CC BY
7
МАШИНОСТРОЕНИЕ
Научная статья УДК 629.33: 004
Применение нейронных сетей для прогнозирования работоспособности транспортного средства
Иван Фёдорович Дьяков1 Владислав Иванович Дьяков
Ульяновский государственный технический университет, Ульяновск, Россия. 2Завод ООО «Евроизол», Ульяновск, Россия 1 i. dyakov@ulstu. ru
Аннотация. Рассмотрены вопросы применения нейронных сетей для прогнозирования работоспособности транспортных средств. Приведены основные эксплуатационные показатели, влияющие на работоспособность транспортных средств, использовав уравнения энергозатрат. Показаны результаты интенсивности отказов от воздействий внешних нагрузок на работоспособность транспортных средств. Использование нейронной сети при прогнозировании работоспособности транспортных средств даёт возможность комплексного учёта значительного спектра нагрузочных режимов и уточнённых показателей надёжности.
Ключевые слова: нейронные сети, работоспособность, энергозатраты, грузовой автотранспорт, режимы нагружения, коэффициенты корреляции.
MACHINE-BUILDING Scientific article
The use of neural networks to predict the performance of a vehicle
Ivan F. Dyakov1 Vladislav I. Dyakov2
1 Ulyanovsk State Technical University, Ulyanovsk, Russia.
2 «Euroisol» LLC plant, Ulyanovsk, Russia 1 i.dyakov@ulstu. ru
Abstract. The issues of the technological process of modeling the operability of vehicles using a neural network are considered. The main operational indicators affecting the performance of vehicles are presented using energy consumption equations. The results of the failure rate from the impact of external loads on the operational characteristics of vehicles are shown, the use of a neural network In modeling the operational characteristics of vehicles makes it possible to comprehensively take into account a significant range of load conditions and refine reliability indicators.
Keywords: efficiency, energy consumption, trucks, loading modes, correlation coefficients, reliability indicators.
Поддержанию стабильной работоспособности автотранспортных средств при длительной эксплуатации уделяют особое внимание. Многообразие мнений авторов отражает объективную сложность исследования вероятности безотказной работы транспортных средств, используемых в различных условиях с разными сроками эксплуатации. В табл. 1 приведены эксплуатационные показатели транспортных средств автотранспортного предприятия г. Ульяновска при различных нагрузочных режимах с общим пробегом 150 ^250 тыс. км.
© Дьяков И. Ф., Дьяков В. И., 2022
Таблица 1
Эксплуатационные показатели подвижного состава
Модель подвижного состава Дорожные условия Машино- дни в работе (в днях) Средняя трудоёмкость одного отказа, чел-ч/1000 км Коэффициент технической готовности Простои в ТО и ТР, дни/1000 км пробега
Седельный 1) асфальтированные 180 0,65 0,95 0,113
тягач 70%
ЗИЛ-44151 2) грунтовые 80 % 3 )деформируемые грунтовые 90 % 170 150 0,73 0,82 0,92 0,87 0,186 0,197
Седельный 1) асфальтированные 160 0,94 0,92 0,122
тягач ЗИЛ 80 %
с двумя прицепами 2) грунтовые 60 % 3)деформируемые грунтовые 45 % 155 145 0,96 1,23 0,90 0,84 0, 138 0,153
Седельный 1) асфальтированные 145 1,35 0,89 0.141
тягач ЗИЛ 50 %
с одним 2)грунтовые10 % 130 1,47 0,84 0, 179
полуприцепом
Седельный 1) асфальтированные 150 2,65 0,85 0,162
тягач ЗИЛ 100 %
с двумя полу- 2)грунтовые10 % 112 2,85 0,79 0,189
прицепами
Транспортные средства рассмотрены по группам, включая интенсивности отказов. Предметом исследования является определение вероятности безотказной работы автомобилей при различных режимах нагружения. В этом случае учитывались эксплуатационные свойства транспортных средств при работе с прицепом, без прицепа, а также дороги с подъёмами, грунтовые. В комплексе эти условия влияют на вероятность безотказной работы транспортных средств, представив их в виде ресурса
математической модели
^ ={{", }1Р,};,, ^Г^ (!)
где } — множество транспортных средств; П — число исправных транспортных средств от 7=1 до П ; } — множество показателей, влияющих на работоспособность / -го агрегата; т — внешние условия нагружения; ^ — инженерно-технический состав, как регулирующее звено безотказной работы транспортных средств; ? — максимальные а -е нагрузки, действующие на / -е агрегаты транс-
34
портного средства; 2 — множество агрегатов, требующих ремонта; X— е -я характеристика ин-
3 к
тенсивности отказов к-го транспортного средства / -го агрегата; Ю^. — количество ремонтных воздействий к -го транспортного средства по / -му агрегату.
Уравнение (1) является общим показателем и соответствующим всем типам транспортных средств, в том числе для дифференциальной оценки их работоспособности в условиях эксплуатации. Комплексный учёт множества показателей, влияющих на работоспособность транспортных средств, выражен уравнением энергозатрат
Л ={ь
, = \b Гrnt (^yP+na )] + t (Г) + Fhl2 tga + (Fw + F] )hg - Ffrk J-1-0,272,
, ^ *г Ьт0,272, (2)
дв
где L — пробег за рассматриваемый период; Щ — масса транспортного средства; ку,Р — соответственно коэффициенты использования грузоподъёмности и пробега; П0 — коэффициент использования
ность отказов
снаряжённой массы транспортного средства; К^ — сила трения трущихся звеньев; ^(г) — длина контакта трущихся поверхностей или радиус шарнира; — сила дорожного сопротивления при подъёме; ^^а — высота подъёма дорожного полотна; рр, р — соответственно сила сопротивления воздушного потока, инерционная сила, сила сопротивления качению колеса; Н — высота центра тяжести транспортного средства; Гк — радиус колеса; ?да — время нахождения транспортного
средства в рабочем режиме;0,272 - коэффициент перевода из (Н-м)10 в кВт -Ч(10"6).
По уравнению (2) можно вычислить энергозатраты каждого транспортного средства в отдельности или однотипного парка в целом. Транспортные средства должны удовлетворять требованиям потребителя в соответствии с установленными государственными стандартами. Уравнение (1) будет достоверным в том случае, когда количество исправных транспортных средств ^N. >...>^Nк больше, чем количества неисправных. Если имеем множество нагрузочных режимов, то интенсив-^ | <.. .<^ | при V g, где знак « > » означает превосходство (доминирование);
V - квантор всеобщности. Построение алгоритма основано в виде генетической эволюции - это кодировка информации о работоспособности автотранспортного парка, какие показатели больше влияют на работоспособность транспортного средства, включая: суммарные коэффициенты использования грузоподъёмности парка ^ к^ и пробега ^ кр , различные дорожные сопротивления ^ у., тягово-
скоростные, топливно-экономические свойства, плавность хода, содержащиеся в модели нейронной сети, выходной сигнал которой оценивается по значениям показателей, наиболее полно влияющих на работоспособность транспортного средства. Комплексную оценку работоспособности транспортных средств можно провести на основе нейронной сети.
Выбраны N = 60 автомобилей различных марок (ЗИЛ, ГАЗ, КамАЗ) и скомплектовны в три одинаковые выборки по маркам: обучающую, тестирующую и контрольную. Задача осложняется при расчёте различных марок в одной выборке транспортных средств, а коэффициенты корреляции могут быть недостаточно точны. Выбранные транспортные средства скомплектованы для каждой группы по показателям:
п
1) интенсивности отказов ^^ = ^ 2от;. / У , где 2от — количество отказов за рассматривае-
1 1=1 '
мый период наработки в кВт • ч. Коэффициенты корреляции г между отказами и наработкой имеют разброс в пределах 10.15 %;
2) удельному расходу топлива в зависимости от скорости движения, принимая отношение
/ У ,где ^ — путевой расход топлива; у — наработка на выполнение транспортной
работы;
3) частоте проведения технического обслуживания и текущего ремонта Тто р —
п
т' Т / Т
то.р 1 ^ то.р 1 у $ ' 1=1
где п — количество отказов за период у наработки. Зависимость между Ттор, аналогична с отказами;
4) динамическому фактору на высшей передаче П = ¥Т - ^„ /Оа , где Рт — сила тяги на ведущих колёсах; Р — аэродинамические свойства автомобиля; — сила тяжести снаряженного автомобиля.
К контрольной группе отнесены транспортные средства с показателями минимальных значений интенсивности отказов, удельного расхода топлива, трудоёмкостью обслуживания и ремонта, максимальным динамическим фактором. Технологический процесс моделирования работоспособности транспортного средства в соответствии с уравнением (1) по вышеуказанным показателям, которые влияют одинаково на работоспособность транспортных средств, использован в пяти диапазонах по
отдельным маркам: первый диапазон - периодичность обслуживания — л^ = (Ьто = 3.4 тыс. кВт-ч);
второй - дорожные условия — Х2 = (у= 0,007...0,025); третий - эффективность принятия решений ИТР — Х3 = (и(Я)=0,4....0,9); четвёртый - удельная трудоёмкость на восстановления отказов — Х4 = (т =3,5.16,5 н-ч/кВт-ч); пятый — количество проведённых технических обслуживаний за год — Х5 = (гто=6...12). При этом показатели задаются для пяти диапазонов вида нейросетевой модели
Х, =0011001*0011010*0100100*0101100*1111110. (3)
^дв
Весовые коэффициенты Ж определяются через коэффициенты корреляции Г [1—4]. Для определения коэффициента корреляции составляется табл. 2 на основе данных хронометража в автотранспортном предприятии (например, между трудоёмкости ремонта (н-ч) и наработкой - (кВт-ч).
Таблица 2
Расчёт эмпирического корреляционного отношения
Энергозатраты, тыс. кВт-ч Трудоёмкость, н-ч/кВт-ч l V ly l2
3.5,6 шаг н = 2,6 5,7.8,3 8,4.11,0 11,1.13,7 13.8..16,0
5 - 8 3 5 4 7 - 23 0 0 0
8 -11 - 3 - 1 2 6 -1 -6 36
12- 15 - 1 2 1 1 4 -2 -8 64
16- 19 - - 3 1 - 4 -3 -12 144
n 3 9 9 10 3 38 244
nv 0 -1 -2 -3 -4 -1,87733
Y11 0 -0,111 -0,133 -0,3 -1,333
Y'-v11 0 -0,05578 -0,0777 = 0,2447 -1,277
(v1-v11)2 0 0,00311 0,006030 0,05990 1,630
(V1-V11)2H 0 0,0089 0,0156 0,1557 4,238 4,4182 r4 = 0,134
Аналогично составлены корреляционные таблицы для других показателей и марок транспортных средств, всего потребовалось 15 таблиц. По значениям корреляционных коэффициентов вычислены весовые коэффициенты [3], выраженные в виде
ж = г / У г ,
' I] I]'
¿=1
где z - количество коэффициентов корреляции.
В табл. 3 приведены используемые коэффициенты по показателям и маркам транспортных средств.
Таблица 3
Распределение коэффициентов транспортных средств
Показатели Транспортные средства
ГАЗ-3307 ЗИЛ-433360 КамАЗ-5320 ГАЗ-3307 ЗИЛ-433360 КамАЗ-5320
Коэффициенты корреляции Весовые коэффициенты
II 0,107 0,110 0,125 0,150 0,155 0,162
11 0,280 0,200 0,250 0,405 0,268 0,324
11 0,120 0,130 0,150 0,173 0,184 0,194
11 «о 0,151 0,134 0,145 0,218 0,189 0,188
¿f 11 «о 0,183 0,132 0,100 0,265 0,186 0,129
0,841 0,706 0,770 - - -
Весовые коэффициенты W■ представлены через нули и единицы, не совпадающие с выражением
(3).
ГАЗ W1=001010* 001100 * 011000 * 110000 * 010100, ЗИЛ w2 =000011 * 001100 * 110000 * 000110 * 010010, (4)
КамАЗ wз=000110 * 000101 * 001001 * 001001 * 010010. Нейронная сеть имеет сумматор [4], выходной сигнал которого поступает в нелинейный преобразователь, где преобразуется функцией активации и результат подаётся на вход другого нейрона, как показано на рис. 1.
Синлпс
Рис. 1. Принцип обработки сигналов
Результат порогового значения весового коэффициента Wi0 сравнивается со значением весового
коэффициента контролируемого транспортного средства. Каждый показатель в виде набора чисел рассматривается в диапазоне наработки для выбранных транспортных средств. Нейронная сеть обучается путём подачи на её входной слой некоторой последовательности данных [1^3], принадлежащих различным маркам автомобилей. В процессе обучения изменяются весовые коэффициенты между показателями. Весовые коэффициенты, на которые поступают входные сигналы, суммируются с
l
учётом соответствующих весов + b, где b — постоянное смещение. После этого пара-
¿=1
метр ^ преобразуется активационной функцией.
Результат сравнивается с пороговыми значениями весовых коэффициентов [wo ]. Пороговое значение выбирается из допустимых условий, например, удельная интенсивность отказа не должна превышать среднего значения для ЗИЛ-433360 [W0] - 0,00223 отк./кВт• ч, КамАЗ-5320 [Ж0]- 0,0018
и ГАЗ-3307-01 [ Ж 0] - 0,0014. Пакет MATLAB (The Math Works) даёт возможность работать с нейронными слоями.
Для адаптации весовых коэффициентов сети используется фактическая погрешность (например, трудоёмкости ремонта) показателя транспортного средства. Если использовать параллельное вычисление невязки, то необходимо разделить обучающую выборку по процессорам так, чтобы каждый из них вычислял погрешность по своей выборке, а затем ведущий процессор суммировал результат
И=1
8j = ^ 8^ , где 8^ — значение невязки на k -м процессоре. Обозначив весовой коэффициент i -го
k=0
k
нейрона W, получим формулу для суммы весов Vo = ^ Wi . Структура одной нейронной сети (на-
¿=1
пример, интенсивности одноимённого отказа) для GRNN представлена на рис. 2.
Рис. 2. Структура сети GRNN с нелинейной функцией при определении интенсивности отказов
При поступлении на вход нейрона некоторого множества одинаковых сигналов, выраженных числовыми значениями (например, отказов), каждый из которых является выходом другого нейрона,
каждый вход умножается на соответствующий Wi вес и все произведения суммируются, определяя
уровень активации нейрона.
Результаты обработки входных показателей 2-го скрытого слоя С] и наработка между отказами
sk
1-го входного слоя V j вычисляется по следующим формулам:
JSK
V
( k)
J„
1 2 П - 2 j|, (J" J Ь V £ V
( k ) J
Av,
£ exp
j=i
Js,
2 a(net)
2
J J
w
где П — число дискретных отчётов интенсивности отказов агрегатов транспортного средства.
Выходное значение сети имеет вероятностный характер, поэтому её легче обучать. Обучение сети необходимо выполнять отдельно для каждого ряда по наработке, оно должно сводится к минимальному значению погрешности 8^ , определяемому из выражения
z 1 / z-1 p-1 / \ Sk = £(Aj -J = ££(AJ -J
2 2-1 р-1 ,
^^ ' ' тт.
У ^5 /
1=0 1=0 /=0 Наилучший результат достигается при соотношении объёмов выборок: 20 : 20 : 20. Оптимальными значениями параметров алгоритма являются: коэффициент скорости обучения П= 0,7; коэффициент момента обучения = 0,9; количество итераций / = 20 и величина изменения коэффициента скорости обучения а =0,1. Число сигналов в скрытых слоях сети определяется для каждого транспортного средства отдельно. Результаты интенсивности воздействий внешних нагрузок на работоспособность агрегатов транспортного средства представлены в табл. 4.
При решении задачи ресурсного распределения отказов, влияющих на работоспособность транспортного средства, необходимо обеспечить выполнение условия, вытекающего из уравнения
ш] = }■, / = 1,...,п, (5)
/=1
n г ч _
R = £ m* ={m'},j = 1,..., n,
W }
где^- множество отремонтированных/-х агрегатов; п — число ремонтных участков.
Таблица 4
Результаты интенсивности воздействия на работоспособность агрегатов транспортного средства
Агрегаты Автомобиль ЗИЛ-433360 Автомобиль ГАЗ-3307-01
Интенсивность отказов, отказ/1000 км Моделируемая трудоёмкость, н-ч/ 1000 кВт • ч Интенсивность отказов, отказ/1000 км Моделируемая трудоёмкость, н-ч/ 1000 кВт • ч
Двигатель 0,045 0,037 0,023 0,018
Рулевое управление 0,036 0,016 0,017 0,012
Тормозная система 0,025 0,018 0,009 0,004
Передний мост 0,037 0,024 0,028 0,012
Задний мост 0,018 0,011 0,011 0,007
При использовании уравнения (5) должны учитываться особенности отказов каждого транспортного средства, проходящего через ремонтные зоны ^, входящие в коалицию (ремонт двигателя, трансмиссии, подвески и т. д.). Оптимальный вектор распределения ресурса агрегата К будет единственным показателем для данной ремонтной зоны. Вектор К = будем называть распределением К по отказам агрегатов, отремонтированных в зонах , где ^ - некоторая характеристическая функция ремонтной зоны (плотность распределения ремонтных воздействий транспортных средств в зависимости от наработки в км или кВт-ч). Сформулированные базовые аксиомы аналитического способа задания характеристической функции ^ [4, 5] применимы к данной задаче.
Известно, что периодичность обслуживания, ремонта и других воздействий, влияющих на работоспособность транспортных средств, увязывают между собой по наработке.
В процессе преобразования можно выделить активацию единичного скачка, например, поломку рессоры, усталостные трещины рамы автомобиля.
Г 1, если гт > 0;
= 1 Т.
[0, если Гъ < 0.
Эта форма функции единичного скачка, влияющая на работоспособность транспортного средства, обычно называется функцией Хэвисайда. В условиях данной задачи показатели вектора входных параметров являются одинаковыми по значениям, что позволяет использовать гомогенную структуру. Одной из наиболее распространённых функций является нелинейная функция с насыщением, так называемая логистическая функция, или сигмоид [4].
Вектор будет представлять собой совокупность взвешенных характеристик значений векто-
ров исходных параметров. При решении такой задачи нейронная сеть должна иметь дополнительные слои, число нейронов которых равно числу множества нагрузочных режимов. В результате преобразования получаем ^2 = ^2 (^ ), где ^ - активационная функция второго слоя нейронной сети.
При анализе выходного сигнала Цд проводится корректировка нагрузочного режима (сигнал
ошибки). Эксплуатационные характеристики нагрузочных режимов зависят от качества проведения технического обслуживания и ремонта. Эти отличия связаны не только с технологией производства и эксплуатации, но и с экономическими показателями автотранспортного предприятия. Поэтому использовать одну и ту же нейронную сеть для различных транспортных средств - нежелательное решение. Тогда система коалиции производителей и потребителей транспортных средств может быть представлена совокупностью независимых искусственных нейронных сетей, количество которых равно числу рассматриваемых нагрузочных условий. На основе нейронной системы множества векторов характеристических значений можно определить количество ремонтных воздействий в зависимости от каждого нагрузочного режима.
Новизной предложенного метода использования нейронной сети при прогнозировании работоспособности АТС является возможность учёта значительного спектра выбора множества нагрузочных режимов, влияющих на работоспособность транспортных средств, а также прочие экономические показатели.
СПИСОК ИСТОЧНИКОВ
1. Головко В. А. Нейронные сети, обучение, организация и применение. М.: Изд-во журнала «Радиотехника», 2001. 256 с.
2. Каллан Роберт Основные концепции нейронных сетей: пер. с англ. М.: Изд-во дом «Вильямс». 2001. 283 с.
3. Голубев Ю. Ф. Нейросетенвые методы в мехатронике. М.: Изд-во Моск. унта, 2007. 157 с.
4. Панфилов П. Н. Введение в нейронные сети //Современный трейдинг.2001. № 2. С. 2-17.
5. Афонин М. А. Применение GALS- технологии информационной поддержки на стадии эксплуатации автотранспортных средств как способ обеспечение их надёжности // Вестник военного института материального обеспечения: военно-научный журнал. 2018. №2 (46), С. 41-50.
Информация об авторах
И. Ф. Дьяков - доктор технических наук по специальности «Колёсные и гусеничные машины» и «САПР - Система автоматизированного проектирования (промышленность)», имеет научные статьи, патенты и монографии по автомобилестроению, изданные в «Машиностроение». В. И. Дьяков - кандидат технических наук сотрудник завода ООО «Евроизол» - инженер АСУТП, имеет научные статьи в области математического моделирования.
REFERENCES
1. Golovko V. A. Nejronnye seti, obuchenie, organizaciya i primenenie [Neural networks, training, organization and application]. Moscow, Izd-vo zhurnala «Radiotekhnika» [Publishing house of the journal «Radio Engineering»]. 2001, 256 p.
2. Callan Robert Osnovnye koncepcii nejronnyh setej: per. s angl. [Basic concepts of neural networks: trans. from English]. Moscow, [Izd-vo dom «Vil'yams». Publishing house «Villeyams»]. 2001, 283 p.
3. Golubev Yu. F. Nejrosetenvye metody v mekhatronike [Neural network methods in mechatronics]. Moscow, Izd-vo Mosk. universiteta [Moscow University Press], 2007, 157 p.
4. Panfilov P. N. Vvedenie v nejronnye seti [Introduction to neural networks]. Sovremennyj trejding [Modern trading]. 2001, No. 2, pp. 2-17.
5. Afonin M. A. Primenenie GALS- tekhnologii informacionnoj podderzhki na stadii ekspluatacii avtotranspotrnyh sredstv kak sposob obespechenie ih nadezhnosti [Application of GALS- information technology support at the stage of operation of motor vehicles as a way to ensure their reliability]. Vestnik voennogo instituta material'nogo obespecheniya: voenno-nauchnyj zhurnal. [Bulletin of the Military Institute of Material Support: Military-scientific journal]. 2018, No. 2 (46), pp. 41-50.
Information about the authors
I. F. Dyakov - Doctor of Technical Sciences in the specialty «Wheeled and tracked vehicles» and «CAD -Computer - aided design system (industry)», has scientific articles, patents and monographs on the automotive industry published in "Mechanical Engineering".
V. I. Dyakov - Candidate of Technical Sciences employee of the plant LLC «Euroisol» - engineer ASUTP, has scientific articles in the field of mathematical modeling.
Статья поступила в редакцию 11.10.2022; одобрена после рецензирования 24.10.2022; принят к публикации 09.11.2022.
The article was submitted 11.10.2022; approved after reviewing 24.10.2022; accepted for publication 09.11.2022.
