34

This article explores the use of artificial neural networks (ANNs) for diagnosing faults in electric motors used in locomotives. ANNs are powerful data processing and pattern recognition tools, making them ideal for analyzing and diagnosing faults in complex systems such as electric motors. By training the ANN on the basis of the provided data on the state of the electric motors, it is possible to create a model capable of predicting and recognizing certain malfunctions. This model can be used for operational diagnostics and monitoring of the state of electric motors on locomotives, which will allow for preventive maintenance and avoid possible emergencies. The results of the study show that the use of ANNs and topological types of ANNs for diagnosing faults in locomotive electric motors is an effective and promising approach. This improves the reliability and safety of locomotives, as well as reduces maintenance and repair costs.

  • Web Address
  • DOI
  • Date of creation in the UzSCI system 13-05-2024
  • Read count 34
  • Date of publication 30-12-2023
  • Main LanguageIngliz
  • Pages218-223
English

This article explores the use of artificial neural networks (ANNs) for diagnosing faults in electric motors used in locomotives. ANNs are powerful data processing and pattern recognition tools, making them ideal for analyzing and diagnosing faults in complex systems such as electric motors. By training the ANN on the basis of the provided data on the state of the electric motors, it is possible to create a model capable of predicting and recognizing certain malfunctions. This model can be used for operational diagnostics and monitoring of the state of electric motors on locomotives, which will allow for preventive maintenance and avoid possible emergencies. The results of the study show that the use of ANNs and topological types of ANNs for diagnosing faults in locomotive electric motors is an effective and promising approach. This improves the reliability and safety of locomotives, as well as reduces maintenance and repair costs.

Русский

Данная статья исследует применение искусственных нейронных сетей (ИНС) для диагностики неисправностей электродвигателей, используемых в локомотивах. ИНС являются мощным инструментом для обработки данных и распознавания паттернов, что делает их идеальным выбором для анализа и диагностики неисправностей в сложных системах, таких как электродвигатели. Путем обучения ИНС на основе предоставленных данных о состоянии электродвигателей, можно создать модель, способную предсказывать и распознавать определенные неисправности. Данная модель может быть использована для оперативной диагностики и мониторинга состояния электродвигателей на локомотивах, что позволит проводить предупредительное обслуживание и избежать возможных аварийных ситуаций. Результаты исследования показывают, что использование ИНС и топологических типов ИНС для диагностики неисправностей электродвигателей локомотивов является эффективным и перспективным подходом. Это позволяет улучшить надежность и безопасность работы локомотивов, а также снизить затраты на обслуживание и ремонт.

№ Author name position Name of organisation
1 Vohidov M.X. Katta o'qituvchi Tashkent State Transport University
2 Xamidov O.R. Katta o'qituvchi Tashkent State Transport University
№ Name of reference
1 1. Барсегян, А.А. Анализ данных и процессов / А.А. Барсегян, И.И. Холод, М.Д. Тесс, М.С. Куприянов, С.И. Елизаров. – СПб.: БХВ-Петербург, 2009. – 512 с.
2 2. Белинский, А.А. Принцип «Встроенное качество» в информационных системах локомотиворемонтного комплекса / А.А. Белинский, И.К. Лакин, А.А. Аболмасов // БРНИ. - 2015. - №3-4 – С. 16-17.
3 3. Бобровников Я. Ю. Диагностические комплексы электроподвижного состава: учеб. пособие / Я. Ю. Бобровников, А. Е. Стецюк // Хабаровск: Изд-во ДВГУПС. – 2012. – 94 с.
4 4. Богдан, К. Microsoft SQL Server 2008: Data mining – интеллектуальный анализ данных / Богдан Криват, Джеми Макленнен, Чжаохуэй Танг. - СПб.: БХВ- Петербург, 2009.
5 5. Браславский, И.Я. Цифровое прогнозирующее управление с использованием нейронных предсказателей / И.Я. Браславский, А.В. Костылев, Д.В. Мезеушева // Электротехника. – № 11. – 2007. – С. 43–47.
6 6. Хамидов, О. Р. Оценка технического состояния асинхронных тяговых электродвигателей электровозов серии «UZ-EL» средствами вибродиагностики / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие».: сб. избр. статей. – СПб, ГНИИ «Нацразвитие», 2017. – С. 13 – 19.
7 7. Хамидов, О. Р. Оценка технического состояния локомотивных асинхронных электродвигателей средствами вибродиагностики / О. Р. Хамидов // дисс. канд. техн. наук, ПГУПС. – СПб., 2014. – 149 с.
8 8. Хамидов, О. Р. Разработка методики комплексного диагностирования асинхронного тягового электродвигателя подвижного состава железнодорожного транспорта / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие»: сб. избр. статей. – СПб: ГНИИ «Нацразвитие», 2017. – С. 32–39.
9 9. Хамидов, О.Р. Исследование дефектов подшипников качения локомотивных асинхронных электродвигателей средствами вибродиагностики / О. Р. Хамидов, М. Э. Абдувахобов, А. К. Жураев // Материалы I Международной научно-практической конференции «Локомотивы. Газомоторное топливо», 2016. – С. 128 – 131.
10 10. Хамидов, О.Р. Методы диагностики асинхронных тяговых электродвигателей электровозов «UZ-EL» / О. Р. Хамидов // Сборник материалов VI Международной научно технической конференции «Локомотивы. Электрический транспорт. XXI век», 2018. – С. 106 – 111.
11 11. Хамидов, О.Р. Оценка технического состояния локомотивных асинхронных тяговых электродвигателей с использованием нейронных сетей / А.В. Грищенко, О.Р. Хамидов // Транспорт РФ. – 2018. - №6 (79). – С. 19-23.
12 12. Sun, W. Convolutional discriminative feature learning for induction motor fault diagnosis / W. Sun, R. Zhao, R. Yan, S. Shao, X. Chen // IEEE Trans. Industr. Inf. – 2017. – Vol. 13 (3) – P. 1350 – 1359.
Waiting