Improvement of the method of troubleshooting the causes of malfunctioning of electric locomotives using the MSUD-N diagnostic system

Cover Page

Cite item

Full Text

Abstract

AIM: This work aimed to develop an improved algorithm for analyzing the health of the equipment of EP1 electric locomotives using the data from the automated microprocessor control and monitoring system MSUD-N based on statistical processing of the results of monitoring a locomotive operation and to demonstrate the usefulness of its results.

METHODS: The role of diagnostic systems in the maintenance and repair of rolling stock was discussed. The approach used to find the causes of malfunctions is largely limited by available diagnostic information processing methods. We demonstrated a method to increase the accuracy of diagnostic data analysis and performed a comparative analysis of extracts from trip files of EP1 electric locomotives in regenerative braking and traction modes using a microprocessor-based traction motor diagnostic system installed on the EP1 electric locomotive.

RESULTS: We proposed an improved method for finding the causes of malfunctions in regeneration braking and traction modes of EP1 electric locomotives with the built-in MSUD-N diagnostic system as illustrated by three types of malfunctions (at locomotive operation, at trip file analysis, and post check-up). We studied real life examples of malfunctions that occurred in the electric locomotive electrical equipment and provided an illustrative report, which may be used for further analysis of the locomotive’s normal operation. To improve the method for detecting the malfunction, we developed an effective algorithm, determined advantages and disadvantages of this method, and considered the prospects for its further development. The developed algorithm for diagnosing locomotive operating parameters based on data from the MSUD-N system allows to make additional adjustments to troubleshooting and maintaining normal operation of all locomotive systems, reducing the effect of changes in equipment operating parameters following repairs and predicting the remaining service life of the locomotive.

CONCLUSION: Timely and accurate diagnostics of the traction motor to identify malfunctions will reduce the downtime of the electric locomotive during unscheduled repairs and allow to avoid unnecessary traction motor replacement costs. An improved troubleshooting algorithm used to detect the locomotive equipment faults allows to identify potential high-probability failures classified as a faulty but operational condition. Microprocessor control systems for electric locomotives have high diagnostic potential, which should be used in the design of contemporary service maintenance and routine repair systems with elements of predictive repair based on the actual health data of the equipment. Microprocessor-based diagnostic systems in electric locomotives may help develop measures aimed at reducing and preventing malfunctions, which in turn will reduce the number of line failures and delayed trains.

About the authors

Elena L. Ryzhova

Emperor Alexander I St. Petersburg State Transport University

Author for correspondence.
Email: elena-astanovskaja@rambler.ru
ORCID iD: 0000-0001-7984-2558
SPIN-code: 1880-3372

Cand. Sci. (Engineering), Associate Professor

Russian Federation, St. Petersburg

Vladislav Yu. Osipov

Saratov – Passenger Operational Locomotive Depot

Email: osipov.power@yandex.ru
ORCID iD: 0009-0009-4566-3274
SPIN-code: 9408-0251

leading technologist

Russian Federation, Saratov

References

  1. Kocherga VG. Reliability of diesel locomotives: textbook the manual. Khabarovsk: DVGUPS, 2012. 66 p. (In Russ.) [cited: 06.08.2025]. Available from: Access mode: https://search.rsl.ru/i.twirpx.one/file/1225416 /?ysclid=mdyqkwyir6579789038
  2. Efanov DV. Fundamentals of Construction and Principles of Functioning of Technical Diagnostics and Monitoring Systems for Railway Automation and Telemechanics Devices:textbook the manual. St. Petersburg: St. Petersburg State Transport University, 2012. 59 p. (In Russ.) [cited: 06.08.2025]. Available from: https://search.rsl.ru/scb/uploaded/1_1371971830.pdf?ysclid=mdyqwhr7m0333255153
  3. Avdienko EG. Improvement of the automated control system of a mainline electric locomotive by taking into account the actual parameters of train movement [dissertation] Omsk; 2024. (In Russ.) [cited: 06.08.2025]. Available from: https://search.rsl.ru/ru/record/01013203215?ysclid=mdyqyc1oa9968816419 EDN: NCKLEY
  4. Kharlamov EP. Improving the reliability of locomotives by implementing RAMS tools and methods. In: Technical Regulation in the Common Economic Space: Collection of Articles from the VI All-Russian Scientific and Practical Conference with International Participation, Yekaterinburg, May 23, 2019. Yekaterinburg: Russian State Vocational Pedagogical University, 2019:43–51. (In Russ.) EDN: GYFNXI
  5. Osyayev AT. CALS Technologies for Supporting the Life Cycle of Locomotives / A. T. Osyayev // Lokomotiv. 2015;7(703):32–36. (In Russ.) EDN: TXVNXF
  6. Melnikov VA. Improvement of methods for diagnosing 2TE116U diesel locomotives using data from on–board control systems. [dissertation] Moscow; 2023. (In Russ) EDN: CFRVMO
  7. Mitrokhin YuV. Quality Standards of Locomotive Maintenance. Krasnoyarsk: DCV of the Krasnoyarsk Railway; 2011. 60 p. (In Russ.) [cited: 06.08.2025]. Available from: https:// lib.dm-centre.ru/lib/document/gpntb/ESVODT/9fd16a0890b6671d1cade484c9335fd2/
  8. Semenov AP. Research on the Efficiency of Locomotive Operation. Izvestiya Transsiba. 2018;4(36):41–53. (In Russ.) EDN: GLUEJN
  9. Semenov AP. Complex Solutions for Automation of Technological Processes of Diagnostics and Repair of Rolling Stock. In: Rolling Stock of the 21st Century: Ideas, Requirements, and Projects: Materials of the 10th International Scientific and Practical Conference. PGUPS; NVC «Vagoni». Saint Petersburg; 2015:65–68. (In Russ.) [cited: 06.08.2025]. Available from: https://mirtr.elpub.ru/jour/article/viewFile/2059/2515
  10. Lipa KV. Automated System for Managing the Reliability of Locomotives (ASUNT). TMH-Service Concept. Moscow: TMH-Service LLC; 2012. (In Russ.) [cited: 06.08.2025]. Available from: https://rusneb.ru/catalog/000199_000009_006601744/?ysclid=mdyrj3t932214529855
  11. Lipa KV. Monitoring the technical condition of locomotives based on data from onboard microprocessor control systems. Moscow: TMKh-Service LLC; 2013. 156 p. (In Russ.) [cited: 06.08.2025]. Available from: https://rusneb.ru/catalog/000200_000018_RU_NLR_BIBL_A_010016422/?ysclid=mdyrm3wly7682196354
  12. Melnikov VA. Diagnostics of diesel locomotives based on data from onboard microprocessor systems. World of Transport. 2014;12(3(52)):56–62. (In Russ.) EDN: QLFZVO
  13. Khantsevich DT. The Future is for Comprehensive Services. RZD-Partner. 2012;14(233):4–5. (In Russ.) [cited: 06.08.2025]. Available from: https://www.rzd-partner.ru/publications/rzd-partner/233-234/?ysclid=mdys533p7n622937756
  14. Semchenko VV. Diagnostics of AC Electric Locomotive Control Systems with Thyristor Converters. [dissertation] Khabarovsk; 2010. (In Russ) EDN: QHCNGP
  15. Chmilev I.E. Microprocessor control and diagnostics system for VL80R electric locomotives of the MSUE: textbook the manual. Krasnoyarsk railway station, Road Implementation Center. Krasnoyarsk: Publishing house of the Krasnoyar Central Park. zh. d.; 2011. (In Russ.) [cited: 06.08.2025]. Available from: https://lib.dm-centre.ru/lib/document/gpntb/ESVODT/d618664c0912e59ab9db2c87352e9637/
  16. Semchenko VV. Experience of DTV Krasnoyarsk Railway. Service maintenance and repair of electronic equipment of electric locomotives. In: Operation and maintenance of electronic and microprocessor equipment of traction rolling stock : Proceedings of the All-Russian Scientific and Practical Conference with international participation, Krasnoyarsk, March 24–25, 2020. Krasnoyarsk: Joint Stock Company «Road Center for the Implementation of the Krasnoyarsk Railway»; 2020:42–58. (In Russ.) EDN: VGRZZA
  17. Semchenko VV. Operation and maintenance of electronic control systems of electric locomotives of alternating current. Krasnoyarsk: DCV of the Krasnoyarsk Railway; 2010:69–72. (In Russ.) [cited: 06.08.2025]. Available from: https:// search.rsl.ru/ru/record/01004963946?ysclid=lziu4zxikq36401649
  18. Patent RUS 2593729 / 10.08.2016. Lipa KV, Grinenko AV, Lyangasov SL, et al. Method for monitoring the operating modes of locomotives. TMH-Service LLC. (In Russ.) EDN: UWFTPM
  19. Microprocessor control, regulation and diagnostics system. User manual. Kolomna.: OAO VNIKTI; 2012. (In Russ.) [cited: 06.08.2025]. Available from: https://static.scbist.com/scb/uploaded/0_1445429378.pdf?ysclid=mdysmcxiav702715831
  20. Patent RUS 2454336 / 27.06.2012. Kirzhner DL, Sidoruk AM, Razdobarov AV, Semchenko VV. Microprocessor-based control system for an electric locomotive. Russian Railways. (In Russ.) EDN: DSCELF
  21. Abolmasov AA. Improvement of Methods for Diagnosing Electric Locomotive Machines Based on Microprocessor Control Systems. Modern Technologies. System Analysis. Modeling. 2019;3(63):69–75. (In Russ.) doi: 10.26731/1813-9108 EDN: NQJSFH
  22. Khromov IYu. Analysis of the Influence of Operating Modes on the Technical Condition of Locomotives. [dissertation] Moscow; 2021. (In Russ) EDN: ZIRUXI
  23. Microprocessor-Based Control and Diagnostics System for Electric Locomotive Equipment (MSUD-N). User Manual. IDMB.421455.001 RE. (In Russ.) [cited: 06.08.2025]. Available from: https:// zinref.ru/000_uchebniki/04600_raznie_7/384_mikroprocesornaia_sistema_MSUD_M/000.htm.pdf
  24. Nezevak VL. Monitoring of the Specific Recovery Rates within the Arbitrary Monitoring Zone of the DC Section. Izvestiya Transsib. 2015;2(22):87–96. (In Russ.) EDN: UDYIHH
  25. Malfunctions in the electrical circuits of the regenerative mode. (In Russ.) [cited: 06.08.2025]. Available from: https://poezdvl.com/vl10/vl10_106.html
  26. What is regenerative braking in electric locomotives? (In Russ.) [cited: 06.08.2025]. Available from: https://otvet.mail.ru/question/234162048
  27. Power circuit devices. Reversing. Electric braking. (In Russ.) [cited: 06.08.2025]. Available from: https://tpschips.ru/readarticle.php?article_id=9
  28. A memo to locomotive crews on the malfunctions of the Yermak 2ES5K, 3ES5K electric locomotive, created on the basis of the electric locomotive operating manual. (In Russ.) [cited: 06.08.2025]. Available from: https://rcit.su/techinfoW04.html
  29. Davydov YuA. Control of the actual technical condition of locomotives based on diagnostics. Modern Technologies. System Analysis. Modeling. 2018;3(59):38–47. (In Russ.) doi: 10.26731/1813-9108 EDN: SNRLHR

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Ryzhova E.L., Osipov V.Y.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

link to the archive of the previous title

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».