Сравнительный анализ гауссовской и трапециевидной функций принадлежности для оценки технического состояния локомотивного дизельного двигателя на основе anfis
Ключевые слова:
ANFIS, локомотивный дизельный двигатель, оценка технического состояния, функция принадлежности по Гаусу, функция принадлежности по трапеции, нечеткая система Сугено, техническая диагностикаАннотация
В настоящей статье рассматривается задача оценки технического состояния дизельного двигателя локомотива с использованием адаптивной системы нечеткого логического вывода (ANFIS). Исследование проводилось на основе реальных эксплуатационных данных, полученных с локомотива серии 2ТЭ25КМ при помощи системы контроля и диагностики параметров движения (МСУ). Были разработаны две диагностические модели: модель прогнозирования давления масла, а также модель прогнозирования межцилиндрового дисбаланса по температуре отработавших газов. Для каждой модели по отдельности применялись гауссовская и трапецеидальная функции принадлежности, результаты для которых сравнивались по показателям RMSE, MAE и коэффициенту корреляции (R). В модели давления масла оба значения R были высокими и практически одинаковыми, однако в модели отработавших газов значение R для трапецеидальной функции (R = 0,51) оказалось значительно более стабильным, чем для гауссовской (R = -0,03). Это свидетельствует о преимуществе трапецеидальных функций принадлежности при работе с зашумленными диагностическими данными малого объема.
Библиографические ссылки
Gayratov, B., Khamidov, O., Kudratov, S., & Samatov, S. (2026, May). The ANFIS anticipation of diesel locomotive engine on the improvement of lubricating oil analysis. In AIP Conference Proceedings (Vol. 3447, No. 1, p. 040008). AIP Publishing LLC.
Gayratov, B., & Insapov, D. (2025, June). On the kinematic parameters of the movement of a freight train on various sections of railways. In AIP Conference Proceedings (Vol. 3286, No. 1, p. 060007). AIP Publishing LLC.
Ablyalimov, O., & Khamidov, D. (2025). Towards the efficiency research of the working process of locomotives diesel under operating conditions. Vibroengineering Procedia, 60, 845-852.
Mukhаmmаdjоnоv, M., Dilmurod, Y., Kutbidinov, O., Saidmurodjon, K., Norboev, A., Babaev, O., ... & Khabibullayev, A. (2025). Modeling and predicting the thermal state of a transformer through an adaptive intelligent approach. Vibroengineering Procedia, 60, 626-633.
Khamidov O, Kudratov S, Khamidov O, Turdimurodov B, Norbotayeva M. Improvement of Diagnostics and Analysis of Malfunction of the Crankshaft of Locomotive Power Plants. AIP Conference Proceedings. – Problems in the Textile and Light Industry in the Context of Integration of Science and Industry and Ways to Solve Them PTLICISIWS-2. – 2022. – Vol. 3045 B. – 050030. – P. 1 – 5.
Федотов, М. В., Грачев, В. В., Грищенко, А. В., Кручек, В. А., Будюкин, А. М., & Кондратенко, В. Г. (2020). Математическая модель системы смазки тепловозного дизеля. Вестник Научно-исследовательского института железнодорожного транспорта (Вестник РГУПС), (4), 64-80. DOI: 10.46973/0201-727X_2020_4_64.
Liu Y.-J., Zhang T.-X., Wen B.-C., Cao W.-K. Fault diagnosis of diesel engine based on ANFIS // Journal of System Simulation. – 2008. – Vol. 20, No. 21. – P. 5836–5839.
Duan W.-W., Song Y.-B. A fault diagnosis method for diesel engine based on adaptive network-based fuzzy inference system // Proceedings of the 29th Chinese Control Conference (CCC'10). – 2010. – P. 3842–3845.
Han Y., Fei J., Wang Z. Multi information fusion diagnosis method for diesel engine based on optimized ANFIS // Journal of Physics: Conference Series. – 2021. – Vol. 1828, No. 1. – Art. 012040. https://doi.org/10.1088/1742-6596/1828/1/012040
Anionić R., Vukić Z., Kuljača O. Neuro-fuzzy modelling of marine diesel engine cylinder dynamics // IFAC Proceedings Volumes. – 2004. – Vol. 37, No. 10. – P. 95–100. https://doi.org/10.1016/S1474-6670(17)31715-9
Sobral C.E.L., Cruz A.J. De O., Thome A.C.G. Diesel engines diagnosis through analysis of lubricating oil // Proceedings of IEEE International Conference on Systems, Man and Cybernetics (SMC). – 2014. – P. 2751–2756. https://doi.org/10.1109/SMC.2014.6974344
Pourramezan M.-R., Rohani A., Abbaspour-Fard M.H. Comparative Analysis of Soft Computing Models for Predicting Viscosity in Diesel Engine Lubricants: An Alternative Approach to Condition Monitoring // ACS Omega. – 2024. – Vol. 9, No. 1. – P. 1398–1415. https://doi.org/10.1021/acsomega.3c07780
Marichal G.N., Ávila D., Hernández A., Padrón I. A new intelligent approach in predictive maintenance of separation system // TransNav. – 2020. – Vol. 14, No. 2. – P. 385–390. https://doi.org/10.12716/1001.14.02.15
Jang J.-S.R. ANFIS: adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man, and Cybernetics. – 1993. – Vol. 23, No. 3. – P. 665–685.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
