Использование присадок и нанотехнологий при техническом обслуживании и ремонте мобильной техники

Болоев П. А., Миронов Г. Д., Нечкин В. Н., Занаева Г. Б. Использование присадок и нанотехнологий при техническом обслуживании и ремонте мобильной техники // Вестник Бурятского государственного университета. Химия. Физика. 2025. Вып. 4. С. 26–30.

Путем использования современных разработок можно существенно повысить срок работы быстроизнашиваемых деталей мобильной техники.

Нанесение гальванокомпозиционных покрытий, таких как борид хрома Сг В ₂, карбит кремния SiC в виде нанопрошков и керамики в пределах 40-60_нм, повышает твердость в 1,5-2,0 раза [1]. Здесь же разработаны композиционные наноматериалы — Си — Al₂O₃, Ca — BN, Си — MoS₂, Cu — ZnO₂ для гальванического хромирования.

В Мордовском госуниверситете разработана электроискровая установка БНГ-3 для наноструктурированных покрытий.

В МГАУ им. В. П. Горячкина и ООО «Лаборатория триботехнологии» г. Зеленограда разработаны присадки в моторное масло «NANODIAMONDGREENRUN» — наноалмазы» (4–6 мм), структурирующие масляную пленку, увеличивающие ее динамическую прочность, формирующие новые поверхности трения (максимальные нагрузки и дефицит смазки в кривошипно-шатунном механизме).

В Ульяновском высшем военно-техническом училище разработаны смазочные композиции — минеральное масло, олеиновая кислота, октаденилсульфонат натрия и этилендиаммония тетраборат в виде нанопорошка в масле, которые уменьшают износ вкладыша в 0,8–1,5 раза.

В Иркутском ГАУ им. А. А. Ежевского и Бурятском госуниверситете им Д. Банзарова получены патенты на противозадирные присадки для дизельного топлива, включающие рапсовое масло, этиловый спирт и воду (RUN2782804 С1) и патент N2702760 способ получения добавки в моторное масло на основе наноразмерного порошка диоксида кремния.

В статье Болоева Т. А. и др., опубликованный в нучном журнале «Вестник БГУ», рассмотрены физико-химические аспекты наноматериалов для литий-ионных аккумуляторов, позволяющих ускорить процессы зарядки до 10 минут вместо 6–8 часов.

В Институте математики, физики и компьютерных наук БГУ разработаны модели и алгоритм решения задач искусственного интеллекта при управлении БПЛА.

Программа разработана на основе MATLAB и функционала:

• -    взаимного движения;

• -    расчета вектора управления;

• -    алгоритма распределения на расстоянии;

• -    алгоритма распределения на время.

Она используется при решении проблемы теории управления и робототехники. Актуальность данной проблемы обусловлена растущими требованиями к автономности и эффективности современных технических систем.

Примечательно, что к автотракторным двигателям ИИ используется для управления рабочими процессами внутри цилиндра и всех систем и механизмов, 27

без участия оператора на неустановившихся режимах, а также с учетом климатических и зональных условий эксплуатации [1; 2].

Для линеаризации зависимости (1) желательно варьировать режимами работы, т. е. выбирать оптимальный режим нагрузки, частоты вращения, температуры, давления. В качестве диагностических сигналов рассматриваются амплитуда, фаза, среднее, среднее квадратическое, максимальное значение сигнала и т. д.

Детально изучены остальные зависимости. Коэффициент r парной корреляции между j-м диагностическим параметром к структурным применяется в качестве критерия тесноты связи. Диагностические параметры, для которых коэффициент парной корреляции мал, исключают. Для остальных рассчитывают значения обобщающего показателя связи:

г g=-^(j = 1,2е)                      (1)

sngj где ^П- — частная производная функция (1) по П^у в точке, ордината которой равна допускаемому значению параметра; e — число оставшихся изучаемых ди- агностических параметров.

Неявные значения обобщающего показателя связи следует считать основанием для выбора номенклатуры диагностических параметров.

Выбор диагностического параметра одновременно определяет и использование конкретного метода диагностирования. Под методом диагностирования понимают совокупность способов и приемов, обеспечивающих измерение диагностических параметров, являющихся характеристиками определенного физиче- ского процесса.

С повышением точности и уменьшением трудоемкости измерения структурных параметров повышается эффективность технического диагностирования.

Критерий оптимальной погрешности измерения должен учитывать издержки на измерение с определением средней квадратической погрешности структурного параметра и дополнительные издержки на ремонт и техническое обслуживание диагностируемого элемента, вызванные погрешностью измерения структурного параметра.

При плотности распределения непрерывной случайной величины — погрешности измерения параметра — p(x~) вероятность соответственно преждевременной или поздней замены при использовании альтернативных видов топлива составит:

f o-u P^dx и                      f^p^dx     (2)

Взвешивая каждый элемент вероятности дополнительными издержками на ремонт и техническое обслуживание ^(х), вызванными измерением параметра с погрешностью х, получим дополнительные вероятные издержки, связанные соответственно с преждевременной и поздней заменой:

f^ u P^W i (x)dx и f°~^u

(xW₂,(x)dx (3)

Интегралы (3) и (4) зависят от изменения параметра к моменту контроля u. Влияние изменения параметра на вероятность ошибочной замены и вероятные дополнительные издержки будут наибольшими при

D — x_n< и < D + x_n,                           (4)

где x_n — предельная погрешность измерения. Величина и в интервале от D — x_n до D влияет на вероятность преждевременной, а в интервале от D до D + х_п - поздней замены.

Закон распределения величины и в диапазоне, характеризуемом (5) при стационарном потоке отказов, можно принять равномерным с плотностью

^(и) =                                 (5)

^Х п

Тогда математическое ожидание дополнительных издержек с учетом системы двух случайных величин х и и

Cn^S) = ^__Хп fZ u V⁽xW i (x)(p i dxdu + f°^+Xn ^-^(x^txyp i dxdu (6)

Дополнительные издержки ф_г на ремонт и техническое обслуживание элемента в зависимости от погрешности измерения его структурного параметра x в первом приближении равны издержкам от неоптимальности на величину x допускаемого изменения того же параметра.

При использовании альтернативных видов топлива издержки в ту иную сторону будут зависеть от режимов эксплуатации, климатических и зональных условий [2].

Выводы:

• 1.    Систематизированный поиск неисправностей ускоряет процесс диагностики.

• 2.    Корреляционные связи между диагностическим и структурным параметрами позволяет повысить качество процесса поиска.

• 3.    Дополнительные издержки или экономия на ремонт и техническое обслуживание могут возникнуть при использовании различных видов альтернативного топлива.

Полученные результаты подтверждают высокую эффективность интеграции нанотехнологий и интеллектуальных методов диагностики в системы технического обслуживания и ремонта современной мобильной техники.