Prediction of thickness of pantograph contact strips using Artificial Neural Networks
Authors:
- Małgorzata Kuźnar
Abstract
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.
- Record ID
- CUT51b0c2580c324b599b2dbbb525192f80
- Publication categories
- ;
- Author
- Other language title versions
- Predykcja grubości nakładki ślizgowej odbieraka prądu przy użyciu Sztucznych Sieci Neuronowych
- Journal series
- Czasopismo Techniczne, ISSN 0011-4561, e-ISSN 2353-737X, Annual
- Issue year
- 2019
- Vol
- 116
- No
- 12
- Pages
- 173-180
- Other elements of collation
- fot.; schem.; tab.; wykr.; Bibliografia (na s.) - 179-180; Bibliografia (liczba pozycji) - 16; Oznaczenie streszczenia - Abstr., Streszcz.; Numeracja w czasopiśmie - Vol. 116, Iss. 12
- Substantive notes
- Sekcja: Mechanics
- Keywords in Polish
- pojazdy szynowe, pantograf, odbierak prądu, predykcja grubości, nakładka ślizgowa, sztuczne sieci neuronowe, SSN
- Keywords in English
- rail vehicles, pantograph, current collector, thickness prediction, sliding cover, artificial neural networks, ANN
- Abstract in Polish
- 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.
- DOI
- DOI:10.4467/2353737XCT.19.130.11455 Opening in a new tab
- URL
- https://repozytorium.biblos.pk.edu.pl/resources/42686 Opening in a new tab
- Language
- eng (en) English
- License
- Score (nominal)
- 40
- Uniform Resource Identifier
- https://cris.pk.edu.pl/info/article/CUT51b0c2580c324b599b2dbbb525192f80/
- URN
urn:pkr-prod:CUT51b0c2580c324b599b2dbbb525192f80
* presented citation count is obtained through Internet information analysis, and it is close to the number calculated by the Publish or PerishOpening in a new tab system.