Результат интеллектуальной деятельности: Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств

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 ΔP_i.

Табл.1. Исходные данные для оценки уровня нагрузки.

Таким образом, с помощью применения данного способа диагностики транспортного средства, можно определить уровень нагрузки P_i (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.