Рассмотрен метод определения технического состояния механической коробки передач, использующий технологии искусственного интеллекта и основанный на применении нейронечетких сетей. Отмечено, что данный метод должен содержать четыре основных этапа. Показана структура системы диагностирования, реализующей данный метод. Приведен пример идентификации неисправностей в системе управления механической коробки передач.
Ключевые слова: нейронечеткая сеть, механическая коробка передач, диагностирование.
The method of determining the technical condition of a manual gearbox using artificial intelligence technology and based on the use of neuro-fuzzy networks is considered. It is noted that this method should contain four main stages. The structure of the diagnostic system that implements this method is shown. An example of identifying faults in a manual transmission control system is given.
Keywords: neuro-fuzzy network, manual transmission, diagnostics.
Введение
Механическая коробка передач и трансмиссия в целом — одна из наиболее нагруженных систем военных машин, работающая в эксплуатационных сложных условиях, поэтому для нее очень высока вероятность поломок. В этой статье автор предлагает методики диагностирования МКП на основе интеллектуальных искусственных технологий.
Основание
Для получения информации, необходимой для формирования продукционных правил нечеткой логики, строят функциональные зависимости одних диагностических параметров от других вида
dk = f (dl); 
, k # l (1)
где d k, dl — диагностические параметры; m — их количество.
Эти зависимости позволяют выявить влияние одних диагностических парамет
С целью оценки влияния диагностических параметров на характеристики механизмов и элементов объекта диагностирования получают зависимости вида
Уj = f (dk); 
; 
(2)
где yj — характеристики объекта; n — количество характеристик.
Далее строится экспертная система, предназначенная для определения характера и степени неисправностей МКП. Этапы проведения технической идентификации МКП включают комплекс научно-технических и исследовательских работ на стендах и лабораториях.
По методу диагностирования, основанном на нечеткой логике, получили результаты, изображенные на рис.1.
Рис.1. Изображение результатов по типам диаграммы
Нейронечеткая сеть идентифицирует конкретные неисправности объекта при условии, что она была предварительно обучена распознавать тот или иной отказ либо неисправность. Для обучения используются классические математические принципы обучения нейронных или нейронечетких сетей. Метод содержит несколько этапов.
Этап 1. Сбор экспертной информации по отказам и неисправностям и формирование базы знаний. На данном этапе на основе экспериментальных данных, заключений экспертов и посредством других достоверных источников информации формируется база знаний. Она представляет собой совокупность обучающих выборок, характеризующих признаки и проявления неисправностей; эти выборки в дальнейшем подаются на вход нейронечеткой сети.
Итак, ставится задача определения технического состояния элементов механической коробки передачи военных машин, который эксплуатируется в условиях Вьетнама. Исходная информация о функционировании МКП, поведении ее параметров, возможных неисправностях и причинах их возникновения формируется в виде экспертной базы знаний на основе достоверных данных, полученных от различных источников. В качестве дополнительных источников формирования базы знаний могут служить результаты экспериментальных исследований в стендовых условиях и в процессе ходовых испытаний, а также статистические данные по отказам.
Сформированная база знаний используется при обучении нейронечетких сетей для распознавания неисправностей. Количество продукционных правил подобной базы знаний составляет несколько десятков для описания технического состояния отдельного механизма или несколько сотен для машины в целом.
Этап 2. Создание нейроной модели. Нейронная модель образуется на математической основе теории нейронных сетей. Входами сети служат информационные переменные X (диагностические параметры), описанные функциями принадлежности 
(N — число информационных переменных, M — лингвистических переменных по каждому параметру). В качестве выхода сети — вектора Yi — выступают различные критерии, определяющие показатели эффективности, качества и безопасности функционирования МКП (коэффицент передаточного числа, вибрации, пульсации давления, утечки и т. д.).
Для преобразования четких сигналов в нечеткий вид диагностические параметры фаззифицируются. Каждый из диагностических параметров
описывается несколькими (тремя-пятью) термами лингвистической переменной. Как правило, для этих целей используются треугольные или гауссовские функции принадлежности.
Для нейронного моделирования используют специализированное программное обеспечение (например, программу Neural network Toolbox программного обеспечения MATLAB 7.0). Аппроксимирующая модель включает в себя программу с расширением *.fis, основанную на представлении входных параметров базы нечетких правил нечеткими переменными, и программы формирования тестирующих и обучающих данных *.m на основании реальных процессов функционирования МКП. При использовании модели в режиме реального времени исходные данные об изменении параметров МКП поступают от регистратора — микропроцессора или бортового компьютера.
Структура нейронной сети, аппроксимирующей выход диагностической системы, показана на рис. 2. При этом число входов сети равно количеству используемых диагностических параметров.
Этап 3. Обучение нейронечеткой сети. При обучении сети на ее вход подают совокупность пар обучающих выборок, характеризующих сочетание диагностических параметров для разных видов технического состояния механизмов МKП. Значение, получаемое на выходе сети, соответствующим образом интерпретируется.
Рис.2. Структура нейронной сети
Время обучения модели с использованием компьютера с операционной системой Windows XP Professional и установленной вычислительной системой MATLAB 7.0 составляет всего 10 с. Результат обучения сети был достигнут в течение 10 эпох.
Этап 4. Нейронечеткая идентификация и вывод заключения. Этот этап является заключительным в процессе определения технического состояния элементов МКП.
При этом для получения технического диагноза используют обученную нейронечеткую сеть, а на вход сети поставляется информация о параметрах, характеризующих реальные процессы в МКП. Для удобства пользователя диагностической системы числовая информация, получаемая на выходе сети, подвергается дополнительной интерпретации и выдается, к примеру, в вербальном виде (лингвистической форме).
При этом используются специальные окна интерпретатора, в котором информация экспертной системы о техническом состоянии механизмов МКП для выбранного режима функционирования выводится в визуально-вербальном виде. В окне просмотра экспертной системы просматривают графическую информацию о поведении параметров на режиме управления или режиме диагностирования. В специальных строках выводятся разные сообщения: виды и наименования диагностических параметров, их текущие значения, предупреждения о возникновении нештатных ситуаций либо достижении параметров критических значений и др.
Элементы интерфейса экспертной системы могут быть достаточно легко изменены в соответствии с пожеланиями пользователя. Экспертная система для диагностирования МКП, реализующая созданный метод, сопровождается программным обеспечением, разработанным на современных языках программирования с привлечением средств визуальной разработки.
Предложенный метод обеспечивает получение расширенной достоверной базы знаний, быстроту обработки информации, точность получаемого технического диагноза и возможность оперативного определения технического состояния МКП в режиме реального времени.
Преимущества предложенного метода заключаются в следующем:
– возможность использования расширенной достоверной базы знаний;
– высокая скорость обработки информации;
– большая точность технического диагноза;
– возможность оперативного диагностирования в режиме реального времени;
– удобство нормативного диагностирования на специализированных постах, станциях техобслуживания, на горно-обогатительных предприятиях и т. д.
Рис.3. Структура нейронной сети для диагностирования МКП
Где Х1 — Плавный угол поворота ведомого вала (градус)
Х2 — Температура масла (0С)
Х3 — Уровень шума (дБ)
Х4 — Металлические опилки (г)
Таблица 1
Диагностические параметры МКП
|
TT |
Входные параметры |
Обозначение |
Выходные параметры |
Обозначение |
|
1 |
Плавный угол поворота ведомого вала (градус) |
угол |
Техническое состояние (%) |
ТС |
|
2 |
Температура масла (0С) |
Температура |
||
|
3 |
Уровень шума (дБ) |
шум |
||
|
4 |
Металлические опилки (г) |
Опилки |
Рис.4. Цель обучения нейронной сети RBF для МКП
Рис.5. Результат прогнозирования и результат в эксплуатации МКП
После обучения сети с использованием модели Train и предоставления тестового образца мы имеем TTKT (y) = fx (x1, x2, x3, x4,...). Это стандартная функция, у нас есть функция TTKT (y) = φx (x1, x2, x3, x4,...). Мы обучаем сеть, то есть меняем веса w1, w2, w3, w4,.... так что целевая функция φx → fx = 100.
Заключение
Искусственные нейронные сети (ИНС) используют для идентификации объектов контроля, распознавания образов и прогнозирования состояния технической системы. Применение ИНС позволит получить повышение быстродействия средств диагностирования за счет распараллеливания потоков обработка диагностической информации. Метод диагностирования сложных технических объектов, основанные на применении нейронечетких сетей, адаптированы к задачам диагностирования механических коробки передач военных машин. В статье используется метод нейронной сети RBF и набор инструментов Neural Network Toolbox от Matlab для диагностики технического состояния механической коробки передач. Применение вышеуказанного метода позволяет диагностировать аналогичные системы и конструкции на гусеничных машинах.
Литература:
- Биргер И. А. Техническая диагностика. — М.: Машиностроение, 1978. — 240 с.
- Викторова Е. В. Применение нечетких нейронных сетей для технической диагностики дорожных машин/ Е. В. Викторова // Вестник ХНАДУ, — 2012, — вып. 56. — С. 98–102.
- Хаханов, В.И., Щерба, О. В. Применение искусственных нейронных сетей для диагностирования цифровых сетей/ В. И. Хаханов, О. В. Щерба// Радиоэлектронные и компьютерные системы. — 2010. — № 5 (46), — С. 15–20.
- Руководство по материальной части и эксплуатации Т-55. Ордена трудового красного знаний. Военное издательство.- Москва 1969, — 665 с.
- Lại Như Hiền, Lại Khắc Lãi. Hệ mờ và nơron trong kỹ thuật điều khiển. Nhà xuất bản khoa học tự nhiên và công nghệ, Hà Nội 2007.
- Martin T. Hagan, Howard B. Demuth, and Mark Hudson Beale. Neural Network Toolbox™ 7 User’s Guide/www.mathworks.com.
