Предлагается использовать в непрерывной бортовой диагностике гидропривода нейронные сети, что позволит повысить точность прогнозирования технического состояния машин и оборудования и эффективнее выявлять редкие и неоднозначные неисправности, определяемые в основном поведением гидросистемы в целом или по косвенным признакам.
Объектом исследования был выбран гидропривод эксцентрикового вала подбивочного блока путевой машины типа ВПР (как наиболее нагруженного и подвергающегося отказам). Для полноценного исследования системы после изучения многочисленных решений [1,2], была создана экспериментальная установка, схема которой показана на рисунке 1.
В данной работе подразумевается применение двух типов нейронных сетей прямого распространения: трехслойный перцептрон для определения текущего технического состояния гидроагрегатов и фокусирующая нейронная сеть [3,4] для прогнозирования технического состояния элементов гидропривода. Обучение сети трехслойного перцептрона проводится данными, полученными при математическом моделировании конкретной системы, что позволит применять систему сразу, не дожидаясь накопления обучающих данных на реальных машинах, это позволит значительно сократить сроки тестирования внедрения такой системы диагностики. Разработка адекватной математической модели для получения обучающих выборок является одной из основных задач данной работы. В качестве входных параметров этой сети выступают данные, поступающие с установленных датчиков давления, расхода, частоты вращения. В качестве выходных параметров выбраны технические состояния каждого из элементов исследуемой схемы: гидронасоса, гидромотора, предохранительного клапана, гидрораспределителя, гидравлической линии, и масляного фильтра.
Фокусирующая сеть (рис. 2.) решает ещё одну важную задачу: прогнозирование момента отказа гидрооборудования. Исходя из имеющейся статистики фактической наработки до отказа строятся теоретические кривые износа агрегатов, которые будут используются в качестве обучающей выборки для сети. Впоследствии сеть будет переобучена на реальных данных, собранных при мониторинге. Эта информация по мере роста базы данных наблюдений будет учитывать все больше нюансов работы системы и точнее соответствовать реальному состоянию системы, что позволит с большей достоверностью решать задачи прогнозирования технического состояния машин и оборудования. Также этот подход позволит повысить точность и надежность системы контроля технического состояния с применением даже менее точных датчиков – за счет учёта первой нейросетью показаний всех датчиков в определении каждого выходного параметра.