Prediction of thickness of pantograph contact strips using Artificial Neural Networks
cytuj
pobierz pliki
RIS BIB ENDNOTEChoose format
RIS BIB ENDNOTEPrediction of thickness of pantograph contact strips using Artificial Neural Networks
Publication date: 20.12.2019
Technical Transactions, 2019, Volume 12 Year 2019 (116), pp. 173 - 180
https://doi.org/10.4467/2353737XCT.19.130.11455Authors
Prediction of thickness of pantograph contact strips using Artificial Neural Networks
The sliding strip of the current collector (pantograph) of a rail vehicle is an element directly cooperating with the catenary and is exposed to abrasion, electric discharge and various types of damage. It is therefore the most frequently replaced element. However, often sliding strips are exchanged before exceeding the limit thickness value, which increases the costs related to technical maintenance. Because the wear process is dependent on many factors, heuristic methods are necessary to predict the thickness of the sliding strip. Knowing the predicted thickness value, it will be possible to adapt the maintenance cycle. In the article, the results of simulations carried out based on the developed structure of the artificial neural network are also presented.
Streszczenie
Nakładka ślizgowa odbieraka prądu pojazdu szynowego jest elementem bezpośrednio współpracującym z siecią trakcyjną w związku, z czym narażona jest na zużycie ścierne, elektroerozyjne oraz różnego rodzaju uszkodzenia. Jest, zatem elementem najczęściej wymienianym. Często jednak nakładki wymieniane są przed przekroczeniem granicznej wartości grubości, co zwiększa koszty związane z obsługą techniczną. Ponieważ proces zużycia jest zależny od wielu czynników, dlatego do predykcji grubości nakładki ślizgowej niezbędne jest zastosowanie metod heurystycznych. Znając prognozowaną wartość grubości, możliwe będzie odpowiednie dostosowanie cyklu utrzymania. W artykule przedstawiono wyniki symulacji przeprowadzonych na podstawie opracowanej struktury sztucznej sieci neuronowej.
[1] EC Engeenering, Pantograf 160EC, http://www.ec-engineering.pl/produkcja/Zakład_Produkcyjny-Kraków/Pantograf_kolejowy
[2] Abdullah M., Michitsuji Y., Nagai M., Integrated simulation between flexible body of catenary and active control pantograph for contact force variation control, Journal of Mechanical, 2010.
[3] Abdullah M., Michitsuji Y., Nagai M., Analysis of contact force variation between contact wire and pantograph based on multibody dynamics, Journal of Mechanical, 2010.
[4] Aboshi M., Precise measurement and estimation method for overhead contact line unevenness, IEEJ Transactions on Industry Applications, 2004.
[5] Aboshi M., Manabe K., Analyses of contact force fluctuation between catenary and pantograph, Quarterly Report of RTRI, 2000.
[6] Allotta B., Pugi L., Bartolini F., An active suspension system for railway pantographs: the T2006 prototype, Engineers, Part F: Journal of Rail, 2009.
[7] Allotta B., Pugi L., Rindi A., Papi M., Innovative solutions for active railway pantograph, WIT Transactions, 2002.
[8] Chater E., Ghani D., Giri F., Haloua M., Output feedback control of pantograph–catenary system with adaptive estimation of catenary parameters, Journal of Modern Transportation, 2015.
[9] Gostling R.J., Hobbs A.E.W., The interaction of pantograph and overhead equipment: practical applications of a new theoretical method, Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, vol. 197, no. 1, 1983, 61–69.
[10] Judek S., Karwowski K., Mizan M., Diagnostyka i monitoring odbioru prądu z sieci trakcyjnej, Pojazdy Szynowe, 2011.
[11] Stichel S., Active Control of the Pantograph-Catenary Interaction in a Finite Element Model, 2013.
[12] Sitarz M., Adamiec A., Mańka A., Uszkodzenia węglowych nakładek stykowych pantografów kolejowych stosowanych w Polsce, TTS Technika Transportu Szynowego, 2016.
[13] Majewski W., Zastosowania nakładek węglowych w odbierakach prądu, Prezentacja Instytutu Kolejnictwa.
[14] Rusiecki A., Algorytmy uczenia sieci neuronowych odporne na błędy w danych, Wrocław 2007.
[15] Hagan M.T., Menhaj M.B., Training feedforward networks with the Marquardt algorithm, IEEE transactions on Neural Networks, vol. 5, no. 6, 1994, 989–993.
[16] Marquardt D.W., An algorithm for least-squares estimation of nonlinear parameters, Journal of the society for Industrial and Applied Mathematics, vol. 11, no. 2, 1963, 431–441.
Information: Technical Transactions, 2019, Volume 12 Year 2019 (116), pp. 173 - 180
Article type: Original article
Titles:
Prediction of thickness of pantograph contact strips using Artificial Neural Networks
Prediction of thickness of pantograph contact strips using Artificial Neural Networks
Reliability and Technical Exploitation Division, Cracow University of Technology
Published at: 20.12.2019
Article status: Open
Licence: CC BY
Percentage share of authors:
Article corrections:
-Publication languages:
EnglishView count: 1825
Number of downloads: 2133