Методи та моделі прогнозування ефективних параметрів керування тяговим електроприводом моторвагонного рухомого складу

Abstract

UA: Дисертація присвячена вирішенню науково-прикладної проблеми підвищення енергетичної ефективності роботи та зменшення експлуатаційних витрат тягових електроприводів моторвагонного рухомого складу. У роботі встановлено й теоретично обґрунтовано можливість оптимізації процесу руху електропоїздів за критерієм мінімальної витрати електроенергії при дотриманні діючих обмежень на керування, швидкість і прискорення. Розроблено математичні та нейромережеві моделі іскрового струму, боксовання та теплових режимів роботи тягових двигунів, що функціонують у реальному часі. Проведено моделювання пускових характеристик тягових двигунів та синтез оптимального приймача іскрової компоненти струму якоря. Загальна сума очікуваного економічного ефекту від розроблення й застосування запропонованих у роботі методів і моделей прогнозування ефективних параметрів керування тяговим електроприводом моторвагонного рухомого складу з урахуванням зміни вартості грошей у часі протягом шести років складе 29571,6 тис. грн.

EN: The thesis deals with engineering solutions to formation of methods and models for power efficient control of electric traction drives of EMU rolling stock. Principles of the geometric control theory have made it possible to establish and theoretically substantiate the possibility to optimize the process of electric train movement with minimal electric power consumption subject to effective limitations on control, speed and acceleration. Equation systems in Brunovsky’s form and Pontryagin’s Maximum Principle are the basis of a set of models designed and synthesis of an optimal control of DC electric traction drives. It has been designed a 40 neural network dynamic model of traction engine sparking, and made synthesis of an optimal collector for armature current in sparking. Use of neural networks of the adaptive resonance theory (ART) and mathematical models, based on the taxonomic character, and implemented with the recurrent neural network RTRN has made it possible to develop new control methods of an electric traction drive, which take into account limitations on commutation, temperature and skidding, as well as real time control over power engines’ technical condition. It has been developed the mathematical model and neural network modelling of starting characteristics of traction engines with the direct and inverse complex Fourier transform. It has been developed neural network models of thermal conditions of traction engines with NARX dynamic neural network and models of the modified error back propagation training algorithm. The total saving rate of development and implementation of the control system of electric traction drives of EMU rolling stock subject to the time value of money within a six-year period will account for UAH 29,571,600.