Программный комплекс для дистанционного контроля узлов и агрегатов

Показали, что искусственный интеллект все шире применяют в сельском хозяйстве, в том числе при диагностировании состояния сельскохозяйственной техники.  Отметили, что параллельно с программами разрабатываются новые вычислительные устройства, позволяющие хранить и обрабатывать большие объемы данных. (Цель исследования) Создать программный комплекс на базе нейронной сети для дистанционного контроля предельного состояния отдельных узлов и агрегатов с помощью диагностических устройств. (Материалы и методы) Проанализировали зарубежные исследования схожей тематики. Выявили, что для сбора данных для искусственного интеллекта имеются устройства на базе популярных микроконтроллеров STM32 и Arduino, используется программно-аппаратная платформа Nvidia CUDA (Compute Unified Device Architecture). Для разработки применили язык программирования С/С++, в качестве хранилища – базу MS SQL Server.  Подчеркнули, что общее программное обеспечение может работать на всех основных операционных системах, таких как Windows, Mac OS, Linux. Отметили важную роль нейросети, которая объединяет все программные блоки и выдает свой анализ. (Результаты и обсуждение) Информация с диагностических устройств аккумулируется в базе данных. Созданная на основе этой базы нейросеть постоянно обучается и одновременно анализирует поступающие данные в режиме  реального времени, автоматически выдавая свои рекомендации. Установили, что нейросеть, созданная сотрудниками Федерального научного агроинженерного центра ВИМ, имеет больше возможностей, например, способна работать напрямую с устройствами и проводить более детальный технический анализ. (Выводы) Создали нейронную сеть для анализа состояния техники, что повышает оперативность принятия решений в отношение ремонта, прогнозируемость. Предложили критерии эксплуатации техники. 

1. Дорохов А.С. Совершенствование входного контроля качества сельскохозяйственной техники на дилерских предприятиях // Вестник Федерального государственного образовательного учреждения высшего профессионального образования Московский государственный агроинженерный университет им. В.П. Горячкина. 2009. N2. С. 73-75.

2. Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Ивлева И.Б. Совершенствование мониторинга системы «Человек–машина–среда» и правил эксплуатации для повышения эксплуатационной надежности тракторов // Технический сервис машин. 2020. N3(140). С. 12-20.

3. Ерохин М.Н., Дорохов А.С., Катаев Ю.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. N2(102). С. 45-50.

4. Дидманидзе О.Н., Дорохов А.С., Катаев Ю.В. Тенденции развития цифровых технологий диагностирования технического состояния тракторов // Техника и оборудование для села. 2020. N11(281). С. 39-43.

5. Саяпин А.С. Экспериментальный счетчик-индикатор для оценки технического состояния насоса гидропривода по амплитудно-фазовому методу // Технический сервис машин. 2021. N4(145). С. 76-85.

6. Измайлов А.Ю. Синтез автоматизированных информационных технологий и микропроцессорных систем // Вестник российской академии сельскохозяйственных наук. 2007. N5. С. 91-92.

7. Катаев Ю.В., Костомахин М.Н., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. Повышение уровня технического обслуживания техники // Техника и оборудование для села. 2022. N4(298). С. 27-31.

8. Pestryakov E.V., Sayapin A.S., Kostomakhin M.N.. Petrishchev N.A. Analysis of the Technical Condition of Agricultural Machinery Using Neural Networks. Advances in Intelligent Systems, Computer Science and Digital Economics. 2022. III. 92-101.

9. Петрищев Н.А., Костомахин М.Н., Саяпин А.С., Макаркин И.М., Пестряков Е.В.,Молибоженко К.К. Оперативная оценка предельного состояния узлов и агрегатов тракторов с применением счетчиков индикаторов // Технический сервис машин. 2021. Т. 59. N3(144). С. 12-21

10. Курбанов Р.К., Захарова Н.И. Обоснование параметров полетного задания беспилотного воздушного судна для мультиспектральной аэрофотосъемки // Сельскохозяйственные машины и технологии. 2022. N3. С. 33-39.

11. Макаров Р.А., Соколов А.В. Диагностика строительных машин. М.: Стройиздат. 1984. 335 с.

12. Макаркин И.М., Дунаев А.В., Галимов Т.М. Приемы диагностирования редукторов ведущих мостов перспективных автомобилей КАМАЗ // Автомобильная промышленность. 2016. N6. С. 27-30.

13. Гриффитс Д., Гриффитс Д. Изучаем программирование на С. М.: Эксмо. 2019. 624 с.

14. Karande A.M., Kalbande D.R. Weight Assignment Algorithms for Designing Fully Connected Neural Network. IJISA. 2018. N6. 68-76.

15. Dharmajee Rao D.T.V., Ramana K.V. Winograd’s Inequality: Effectiveness for Efficient Training of Deep Neural Networks. IJISA. 2018. N6. 49-58.

16. Сандерс Д., Кэндрот Э. Технология CUDA в примерах. Введение в программирование графических процессоров: пер. с анг. М.: ДМК Пресс. 2013. 232 с.

17. Боресков А.В., Харламов А.А. Основы работы с технологией CUDA. М.: ДМК Пресс, 2019. 232 с.

18. Гудфеллоу Я., Бенджио И., Курвилль А. Г93 Глубокое обучение: пер. с анг. М.: ДМК Пресс. 2018. 652 с.

19. Wanlu Jiang, Chenyang Wang, Jiayun Zou, Shuqing Zhang. Application of Deep Learning in Fault Diagnosis of Rotating Machinery. Processes. 2021. N9. 919.

20. Нгуен М.Т. Диагностика автомобильного двигателя на основе нейронной сети // Молодой ученый. 2019. N26(264). С. 76-81.

21. Лобачевский Я.П., Бейлис В.М., Ценч Ю.С. Аспекты цифровизации системы технологий и машин // Электротехнологии и электрооборудование в АПК. 2019. N3(36). С. 40-45.