Использование нейронных сетей в технической эксплуатации самоходных машин

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%.

1. Докин Б.Д. Эффективное использование сельско-хозяйственной техники при производстве зерна в Сибири // Техника и оборудование для села. 2009. № 8. С. 7-11. EDN: KWRIFR

2. Шуханов С.Н., Кузьмин А.В., Болоев П.А. Надежность работы машинно-тракторного агрегата // Инженерные технологии и системы. 2020. № 1, Т. 30. С. 8-20. https://doi.org/10.15507/2658-4123.030.202001.008-020

3. Пирожков Д.Н., Беляев В.И., Завора В.А. Основы теоретического обоснования технического оснащения растениеводства аграрного предприятия // Вестник Алтайского государственного аграрного университета. 2016. № 3 (137). С. 166-169. EDN: VSSMYV

4. Старцев А.В., Алушкин Т.Е., Романов С.В., Сторожев И.И. Модель определения эксплуатационных затрат машинно-тракторных агрегатов на посев с учетом продолжительности работ и размеров площадей // Тракторы и сельхозмашины. 2020. № 1. С. 82-87. EDN: SIMAWN

5. Соловьев Р.Ю., Горячев С.А. Ресурсосбережение при техническом сервисе сельскохозяйственной техники // Сельско-хозяйственные машины и технологии. 2013. № 2. С. 37-49. EDN: PYYRAT

6. Karagodin V.I., Khapugin R.A. Rationale and frequency of the diagnosis of component parts of tractors Belarus in the development of technology maintenance. IOP Conference Series. Materials Science and Engineering. 2020;832(1):1-8. https://doi.org/10.1088/1757-899X/832/1/012005

7. Иванов В.В., Доценко С.А., Седов А.В., Николаев А.П. Надежность систем и агрегатов тракторов семейства МТЗ и распределение отказов по интервалам наработки // Пермский аграрный вестник. 2017. № 4 (20). С. 30-35. EDN: ZXHGIZ

8. Pourdarbani R. Choosing a proper maintenance and repair strategy for tractors (in Urmia). Acta Technologica Agriculturae. 2019;22(1):12-16. https://doi.org/10.2478/ata-2019-0003

9. Альт В.В., Чекусов М.С., Исакова С.П. Цифровые технологии в растениеводстве // Технические культуры: Научный сельскохозяйственный журнал. 2023. Т. 3, № 2. С. 46-53. EDN: QEUHMR

10. Альт В.В., Ольшевский С.Н. Информационные технологии в инновационном развитии АПК // Достижения науки и техники АПК. 2016. Т. 30, № 4. С. 67-69. EDN: VZYEFZ

11. Шимохин А.В. Методика определения оптимальных сроков ремонта транспорта с использованием технологии нейронных сетей // Вестник Омского государственного аграрного университета. 2023. № 2 (50). С. 153-160. EDN: YYOPXG

12. Шимохин А.В., Кирасиров О.М. Механизм совершенствования управления процессом технического обслуживания и ремонта с применением нейросетевой технологии // Тракторы и сельхозмашины. 2023. Т. 90, № 6. С. 561-573. EDN: QXKZZX