DOI: https://doi.org/10.18664/1994-7852.188.2019.206182

ПРОГНОЗУВАННЯ ТЕХНІЧНОГО СТАНУ ТЯГОВИХ РЕДУКТОРІВ ЕЛЕКТРОПОЇЗДІВ ДИСКРЕТНИМИ СТОХАСТИЧНИМИ МОДЕЛЯМИ

Serhii Mykhalkiv, Vladyslav Bulba

Анотація


У статті здійснено прогнозування технічного стану тягових редукторів електропоїздів дискретними стохастичними моделями. На кожному ТО-3 реєструвалися вібраційні реалізації попередньо відібраних чотирнадцяти тягових редукторів і розраховувалася фрактальна розмірність покриття. Для прогнозування технічного стану обиралася ARIMA-модель. Незважаючи на високу складність, відсутність автоматичного процесу підрахунку та необхідність здійснення декількох ітераційних процедур, підраховане найменше значення точності прогнозування ARIMA- моделлю становить 91,4 %.

Ключові слова


ARIMA- модель, електропоїзд, прогнозування, точність, тяговий редуктор

Повний текст:

PDF

Посилання


Зубенко Д. Ю. Повышение надежности тяговых передач рельсового электротранспорта: монография. Харьков, 2015. 122 с.

Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung G. M. Time series analysis. Forecasting and control. 5th edition. New Jersey: Wiley & Sons, 2016. P. 712.

Chavez S. G., Bernat J. X., Coalla H. L. Forecasting of energy production and consumption in Asturias (northern Spain). Energy. 1999. Vol. 24(3). P. 183-198. URL: https://doi.org/ 10.1016/S0360-5442(98)00099-1.

Fan R. Y. C., Ng S. T., Wong J. M. W. Reliability of the Box-Jenkins model for forecasting construction demand covering times of economic austerity. Construction Management and Economics. 2010. Vol. 28(3). P. 241-254. URL: https:// doi.org/10.1080/01446190903369899.

Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 2nd edition: OTexts, 2018. P. 382.

Kandananond K. Forecasting electricity demand in Thailand with an Artificial Neural Network approach. Energies. 2011. Vol. 4(8). P. 1246-1257. URL: https://doi.org/10.3390/en4081246.

Kosasih B. Y., Caesarendra W., Tieu K., Widodo A., Moodie C. A. S., Tieu A. K. Degradation trend estimation and prognosis of large low speed slewing bearing lifetime. Applied Mechanics and Materials. 2014. Vol. 493. P. 343-348. URL: https://doi.org/10.4028/ www.scientific.net/AMM.493.343.

Lu Y., AbouRizk S. M. Automated Box-Jenkins forecasting modelling. Automation in Construction. 2009. Vol. 18(5). P. 547-558. URL: https://doi.org/ 10.1016/j.autcon.2008.11.007.

Lu Y., Li Q., Liang S. Y. Physics-based intelligent prognosis for rolling bearing with fault feature extraction. The International Journal of Advanced Manufacturing Technology. 2018. Vol. 97. P. 611-620. URL: https://doi.org/ 10.1007/s00170-018-1959-0.

Martinez-Alvarez F., Troncoso A., Asencio-Cortes G., Riquelme J. C. A survey on data mining techniques applied to electricity-related time series forecasting. Energies. 2015. Vol. 8(11). P. 13162-13193. URL: https://doi.org/ 10.3390/en81112361.

Matyjaszek M., Fernandez P. R., Krzemien A., Wodarski K., Valverfe G. F. Forecasting coking coal prices by means of ARIMA models and neural networks, considering the transgenic time series theory. Resources Policy. 2019. Vol. 61. P. 283-292. URL: https://doi.org/ 10.1016/j.resourpol.2019.02.017.

Meer van der D. W., Shepero M., Svensson A., Widen J., Munkhammar J. Probabilistic forecasting of electricity consumption, photovoltaic power generation and net demand of anindividual building using Gaussian Procesesses. Applied Energy. 2018. Vol. 213. P. 195-207. URL: https://doi.org/10.1016/j.apenergy. 2017.12.104.

Mills T. C., Markellos R. N. The economic modelling of financial time series. 3rd edition. New York: Cambridge University Press, 2008. 456 p.

Montgomery D. C., Peck E. A., Vining G. G. Introduction to linear regression analysis. 5th edition. New Jersey: Wiley & Sons, 2012. 672 p.

Prema V., Rao K. U. Time series decomposition model for accurate wind speed forecast. Renewables: Wind, Water, and Solar. 2015. Vol. 2(1). 18. URL: https:// doi.org/10.1186/s40807-015-0018-9.

Wei N., Li C., Peng X., Zeng F., Lu X. Conventional models and artificial intelligence-based models for energy consumption forecasting: A review. Journal of Petroleum Science and Engineering. 2019. Vol. 181. 106187. URL: https://doi.org/10.1016/ j.petrol.2019.106187.

Zhao J., Xu L., Liu L. Equipment fault forecasting based on ARMA model. International Conference on Mechatronics and Automation (Harbin, 05-08 Aug. 2007). Harbin, 2007. P. 3514-3518. URL: https://doi.org/10.1109/ICMA.2007. 4304129.




Flag Counter