- Tytuł:
-
Zastosowanie SSN do predykcji zużycia węglowych nakładek odbieraka prądu
Application of artificial neural networks for prediction of pantograph carbon strips wear - Autorzy:
- Kuźnar, M.
- Powiązania:
- https://bibliotekanauki.pl/articles/404331.pdf
- Data publikacji:
- 2017
- Wydawca:
- Polskie Towarzystwo Symulacji Komputerowej
- Tematy:
-
odbierak prądu
pantograf
węglowa nakładka ślizgowa
diagnostyka
prognoza zużycia
sztuczne sieci neuronowe
SSN
current collector
pantograph
carbon sliding strip
diagnostics
wear prediction
artificial neural networks
ANN - Opis:
-
Odbieraki prądu w pojeździe trakcyjnym służą do poboru prądu z sieci trakcyjnej. Elementem mającym bezpośredni kontakt z przewodem jezdnym jest ślizgacz, a dokładniej węglowa nakładka stykowa, narażona zarówno na zużycie eksploatacyjne, jak i różnego rodzaju uszkodzenia związane z użytkowaniem. Jest elementem odbieraka najczęściej wymienianym. W celu ustalenia przyczyny uszkodzenia nakładki konieczna jest znajomość typu uszkodzenia. Przyczyna wymiany nakładki wnioskowana może być na podstawie charakterystyki zużycia węglowych nakładek stykowych. W celu predykcji zużycia węglowych nakładek stykowych zastosowano Sztuczną Sieć Neuronową typu Feed-Forward z propagacją wsteczną o 6 warstwach ukrytych po 10 neuronów w każdej warstwie. Błąd średniokwadratowy dla procesu uczenia sieci wyniósł 0,578, a wyniki dotyczące predykcji zużycia nakładki przedstawiono w artykule.
In the traction vehicles, current consumption from the overhead contact line is possible thanks to the current collectors (pantographs). An element that has a direct contact with the contact wire is a slide plate, and more specifically, a carbon contact strips. Affected by both operational wear and various types of damage related to operational maintenance, carbon strip is the element which most commonly need to be exchanged. To determine the cause of damage to the contact strip, it is necessary to know the type of damage. The reason for replacing the carbon contact strip may be claimed on the basis of the wear characteristics. In order to predict the wear of carbon strip, a Feed-Forward Artificial Neural Network with backward propagation of 6 hidden layers and 10 neurons in each layer was applied. The mean square error for the network learning process was 0.578, and the results for the pantograph contact strip wear were presented in the article. - Źródło:
-
Symulacja w Badaniach i Rozwoju; 2017, 8, 3-4; 97-103
2081-6154 - Pojawia się w:
- Symulacja w Badaniach i Rozwoju
- Dostawca treści:
- Biblioteka Nauki
Artykuł