RU2614740C1 - Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств - Google Patents
Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств Download PDFInfo
- Publication number
- RU2614740C1 RU2614740C1 RU2015148936A RU2015148936A RU2614740C1 RU 2614740 C1 RU2614740 C1 RU 2614740C1 RU 2015148936 A RU2015148936 A RU 2015148936A RU 2015148936 A RU2015148936 A RU 2015148936A RU 2614740 C1 RU2614740 C1 RU 2614740C1
- Authority
- RU
- Russia
- Prior art keywords
- level
- neural network
- load
- nature
- node
- Prior art date
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Изобретение относится к способу диагностики узлов транспортных средств. Для оценки основного параметра, определяющего уровень и характер нагрузки для диагностики особо ответственных узлов транспортных средств, размещают датчики, количество и сочетание которых выбирается индивидуально, на узле транспортного средства, производят измерения различных частотных сигналов, формируют входные параметры для нейронной сети, выполненной на основе технологии параллельных вычислений Nvidia CUDA, производят первоначальное обучение нейронной сети при эксплуатации объекта, оценивают уровень нагрузки на узел транспортного средства с учетом комплексного воздействия всех отдельных параметров. Обеспечивается надежность диагностики транспортных средств. 1 ил., 1 табл.
Description
Изобретение относится к области диагностики транспортных средств и отдельных его узлов и предназначено для оценки технического состояния его особо ответственных узлов.
Известен способ и устройство для технической диагностики сложного технологического оборудования на основе нейронных сетей с использованием датчиков, размещенных в рабочей зоне оборудования (Патент RU 2563161 C2 от 18.07.2013 г., опубл. 20.09.2015 г.)
Способ позволяет проводить диагностику сложного технологического оборудования за счет регистрации и обработки сигналов с датчиков, размещенных в рабочей зоне оборудования, после чего производят обучение нейронной сети и на ее основе получают динамическую модель. После чего происходит регистрация сигналов во время эксплуатации оборудования, и производят дополнительное обучение нейронной сети.
Недостатком способа является отсутствие параметра, определяющего характер и уровень нагрузки на узел транспортного средства, с целью более точной оценки состояния оборудования. Он также имеет ограниченную область использования. Так как это случайный процесс, то необходимо учитывать все факторы, оказывающие влияние на исследуемую систему, поэтому возникает потребность выявления основного показателя, влияющего на работоспособность ответственных узлов транспортных средств.
Для расширения области использования способа технической диагностики и возможности его использования для диагностики особо ответственных узлов транспортных средств, в частности, в условиях пониженных температур предлагается использование датчиков, таких как тензометрический датчик, датчик температуры, акселерометр и ряд других, для комплексной оценки состояния узла, причем в качестве основного оценочного параметра предлагается использовать показатель уровня нагрузки на узел транспортного средства.
Данный показатель выбран в качестве основного диагностирующего параметра, вследствие того, как показали экспериментальные исследования, он определяет все основные параметры, необходимые для оценки степени нагрузки на узел (виброускорение, напряжения (деформации), а также температуры), с определенным весом каждого показателя и их взаимного влияния, причем данную процедуру оценки в режиме реального времени целесообразно вести с использованием нейронной сети с применением технологии параллельных вычислений Nvidia CUDA.
Технический результат изобретения заключается в возможности точной оценки эксплуатационных режимов работы узла, их оптимизации и предотвращении его поломок в процессе эксплуатации, определении основного параметра, характеризующего уровень и характер нагружения узла транспортного средства для комплексной оценки его состояния, а также повышении надежности диагностики транспортных средств.
Технический результат достигается тем, что при способе оценки основного параметра, определяющего уровень и характер нагрузки для диагностики особо ответственных узлов транспортных средств, при котором на узле размещают датчики, производят измерения различных входных параметров и преобразование полученных амплитудно-частотных сигналов, формируют изменяющиеся во времени входные параметры для нейронной сети, производят первоначальное обучение нейронной сети при эксплуатации объекта, но при этом в качестве основного параметра для оценки уровня и характера нагрузки принимается уровень нагрузки на узел транспортного средства, который для каждого конкретного узла может быть оценен с учетом комплексного воздействия всех отдельных параметров, регистрируемых с помощью датчиков, количество и сочетание которых выбирается индивидуально для получения более точной оценки основного диагностирующего параметра; для увеличения скорости обучения нейронной сети и диагностики остаточного ресурса в режиме реального времени используется нейронная сеть на основе технологии параллельных вычислений Nvidia CUDA
Схема определения показателя уровня нагрузки (P) особо ответственных узлов транспортного средства с использованием нейронной сети показана на Фиг. 1.
В данном случае использована архитектура системы, которая построена по модульному принципу, из универсальных аппаратных модулей (1-3), сигналы с которых направляются на вход нейронной сети, которая определяет уровень нагрузки на узлы транспортного средства.
В данном случае в качестве датчиков используются датчик для измерения температуры 1, акселерометр 2 и тензометрический датчик 3, как показано на Фиг. 1.
С датчиков поступают сигналы на вход нейронной сети, данные сигналы изменяются во времени, в связи с этим меняется и уровень нагрузки на узел, которая выступает в качестве выходной характеристики нейронной сети.
Для обучения нейронной сети предварительно производится эксплуатация узла при различных уровнях нагрузки на узел, производится регистрация уровней вибраций, температур, деформаций, возникающих в материале, и ряда других параметров, измеряемых с помощью датчиков для каждого режима работы узла, при учете комплексного действия данных факторов. В этой связи для обучения нейронной сети предварительно составляется обучающая таблица (выборка) (табл. 1), куда вносятся исходные данные. Во время эксплуатации сеть также способна к самообучению. Выходной параметр – допустимый уровень нагрузки, при которой происходит выход узла из стоя, принимается в качестве критического значения ΔPi.
Табл.1. Исходные данные для оценки уровня нагрузки.
Виброускорение, A, м/с2 | Деформации, ε, мм | Температура, t, °C | Условный показатель уровня нагрузки P, % |
Ai | εi | ti | Pi (Ai, εi, ti) |
Таким образом, с помощью применения данного способа диагностики транспортного средства, можно определить уровень нагрузки Pi (0%-100%) с использованием заранее обученной и самообучающейся в процессе эксплуатации нейронной сети в режиме реального времени.
Преимущества данного подхода по сравнению с существующими способами состоят в следующем: достигается высокая точность результатов расчета за счет использования любого количества и сочетания входных параметров (датчиков, модулей) для каждого конкретного узла; уменьшается вероятность преждевременной поломки, за счет оценки уровня нагрузки на узел в режиме его эксплуатации и возможности её корректировки при превышении заданного уровня; существенно увеличивается скорость обучения нейронной сети на основе технологии параллельных вычислений Nvidia CUDA.
Claims (1)
- Способ оценки основного параметра, определяющего уровень и характер нагрузки для диагностики особо ответственных узлов транспортных средств, при котором на узле размещают датчики, производят измерения различных входных параметров и преобразование полученных амплитудно-частотных сигналов, формируют изменяющиеся во времени входные параметры для нейронной сети, производят первоначальное обучение нейронной сети при эксплуатации объекта, отличающийся тем, что в качестве основного параметра для оценки уровня и характера нагрузки принимается уровень нагрузки на узел транспортного средства, который для каждого конкретного узла может быть оценен с учетом комплексного воздействия всех отдельных параметров, регистрируемых с помощью датчиков, количество и сочетание которых выбирается индивидуально для получения более точной оценки основного диагностирующего параметра; для увеличения скорости обучения нейронной сети и диагностики остаточного ресурса в режиме реального времени используется нейронная сеть на основе технологии параллельных вычислений Nvidia CUDA.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015148936A RU2614740C1 (ru) | 2015-11-16 | 2015-11-16 | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015148936A RU2614740C1 (ru) | 2015-11-16 | 2015-11-16 | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2614740C1 true RU2614740C1 (ru) | 2017-03-29 |
Family
ID=58506776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015148936A RU2614740C1 (ru) | 2015-11-16 | 2015-11-16 | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2614740C1 (ru) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5333240A (en) * | 1989-04-14 | 1994-07-26 | Hitachi, Ltd. | Neural network state diagnostic system for equipment |
US20050149234A1 (en) * | 2003-12-30 | 2005-07-07 | Vian John L. | Methods and systems for analyzing engine unbalance conditions |
RU2363935C1 (ru) * | 2007-10-31 | 2009-08-10 | Владимир Леонидович Александров | Способ контроля прочности и вибрации судна и устройство для его осуществления |
US20140012461A1 (en) * | 2012-07-04 | 2014-01-09 | Alenia Aermacchi S.P.A. | Method for performing diagnostics of a structure subject to loads and system for implementing said method |
RU2563161C2 (ru) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
-
2015
- 2015-11-16 RU RU2015148936A patent/RU2614740C1/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5333240A (en) * | 1989-04-14 | 1994-07-26 | Hitachi, Ltd. | Neural network state diagnostic system for equipment |
US20050149234A1 (en) * | 2003-12-30 | 2005-07-07 | Vian John L. | Methods and systems for analyzing engine unbalance conditions |
RU2363935C1 (ru) * | 2007-10-31 | 2009-08-10 | Владимир Леонидович Александров | Способ контроля прочности и вибрации судна и устройство для его осуществления |
US20140012461A1 (en) * | 2012-07-04 | 2014-01-09 | Alenia Aermacchi S.P.A. | Method for performing diagnostics of a structure subject to loads and system for implementing said method |
RU2563161C2 (ru) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108885154B (zh) | 阀门诊断方法及阀门诊断装置 | |
CN106525226B (zh) | 一种基于现场振动载荷识别的评估方法及系统 | |
Cheng et al. | Crack level estimation approach for planetary gearbox based on simulation signal and GRA | |
EP2853972A3 (en) | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors | |
CN108363952A (zh) | 诊断装置 | |
RU2612951C1 (ru) | Способ определения остаточного ресурса узла транспортного средства | |
WO2019074712A3 (en) | Performance based condition monitoring | |
US20130338938A1 (en) | Identifying wind or water turbines for maintenance | |
CN109543357B (zh) | 一种多元回归模型优化的故障程度量化评估方法 | |
US10416123B2 (en) | Flaw detection sensitivity adjustment method and abnormality diagnosis method for ultrasonic probe | |
RU2614740C1 (ru) | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств | |
CN104875735B (zh) | Ato控制的高速列车制动系统间歇故障检测方法及系统 | |
Kosobudzki | The use of acceleration signal in modeling proces of loading an element of underframe of high mobility wheeled vehicle | |
CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
Dudzik et al. | Optimal dynamic error formula for charge output accelerometer obtained by the neural network | |
JP2016222387A (ja) | 昇降機の診断方式 | |
Konieczny | The statistical analysis of damping parameters of hydraulic shock absorbers | |
Burdzik et al. | The uncertainty of determining shock absorber damping characteristic on indicator test stand | |
WO2018194886A8 (en) | Multidimensional acceleration and/or force gait analysis system for diagnosis | |
JP2015161506A (ja) | 信号解析装置、信号解析方法、劣化診断装置及び劣化診断方法 | |
RU153273U1 (ru) | Тестер для контроля и диагностирования пьезоэлектрических датчиков | |
Ni et al. | A Bayesian machine learning approach for online wheel condition detection using track-side monitoring | |
EP3605051B1 (en) | Analyzing device, diagnosing device, analysis method, and computer-readable recording medium | |
RU2587635C1 (ru) | Способ диагностирования датчика измерения | |
RU2430347C1 (ru) | Способ диагностики возмущающих сил узла механизма |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171117 |