами неисправностей являются замыкания фаза-земля (-), замыкания фаза-фаза-земля (—), замыкания фаза-фаза (-) и замыкания фаза-фаза-фаза (—).Согласно результатам испытаний в таблице 7, процентная ошибка для алгоритма определения места повреждения FL 1 , который использует только значения токов основных составляющих (50 Гц) трех фаз ( , , и ), лежит между 0,1007% и 1,4599 %. Для алгоритма FL 2 , в котором используются только величины напряжений основных составляющих (50 Гц) трех фаз (, , и ), процентная ошибка колеблется от 0,1086% до 1,2862%. Для третьего предложенного алгоритма ФЛ 3 с использованием величин основных составляющих трехфазных токов и напряжений процентная погрешность находится в пределах 0.0,175% и 0,3041%. Таким образом, из результатов испытаний видно, что предложенный алгоритм локализации повреждений (FL 3 ) является более точным, чем FL 1 и FL 2 . Таким образом, процентные ошибки хорошо доказывают способность предлагаемого модульного локатора повреждений на основе ИНС FL 3 определять точное расстояние до места повреждения по сравнению с FL 1 и FL 2 .


    8 10,1712

    Тип неисправности Расположение неисправностей (км) Угол впуска на неисправность (°) Устойчивость неисправностей () Выходной выпуск Ann на основе ANN 1 (км) Выход ЭП на основе ИНС 2 (Км) Выход ЭП на основе ИНС 3 (Км) Процентная ошибка ЭП на основе ИНС 1 (%) Процентная ошибка ЭП на основе ИНС FL 2 (%) Процентная ошибка ann inn ann 3 (%)

    Одностроительная на землю неисправностей (- G ) 07 325 26 06.8971 07,1137 07,0196 0,1029 0,1137 0,0196
    13 125 130 13,4461 12,5841 12,7410 0,4461 0,4159 0,2590
    23 145 2.6 22.6988 22.6988
    7
    23.3415 22.8875 0.3415 0.3415 0.1125 0.1125
    34 275 195 35.2511 +35,1286 34,2173 1,2511 1,1286 0,2173
    47 5 120 46,1081 47,4954 47,2511 0,8919 0,4954 0,2511
    58 25 25 95 57.0910 5742 58.3599 58.3599 58.1271 0,9090 0.3599 0.3599 0,1271
    66 215 122 67.1241 +66,9714 66,2791 1,1241 0,9714 0,2791
    75 10 53 75,6487 74,4259 74,8118 0,6487 0,5741 0,1882
    83 40 144 82,1475 81,9471 82,8334 0,8525 1,0529 0,1666
    96 135 125 94.5401 97,0778 95,7126 1,4599 1,0778 0,2874

    Двойная линия для замыканий на землю (- г ) 09 25 10 09.1783 9.0708 0.1712 0.1783 0.0708 0.0708
    14 55 2,6 13.8277 13.8277 13.8054 13.9271 0,1723 0,1946 0,0729
    26 125 190 24,9810 24,7138 25,7297 1,0190 1,2862 0,2703
    38 225 70 38.5714 38.5714 38.4293 384293
    7
    38.1866 0.5714 0.5714 0.4293 0.1866
    44 315 95 44.9141 44,9785 44,2317 0,9141 0,9785 0,2317
    52 360 55 52,7129 52,6129 52,1711 0,7129 0,6129 0,1711
    63 120 170 170 62.1259 62.1259 64.0709 62.7199 0.8741 1.0709 0.2801 0.2801
    78 78 99 78.8012 77,0878 78,1531 0,8012 0,9122 0,1531
    88 120 65 88,1150 86,8019 87,8914 1,1150 1,1981 0,1086
    92 75 120 92,9908 93,1599 92,1705 0,9908 1,1599 0,1705

    строки к строке ошибки (-) 06 325 06.2371 05,8914 05,9825 0,2371 0,1086 0,0175
    16 125 16,1099 16,2514 16,0180 0,1099 0,2514 0,0180
    22 145 22.4147 22.4147 21.9471 22.3041 0.041 0.0529 0.0529 0.0341 0.3041
    31
    7
    275 31.1945 +34,1286 30,9197 0,1945 0,1286 0,0803
    45 5 45,3274 45,2748 45,0923 0,3274 0,2748 0,0923
    54 25 54.2998 55.0074 54.1359 0.2998 0.2994 0,2974 0.1359 0.1359
    67 215 67.1929 67,2387 66,8147 0,1929 0,2387 0,1853
    77 10 77,4128 76,7035 76,8041 0,4128 0,2965 0,1959
    82 40 82.4511 82.6327 82.6326 81.9033 0.6326 0.6326 0.0967 0,0967
    90.7080 +92,8615 90,2734 0,7080 0,8615 0,2734

    Три -линии ошибки (-) 05 25 05,1288 05,1431 04.9212 0.1288 0.1288 0.1431 0.0788
    12 55 12.1007 12.1007 12.2041 12.0704 0.1007 +0,2041 0,0704
    23 125 23,2051 22,7733 23,1097 0,2051 0,2267 0,1097
    36 225 35,8134 35.2010 36.0914 36.0914 0.1866 0,7990 0.0914 0.0914
    42 315 42.1275 41.7187 +42,0868 0,1275 0,2813 0,0868
    57 360 57,3488 57,4009 56,8003 0,3488 0,4009 0,1977
    66 120 66.2914 65.2799 66.1277 0.2914 0.2914 0.29201 0,1277 0.1277
    74 74 — 73.6811 +75,0719 73,8384 0,3189 1,0719 0,1616
    83 120 82,4087 83,6729 82,7337 0,5913 0,6729 0,2663
    94 75 95,9971 94,9129 94,2053 0,9971 0,9129 0,2053

    ( 2) Влияние сопротивления неисправности. Влияние устойчивости к повреждениям на точность предложенных алгоритмов локализации повреждений (FL 1 , FL 2 и FL 3 ) было протестировано при исследовании энергосистемы. Результаты моделирования, представленные в таблице 8, показывают влияние на точность предложенных алгоритмов. Кроме того, эти алгоритмы были протестированы для различных сопротивлений замыкания на «фаза-земля (-)» при расстоянии повреждения, равном 75 км, и для угла возникновения FIA, равного 10°. Во время теста процентная ошибка, оцененная предложенными алгоритмами определения места повреждения, находится между 0.1111 % и 1,2019 % для FL 1 , 0,2218 % и 1,9713 % для FL 2 и 0,0912 % и 0,3071 % для FL 3 . Следовательно, предлагаемый модульный локализатор повреждений на основе ИНС использует величины основных составляющих трехфазных токов и напряжений (ФЗ 3 ), обладает высокой точностью по сравнению с ФЛ 1 и ФЗ 2 и практически независим. сопротивления неисправности.


    Условия неисправностей Желаемый выход (км) Фактический вывод (км) Ошибка (%) Ошибка (%)
    Тип ошибки FIA (°) ) FL 1 FL 2 FL 3 FL 1 FL 2 FL 3

    10 ° 0 75 74.8889 +75,3175 75,0912 0,1111 0,3175 0,0912
    10 ° 10 75 74,7792 74,7782 75,1008 0,2208 0,2218 0,1008
    10 ° 9 100 75 75.8217 75.8217
    75.3390 7542 73.7193 0.8217 1.3390 0.2807
    10 ° 150 75 75,8944 75,6008 75,3071 0,8944 0,6008 0,3071
    10 ° 200 75 +76,2019 76,9713 75,1297 1,2019 1,9713 0,1297

    критериев для оценки эксплуатационных характеристик предлагаемого места повреждения, основанных на модульном ИНСЕ переводятся стабильность выходных значений ИНС в нормальной ситуации и в аварийной ситуации.Таким образом, минимальное время отклика, которое представляет собой разницу между временем появления неисправности и временем, когда выход ИНС указывает точное место неисправности, выражается следующим образом: Наилучшая ИНС, основанная на локаторе неисправностей, достигается за счет стабильности выходных данных ИНС при минимальном времени отклика. Таким образом, выходные данные ANN стабильны в нормальной ситуации и в аварийной ситуации и способны обеспечить быстрое и точное определение местоположения неисправности в самых разных условиях неисправности.В нашем исследовательском случае локатор неисправностей на основе ИНС обучен отображать выходные данные как 110  км для ситуации отсутствия неисправности или для неисправности за пределами сегмента линии. Для неисправностей, появившихся на сегменте линии, ИНС обучается отображать выходные данные как точное положение неисправности.

    В перспективе для оценки времени отклика предложенного алгоритма мы смоделировали однофазное замыкание на землю (-) с = 75 км, = 200 Ом и углом возникновения замыкания FIA = 10°, соответствующим возникновению замыкания на время 69 мс; см. рисунок 10.Выход предлагаемого алгоритма определения местоположения неисправности FL 3 сходится к 75,1297 км за время, равное 92 мс, по сравнению с заданным значением 75 км. Время отклика предлагаемого алгоритма составляет около 23  мс. Это доказывает, что модульный локатор неисправностей на основе ИНС быстро реагирует на желаемые выходные данные с минимальной ошибкой.


    ( 3) Влияние угла зарождения разлома. На практике неисправности могут возникать в любом месте линии; то есть угол возникновения разлома FIA не может быть определен заранее.Таким образом, важно проверить работоспособность предложенного алгоритма при различных углах возникновения неисправности FIA. В этом контексте мы смоделировали двухфазное замыкание на землю с сопротивлением замыкания, местоположением замыкания и различными углами возникновения замыкания FIA (30°, 60°, 90°, 180° и 360°). Результаты моделирования представлены в таблице 9. Из этих результатов видно, что процентная ошибка оценки неисправности с использованием FL 3 составляет от 0,0009 % до 0,1608 %, а для FL 1 — от 0.2009% и 0,4015%, а FL 2 находится между 0,0977% и 0,4197%. Следовательно, совершенно очевидно, что алгоритм FL 3 точнее по сравнению с другими алгоритмами (FL 1 и FL 2 ). Следовательно, предлагаемый алгоритм (FL 3 ) практически не зависит от угла заложения разлома.

    + +7 — 180 ° 360 °

    Условия неисправностей Желаемый выход (км) Фактический вывод (км) Ошибка (%) Ошибка (%)
    Тип неисправности () FIA (°) FL 1 FL 2 FL 3 FL 1 FL 2 FL 3

    33 30° 11 11.3129 +10,9023 11,0009 0,3129 0,0977 0,0009
    33 60 ° 11 10,6189 10,7948 10,8984 0,3811 0,2052 0,0967
    33 90 ° 0 11 11.2009 11.2009 11.2078 11.1299 0.2009 0.2009 0.2078 0.1299
    33 11 11,3914 11,5851 11,1007 0,3914 0,4149 0,1007
    33 11 11.4015 11,4197 10,8392 0,4015 0,4197 0,1608

    для того, чтобы показать быструю сходимость предлагаемого алгоритма FL 3 под влиянием угол возникновения короткого замыкания FIA, двухфазное замыкание на землю (—) с локализацией короткого замыкания, сопротивлением короткого замыкания и углом возникновения короткого замыкания FIA = 60°, моделировалось возникновение короткого замыкания в момент времени 70 мс; см. рис. 11.Мы заметили, что локатор неисправностей (FL 3 ) позволяет локализовать неисправность с хорошей точностью и быстрым временем сходимости. Возникновение неисправности в момент времени было локализовано в момент времени на расстоянии , что подразумевает быстрое время отклика и точность 0,0967%. Таким образом, становится ясно, что предлагаемый локатор разломов на основе модульной ИНС (FL 3 ) может точно локализовать разлом с высоким углом зарождения разлома FIA.


    ( 4) Влияние условий критического отказа. В этом контексте мы смоделировали различные типы неисправностей в экстремальных условиях неисправности, таких как максимальное сопротивление неисправности (), максимальный угол возникновения неисправности () и местонахождение неисправности, созданное на расстоянии 96  км для линии передачи (). Таким образом, три предложенных алгоритма были протестированы на четырех типах неисправностей, и результаты моделирования представлены в Таблице 10. Таким образом, можно видеть, что предложенный алгоритм FL 3 является более точным и демонстрирует высокие характеристики, особенно для критических условий неисправности по сравнению с к другим алгоритмам FL 1 и FL 2 .Соответствующая процентная ошибка представляет очень удовлетворительные результаты.

    + девяносто одна тысяча пятьдесят-семь —

    Условия ошибки Желаемый выход (км) Фактический выход (км) Ошибка (%) Ошибка (%)
    Тип ошибки FIA () () () FL 1 FL 2 FL 3 FL 1 FL 2 FL 3

    360 ° 199 96 93.7422 +93,5863 95,8197 2,2578 2,4137 0,1803
    360 ° 96 96,7001 96,8100 95,7881 0,7001 0,8100 0,2119
    360 ° 199 96 96 93.8066 97.9806 96.3011 2.1934 2,1934 0.9806 0.3011
    360 ° 96 95,0009 97,1732 96,2999 0,9991 1,1732 0,2999

    В то же Таким образом, этот алгоритм считается эффективным, поскольку он обеспечивает быстрое время отклика при сходимости к желаемым результатам. Действительно, мы смоделировали две фазы замыкания на землю (—) в момент времени 75  мс с = 96  км, = 199  Ом и углом возникновения замыкания FIA = 360°; см. рис. 12.Мы заметили, что предложенный локатор неисправностей (FL 3 ) локализовал неисправность во времени на расстоянии, которое подразумевает быстрое время отклика, равное 0,2999%, и точность 0,2999%; см. рис. 12. Это показывает, что модульный локатор неисправностей на основе ИНС правильно сходится за короткое время, когда на линию передачи влияет несколько неисправностей в экстремальных условиях неисправности.


    5. Сравнение между предложенными и существующими схемами

    Предлагаемые алгоритмы классификации и локализации неисправностей, основанные на модульной ИНС, сравниваются с некоторыми предыдущими работами.Эти предлагаемые алгоритмы разработаны для всех десяти типов неисправностей, которые могут повлиять на линию передачи, при различных условиях неисправности, таких как более широкий диапазон устойчивости к неисправности, различные углы возникновения неисправности FIA и различное местоположение неисправности. Основные особенности определенных существующих искусственных нейронных сетевых об ошибке и алгоритмы местоположения представлены в таблице 11.


    Алгоритмы Открыть Отключение неисправностей Входные данные Входные данные неисправности Диапазон FIA (°) диапазон (%) диапазон () % Диапазон ошибок Время отклика

    Joorabian et al.[22] Пять последовательных выборок трехфазных токов и напряжений Пять последовательных выборок трехфазных токов и напряжений 0–90° 0–94 % 0–100 0,0391 % до 3 % Не указано

    Mahanty and Gupta [10] Пять последовательных выборок трехфазных токов Пять последовательных выборок трехфазных токов и напряжений 0–90° 0–82% 0–200 0.от 0007% до 4,45% Не указано

    Jiang et al. [31] Составляющие обратной последовательности трехфазных токов и напряжений Составляющие обратной последовательности трехфазных токов и напряжений Не указывается Не указывается Не указывается От 0,41% до 0,41% до 0,41% 1.28 циклы

    Yadav и Thoke [32] Нет Метод для классификации неисправности Три последовательных образца трехфазных токов и напряжений не указан 0-90% 0–100 0.052% до 1.5693% 1.5 цикл

    Предлагаемая схема
    Предлагаемая схема Четыре последовательных образца трехфазных токов Величины фундаментальных компонентов трехфазных токов и напряжений 0-360 ° С. 0-96% 0-200 0-200 0-0175% до 0.3041% 1 время цикла от создания неисправности

    Точность предложенного алгоритма неисправности (FL 3 ) лежит между 0.0,175% и 0,3041%, как указано в таблице 11. Это показывает высокую производительность алгоритма (FL 3 ) и доказывает, что он более точен, чем существующие алгоритмы. Таким образом, в настоящей работе мы доказали, что время отклика предлагаемых алгоритмов классификации и локализации неисправностей оценивается в один цикл с момента возникновения неисправности. Это время срабатывания сравнимо с классической дистанционной релейной защитой [32].

    6. Заключение

    Представлены эффективные алгоритмы классификации и локализации повреждений в линиях электропередачи сверхвысокого напряжения (СВН) на основе искусственных нейронных сетей.Для классификации отказов были предложены два алгоритма: первый использовал подход одиночной ИНС, а другой — подход модульной ИНС. В качестве входных данных для этих алгоритмов использовались предаварийные и послеаварийные выборки трехфазных токов. Сравнительное исследование одиночной и модульной нейронной сети показывает, что модульный подход дает большую точность для определения типа неисправности. Для локализации повреждений были разработаны три алгоритма. Первый обрабатывает только основные величины выборок трехфазных токов, второй обрабатывает основные величины выборок трехфазных напряжений, а третий использует основные величины выборок трехфазных токов и напряжений.Для оценки этих алгоритмов был применен модульный подход нейронных сетей. Результаты моделирования этих алгоритмов были продемонстрированы для различных аварийных ситуаций, таких как различные местоположения неисправности, различные углы возникновения неисправности и различная устойчивость к замыканиям. Полученные результаты доказывают, что предложенный модульный алгоритм локализации повреждений на основе ИНС, использующий фундаментальные величины трехфазных токов и напряжений, является наиболее эффективным средством локализации повреждений. Полученные результаты показывают, что предложенный алгоритм защиты от неисправностей, основанный на подходе модульных ИНС, способен идентифицировать все типы неисправностей и с высокой точностью оценивать точное местоположение неисправности в линиях передачи.Кроме того, для срабатывания предлагаемого алгоритма защиты от неисправности требуется один цикл с момента возникновения неисправности. Таким образом, модульная защита от сбоев на основе ИНС может использоваться для онлайн-классификации сбоев и их локализации в линиях передачи.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

    Классификация неисправностей на линии передачи с использованием сети LSTM | Сайдина Омар

    Классификация неисправностей на линии передачи с использованием сети LSTM

    Абдул Малек Сайдина Омар, Мухаммад Хусаири Осман, Мохаммад Низам Ибрагим, Закария Хуссейн, Ахмад Фарид Абидин


    Аннотация

    Глубокое обучение привлекло большое международное внимание к современным методам искусственного интеллекта.Этот метод широко применялся во многих системах энергоснабжения и дал многообещающие результаты. Было предпринято несколько попыток классифицировать неисправности на линиях передачи с использованием различных методов глубокого обучения. Однако о типе глубокого обучения, называемом долговременной кратковременной памятью (LSTM), в литературе не сообщалось. Поэтому в этой статье представлена ​​классификация неисправностей на линии передачи с использованием сети LSTM в качестве инструмента для классификации различных типов неисправностей. В этом исследовании была смоделирована модель линии электропередачи с напряжением 400 кВ и расстоянием 100 км.Безотказная и 10 типов сигналов неисправности генерируются из модели линии передачи. Сигналы неисправности предварительно обрабатываются путем извлечения токовых сигналов после неисправности. Затем эти сигналы подаются в качестве входных данных в сеть LSTM и обучаются классифицировать 10 типов неисправностей. Белый гауссов шум уровня 20 дБ и отношения сигнал/шум (SNR) 30 дБ также добавляется к сигналам тока короткого замыкания для оценки помехоустойчивости предложенной модели. Результаты моделирования показывают многообещающую точность классификации 100%, 99.77% и 99,55% для идеального, 30 дБ и 20 дБ шума соответственно. Результаты были сравнены с четырьмя различными методами, и видно, что LSTM лидирует с самой высокой точностью классификации. В соответствии с назначением функций LSTM можно сделать вывод, что метод имеет возможность классифицировать сигналы неисправности с высокой точностью.


    Ключевые слова

    Искусственная нейронная сеть; Глубокое обучение; Долговременная кратковременная память; Обработка сигнала; Белый гауссовский шум


    DOI: http://doi.org/10.11591/ijeecs.v20.i1.pp231-238

    Рефбеки

    • В настоящее время рефбеков нет.


    Эта работа находится под лицензией Creative Commons Attribution-ShareAlike 4.0 International License.

    Статистика посетителей IJEECS

    Fault Classification in Photovoltaic Arrays Using Graph Signal Processing — Arizona State University

    TY — GEN

    T1 — Fault Classification in Photovoltaic Arrays Using Graph Signal Processing

    AU — Fan, Jie

    AU — Rao, Sunil

    Muniraju, Gowtham

    AU — Tepedelenlioglu, Cihan

    AU — Spanias, Andreas

    N1 — Информация о финансировании: † Эти авторы внесли равный вклад.Авторы из Университета штата Аризона частично финансируются премией NSF CPS 1646542 и Центром SenSIP Школы ECEE Университета штата Аризона. Авторское право издателя: © 2020 IEEE.

    PY — 2020/6/10

    Y1 — 2020/6/10

    N2 — В этой статье мы рассматриваем проблему классификации неисправностей в фотогальванических (PV) массивах с использованием подхода к обработке сигналов с полууправляемым графом. Традиционные методы обнаружения и классификации ошибок требуют больших объемов размеченных данных для обучения.В солнечных батареях коммунального масштаба получение помеченных данных для различных классов отказов требует больших ресурсов. Мы предлагаем метод классификации на основе графа, основанный на ограниченном количестве размеченных данных. Мы сравниваем наши результаты с хорошо известными классификаторами машинного обучения с учителем, такими как классификатор K-ближайших соседей, классификатор случайного леса, машины опорных векторов и искусственные нейронные сети. Мы также показываем, что классификаторы на основе графов требуют меньших вычислительных затрат на обучение по сравнению со стандартными алгоритмами машинного обучения с учителем.Предлагаемый метод также обеспечивает хорошую эффективность классификации с невидимыми данными. Мы проверяем наш метод на наборе данных в реальном времени и демонстрируем значительные улучшения по сравнению с существующими подходами.

    AB — В этой статье мы рассматриваем проблему классификации неисправностей в фотогальванических (PV) массивах с использованием подхода к обработке сигналов с полууправляемым графом. Традиционные методы обнаружения и классификации ошибок требуют больших объемов размеченных данных для обучения. В солнечных батареях коммунального масштаба получение помеченных данных для различных классов отказов требует больших ресурсов.Мы предлагаем метод классификации на основе графа, основанный на ограниченном количестве размеченных данных. Мы сравниваем наши результаты с хорошо известными классификаторами машинного обучения с учителем, такими как классификатор K-ближайших соседей, классификатор случайного леса, машины опорных векторов и искусственные нейронные сети. Мы также показываем, что классификаторы на основе графов требуют меньших вычислительных затрат на обучение по сравнению со стандартными алгоритмами машинного обучения с учителем. Предлагаемый метод также обеспечивает хорошую эффективность классификации с невидимыми данными.Мы проверяем наш метод на наборе данных в реальном времени и демонстрируем значительные улучшения по сравнению с существующими подходами.

    кВт — графическая обработка сигналов

    кВт — машинное обучение

    кВт — фотоэлектрическая батарея

    кВт — классификация неисправностей солнечной батареи =8YFLogxK

    UR — http://www.scopus.com/inward/citedby.url?scp=85096201682&partnerID=8YFLogxK

    U2 — 10.1109/ICPS48405.2020.