Россия
Россия
Воронеж, Россия
Россия
Россия
Россия
В статье приводится краткое описание применяемых методик тепловой диагностики. Описываются особенности разработки алгоритма действия комплекса диагностики гидросистемы с использованием в его работе элементов искусственной нейронной сети. Обосновывается необходимость и правильность принятого технического решения.
искусственная нейронная сеть, алгоритм, дистанционная диагностика, гидропривод, температура, надежность
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. Биргер, И. А. Техническая диагностика / И. А. Биргер. – М. : Машиностроение, 1978. – 240 с.
2. Буч, Г. Объектно-ориентированный анализ и проектирование с примерами приложений. 3-е издание / Г. Буч. – М. : ООО «И. Д. Вильямс», 2008. – 720 с.
3. Вавилов, В. П. Инфракрасная термография и тепловой контроль / В. П. Вавилов. – М. : ИД Спектр, 2009. – 544 с
4. Гаскаров, Д. В. Интеллектуальные информационные системы : учеб. пособие для вузов / Д. В. Гаскаров. – М. : Высш. Шк., 2003. – 431 с.
5. Орнатский, П. П. Теоретические основы информационно-измерительной техники / П. П. Орнатский. – Киев : Вища школа, 1983. – 455 с.
6. Цапенко, М. П., Измерительные информационные системы : Структуры и алгоритмы, системотехническое проектирование : учеб. пособие для вузов. – 2-е. изд. – М. : Энергоатомиздат, 1985. – 438 с.
7. Цветков, Э. И. Основы математической метрологии / Э. И. Цветков. – СПб. : Политехника, 2005. – 509 с.
8. Шляндин, В. М. Цифровые электроизмерительные приборы / В. М. Шляндин, В. В. Богданов, А. А. Богородицкий, Д. И. Леонтьев [и др.] ; под ред. В. М. Шляндина. – М. : Энергия, 1972. – 400 с.
9. Данилин, Н. С. Неразрушающий контроль качества продукции радиоэлектроники / Н. С. Данилин. – М. : Издательство стандартов, 1976. – 240 с.
10. Пархоменко, П. П. Основы технической диагностики. Модели объектов, методы и алгоритмы диагноза / П. П. Пархоменко, В. В. Карибский, Е. С. Согомонян, В. Ф. Халчев. – М. : Энергия, 1976. – 464 с.
11. Хадсон, Р. Инфракрасные системы / Р. Хадсон. – М. : Мир, 1972. – 530 с.
12. Дорогов, А. Ю. Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей / А. Ю. Дорогов. – СПб. : Политехника, 2014. – 328 с.
13. Иванов А. И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции / А. И. Иванов. – Пенза : Изд-во АО «Пензенский научно-исследовательский электротехнический институт», 2016. – 133 с.
14. Комарцова, Л. Г. Нейрокомпьютеры / Л. Г. Комарцова, А. В. Максимов. М. : МГТУ им. Н. Э. Баумана, 2004 г.
15. Орлов, С. П. Интеллектуализация контроля и диагностики электронных приборов на основе нейронных сетей / С. П. Орлов, Р. В. Гирин // Труды XXI Международной конференции по мягким вычислениям и измерениям (SCM-2018). – СПб. : СПб ГЭТУ «ЛЭТИ», 2018. – С. 99-102.
16. Селиванова, З. М. Интеллектуализация информационно-измерительных систем неразрушающего контроля теплофизических свойств твердых материалов / З. М. Селиванова. – М. : Изд-во «Машиностроение-1», 2006. – 184 с.
17. Селиванова, З.М. Математические модели и алгоритм для совершенствования информационно-измерительной системы неразрушающего контроля теплофизических свойств материалов / З. М. Селиванова, Т. А. Хоан // Вестник Тамбовского государственного технического университета. – 2016. – Т. 22. – № 4. – С. 520-534.
18. Селиванова, З. М. Комплексный метод повышения точности информационно-измерительной системы для определения теплофизических свойств материалов при воздействии дестабилизирующих факторов / З. М. Селиванова, Т. А. Хоан // Измерительная техника. – 2017. – № 5. – С. 44-48.
19. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем : учеб. пособие / Н. Г. Ярушкина. – Москва : Финансы и статистика, 2004. – 319 с.
20. Яхъяева, Г. Э. Нечеткие множества и нейронные сети : учеб. пособие / Г. Э. Яхъяева. – 2-е изд., испр. – Москва : Интернет-Ун-т Информ. Технологий ; БИНОМ. Лаб. знаний, 2008. – 315 с.
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.
