Алушкин Тимофей Евгеньевич, канд. техн. наук, доцент
634050, г. Томск, пр. Ленина, 36
Timofey E. Alushkin, PhD (Eng), Associate Professor
36 Lenin Ave., Tomsk, 634050
Мещеряков Михаил Юрьевич
634050, г. Томск, пр. Ленина, 30
Mikhail Yu. Meshcheryakov
30 Lenin Ave., Tomsk, 634050
Старцев Андрей Васильевич, д-р техн. наук, профессор
454080, г. Челябинск, пр. Ленина, 75
Andrey V. Startsev, DSc (Eng), Professor
75 Lenina Ave., Chelyabinsk, 454080
Действительный ресурс двигателей тракторов тягового класса 1,4 в Томской области значительно ниже гарантийного и имеет большой разброс. Статистический анализ показал, что математическое ожидание наработки до первого капитального ремонта не превышает 7000 моточасов, среднеквадратичное отклонение – 1707 моточасов, коэффициент вариации – 0,24. Ресурс новых двигателей до первого капитального ремонта различается более чем в 2,8 раза. При прогнозировании причин выхода из строя двигателей по количественному показателю наработки в моточасах целесообразно использовать искусственные нейронные сети. Цель исследований – на основании данных долговечности двигателей тракторов тягового класса 1,4 в условиях рядовой эксплуатации обучить нейронную сеть, предсказывающую причину выхода из строя двигателя при известной наработке. Авторами предложена система интеллектуального анализа отказов двигателей на основе нейронной сети. Программный код написан на языке Python. В основе нейросети использовали модули PyTorch. Модуль Matplotlib применялся для создания графической части, NumPy – для работы с матрицами. Модуль sklearn использовался для нормализации входных данных. Искусственная нейронная сеть состоит из полносвязной сети, которая включает в себя один входной нейрон, скрытый слой из 10 нейронов и выходной слой из 4 нейронов. Модель обучалась на данных 25 двигателей типа 4Ч(Н) 11/12,5 производства Минского моторного завода и позволяет по входному параметру «Наработка в моточасах» выдавать вероятностное распределение по 4 целевым категориям неисправностей: кривошипно-шатунный механизм, система смазки, система питания, система охлаждения. Точность прогноза причины отказа двигателя 4Ч 11,0/12,5 в условиях рядовой эксплуатации в зависимости от его наработки составила 60%. В дальнейшем планируется дообучить искусственную нейронную сеть с использованием новых данных с приемлемой точностью прогноза 80%.
The actual service life of tractor engines of traction class 1.4 in the Tomsk region falls significantly short of the warranty period and exhibits high dispersion. Statistical analysis reveals that the mean operating time until the first overhaul does not exceed 7,000 engine hours, with a standard deviation of 1,707 hours and a coefficient of variation of 0.24. The service life of new engines until the first overhaul varies by more than a factor of 2.8. To address the challenge of predicting failure modes based on cumulative operating time, this study employs artificial neural networks (ANNs). The research objective was to train an ANN to identify the most likely cause of engine failures using durability data collected under routine operating conditions of traction class 1.4 tractor engines. The authors developed an intelligent failure diagnostics system using Python and the PyTorch framework. The Matplotlib module was used for visualization, NumPy for matrix operations, and sklearn for input data normalization. The ANN uses a fully connected (dense) architecture consisting of an input layer (one neuron), a hidden layer (10 neurons), and an output layer (four neurons). The model was trained on a dataset from 25 Minsk Motor Plant engines (type 4Ch(N) 11/12.5). Based on the “operating time” input parameter, the model generates a probability distribution across four failure categories: the crank mechanism, the lubrication system, the fuel system, and the cooling system. Initial testing yielded a prediction accuracy of 60%. Future research will focus on fine-tuning the artificial neural network by expanding the training dataset to achieve a target accuracy of 80%.
The authors declare that there are no conflicts of interest present.