Методы диагностики вибрационного состояния технических объектов.

На этапе принятия решения возможно использование методов машинного обучения - нейронных сетей, метода опорных векторов, метода К-ближайших соседей и других методов классификации, а также решающих деревьев.Главной причиной успешного использования нейронных сетей является простота их использования и понятность с интуитивной точки зрения, т. к. они основаны на примитивной биологической модели нервнойсистемы.Машинное обучение и экспертные системы отличаются используемым подходом к обучению. Машинное обучение, в отличие от экспертных систем, использует принцип индуктивного обучения, обучения по прецедентам (примерам) - выявляет закономерности в эмпирических данных.Машинное обучение выгодно применять в условиях отсутствия квалифицированного персонала, способного выполнить оценку состояния механизма по спектральным характеристикам, при отсутствии накопленной базы знаний относительно дефектных режимов работы механизма и их признаков.Таким образом, наиболее перспективным подходом к решению задачи вибродиагностики являются методы машинного обучения и распознавания образов.В общем виде алгоритм оценки технического состояния будет реализовываться с помощью следующих блоков:- источник вибросигналов;- система вибродатчиков контроля износа;- блок преобразования;- блок обработки информации;- блок вывода информации.Блок преобразования – это устройство, которое изменяет поступающий сигнал удобный для цифровой обработки (БПФ-спектр, отфильтрованный сигнал и т.д.).Блок обработки информации – определяет техническое состояние механизма по указанным признакам, этим блоком является нейронная сеть (пример нейрона и персептрона представлен на рисунке 3).Блок вывода информации – представляет из себя набор устройств для вывода протокола мониторинга.Однако, на этапах формирования описания, формирования системы признаков и принятия решений известны сложности, связанные с применением существующих методов распознавания образов. Данные сложности описаны в предыдущем пункте.Рис. 3. Модель нейрона и архитектура персептрона с двумя слоямиДля решения задачи вибродиагностики предлагается использовать теорию активного восприятия, позволяющей решить проблемы, связанные с применением известных методов распознавания образов, разработанной для обработки изображений и адаптированной для решения задач обработки и распознавания звуковых сигналов, в том числе на основе методов машинного обучения. Данная теория позволяет разрабатывать алгоритмы распознавания сигналов в условиях априорной неопределённости.Теория активного восприятия разработана в НГТУ им. Р. Е. Алексеева профессором, д.т.н. Утробиным В. А. В теории активного восприятия предлагается реализация этапов предварительной обработки и формирования системы признаков для решения задачи распознавания изображений. Базовым в теории активного восприятия является U- преобразование.Реализация предварительной обработки изображения, с позиций теории активного восприятия, заключается в выполнении операции интегрирования (сложения), реализация процесса нахождения признаков заключается в выполнении операции дифференцирования (вычитания).Результатом первого преобразования является множество «визуальных» масс, упорядоченных в координатах исходного пространства ||mj||. Результатом второго является вектор n= (no= mo, ni, П2, ..., П15). Преобразование дифференцирования реализуется с помощью 16 фильтров, некоторые из которых показаны на рисунке 4. Серый цвет обозначает "+1", белый " -1 "Рис. 4. Фильтры, реализующие преобразование дифференцированияФильтры внешне похожи на фильтры Уолша системы Хармута, однако технология их применения отличается тем, что они применяются к изображению только после выполнения преобразования интегрирования.Пара преобразований, первое из которых - интегральное, второе - дифференциальное, определены U-преобразованием, как композицией «истинно» (в смысле последовательности реализации) интегрально-дифференциального преобразования, в отличие от всех известных.Теория активного восприятия не ограничивается только формированием спектрального представления сигнала. В состав теории входит раздел «Алгебра групп», посвящённый анализу зависимостей между спектральными коэффициентами разложения. Обнаруженные зависимости допускают своё использование на этапах принятия решения и понимания анализируемого сигнала. Пусть каждому фильтру Fiсоответствует координатно-определенный бинарный оператор Vi; тогда компоненте miвектора nдопустимо поставить в соответствие оператор Viлибо в зависимости от знака компоненты. В результате вектору nставится в соответствие подмножество операторов из {Vi}, имеющих аналогичную фильтрам конструкцию, но разное значение элементов матрицы (+1 <-> 1; -1 <-> 0). Задавая на множестве {Vi} операции теоретико-множественного умножения и сложения, имеем алгебру описания изображения в двумерных булевых функциях.На множестве операторов формируется алгебра групп (этап синтеза) анализируемого сигнала:семейство алгебраических структур (названных полными группами) {Pni}вида Pni= { V, Vj, Vk}мощности 35, где каждая группа изоморфна на сложный нейрон, а их подмножество мощности 32 - на кристаллографические группы;семейство алгебраических структур (названных замкнутыми группами) {Ря} вида Psi= {Vi, Vj, Vk, Vr}мощности 105, где каждая группа изоморфна на сверхсложный нейрон и образована из пары определенным образом связанных полных групп.С помощью замкнутых и полных групп выполняется спектрально-корреляционный анализ. Полные группы позволяют выявить корреляционные связи между операторами. Замкнутые группы позволяют выявить корреляционные связи между полными группами.Если множество операторов - алфавит, то множества групп - более сложные грамматические описания наблюдаемого сигнала: полная группа - слово, замкнутая группа - словосочетание.Таким образом, проведены научные исследования, экспериментальные работы в области создания систем вибродиагностики и новых подходов к решению задач машинного обучения (формирование системы признаков). При этом были получены следующие результаты, непосредственно относящиеся к рассматриваемой теме:разработан подход к формированию системы признаков априори неопределённого сигнала на основе теории активного восприятия, учитывая возможность использования операторов, а также алгебры групп, предложено несколько систем признаков, позволяющих описать вибросигнал на различных уровнях абстрагирования;выполнено исследование предложенных систем признаков, показана их эффективность при решении задачи распознавания сигналов различных типов (музыкальных, радиолокационных), показана возможность использования предложенных систем признаков при решении задачи вибродиагностики подшипников качения.В данной главе были рассмотрены методы вибродиагностики, проанализированы современные подходы и тенденции в определении работоспособности отдельных узлов и механизмов, методов прогнозирования остаточного ресурса, среди которых выделяется обработка результатов с помощью нейросетей и машинного обучения, полученные через системы машинного зрения.ЗАКЛЮЧЕНИЕсовременная автомобильная система имеет большое количество встраиваемых интеллектуальных систем. Несвоевременное выявление нарушений в работе автомобиля может привести к серьезным поломкам во время движения. Процесс диагностирования помогает обнаружить неисправность машины и в перспективе избежать дорогостоящих ремонтов. Знание методов и средств диагностирования позволяют сделать данный процесс эффективным и результативным.В работе проведены научные исследования, экспериментальные работы в области создания систем вибродиагностики и новых подходов к решению задач машинного обучения (формирование системы признаков). При этом были получены следующие результаты, непосредственно относящиеся к рассматриваемой теме:разработан подход к формированию системы признаков априори неопределённого сигнала на основе теории активного восприятия, учитывая возможность использования операторов, а также алгебры групп, предложено несколько систем признаков, позволяющих описать вибросигнал на различных уровнях абстрагирования;выполнено исследование предложенных систем признаков, показана их эффективность при решении задачи распознавания сигналов различных типов (музыкальных, радиолокационных), показана возможность использования предложенных систем признаков при решении задачи вибродиагностики подшипников качения.СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫАксенов, А.А. Современные подходы к диагностированию дизельных двигателей внутреннего сгорания / А.А. Аксенов, М.В. Худякова // Актуальные направления научных исследований XXI века : материалы Всерос. научн.-техн.конф.: в 3 ч. / Ворон.гос. лесотехн. ун-т. - Воронеж, 2015. - Ч.З. - С. 7-10.Борц А. Д. Диагностика технического состояния автомобиля / А. Д. Борц, Я. Х. Закин, Ю. В. Иванов. - М.: Транспорт, 2019. - 160 с.Газарян А. А. Техническая эксплуатация, обслуживание и ремонт автотранспортных средств: Практические рекомендации и нормативная база / А. А. Газарян. - М.: Третий Рим, 2018. - 263 с.Гай В.Е. Алгоритмы формирования спектрального представления звукового сигнала на основе U-преобразования // Бизнес информатика. 2019. № 1 (23). С. 44-49.Лившиц В.М. Перспективные разработки в области диагностики автотракторных дизелей / В.М. Лившиц, С.В. Крашенинников, С.П. Пятин // Вестник ИрГСХА, раздел Механизация. Электрификация. - Иркутск: ИрГСХА, 2018. - Вып. 38. - С. 77-81.Методика определения эффективной работы ДВС / А.Л. Манаков, А.С. Алехин, Е.А. Ижбулдин // Вестник Иркутского гос. техн. ун-та. - Иркутск, 2015. - № 8. - С. 145-149.Суворова Е.Ю. Принципы и методы построения СППР по диагностике двигателей внутреннего сгорания / Е.Ю. Суворова // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке: материалы Междун.научн-практ.конф.: в 2 ч. / Дальн. гос. ун-т путей сообщ. - Хабаровск, 2016. - 4.1 - С. 118-121.Тромпет Г. М. Применение автотолераторов и автоподналадчиков при ремонте двигателей / Г. М. Тромпет, В. А. Александров // Современные технологии в машиностроении: сборник материалов VIII Всерос. науч.-техн. конф. - Пенза, 2018. - С. 142-144.Тыманюк, К.С. Разработка автоматизированной системы итеративного контроля технического состояния систем двигателя автомобиля / К.С. Тыманюк, В.Л. Костенко // Технологический аудит и резервы производства. - 2016. - № 1/2(27). - С. 77-82.Утробин В.А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений. Нижний Новгород: НГТУ им. Р. Е. Алексеева, 2018. С. 234.Утробин В.А. Физические интерпретации элементов алгебры изображения // Успехи физических наук. 2017. Т. 174, № 10. С. 1089-1104.Харазов А. М. Диагностирование и эффективность эксплуатации автомобилей / А. М. Харазов. - М.: Высш. шк.,2016. - 63 с.Диагностирование - задачи и виды методов [Электронный ресурс]. - Режим доступа http://ustroistvo-avtomobilya.ru/diagnostirovanie/diagnostirovanie-zadachi-vidy-metody (дата обращения: 20.11.2020)Классификация методов диагностирования [Электронный ресурс]. - Режим доступа http://blogavto.info/klassifikaciya-metodov-diagnostirovaniya/. (дата обращения: 20.11.2020)