Применение нейронных сетей при техническом диагностировании автомобилей и анализе диагностической информации

Автомобильный транспорт является одной из ключевых отраслей экономики Российской Федерации. Так, по данным, указанным в Стратегии развития автомобильной промышленности Российской Федерации до 2035 года, к настоящему моменту автомобильная отрасль создает занятость более чем для 2,8 миллиона человек, а объем налоговых поступлений в бюджет страны превышает в 2,2 раза объем субсидий, выделяемых каждый год для поддержки отрасли [1]. Также необходимо отметить, что при положительной динамике роста автомобильной промышленности создается потребность в высококачественной продукции других отраслей промышленности Российской Федерации, например металлургической, электротехнической и отрасли станкостроения.

Несмотря на тот факт, что за последние годы качество технологий, применяемых в автомобильной отрасли и уровень безопасности автомобилей значительно выросли, автомобиль при несоблюдении условий эксплуатации, технического обслуживания и ремонта является объектом повышенной опасности, который может представлять угрозу, как для других участников дорожного движения, так и для окружающей среды в целом. По данным Научного центра безопасности дорожного движения Министерства Внутренних дел России, за первые 6 месяцев 2024 году на территории Российской Федерации произошло порядка 56369 дорожно-транспортных происшествий, в которых погибли 5967, а получили ранения различных степеней тяжести порядка 70469 человек [2]. Динамика основных показателей аварийности за аналогичный период в предыдущие годы представлена на рис. 1.

Необходимо отметить, что за первые 6 месяцев 2024 года из общего количества дорожнотранспортных происшествий, было зарегистрировано 2172 случая, в которых были зафиксированы технические неисправности автомобилей. В таких дорожно-транспортных происшествиях, согласно статистическим данным, погибли 336 и были ранены порядка 2900 человек [3]. Если обратиться к статистике дорожно-транспортных происшествий за 2023 год, то в общей сумме за 12 месяцев произошло 5149 случаев, при которых были

EDN EVJCHD зафиксированы технические неисправности автомобилей. Также необходимо отметить, что приведенная статистика имеет довольно печальный ха- рактер, так как большая часть таких происшествий сопровождается высокой тяжестью последствий.

100000 90000 80000 70000 60000 50000 40000 30000 20000 10000 0	Шнп 6 месяцев 6 месяцев 6 месяцев 6 месяцев 6 месяцев 6 месяцев 6 месяцев 2018 2019 2020 2021 2022 2023 2024
■    ДТП ■    Ранено, чел. ■    Погибло, чел.	71085      70990      62010      57715      54191      56900      56369 90546      91267      79148      73231      68592      71939      70469 7150       6885       6564       5883       5741       5944       5967

Рисунок 1 – Динамика основных показателей аварийности

Если говорить про тенденции развития автомобильной отрасли, существующие в настоящее время, важно обратить внимание, что сейчас происходит усложнение конструкции и агрегатов автомобилей, применяется все большее количество сложных электронных систем, что, с одной стороны, повышает безопасность, производительность и комфорт автомобиля в эксплуатации, но с другой стороны усложняет процесс технического обслуживания и ремонта и. И не менее важным является тот факт, что усложняется процесс обнаружения неисправностей и постановки точного диагноза о техническом состоянии автомобиля, также усложняется сам процесс технического диагностирования, который помимо обнаружения неисправностей необходим при организации и управлении технической эксплуатации автомобиля в целом. Чем больше в автомобиль внедряется новых систем, которые в дальнейшем при определении технического состояния будут являться источниками диагностической информации, тем выше будет вероятность возникновения погрешностей и неточностей при установлении точного диагноза. Исходя из этого, возможно сделать предположение о том, что в дальнейшем будут иметь актуальность разработки и применения методов диагностирования технического состояния автомобилей, которые позволят работать с большим количеством диагностических данных без потери их достоверности.

Применяемые методы технического диагностирования

Контроль и прогнозирование технического состояния автомобиля осуществляется с помощью технического диагностирования, иными словами, техническое диагностирование представляет собой процесс определения технического состояния рассматриваемого объекта с определенной точностью [4]. Техническое диагностирование позволяет найти место возникновения отказа, повлекшего за собой изменение технического состояния автомобиля, и определить причину возникновения отказа. С помощью технического диагностирования осуществляется процесс повышения надежности систем, узлов и агрегатов автомобиля путем контроля их основных рабочих показателей и параметров, что имеет также и положительный эффект, если говорить о коммерческих и государственных предприятиях, так как прогнозирование технического состояния позволяет управлять процессом организации технического обслуживания и ремонта парка подвижного состава. К положительному эффекту на предприятиях также можно отнести уменьшение трудовых и материальных затрат, сокращение расхода запасных частей и эксплуатационных материалов [5]. Важно отметить, что огромным преимуществом технического диагностирования является возможность определения технического состояния без проведения разборочных операций узлов и агрегатов автомобиля, что также способствует повышению их долговечности в эксплуатации.

Методы, применяемые в техническом диагностировании, в основном характеризуются способами измерения и типом измеряемых диагностических параметров, которые могут дать наиболее точную информацию для постановки диагноза о техническом состояния автомобиля. Применяемые методы диагностирования могут различаться измеряемыми параметрами, средствами и приемами измерения, а также по способам обработки получаемой диагностической информации.

По типу измеряемых диагностических параметров, методы диагностирования можно разделить на три вида: методы диагностирования технического состояния по выходным параметрам эксплуатационных свойств; методы диагностирования по геометрическим параметрам, то есть измерение зазоров, люфтов, углов установки управляемых колес; методы диагностирования параметрам сопутствующих процессов.

По приемам измерения методы технического диагностирования подразделяются на экспериментальные, в которых диагностическая информация получается путем проведения эксперимента, и измерительные, иными словами, при таких методах диагностическая информация получается при помощи измерительных средств. Также необходимо отметить, что методы диагностирования могут также подразделяться по применяемы средствам диагностирования на интеллектуальные, или органолептические, и инструментальные.

В настоящее время, одним из направлений совершенствования процесса технического диагностирования автотранспортных средств является использования бортовых систем диагностирования, позволяющих проводить контроль и оценку технического состояния удаленно. Такие системы активно внедряются в автотранспортные средства как зарубежом, так и в Российской Федерации. Необходимо отметить, что тенденция на внедрения подобных систем в автомобильной отрасли Российской Федерации подкреплена законодательно – так, согласно Федеральному закону от 31 июля 2020 года №258-ФЗ «Об экспериментальных правовых режимах в сфере цифровых инноваций в Российской Федерации», была поставлена задача по разработке и внедрению цифровых инноваций в сфере производства и эксплуатации транспортных средств [6].

В целом, архитектура таких систем построена на использовании встроенного блока передачи информации, который работает через диагностический разъем OBD-II и шину CAN, передача информации осуществляется c помощью модулей связи GSM и спутниковых систем GPS/ГЛОНАСС. Одним из самых известных опытов применения данного метода диагностирования является система, разработанная производителем грузовых автомобилей «SCANIA», под названием «SCANIA Remote Diagnostics», которая является одним из элементов системы контроля автопарка «SCANIA Fleet Management». Данная система может использоваться на грузовых автомобилях, производимых с 2012 года, так как данные модели оснащаются устройством под названием «SCANIA Communicator», позволяющий производить оценку параметров работы автотранспортного средства удаленно. Внешний вид устройства «SCANIA Communicator» модель «C200», представлен на рис. 2.

Рисунок 2 – «SCANIA C200 Communicator»

Необходимо отметить отечественный опыт разработки и внедрения систем удаленного диагностирования технического состояния, так грузовые автомобили «КАМАЗ», начиная с 2020 года оснащаются системой транспортного мониторинга «ИТИС KAMAZ», позволяющая сократить износ деталей и узлов контролируемого транспортного средства в среднем до 14%. Также ярким примером является группа компаний «ТехноКом», которой было разработана система «АвтоГРАФ», которая в настоящий момент позволяет не только производить мониторинга автотранспортных средств, но также имеет возможность и необходимые пакеты подключаемого оборудования для диагностирования подвижных составов железнодорожного транспорта, машин, работающих в горно-добывающей, строительных отраслях и сельском хозяйстве. В зависимости от типа подвижного состава и нужд организаций-заказчиков, компанией разработаны отдельные подключаемые модули, один из них – бортовой контроллер «АвтоГРАФ-SX» представлен на рис. 3.

Рисунок 3 – Бортовой контроллер «АвтоГРАФ-SX»

Также необходимо отметить, что подобные системы удаленного технического диагностирования разрабатываются и применяются в различных отраслях применения наземных транспортно-технологических машин, так система «IMS: интеллектуальная система мониторинга и прогнозной аналитики» является разработка производителя «БелАЗ» и применяется для оценки технического состояния, производительности и эффективности работы самосвалов и другой техники на производстве. Интерфейс данной системы представлен на рис. 4.

Рисунок 4 – Интерфейс системы мониторинга «IMS»

Актуальность применения нейронных сетей при техническом диагностировании

Разработка систем и новых методов диагностирования в целом тесно связана с довольно большим количеством проблем и вопросов, которые необходимо решить. В данной статье далее будет рассмотрена проблема обработки диагностической информации.

Получаемая в процессе определения технического состояния диагностическая информация играет ключевую роль в постановке окончательного диагноза о причине возникновения неисправного состояния автомобиля. Очень важно, чтобы получаемая диагностическая информация была достоверной и была предоставлена в том объеме, которого будет достаточно для дальнейшего принятия решения. Если полученной будет недостаточно для анализа всего множества неисправностей, либо часть полученных данных будет недостоверными, то в таком случае возрастает вероятность неправильной постановки диагноза и, как следствие, повышается риск повторного возникновения отказов и следующих за ними материальных и трудовых затрат [7].

Также необходимо отметить, что существующая тенденция на усложнение конструкции автомобилей и внедрения большого количества электронных систем в разы увеличивает объем поступающей в обработку диагностической информации и, как следствие, увеличивается множество отказов, которые могут причиной возник- новения неисправного состояния автомобиля. Помимо этого, наличие в автомобиле большого количества электронных систем, соединенных друг с другом, повышает вероятность возникновения таких отказов, о которых до момента их возникновения не было никакой информации.

В таком случае, возникает две проблемы, которые необходимо решить. Первая проблема заключается в том, что большое количество систем диагностирования не предназначено для работы с большими объемами данных, в них оценка технического состояния происходит разграничено без установления взаимосвязей с другими узлами и системами автомобиля и без учета поступающей от них диагностической информации. Иными словами, происходит лишь фиксация обнаруженных отказов, большое количество существующих систем не обладает алгоритмами для постановки окончательного диагноза о причине неисправности технического состояния [8].

Вторая проблема заключается в том, что при проектировании и разработке систем диагностирования, за основу берётся информация и данные о тех отказах, которые уже ранее фиксировались и известны алгоритмы, как эти отказы устранять. И, если во время эксплуатации автомобиля возникает отказ, ранее до этого не встречавшийся, то в таком случае возникает вероятность снижения достоверности и неправильной интерпретации получаемой к обработке диагностической информации, что, в свою очередь, может привести к неправильной постановке диагноза.

Если рассмотреть процесс диагностирования с помощью математических моделей, то здесь важно отметить, что математические модели диагностирования являются аналитическими и носят нелинейных характер. Иными словами, они содержат большое количество нелинейных зависимостей, которые затрудняют процесс построения точной и достоверной модели объекта диагностирования. Основные свойства нелинейности соотношений и зависимостей в аналитических моделях, можно представить в следующем виде [9]:

F(x i , x₂,-, xj = E ^ⁿ⁺¹ h p [%, Ф р (x p )]     (1)

Данное выражение утверждает, что при помощи применения линейных операций и каскадного соединения можно из произвольных нелинейных элементов получить любой требуемый результат с заранее заданной точностью. В данном выражении h_p - непрерывная функция; Ф Р (х р ) - функция, зависящая от F [9].

В таком случае, возникает вопрос о целесообразности внедрения в процессы технического диагностирования нейронных сетей, а также методов нечеткой логики, так с их помощью появляется возможность работы с большими объемами и в условиях, когда исходной информации недостаточно для принятия дальнейших решений. Возвращаясь к математической модели диагностирования, то в данной ситуации нейронные сети и контроллеры нечеткой логики могут выступать в качестве аппроксиматора функции с несколькими переменными, тем самым реализуя нелинейную функцию, одна из таких функций была рассмотрена в работе «Применение нечетких нейронных сетей для технической диагностики дорожных машин» [8]:

У = F(X)                (2)

В    данной    функции    {X(t)} =

{X₁(t),X₂(t), • ,X_n(t)} - векторы входной информации (текущие измеренные значения диагностических параметров), а У - реализация векторной функции нескольких переменных. Поэтому постановка многих задач диагностирования и прогнозирования технического состояния объекта может быть сведена именно к аппроксимационному представлению.

Принцип работы нейронных сетей и их применимость в техническом диагностировании

Принцип работы нейронных сетей основан на имитации работы мозга человека. Они состоят из нейронов, которые соединены друг с дру- гом и передают сигналы в виде электрических импульсов. Эти сигналы обрабатываются и передаются дальше для принятия решений. Информация передается от одного слоя к другому, где каждый нейрон выполняет определенные операции, обрабатывая данные. Различают статические, динамические, нечеткие нейронные сети, также как в отдельную классификацию можно выделить нейронные сети с нетрадиционной структуры [10].

Каждую нейронную сеть в целом можно пред ставить в виде трех слоев – входного слоя, скрытог о слоя и выходного слоя. При работе нейронной сети на входной слой поступает информация, которая для дальнейшей обработки распределяется по нейронам. На скрытом слое происходит обработке информации нейронами, выходной слой представляет собой завершающий этап обработки информации, на котором формируется ответ нейронной сети на поставленный ей запрос. Схема слоев нейронной сети представлена на рис. 5.

Рисунок 5 – Слои нейронной сети

Огромным преимуществом в применение нейронной сети при обработке информации является не только их возможность к работе с большим объемом данных, но и их возможность непрерывного обучения по мере поступления в них новых данных. Если рассмотреть этот вопрос с точки зрения применимости в техническом диагностировании, то в данном случае появляется возможность применения нейронных сетей для повышения уточнения достоверности поставленного диагноза о техническом состоянии за счет более подробного анализа дополнительных параметров объекта диагностирования и той совокупности всех данных, которые были загружены в нейронную сеть ранее. Нейронные сети могут обучаться на примерах и опыте, что позволяет им улучшать свою производительность в области их применения и, здесь появляется возможность обнаружения скрытых зависимостей в возникновении отказов, которые нельзя определить традиционными измерительными методами, но их можно определить с помощью анализа нейронной сети всего опыта, который она имеет в своей базе данных. Но необходимо отметить, что крайне важно подобрать модель работы нейронной сети, которая будет корректно принимать и обрабатывать получаемую информацию [7].

Нейронные сети также дают возможность анализ проводить корректировку значений параметров работы объекта диагностирования, которые выходных сигналов, что позволит своевременно проводить техническое обслуживание и текущий ремонт. Также анализ параметров работы объекта диагностирования дает возможность с помощью применения нейронных сетей прогнозировать процесс изменения технического состояния или вероятность возникновения отказов в системах, узлах и агрегатах.

Опыт применения нейронных сетей на автомобильном транспорте и при диагностировании технических систем

В настоящее время уже существует опыт применения нейронных сетей при техническом диагностировании технических систем, большая была часть которого представлена в научных трудах и запатентованных изобретениях. Стоит отметить, что количество и объем представленных результатов в сфере автомобильного транспорта гораздо меньше, чем в других сферах и отраслях, где допускается применение нейронных сетей при диагностировании технических систем. Одной из таких сфер является техническое обслуживание, ремонт и управление техническим состоянием газотурбинных авиационных двигателей, где можно отметить труды Добродеева Ильи Павловича, посвященные применению и повышению эффективности моделей работы нейронных сетей при техническом диагностировании газотурбинных двигателей [11]. Им была предложена концепция моделей работы нейронных сетей, способных адаптироваться к различным типам объектам диагностирования, также эти модели легли в основу запатентованного способа технического диагностирования газотурбинных двигателей [12]. Позднее предложенный им способ диагностирования был в изобретении Санкт-Петербургского горного университета, которое позволяет управлять режимами работы газоперекачивающих агрегатов на основе контроля рабочих параметров и диагностирования неисправностей [13].

В сфере технического обслуживания, ремонта и управления технической эксплуатацией автомобилей нейронные сети и методы нечеткой логики применяются как для определения отдельных параметров рабочих процессов, так и для анализы отдельных агрегатов и систем в целом. Так, в диссертации Кузнецова Александра Валерьевича описан процесс разработки алгоритмов обработки информации с датчиков системы управле- ния автомобильным двигателем, которые позволили контролировать и вычислять эффективность работы двигателя внутреннего сгорания с погрешностью не более пяти процентов [14]. Нгуен Минь Тиен в своих трудах предложил использовать нейронные сети именно для диагностирования двигателя внутреннего сгорания на основе работы датчиков системы управления, им было выявлено, что при применение нейронные сетей в техническом диагностировании появляется возможность выявления закономерностей изменения технического состояния в больших объемах данных, что позволяет прогнозировать возникновения различного вида отказов [15].

На базе Санкт-Петербургского государственного архитектурно-строительного университета Игорем Олеговичем Черняевым и Игорем Станиславовичем Граевским было проведено исследование о возможности непрерывного контроля технического состояния автотранспортных средств, а именно состава отработавших газов [16]. Предложенный ими механизм контроля позволяет получать информацию о составе отработавших газов по параметрам работы двигателя, значения которых доступны для получения через протокол OBD-II. Нейронные сети в данном исследовании использовались как инструмент для обработки полученных результатов.

Заключение

Нейронные сети обладают большим потенциалом как в процессах технического диагностирования, так и в эксплуатации автомобильного транспорта в целом. Нейронные сети позволяют эффективно обрабатывать большие объемы данных, и работать в условиях информационного шума, иными словами, во время ситуаций, когда поступление диагностической информации с автомобиля может быть осложнено внешними факторами, например, температурой окружающей среды или вибрациями.

Многие данные о состоянии транспортных средств представляют собой временные ряды – например, показания датчиков на протяжении времени. Нейронные сети могут учитывать временные зависимости в данных, что позволяет им предсказывать поведение автомобиля и выявлять тенденции, которые могут указывать на потенциальные проблемы. Также возможность применения нейронных сетей для работы с большим объемом данных дает возможность их интеграции с «Интернетом вещей» (IoT, Internet of Things), который может предоставить новые возможности для сбора и анализа данных. В данном случае, благодаря функционалу нейронных сетей по эффективной обработке данных из различных ис- точников, можно рассмотреть возможность создания системы, которая будет адаптивной и обучаемой. Функционал такой системы можно направить на сбор данных о движении, условиях дороги и даже местах предыдущих неисправностей, которые в совокупности могут быть использованы для создания более полной картины текущего технического состояния автомобиля.

Но, важно отметить, что наряду с большим количеством преимуществ, есть определенные проблемы и вызовы в работе с нейронными сетями, которые до сих пор не нашли подходящего решения. Так, в отношении нейронных сетей актуален вопрос алгоритмов, по которым они интерпретируют конечные результаты – для технического диагностирования важно понимать, какие из проанализированных признаков повлияли на конечных вывод. Но зачастую, нейронные сети выдают свои конечные выводы по типу «черных ящиков», то есть без должного описания логических цепочек, которые привели к конечному заключению по рассматриваемому вопросу. Здесь же снова возникает вопрос важности подбора качественной и полной информации, необходимой для обучения и корректной работы нейронных сетей.

Также, важными в применение нейронных сетей являются различные этические и юридические аспекты и безопасность применения таких систем в целом. Автономные системы, принимающие решения на основе данных, должны иметь соответствующую степень надежности и безопасности, чтобы гарантировать, что они не причинят вреда водителям или другим участникам дорожного движения, даже наличие человека-оператора, который будет принимать окончательное решение на основе выводов нейронной сети, не дает полных гарантий правильности выбранного решения. Говоря о юридических аспектах применения нейронных сетей в Российской Федерации, то на данный момент в нашей стране отсутствует чётко определённый правовой статус применения нейросетей и продуктов, созданных с их помощью.