Нейронные сети в системе диагностики строительных машин

Власов Я.С., Ковальский В. Ф. Московский государственный университет путей сообщения Российская Федерация.
Применение нейронных сетей в интеллектуальной системе диагностики гидропривода путевых и строительных машин.

Гидропривод является одним из важнейших элементов путевых и строительных машин. Отказ элементов гидропривода во время проведения ремонтных работ является недопустимым, поскольку ведет к значительным материальным издержкам, связанным со срывом графиков движения подвижного состава, а также срывом проведения восстановительных работ и простоя ремонтной и строительной техники. Важной задачей для исключения таких недопустимых последствий является прогнозирование момента времени выхода гидросистемы из строя и выявление агрегатов, требующих замены или починки.

Предлагается использовать в непрерывной бортовой диагностике гидропривода нейронные сети, что позволит повысить точность прогнозирования технического состояния машин и оборудования и эффективнее выявлять редкие и неоднозначные неисправности, определяемые, в основном, поведением гидросистемы в целом или по косвенным признакам.

Объектом исследования был выбран гидропривод эксцентрикового вала подбивочного блока путевой машины типа ВПР (как наиболее нагруженного и подвергающающегося отказам). Для полноценного исследования системы после изучения многочисленных решений [1,2], была создана экспериментальная установка, схема которой показана на рисунке 1.

Рис. 1. Схема экспериментальной гидроустановки.

В данной работе подразумевается применение двух типов нейронных сетей прямого распространения: трехслойный перцептрон для определения текущего технического состояния гидроагрегатов и фокусирующей нейронной сети [3,4] для прогнозирования технического состояния элементов гидропривода. Обучение сети трехслойного перцептрона проводится данными, полученными при математическом моделировании конкретной системы, что позволит применять систему сразу, не дожидаясь накопления обучающих данных на реальных машинах, это позволит значительно сократить сроки тестирования внедрения такой системы диагностики. Разработка адекватной математической модели для получения обучающих выборок является одной из основных задач данной работы. В качестве входных параметров этой сети выступают данные, поступающие с установленных датчиков давления, расхода, частоты вращения. В качестве выходных параметров выбраны технические состояния каждого из элементов исследуемой схемы: гидронасоса, гидромотора, предохранительного клапана, гидрораспределителя, гидравлической линии, и масляного фильтра.

Рис. 2. Структурная схема экспериментальной установки.

Фокусирующая сеть (рис. 2.) решает ещё одну важную задачу - прогнозирование момента отказа гидрооборудования. Исходя из имеющейся статистики фактической наработки до отказа строятся теоретические кривые износа агрегатов, которые будут используются в качестве обучающей выборки для сети. В последствии сеть будет переобучена на реальных данных, собранных при мониторинге. Эта информация по мере роста базы данных наблюдений будет учитывать все больше нюансов работы системы и точнее соответствовать реальному состоянию системы, что позволит с большей достоверностью решать задачи прогнозирования технического состояния машин и оборудования. Также этот подход позволит повысить точность и надежность системы контроля технического состояния, применяя даже менее точные датчики - за счет учёта первой нейросетью показаний всех датчиков в определении каждого выходного параметра.

Такое прогнозирование позволит не только существенно снизить количество отказов гидропривода путевой и строительной техники, связанных с износом элементов привода, но и подготовится к ремонту машин, в том числе вовремя доставить необходимые комплектующие.

Литература:
1. Ковальский В. Ф., Дубровин В. А., Гринчар Н. Г. Экспериментальная оценка технического состояния гидропривода эксцентрикового вала подбивочного блока ВПР-02 // Путевые машины. - 2002. - №1. - С. 108-119.
2. Никитин О. Ф. Гидравлика и гидропневмопривод. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2010. - 414 с.
3. Хайкин С. Нейронные сети. Полный курс. - 2-е изд. - М.: ООО "И. Д. Вильямс", 2006. - 1104 с.
4. Бодянский Е. В., Руденко О. Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2004. - 369 с.