Russian Federation
Russian Federation
Voronezh, Russian Federation
Russian Federation
Russian Federation
Russian Federation
The article provides a brief description of the thermal diagnostic techniques used. The features of the development of an algorithm for the operation of a hydraulic system diagnostic complex using elements of an artificial neural network in its operation are described. The necessity and correctness of the adopted technical solution is substantiated.
artificial neural network, algorithm, remote diagnostics, hydraulic drive, temperature, reliability
Современное состояние автомобильной техники неотъемлемо связано с мероприятиями, направленными в первую очередь на повышение надежности не только отдельных его узлов, но и автомобиля в целом. Обеспечение этих мероприятий достигается диагностическими работами и операциями контроля текущего технического состояния. Достижение эффективности перечисленных мер, обеспечивающих повышение надежности автомобиля и автотранспортных средств, предлагается осуществить использованием информационно-измерительных систем.
Среди современных методов дистанционного определения температуры различных узлов автотранспортных средств и навесного оборудования наиболее легкореализуемым является метод инфракрасной термографии. Инфракрасная термография позволяет с высокой степенью точности дистанционно производить тепловые замеры. Известно, что существуют методики определения технического состояния и пробега автомобиля по рабочей температуре [1, 2, 4-11].
В данной статье предлагается разработать алгоритм действия комплекса диагностики гидросистемы. В работе комплекса дистанционной диагностики необходимо учесть возможность анализа тепловых сигнатур технического состояния рассматриваемых объектов. Для обеспечения эффективности использования предлагаемого комплекса и достоверности полученной информации требуется обеспечить высокую точность измерения термограмм и диагностических параметров, необходимых для принятия решения о возможности дальнейшей эксплуатации транспортного средства. Достоверность результатов измерений при помощи комплекса дистанционной диагностики результатов предлагается достигнуть при использовании интеллектуальных информационных систем с использованием искусственных нейронных сетей. Целесообразность таких проектных решений обосновывается в работах российских и зарубежных ученых [12-14, 16-20, 23-26].
Целью данной работы является разработка алгоритма проектирования программной логики с использованием нейросетей при создании комплекса дистанционной диагностики с возможностью использования средств теплового контроля, в том числе тепловизионного, для определения отказов, дефектов и контроля эксплуатационных показателей при штатной работе технических устройств. Общие методы и структура определения текущего технического состояния узлов автотранспортных средств, достигаемая с использованием методов теплового контроля, представлена на рис. 1.
Рисунок 1 – Классификация методов теплового контроля
Обработка полученных данных тепловой диагностики схематично приводится на рис. 2.
Рисунок 2 – Сравнительная инфракрасная термография
Такая постановка задач и предлагаемое техническое решение стало возможным только при появлении искусственных нейронных сетей. Актуальность разработки обусловлена необходимостью решения проблемы, связанной с повышением надежности автотранспортных средств. При использовании метода тепловых измерений при контроле текущего технического состояния автомобилей возникает сложная задача, связанная с обработкой больших объемов информации в кратчайшее время. Решение такой задачи предлагается выполнить за счет использования искусственной нейронной сети. В представленной статье за основу берется метод объектно-ориентированного подхода к анализу логики искусственных нейронных сетей [2, 21, 27].
Проектирование нейро-сетевого программного анализатора осуществлялось при помощи шаблона, именуемого «Проектировочный луч». Полученное решение в виде алгоритма действия комплекса тепловой диагностики гидросистемы автомобилей и автотранспортных средств, приведено на рис. 3 [15, 22].
Рисунок 3 – Алгоритм действия комплекса диагностики гидросистемы
Предложенный алгоритм построения проектировочного грида является логическим развитием идей, сформулированных другими авторами. Однако именно представление проектировочных решений в виде описанного шаблона дало наибольшую формализацию и четкость при работе со сложными системами доменных классов. Проведенные эксперименты в процессе диагностики гидросистем выявляют дефекты с вероятностью 97 %.
1. Birger, I. A. Tehnicheskaya diagnostika / I. A. Birger. – M. : Mashinostroenie, 1978. – 240 s.
2. Buch, G. Ob'ektno-orientirovannyy analiz i proektirovanie s primerami prilozheniy. 3-e izdanie / G. Buch. – M. : OOO «I. D. Vil'yams», 2008. – 720 s.
3. Vavilov, V. P. Infrakrasnaya termografiya i teplovoy kontrol' / V. P. Vavilov. – M. : ID Spektr, 2009. – 544 s
4. Gaskarov, D. V. Intellektual'nye informacionnye sistemy : ucheb. posobie dlya vuzov / D. V. Gaskarov. – M. : Vyssh. Shk., 2003. – 431 s.
5. Ornatskiy, P. P. Teoreticheskie osnovy informacionno-izmeritel'noy tehniki / P. P. Ornatskiy. – Kiev : Vischa shkola, 1983. – 455 s.
6. Capenko, M. P., Izmeritel'nye informacionnye sistemy : Struktury i algoritmy, sistemotehnicheskoe proektirovanie : ucheb. posobie dlya vuzov. – 2-e. izd. – M. : Energoatomizdat, 1985. – 438 s.
7. Cvetkov, E. I. Osnovy matematicheskoy metrologii / E. I. Cvetkov. – SPb. : Politehnika, 2005. – 509 s.
8. Shlyandin, V. M. Cifrovye elektroizmeritel'nye pribory / V. M. Shlyandin, V. V. Bogdanov, A. A. Bogorodickiy, D. I. Leont'ev [i dr.] ; pod red. V. M. Shlyandina. – M. : Energiya, 1972. – 400 s.
9. Danilin, N. S. Nerazrushayuschiy kontrol' kachestva produkcii radioelektroniki / N. S. Danilin. – M. : Izdatel'stvo standartov, 1976. – 240 s.
10. Parhomenko, P. P. Osnovy tehnicheskoy diagnostiki. Modeli ob'ektov, metody i algoritmy diagnoza / P. P. Parhomenko, V. V. Karibskiy, E. S. Sogomonyan, V. F. Halchev. – M. : Energiya, 1976. – 464 s.
11. Hadson, R. Infrakrasnye sistemy / R. Hadson. – M. : Mir, 1972. – 530 s.
12. Dorogov, A. Yu. Teoriya i proektirovanie bystryh perestraivaemyh preobrazovaniy i slabosvyazannyh neyronnyh setey / A. Yu. Dorogov. – SPb. : Politehnika, 2014. – 328 s.
13. Ivanov A. I. Mnogomernaya neyrosetevaya obrabotka biometricheskih dannyh s programmnym vosproizvedeniem effektov kvantovoy superpozicii / A. I. Ivanov. – Penza : Izd-vo AO «Penzenskiy nauchno-issledovatel'skiy elektrotehnicheskiy institut», 2016. – 133 s.
14. Komarcova, L. G. Neyrokomp'yutery / L. G. Komarcova, A. V. Maksimov. M. : MGTU im. N. E. Baumana, 2004 g.
15. Orlov, S. P. Intellektualizaciya kontrolya i diagnostiki elektronnyh priborov na osnove neyronnyh setey / S. P. Orlov, R. V. Girin // Trudy XXI Mezhdunarodnoy konferencii po myagkim vychisleniyam i izmereniyam (SCM-2018). – SPb. : SPb GETU «LETI», 2018. – S. 99-102.
16. Selivanova, Z. M. Intellektualizaciya informacionno-izmeritel'nyh sistem nerazrushayuschego kontrolya teplofizicheskih svoystv tverdyh materialov / Z. M. Selivanova. – M. : Izd-vo «Mashinostroenie-1», 2006. – 184 s.
17. Selivanova, Z.M. Matematicheskie modeli i algoritm dlya sovershenstvovaniya informacionno-izmeritel'noy sistemy nerazrushayuschego kontrolya teplofizicheskih svoystv materialov / Z. M. Selivanova, T. A. Hoan // Vestnik Tambovskogo gosudarstvennogo tehnicheskogo universiteta. – 2016. – T. 22. – № 4. – S. 520-534.
18. Selivanova, Z. M. Kompleksnyy metod povysheniya tochnosti informacionno-izmeritel'noy sistemy dlya opredeleniya teplofizicheskih svoystv materialov pri vozdeystvii destabiliziruyuschih faktorov / Z. M. Selivanova, T. A. Hoan // Izmeritel'naya tehnika. – 2017. – № 5. – S. 44-48.
19. Yarushkina, N. G. Osnovy teorii nechetkih i gibridnyh sistem : ucheb. posobie / N. G. Yarushkina. – Moskva : Finansy i statistika, 2004. – 319 s.
20. Yah'yaeva, G. E. Nechetkie mnozhestva i neyronnye seti : ucheb. posobie / G. E. Yah'yaeva. – 2-e izd., ispr. – Moskva : Internet-Un-t Inform. Tehnologiy ; BINOM. Lab. znaniy, 2008. – 315 s.
21. Fowler, M. Patterns of Enterprise Application Architecture/M. Fowler. – Addison-Wesley, 2002. – 560 p.
22. Girin, R. V. The use of neural networks for testing and failure analysis of electronic devices / R. V. Girin, S. P. Orlov // Proc. of the II International ScientificPractical Conference “Fuzzy Technologies in the Industry (FTI 2018)”. – CEURWS.org/Vol – 2258/paper21. – 2018. – pp. 160-167.
23. Goodfellow, I. Deep learning/I. Goodfellow, Y. Bengio, Y. Courville. – URL : http://www.deeplearningbook.org.
24. Nykin, S, S. Neural networks. A Comprehensive Foundation. Second Edition / S. S. Nykin. – Prentice Hall, 1999. – 905 p.
25. Krizhevsky, A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. Hinton // NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems. – 2012. – Vol. 1. – P. 1097-1105.
26. Nielsen, M. Neural Networks and Deep Learning, free online book / M. Nielcen. – URL : http://neuralnetworksanddeeplearning.com.
27. Norvig, P. Artificial Intelligence : A Modern Approach, Edition : 3rd / P. Norvig, S. Rassell. – Pearson, 2010. – 1109 p.
