Предотвращение отказов двигателя внутреннего сгорания путем включения цифрового аналитического модуля глубокого обучения

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Установлено, что мониторинг-диагностика технического состояния и эффективности работы ДВС в режиме реального времени достаточно затратен не столько в сборе данных, сколько в адекватности модели обработки данных и их интерпретации. Разработан алгоритм создания библиотеки программы глубокого обучения на основе имеющегося банка данных о работе ДВС на различных нагрузочных режимах. В результате мониторинга ДВС выполнено видео эндоскопирования элементов цилиндропоршневой группы по установлению отклонений от нормативного состояния, проведена обработка данных с помощью ELM327 и программы Forscan. Предложено обработку данных на первом этапе проводить комбинированным методом, идентификацию отклонений вести на основе экспертного анализа, сопоставляя их с результатом принятия решения цифровым модулем. Это позволит дать оценку обоснованности принятия решения программным модулем искусственного интеллекта на основе глубокого обучения и исключить появление ошибочного решения.

Texto integral

Acesso é fechado

Sobre autores

Н. Севрюгина

Российский государственный аграрный университет – МСХА им. К. А. Тимирязева”

Autor responsável pela correspondência
Email: nssevr@yandex.ru
Rússia, Москва

А. Арженовский

Российский государственный аграрный университет – МСХА им. К. А. Тимирязева”

Email: nssevr@yandex.ru
Rússia, Москва

А. Апатенко

Российский государственный аграрный университет – МСХА им. К. А. Тимирязева”

Email: nssevr@yandex.ru
Rússia, Москва

Bibliografia

  1. Вайнштейн В. И., Вайнштейн И. И. Оптимизационные задачи формирования смеси функций распределения наработок до отказа элементов технических систем // Проблемы машиностроения и надежности машин. 2021. № 3. С. 107–112. https://doi.org/10.31857/S0235711921030160
  2. Путинцев С. В., Аникин С. А., Стрельникова С. С. Обоснование и результаты численного моделирования струйного маслоснабжения сопряжения “цилиндр–поршень” в быстроходном четырехтактном двигателе внутреннего сгорания // Проблемы машиностроения и надежности машин. 2023. № 3. С. 89–99.
  3. Stoumpos S., Bolbot V., Theotokatos G., Boulougouris E. Safety performance assessment of a marine dual fuel engine by integrating failure mode, effects and criticality analysis with simulation tools // Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. 2022. V. 236(2). P. 376–393. https://doi.org/10.1177/14750902211043423
  4. Арженовский А. Г., Чичиланов И. И. Совершенствование методики и средств диагностирования дизельных двигателей: монография. Зерноград: Азово-Черноморский инженерный институт, 2017. 176 с.
  5. Wang D., Zhang M., Xu Y., Lu W., Yang J., Zhang T. Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions // Mechanical Systems and Signal Processing. 2021. V. 155. 107510. https://doi.org/10.1016/j.ymssp.2020.107510
  6. Tao F. et al. Digital twin driven prognostics and health management for complex equipment // CIRP Annals – Manufacturing Technology. 2018. V. 67 (1). P. 169. https://doi.org/10.1016/j.cirp.2018.04.055
  7. Пастухов А. Г., Тимашов Е. П., Бахарев Д. Н. Обобщенная оценка основных факторов при проектировании техники и технологий в агроинженерии // Инновации в АПК: проблемы и перспективы. 2021. № 1 (29). С. 17–26.
  8. Голубев И. Г., Мишуров Н. П., Федоренко В. Ф. и др. Цифровизация в сфере технического обслуживания и ремонта сельскохозяйственной техники: Монография. М.: Росинформагротех, 2023. 80 с.
  9. Soloviev D. A., Rusinov A. V., Zagoruyko M. G. et al. Investigation of the movement of multi-support frontal machines // Improving Energy Efficiency, Environmental Safety and Sustainable Development in Agriculture: International Scientific and Practical Conference, Saratov, 20–24.10.2021. London: IOP Publishing Ltd, 2022. P. 012059. https://doi.org/10.1088/1755-1315/979/1/012059
  10. Sevryugina N. S., Volkov E. A., Litovchenko E. P. Justification for Remote Control of Construction and Road-Making Machines // Modern Applied Science. 2014. V. 8(5). Р. 179. https://doi.org/10.5539/mas.v8n5p179
  11. Golubev I. G., Apatenko A. S., Sevryugina N. S. et al. A Maintenance and Repair Decision Support Model for Transport and Technological Machines // J. Mach. Manuf. Reliab. 2023. V. 52. P. 391–399. https://doi.org/10.3103/S1052618823040064
  12. Deng M., Deng A., Shi Y., Liu Y., Xu M. A novel sub-label learning mechanism for enhanced cross-domain fault diagnosis of rotating machinery // Reliability Engineering & System Safety. 2022. V. 225. P. 108589. https://doi.org/10.1016/j.ress.2022.108589
  13. Wang H., Xu J., Yan R., Gao R. X. A New Intelligent Bearing Fault Diagnosis Method Using SDP Representation and SE-CNN // IEEE Transactions on Instrumentation and Measurement. 2019. V. 1–1. 12 р. https://doi.org/10.1109/tim.2019.2956332
  14. Тынченко Я. А., Кукарцев В. В., Башмур К. А., Сяоган Ву, Севрюгина Н. С. Вероятностный анализ показателей надежности насосов с помощью нейронной сети // Горный информационно-аналитический бюллетень. 2024. № 7–1. С. 126–136. https://doi.org/10.25018/0236_1493_2024_71_0_126
  15. Lebedev A. T., Arzhenovskiy A., Zhurba V. V. et al. Operational Management of Reliability of Technical Systems in the Agro-Industrial Complex // XIV International Scientific Conference “INTERAGROMASH 2021”: Precision Agriculture and Agricultural Machinery Industry. Rostov-on-Don, 24–26.02.2021. Springer Verlag: Springer Verlag, 2022. V. 1. P. 79–87. https://doi.org/10.1007/978-3-030-81619-3_9

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Test module for assessing the technical condition of the internal combustion engine.

Baixar (1MB)
Metadados
3. Fig. 2. Algorithm for forming a library of deep learning programs.

Baixar (1MB)
Metadados
4. Fig. 3. Dialog box of the internal combustion engine diagnostic module using ELM327 and the Forscan program.

Baixar (1MB)
Metadados
5. Fig. 4. Results of monitoring the internal combustion engine condition: p. A is the moment the pressure in the fuel line begins to increase; p. TDC is the location of the piston of the 1st cylinder at TDC of the compression stroke; γ is the fuel injection advance angle, determined by calculation.

Baixar (391KB)
Metadados

Declaração de direitos autorais © Russian Academy of Sciences, 2025