Застосування штучної нейронної мережі для визначення рівня зношеності циліндро-поршневої групи автотракторного двигуна

Анотація

У статті пропонується зниження надмірності нейронної мережі та необхідності зменшення числа нейронів прихованого шару при заданому рівні помилки навчання мережі. Мінімальне число нейронів прихованого шару для випадку 11-ти контролюючих штатних датчиків параметри автотракторному двигуна і п'яти класів типових дефектів вузлів АТД може бути знижено до п’яти-семи при високій якості розпізнавання стану автотракторного двигуна. Мета полягає у тому, щоб на основі теорії створення інфраструктури діагностування несправності автотракторних двигунів, заснованої на використанні штучних нейронних мереж та експериментальних досліджень, забезпечити отримання розширеної достовірної бази знань, швидкість обробки інформації, точність одержуваного технічного діагнозу і можливість оперативного визначення технічного стану автотракторного двигуна в режимі реального часу. Основою запропонованого методу є забезпечення отримання розширеної достовірної бази знань, швидкість обробки інформації, точність одержуваного технічного діагнозу і можливість оперативного визначення технічного стану автотракторного двигуна в режимі реального часу.
Особливістю запропонованого способу є використання напруг в якості вхідних сигналів, що надходять в штучну нейронну мережу від датчиків, які є штатними в автотракторному двигуні, і додатково вказують на вихідний сигнал пристрою відключення подачі палива, передбачений на один крок, що містить обмотку нормально закритого електромагнітного клапана, який перенаправляє паливо в лінію зливу. Використання алгоритму виявлення значення показників режимів роботи і несправностей циліндро-поршневої групи є результатом аналізу штучної нейронної мережі, які отримують результати діагностичних параметрів автотракторного двигуна. Дослідивши штучну нейронну мережу 1 з різними обсягами навчальних даних, отримали залежність зміни достовірності результату від розміру навчальних даних і достовірність результату розпізнавання 91,2 % (оптимальна кількість навчальних даних становить 1200). Дослідивши штучну нейронну мережу 2 з різними обсягами навчальних даних, отримали залежність зміни достовірності результату від розміру навчальних даних і достовірність результату розпізнавання 86,5% (оптимальна кількість навчальних даних становить від 10 до 15). Отримані результати вказують принципову можливість створення прогностичних моделей вузлів і агрегатів випробовуваних автотракторних двигунів. Модель можна створити за допомогою апарату штучних нейронних мереж і використання досить великої бази даних проведених випробувань.