DEVELOPMENT OF AN OPERATION ALGORITHM FOR THE HYDRAULIC SYSTEM THERMAL DIAGNOSTICS COMPLEX
Abstract and keywords
Abstract (English):
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.

Keywords:
artificial neural network, algorithm, remote diagnostics, hydraulic drive, temperature, reliability
Text
Text (PDF): Read Download

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 %.

References

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.

Login or Create
* Forgot password?