Контроль технического состояния подъемных сооружений и оборудования с использованием искусственных нейронных систем
Журнал: Advanced Engineering Research (Rostov-on-Don) @vestnik-donstu
Рубрика: Машиностроение и машиноведение
Статья в выпуске: 3 т.26, 2026 года.
Бесплатный доступ
Введение. Федеральные нормы и правила в области промышленной безопасности регламентируют порядок проведения оценки технического состояния указанных технических устройств и сопутствующего оборудования. Однако данные регуляторные требования предусматривают проведение дискретного анализа дефектов отдельных узлов и деталей грузоподъемных машин. Подобный подход не всегда обеспечивает требуемую точность и объективность при диагностировании общего состояния оборудования, так как разнообразные сочетания дефектов в многочисленных конструктивных элементах предопределяют различную степень их совокупного износа. Это обусловлено тем, что в ходе долговременной эксплуатации составные узлы и детали механизмов подвергаются неравномерному деструктивному воздействию, приводящему к вариативности степени их разрушения. В настоящем исследовании предлагается сформировать комплекс научно-технических мер, направленных на повышение эксплуатационной надежности как самих грузоподъемных машин, так и сопряженного оборудования, посредством интеграции современных интеллектуальных алгоритмов. Цель работы — разработка интеллектуальной системы поддержки принятия решений, предназначенной для комплексной интегральной оценки технического состояния подъемных сооружений. Материалы и методы. Для достижения поставленной цели были разработаны три архитектуры искусственных нейронных сетей. Первая модель характеризуется пятислойной структурой: первый — входной слой включает восемь нейронов, соответствующих аналогичному числу браковочных показателей элементов подъемных сооружений, таких как дефекты ходовой части, тормозной системы, канатно-блочной системы и грузового крюка. Три последующих скрытых слоя содержат по восемь нейронов каждый, обеспечивая процесс обучения и фиксацию промежуточных результатов. Выходной слой состоит из трех нейронов, каждый из которых характеризует определенный класс технического состояния исследуемого объекта. Вторая нейронная сеть имеет аналогичную конфигурацию, за исключением входного слоя, в который дополнительно включено девять нейронов, соответствующих показателям браковки несущих металлоконструкций подъемных сооружений. Входной слой третьей модели содержит двадцать девять нейронов. Подобная структура позволяет комплексно оценивать состояние оборудования по всей совокупности браковочных показателей. Практическая реализация разработанных моделей выполнена в среде программирования Python с использованием библиотеки машинного обучения Scikit-learn. Тестирование работоспособности и эффективности разработанных сетей проводилось на десяти независимых выборках по критериям их производительности и доверительным интервалам оценки состояния технических устройств. Результаты исследования. Производительность разработанных моделей в ходе тестирования составила 100 %, то есть каждая из трех нейросетевых структур безошибочно классифицировала состояние подъемных сооружений во всех десяти тестовых сценариях. При этом доверительный уровень выносимого суждения возрастал по мере масштабирования числа входных параметров сети в диапазоне от 0,628 до 0,705. Обсуждение. Представленные данные демонстрируют выраженное влияние архитектуры искусственной нейросети на прецизионность диагностирования подъемных сооружений. Ключевым результатом является установление численной зависимости между комбинациями браковочных критериев и результирующим классом состояния посредством анализа уровней активации нейронов выходного слоя, выступающих количественной мерой достоверности принимаемого моделью решения. Полученные выводы коррелируют с предшествующими исследованиями в области приложения методов машинного обучения к технической диагностике. Специфика предложенного подхода состоит в интегральной оценке общего состояния без детального математического моделирования локальных физических процессов, что обусловливает его эффективность в условиях дефицита априорной информации об эксплуатационных режимах. К числу ограничений работы следует отнести относительно небольшой объем выборки и определенную субъективность экспертной разметки. Возможные погрешности обусловлены риском переобучения нейросети на малых массивах обучающей информации. Заключение. Предложенная интеллектуальная система разработана с учетом практического опыта эксплуатации подъемных машин, анализа накопленных статистических данных и требований действующих отраслевых стандартов. Научные результаты расширяют представление о потенциале применения алгоритмов искусственного интеллекта для обеспечения техногенной безопасности сложных технических объектов. Внедрение подобных систем позволит инженерно-техническому персоналу, не обладающему обширным практическим опытом натурного обследования конструкций, принимать квалифицированные и обоснованные решения относительно возможности продолжения безопасной эксплуатации оборудования.
Короткий адрес: https://sciup.org/142248826
IDS: 142248826 | УДК: 621.86 | DOI: 10.23947/2687-1653-2026-26-3-2435
Technical Condition Monitoring of Lifting Structures and Equipment Using Artificial Neural Systems
Introduction. Federal industrial safety standards and regulations establish the requirements for the technical condition assessment of the said engineering devices and associated equipment. However, these regulatory frameworks require a discrete-level defect analysis of composite nodes and parts of load-lifting machinery. This approach does not always ensure the required accuracy and objectivity in monitoring the overall condition of equipment, as various combinations of defects in numerous structural components determine varying degrees of their overall wear. This is due to the fact that, during long-term operation, the components and parts of the mechanisms are subject to uneven destructive stress resulting in variability in the degree of their damage. The present work proposes a combination of scientific and technical measures to improve the operational reliability of both lifting machines and associated equipment through the integration of modern intelligent algorithms. The research objective of the study is to develop an intelligent decision support system designed for a comprehensive, integrated assessment of the operating conditions of lifting structures. Materials and Methods. To achieve this objective, three models of artificial neural networks have been developed. The first model contains five layers: the first input layer includes eight neurons corresponding to the same number of rejection indicators of lifting structure components, such as defects in the undercarriage, braking system, rope-and-pulley system, and load hook. The three subsequent hidden layers contain eight neurons each. They are responsible for the learning process of the network and provide recording of intermediate results. The output layer consists of three neurons, each of which characterizes a certain class of technical condition of the object under study. The second neural network has a similar configuration, except for the input layer, which additionally includes nine neurons corresponding to the rejection indicators of the supporting metal structures of lifting facilities. The input layer of the third model contains twenty-nine neurons. This structure allows for a comprehensive assessment of equipment condition across a full range of rejection indicators. The practical implementation of the developed models was performed in the Python programming environment using the Scikit-learn machine learning library. Testing of the performance and efficiency of the developed networks was carried out on ten independent samples according to their performance criteria and confidence intervals for assessing the state of engineering devices. Results. The performance of the developed models under testing was 100%, meaning each of the three neural network structures accurately classified the conditions of the lifting structures in all ten test scenarios. Moreover, the confidence level of the judgments made increased as the number of network input parameters was scaled in the range from 0.628 to 0.705. Discussion. The presented data demonstrate the significant impact of the artificial neural network architecture on the precision of lifting structure diagnostics. The key result is the establishment of a numerical relationship between combinations of rejection criteria and the resulting condition class through the analysis of the activation levels of output layer neurons, which serve as a quantitative measure of the reliability of the decision made by the model. The findings correlate with previous research in the field of applying machine learning methods to technical diagnostics. The specificity of the proposed approach is in the integrated assessment of the overall condition without detailed mathematical modeling of local physical processes, which determines its efficiency under conditions of limited a priori information about operational modes. Limitations of the work include a relatively small sample size and a certain subjectivity of expert marking. Possible errors are due to the risk of retraining the neural network on small arrays of training information. Conclusion. The proposed intelligent system is developed taking into account practical experience in operating lifting machines, analysis of accumulated statistical data, and the requirements of current industry standards. Scientific results expand the understanding of the potential of using artificial intelligence algorithms to ensure the technological safety of complex technical objects. The implementation of such systems will allow engineering and technical personnel who do not have extensive practical experience in on-site inspection of structures to make qualified and informed decisions regarding the possibility of continuing the safe operation of equipment.
