Дистанционный контроль частоты вращения коленчатого вала двигателя трактора с использованием алгоритма машинного обучения

Диагностика технического состояния сельскохозяйственной техники на основе машинного обучения, использующего искусственный интеллект, позволяет   применять   накопленный   опыт для локализации неисправности и даёт возможность проводить оценку её технического состояния в максимально короткие сроки. Разработка новых вычислительных устройств (встроенных средств диагностирования) позволяет хранить и обрабатывать большие объёмы информации и сокращать время оценки технического состояния техники. С целью прогнозирования неисправностей проведен анализ частоты вращения коленчатого вала двигателя трактора с использованием алгоритма машинного обучения Random Forest. Разработаны счётчик-индикатор и программное обеспечение для дистанционного контроля частоты вращения коленчатого вала двигателя. Проверка разработанного прототипа счётчика-индикатора программного обеспечения осуществлялась на двигателе Д-243. В результате дистанционное диагностирование сельскохозяйственной техники выявило основные причины неисправностей, влияющие на частоту вращения коленчатого вала двигателя. Алгоритм Random Forest позволил «предсказать» неисправности с допустимой точностью: просчитал все значения правильно из выборки 13 значений и допустил 4 ошибки из выборки 51 значения. Диагностика с помощью алгоритма машинного обучения позволила в режиме реального времени провести оценку технического состояния техники без внесения принципиальных изменений в конструкцию, дать прогнозы и предложения по её обслуживанию и ремонту.

1. Дорохов А.С. Совершенствование входного контроля качества сельскохозяйственной техники на дилерских предприятиях // Вестник ФГОУ ВПО «МГАУ имени В.П. Горячкина». 2009. № 2 (33). С. 73 75. EDN: JWSYPN.

2. Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Ивлева И.Б. Совершенствование мониторинга системы «Человек-машина-среда» и правил эксплуатации для повышения эксплуатационной надежности тракторов // Технический сервис машин. 2020. № 3 (140). С. 12 20. EDN: XFGLUF.

3. Ерохин М.Н., Дорохов А.С., КатаевЮ.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. №2 (102). С. 45 50. https://doi.org/10.26897/2687-1149-2021-2-45-50

4. Дидманидзе О.Н., Дорохов А.С., Катаев Ю.В. Тенденции развития цифровых технологий диагностирования технического состояния тракторов // Техника и оборудование для села. 2020. № 11 (281). С. 39 43. EDN: SUTTJS.

5. Саяпин А.С. Экспериментальный счётчик-индикатор для оценки технического состояния насоса гидропривода по амплитудно-фазовому методу // Технический сервис машин. 2021. № 4 (145). С. 76 85. EDN: XZCQTE.

6. Измайлов А.Ю. Синтез автоматизированных информационных технологий и микропроцессорных систем // Вестник Российской академии сельскохозяйственных наук. 2007. № 5. С. 91 92. EDN: IBQGUX.

7. Катаев Ю.В., Костомахин М.Н., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. Повышение уровня технического обслуживания энергонасыщенной техники // Техника и оборудование для села. 2022. № 4 (298). С. 27 31. EDN: BMPALW.

8. Pestryakov E.V., SayapinA.S., Kostomakhin M.N., Petrishchev N.A. Analysis of the Technical Condition of Agricultural Machinery Using Neural Networks. Advances in Intelligent Systems, Computer Science and Digital EconomicsIII. CSDEIS2021. Lecture Notes on Data Engineering and Communications Technologies. 2022. Vol. 121. Рр. 92 101. https://doi.org/10.1007/978-3-030-97057-4_9

9. Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Макаркин И.М., Пестряков Е.В., Молибоженко К.К. Оперативная оценка предельного состояния узлов и агрегатов тракторов с применением счетчиков индикаторов // Технический сервис машин. 2021. Т. 59, № 3 (144). С. 12 21. EDN: YCZPHJ.

10. Курбанов Р.К., Захарова Н.И. Обоснование параметров полётного задания беспилотного воздушного судна для мультиспектральной аэрофотосъемки // Сельскохозяйственные машины и технологии. 2022. Т. 16, № 3. С. 33 39. https://doi.org/10.22314/2073-7599-2022-16-3-33-39

11. Макаркин И.М., Дунаев А.В., Галимов Т.М. Приёмы диагностирования редукторов ведущих мостов перспективных автомобилей КамАЗ // Автомобильная промышленность. 2016. № 6. С. 27 30. EDN: WJKLBV.

12. KarandeA.M., Kalbande D.R. Weight assignment algorithms for designing fully connected neural network. International Journal of Intelligent Systems and Applications. 2018;10(6):68 76. https://doi.org/10.5815/ijisa.2018.06.08

13. Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks // International Journal of Intelligent Systems and Applications. 2018. № 10 (6):49 58. https://doi.org/10.5815/ijisa.2018.06.06

14. Jiang W., Wang Ch., Zou J., Zhang Sh. Application of Deep Learning in Fault Diagnosis of Rotating Machinery // Processes. 2021;9(6):919. https://doi.org/10.3390/pr9060919

15. Нгуен М.Т. Диагностика автомобильного двигателя на основе нейронной сети // Молодой ученый. 2019. № 26 (264). С. 76 81. EDN: TDDFUD.