- PII
- S30345804S0235711925030136-1
- DOI
- 10.7868/S3034580425030136
- Publication type
- Article
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 3
- Pages
- 101-107
- Abstract
- Установлено, что мониторинг-диагностика технического состояния и эффективности работы ДВС в режиме реального времени достаточно затратен не столько в сборе данных, сколько в адекватности модели обработки данных и их интерпретации. Разработан алгоритм создания библиотеки программы глубокого обучения на основе имеющегося банка данных о работе ДВС на различных нагрузочных режимах. В результате мониторинга ДВС выполнено видео эндоскопирования элементов цилиндропоршневой группы по установлению отклонений от нормативного состояния, проведена обработка данных с помощью ELM327 и программы Forscan. Предложено обработку данных на первом этапе проводить комбинированным методом, идентификацию отклонений вести на основе экспертного анализа, сопоставляя их с результатом принятия решения цифровым модулем. Это позволит дать оценку обоснованности принятия решения программным модулем искусственного интеллекта на основе глубокого обучения и исключить появление ошибочного решения.
- Keywords
- Date of publication
- 20.02.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 26
References
- 1. Вайнштейн В. И., Вайнштейн И. И. Оптимизационные задачи формирования смеси функций распределения наработок до отказа элементов технических систем // Проблемы машиностроения и надежности машин. 2021. № 3. С. 107–112. https://doi.org/10.31857/S0235711921030160
- 2. Путинцев С. В., Аникин С. А., Стрельникова С. С. Обоснование и результаты численного моделирования струйного маслоснабжения сопряжения “цилиндр–поршень” в быстроходном четырехтактном двигателе внутреннего сгорания // Проблемы машиностроения и надежности машин. 2023. № 3. С. 89–99.
- 3. Stoumpos S., Bolbot V., Theotokatos G., Boulougouris E. Safety performance assessment of a marine dual fuel engine by integrating failure mode, effects and criticality analysis with simulation tools // Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. 2022. V. 236(2). P. 376–393. https://doi.org/10.1177/14750902211043423
- 4. Арженовский А. Г., Чичиланов И. И. Совершенствование методики и средств диагностирования дизельных двигателей: монография. Зерноград: Азово-Черноморский инженерный институт, 2017. 176 с.
- 5. Wang D., Zhang M., Xu Y., Lu W., Yang J., Zhang T. Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions // Mechanical Systems and Signal Processing. 2021. V. 155. 107510. https://doi.org/10.1016/j.ymssp.2020.107510
- 6. Tao F. et al. Digital twin driven prognostics and health management for complex equipment // CIRP Annals – Manufacturing Technology. 2018. V. 67 (1). P. 169. https://doi.org/10.1016/j.cirp.2018.04.055
- 7. Пастухов А. Г., Тимашов Е. П., Бахарев Д. Н. Обобщенная оценка основных факторов при проектировании техники и технологий в агроинженерии // Инновации в АПК: проблемы и перспективы. 2021. № 1 (29). С. 17–26.
- 8. Голубев И. Г., Мишуров Н. П., Федоренко В. Ф. и др. Цифровизация в сфере технического обслуживания и ремонта сельскохозяйственной техники: Монография. М.: Росинформагротех, 2023. 80 с.
- 9. Soloviev D. A., Rusinov A. V., Zagoruyko M. G. et al. Investigation of the movement of multi-support frontal machines // Improving Energy Efficiency, Environmental Safety and Sustainable Development in Agriculture: International Scientific and Practical Conference, Saratov, 20–24.10.2021. London: IOP Publishing Ltd, 2022. P. 012059. https://doi.org/10.1088/1755-1315/979/1/012059
- 10. Sevryugina N. S., Volkov E. A., Litovchenko E. P. Justification for Remote Control of Construction and Road-Making Machines // Modern Applied Science. 2014. V. 8(5). Р. 179. https://doi.org/10.5539/mas.v8n5p179
- 11. Golubev I. G., Apatenko A. S., Sevryugina N. S. et al. A Maintenance and Repair Decision Support Model for Transport and Technological Machines // J. Mach. Manuf. Reliab. 2023. V. 52. P. 391–399. https://doi.org/10.3103/S1052618823040064
- 12. Deng M., Deng A., Shi Y., Liu Y., Xu M. A novel sub-label learning mechanism for enhanced cross-domain fault diagnosis of rotating machinery // Reliability Engineering & System Safety. 2022. V. 225. P. 108589. https://doi.org/10.1016/j.ress.2022.108589
- 13. Wang H., Xu J., Yan R., Gao R. X. A New Intelligent Bearing Fault Diagnosis Method Using SDP Representation and SE-CNN // IEEE Transactions on Instrumentation and Measurement. 2019. V. 1–1. 12 р. https://doi.org/10.1109/tim.2019.2956332
- 14. Тынченко Я. А., Кукарцев В. В., Башмур К. А., Сяоган Ву, Севрюгина Н. С. Вероятностный анализ показателей надежности насосов с помощью нейронной сети // Горный информационно-аналитический бюллетень. 2024. № 7–1. С. 126–136. https://doi.org/10.25018/0236_1493_2024_71_0_126
- 15. Lebedev A. T., Arzhenovskiy A., Zhurba V. V. et al. Operational Management of Reliability of Technical Systems in the Agro-Industrial Complex // XIV International Scientific Conference “INTERAGROMASH 2021”: Precision Agriculture and Agricultural Machinery Industry. Rostov-on-Don, 24–26.02.2021. Springer Verlag: Springer Verlag, 2022. V. 1. P. 79–87. https://doi.org/10.1007/978-3-030-81619-3_9
