Интеллектуальная система диагностики сельхозтехники

Преимуществом данной системы диагностирования является возможность поддержания работоспособного состояния сельскохозяйственной техники при условии автоматизации процессов диагностирования и анализа полученных данных.

■ Двигатель Епции-

■ ГндроСИСТСМЛ Huirmnlem

■ Трансмиссия Transmission

Электрооборудование Electrical eqHipmcm

* Коробки переключения передач Gearbox

■ Ходовая система Running gear

■ Вал отбора мощности PTOxhuft

■ Навесная система Impierwrtt-mounHng

Рис. 1. Отказы тракторов в условиях реальной эксплуатации за период 2016-2019 гг.

Применение интеллектуальной системы диагностирования тракторов позволяет не только определить причину отказа по контролируемым параметрам, но и оценить эффективность работы машины в целом. Установлено, что одним из путей повы- шения эффективности использования сельскохозяйственной техники является бесконтактное определение параметров технического состояния техники через модернизацию технологии контроля технического состояния машин и мониторинга качества выполнения работ на основе внедрения современных интеллектуальных и телеметрических систем.

В Стратегии научно-технологического развития Российской Федерации в числе приоритетных и перспективных направлений научно-технологического развития Российской Федерации на ближайшие 10-15 лет определены разработка современных цифровых, интеллектуальных, производственных технологий, роботизированных систем, применение новых материалов и способов конструирования, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта.

По статистическим данным Министерства сельского хозяйства Российской Федерации, наша страна находится на 15 месте в мире по уровню цифровизации: цифровые технологии используются в обработке всего 10% пашни. В этой связи необходимо отметить, что существует утвержденный проект «Цифровое сельское хозяй- ство», главной задачей которого является способствование внедрению цифровых решений в производственные процессы АПК. В техническом сервисе сельскохозяйственной техники уже используют такие цифровые решения, как умный склад запасных частей, умный нефтесклад, телеметрические системы мониторинга за техническим состоянием техники и др.

Одним из основных направлений развития цифровизации при совершенствовании эксплуатации сельскохозяйственной техники и поддержании ее в работоспособном состоянии является их оборудование электронными встроенными средствами контроля и диагностирования.

Применение цифровых технологий при техническом сервисе позволит сократить эксплуатационные и экономические издержки при эксплуатации техники, повысить ее коэффициент технической готовности.

Цель исследования: оценить возможности интеллектуальной системы диагностирования параметров технического состояния сельскохозяйственной техники с применением нейронных сетей.

Материал и методы

Анализ технического состояния сельскохозяйственной техники осуществлялся на основе данных дилеров ведущих мировых производителей техники, официальных онлайн-платформ, ремонтно-обслуживающих баз за период 2016-2019 гг.

Непрерывный контроль технического состояния сельскохозяйственной техники возможен с применением цифровых и телематических систем с целью предупреждения аварийных ситуаций, онлайн-мониторинга условий и режимов работы, прогнозирования остаточного ресурса.

В зависимости от характера поставленных задач использовались монографический метод исследований, методы математического анализа с применением ПК, методы системного и статистического анализа с использованием пакетов Microsoft Offi ce Excel 2010 и др.

Результаты исследования

Анализ информации мониторинга сельскохозяйственной техники на отказы в условиях реальной эксплуатации показал, что более 1/3 всех отказов приходится на двигатель (рис. 1).

Рис. 2. Структурированная модель интеллектуальной системы диагностирования

Гидросистема с трансмиссией также весьма часто выходят из строя (суммарно около 40% из всех отказов). Их техническое состояние необходимо контролировать в первую очередь.

Применение цифровых технологий и информационных систем в классическом процессе диагностики позволяет сократить трудоемкость практически всех операций с учетом автоматизации получения и обработки информации о техническом состоянии машин различных типов.

Все вышеперечисленные системы имеют широкий спектр возможностей, позволяющих осуществить онлайн-диагностику техники, но главный недостаток заключается в том, что эти системы совместимы только с машинами, производимыми данными концернами.

Авторами предлагается проект интеллектуальной системы диагностирования параметров технического состояния разномарочных тракторов, структурированная модель которой представлена на рисунке 2.

Принцип действия интеллектуальной системы заключается в следующем: оборудование сбора и передачи данных 1 считывает технические пара- »

ТЕХНИКА

метры работы объекта диагностирования 2 с помощью адаптера 3 через заданную периодичность либо при запрограммированном событии. Накопленные данные передаются с помощью интерфейса обмена данными 4 на специальный сервер 5 , где обрабатывается и анализируется массив данных при помощи искусственной нейронной сети. Расшифрованная информация по запросу передается в диспетчерский пункт 6 . Эти данные можно получать в онлайн-режиме через сеть Интернет при помощи специальной программы или мобильного приложе-

Рис. 3. Математическая модель искусственной нейронной сети

ния. Пост 8, получая данные из диспетчерского пункта 6, отслеживает и контролирует техническое состояние машин, при необходимости проводит дополнительную детальную онлайн-диагностику. По запросу поста 8 или с заданной периодичностью пост диспетчера 7 соединяется с сервером 5 и получает недостающие на текущий момент данные по технике по расходу топлива. При необходимости из схемы работы интеллектуальной системы диагностирования посты 7 и 8 можно исключить. Механизатор 9, технический отдел 10, отдел управления про- изводством 11 на основании полученных данных не только получают сгенерированные отчеты и графики различных видов по оценке технического состояния параметров тракторов, но и могут наблюдать местоположение сельскохозяйственной техники на карте и просматривать различные параметры и события.

Определение технического состояния машины безразборным способом является одной из актуальных задач при проведении технического обслуживания. Проект предлагаемой интеллектуальной системы контроля технического состояния разномарочной техники позволяет заранее определять ее возможные отказы, что снижает незапланированные простои, способствует своевременному проведению технического обслуживания и ремонта машин.

Внедрение информационных систем и цифровых технологий в процесс диагностирования сельскохозяйственной техники с учетом автоматизации получения и обработки информации о ее техническом состоянии позволит до 1,5 раза снизить трудоемкость практически всех проводимых операций.

Функционирование предлагаемой интеллектуальной системы диа- !►

КИРОВЕЦ

З^овобья и Ьлшопалуч

СОЗДАЙТЕ трактор КИРОВЕЦ СВОЕЙ МЕЧТЫ

на сайте

ГН *4 ХЮ XI »Н*С

СсйервЗе «Ын Хяронец С пияш^ью фичь* ро еле вл. ии иомгд подобрань лгсйшдщгро ягилЛлм.Гощгю тр*тор* и мтвють «н ынцрсу «тирун иы м»шсуи4гя,гн быстро обребет»ри и евн ■емгА с bhuWI

V^ ПЕТЕРБУРГСКИЙ ^^ ТРАКТОРНЫЙ ЗАВОД

40007 5, г. Волгоград.

ул. Мотаркая, 9

Тел : (8442) 53 17-99, 5 5-17-13 www.volgogr Рекламаbв1жур

^ ВолгоградАгроСпаб

ТЕХНИКА

гностирования параметров технического состояния тракторов предлагается базировать на принципах работы искусственной нейронной сети, которая способна выполнять анализ, обработку и передачу полученных данных в процессе диагностирования на платформу специальной программы или мобильного приложения.

Для получения информации о техническом состоянии техники могут использоваться разного рода датчики (импульсно-силовые, аналоговые и цифровые), устанавливаемые на диагностируемом объекте. При необходимости датчики оборудуются аналогоцифровым преобразователем, позволяющим перевести информацию в цифровой вид.

Использование искусственной нейронной сети в интеллектуальной системе предусматривает возможность ее дальнейшего обучения посредством информационной базы

(датасет), содержащей внутри себя примеры с истинными значениями, которые позволят не только обучить нейронную сеть, но и понять успешность работы системы.

Базовым элементом искусственной нейронной сети является нейрон. При получении сигнала он обрабатывает его и в зависимости от выставленных ранее факторов либо остается отрицательным (0) и ничего не делает, либо генерирует потенциал действия, который посредством связей между нейронами (синапсов) передает сигнал соседним нейронам. Математическая модель используемой нейронной сети представлена на рисунке 3.

Взаимосвязи между нейронами позволяют информации внутри нейронной сети передвигаться в строго определенном направлении. У каждой нейронной связи есть свой вес, позволяющий указывать доминацию определенных нейронов: чем выше

Определение технического состояния машины без-разборным способом является одной из актуальных задач при проведении технического обслуживания. Проект предлагаемой интеллектуальной системы контроля технического состояния разномарочной техники позволяет заранее определять ее возможные отказы, что снижает незапланированные простои, способствует своевременному проведению технического обслуживания и ремонта машин.

вес нейронной связи, тем выше его доминация.

Выходные сигналы определяются функцией активации:

Y=f(h), где h - сумматор, определяющий взвешенную сумму входных сигналов по синаптическим связям:

h=Σx · w , ii i где xi - входной сигнал; wi - вес синаптической связи.

Видом функции активации в данном случае будет являться сигмоида - монотонно возрастающая нелинейная функция (рис. 4) с диапазоном значений (0; 1), описываемая зависимостью 2:

f(h)= _{1 + e}¹ –a · h , где a – степень крутизны функции.

Структура нейронной сети разделяется на 3 слоя работы с данными. Первая группа является входными сигналами (входным слоем) – цифровая информация, получаемая из определенного источника (данные от датчика, выбранный оператором симптом поломки и т.д.). Вторая группа - это скрытый слой нейронов, являющийся структурой (сумматор с функцией активации), запоминающей примеры нахождения зависимостей и необходимого значения. В конце информация передается на выходной слой, где система выдает необходимый параметр, с помощью которого можно сделать вывод о техническом состоянии диагностируемого объекта.

Первоочередной задачей интеллектуальной системы является анализ эффективности работы двигателя. Для решения данной задачи внутри сети выделяется подсистема, которая занимается анализом входных данных: величина крутящего момента двигателя, частота вращения двигателя, часовой расход топлива. Обработка входных данных происходит путем активации определенной категории. Каждый входной блок определяет, становится он активным либо неактивным. Первое прописанное значение для активации блока регулируется оператором, в последующем - самой системой. Учитывается также, что некоторые показатели эффективности являются доминирующими (крутящий момент), поэтому вес данных взаимосвязей будет больше.

Далее в скрытом слое происходит анализ полученных данных путем сравнения их значений с другими показателями, в результате чего вес взаимос вязей складывается, и на выходе получается первый тип информации - категориальные данные. Например, после получения определенных значений крутящего момента и показателей экономичной работы двигателя их значения анализируются.

При отклонении от нормативных значений выходной блок указывает на нарушения режима работы двигателя.

Вторым типом выходных данных являются категории. Данный вид выводящей информации позволит нам оценивать эффективность работы двигателя с учетом различных категорий эффективности - таких, как мощность двигателя, показатель крутящего момента, часовой расход топлива и т.д. Данный блок информации позволяет более точно проводить анализ полученных значений, а также в будущем отрегулировать систему таким образом, чтобы после получения одного блока выводящих данных система могла спрогнозировать изменение других блоков.

Необходимо отметить, что скрытые слои можно комбинировать в необходимый для оператора образ.

Основные показатели эффективности работы двигателя, с которыми может работать интеллектуальная система, – это:

• крутящий момент, Нм, использующийся в качестве основного диагностического параметра двигателя;

мощность, кВт, использующаяся в качестве показателя эффективности работы двигателя;

часовой расход топлива, кг/ч, принимаемый на основании измерений штатных или дополнительных систем.

Следует отметить, что предложенная система диагностирования проводит самообучение, основываясь на вероятностном методе выявления отказов. Данный процесс может быть значительно упрощен путем внесения вводных данных в виде симптомов. Особенностью этого вида обучения является то, что вносимые данные могут иметь непостоянный характер в зави-

Рис. 4. Сигмоидальная логистическая функция

симости от условий эксплуатации, но система все равно с высокой вероятностью сможет предсказывать отказ.

Выводы

О Анализ систем удаленной диагностики параметров технического состояния сельскохозяйственной техники показывает, что одновременный сбор данных о техническом состоянии ресурсных параметров всех механизмов техники с помощью онлайн-мониторинга (а не отдельно взя-того узла) повышает эффективность использования машины и обеспечивает сохранность ее эксплуатационных свойств на заданном уровне.

0 Применение предлагаемой интеллектуальной системы при диагностировании и оценке параметров технического состояния тракторов с принципом работы самообучаемой искусственной нейронной сети позволит заранее определять их возможные отказы, что снижает незапланированные простои по техническим неисправностям, способствует своевременному проведению технического обслуживания и ремонта машин.

Ерохин М. Н., академик РАН, д-р техн. наук, профессор, Дорохов А. С., чл.- корр. РАН, д-р техн. наук, профессор РАН,

Российский государственный аграрный университет –

МСХА имени К.А. Тимирязева;

Источник: Агроинженерия f