CC BY
54
такие экспериментальные данные, которые позволили бы в дальнейшем с достаточной для практики точностью определять температуру нагрева оснастки по параметрам: размерам плиты, потребляемой мощности или режимов шлифования.
Измерения температуры нагрева электромагнитного приспособления при шлифовании производили для трех случаев: в сухую, с СОЖ поливом, и применении магнитного приспособления с внутренним охлаждением [2]. Шлифование производилось кругом 4А 250х32х25 АС6 100/80 М1-01 4 на режимах: Vp = 20 м/с, S^ = 1,0 м/мин, t = 0,1 мм. Обрабатываемый материал сталь ХВГ. Электромагнитные приспособления устанавливались на стол плоско-шлифовального станка мод. 3Е711В. Температура регистрировалась через каждые 7 мин. работы. Измерение температуры внутри электромагнитного приспособления производилось термометрическими зондами с теплоизолированной по краям термопарой в трех разных точках, расположенных по высоте намотки и посередине ее длины. Горячий спай термопар помещали между витками катушек при их намотке, а холодный спай - в термостате. Параллельно с непосредственным измерением температуры с помощью термопар производилось определение температуры нагрева намоток катушек. С наружи измерение температуры нагрева адаптерной плиты производилось с помощью термометров, установленных на стойках.
Зависимости повышения температуры нагрева приспособления от мощности Р для различных размеров плит показывают (рис. 1, а), что с увеличением потребляемой мощности Р температура нагрева уменьшается в зависимости от применяемого приспособления. С ростом потребляемой мощности увеличение температуры замедляется и при больших значениях Р коэффициент теплоотдачи стабилизируется.
С увеличением размеров приспособлений температура нагрева электромагнитного приспособления уменьшается (рис. 1, б). Распределение температуры по высоте катушек приспособлений с внутренним охлаждением обуславливается большой скоростью охлаждения изнутри. Поэтому при больших размерах приспособлений поток хладагента полностью обтекает внутреннюю поверхность плиты, что обеспечивает хорошую конвективную теплоотдачу. Чрезмерный нагрев катушек снижает долговечность и надежность работы приспособления, т.к. вследствие нарушения изоляции обмотки катушки могут выйти из строя. Поэтому работа на электромагнитном приспособлении длительное время без охлаждения не рекомендуется. Приведенные результаты экспериментов по исследованию тепловых явлений в электромагнитных приспособлениях показывают снижение температуры при использовании приспособлений с внутренним охлаждением.
Рис. 1. Зависимость температуры нагрева магнитного приспособления от а) мощности, б) длины плиты: 1 - при шлифовании в сухую, 2 - при шлифовании с СОЖ поливом, 3 - при шлифовании на магнитном приспособлении с внутренним охлаждением.
Применение электромагнитного приспособления с внутренним охлаждением позволяет снизить величину тепловой деформации как обрабатываемой плоской детали за счет интенсификации теплоотвода через установочную поверхность, так и самого приспособления за счет подачи хладагента внутрь приспособления, в результате повышается точность обработки и улучшается качество обрабатываемых тонких плоских деталей.
Литература
1. Верников, А.Я. Магнитные и электромагнитные приспособления в металлообработке. - М.: Машиностроение, 1984. - 160 с.
2. Иванова, Т.Н. Современная оснастка в технологии алмазного торцового шлифования плоских поверхностей: Монография / Т.Н. Иванова, А.М. Долганов // Екатеринбург - Ижевск: Изд-во Института Экономики УрО РАН, 2007. - 364 с.
3. Патент на изобретение № 2207239 / МПК 7 7 В 23 Q 3/08. Магнитное приспособление. / Свитковский Ф.Ю., Иванова Т.Н. /Россия/ № 2001119494. Заявлено 13.07.2001, опубл. 27.06.2003. Бюл. № 18.
References
1. Vernikov, A.Ja. Magnitnye i jelektromagnitnye prisposoblenija v metalloobrabotke. - M.: Mashinostroenie, 1984. - 160 s.
2. Ivanova, T.N. Sovremennaja osnastka v tehnologii almaznogo torcovogo shlifovanija ploskih poverhnostej: Monografija / T.N. Ivanova, A.M. Dolganov // Ekaterinburg - Izhevsk: Izd-vo Instituta Jekonomiki UrO RAN, 2007. - 364 s.
3. Patent na izobretenie № 2207239 / MPK 7 7 V 23 Q 3/08. Magnitnoe prisposoblenie. / Svitkovskij F.Ju., Ivanova T.N. /Rossija/ № 2001119494. Zajavleno 13.07.2001, opubl. 27.06.2003. Bjul. № 18.
Исмагилов В.А.1, Уразбахтина Ю.О.2
'Магистрант; ^Кандидат технических наук, Уфимский государственный авиационный технический университет УСТРОЙСТВО ДЛЯ НЕИНВАЗИВНОГО МОНИТОРИНГА ГЛИКЕМИИ
Аннотация
В статье рассмотрено понятие сахарного диабета, его виды, симптомы; предложена структура устройства для неинвазивного мониторинга уровня глюкозы в крови, указаны основные преимущества разрабатываемого устройства.
Ключевые слова: неинвазивный метод, мониторинг, глюкоза.
Ismagilov V.A.1, Urazbakhtina Y. O.2
'Postgraduate student, 2Candidate of Technical Sciences, Ufa State Aviation Technical University THE DEVICE FOR NON-INVASIVE GLUCOSE MONITORING
Abstract
The article deals with the concept of diabetes, its types, symptoms; the article considers structure of the device for non-invasive monitoring of blood glucose levels, identifies the main advantages of the developed device.
Keywords: non-invasive method, monitoring, glucose.
Сахарный диабет - это хроническое заболевание, которое развивается вследствие абсолютной или относительной недостаточности гормона поджелудочной железы инсулина. Он необходим, чтобы доносить до клеток организма глюкозу, которая
66
поступает в кровь из пищи и обеспечивает ткани энергией. При нехватке инсулина или нечувствительности к нему тканей организма уровень глюкозы в крови повышается - это состояние называется гипергликемия, а понижение содержания глюкозы -гипогликемия. Связанные с этим нарушения обмена веществ в организме могут нанести серьезный ущерб практически всем системам организма, особенно нервной и кровеносной системам [3].
По информации Всемирной организации здравоохранения (ВОЗ) в 2014 году уровень заболеваемости диабетом составил 9% среди взрослого населения 18 лет и старше. По оценкам, в 2012 году 1,5 миллиона смертельных случаев произошло по причине диабета. Более 80% случаев смерти от диабета происходит в странах с низким и средним уровнем дохода. По прогнозам ВОЗ, в 2030 году диабет станет седьмой по значимости причиной смерти [2].
Существуют 2 основные формы диабета:
- диабет 1 типа - организм людей с таким типом диабета вырабатывает недостаточное количество инсулина, в связи с этим им требуется ежедневное введение инсулина.
- диабет 2 типа характерен для людей, организм которых неэффективно использует инсулин. Диабет 2 типа, которым больны 90% людей с диабетом в мире, в значительной мере является результатом излишнего веса и физической инертности.
Кроме этого, существует ещё третий тип диабета - гестационный - является гипергликемией, которая развивается или впервые выявляется во время беременности и диагностируется чаще всего во время пренатального скрининга, а не на основе сообщаемых симптомов.
ВОЗ определила следующие основные мероприятия, которые направлены на диагностирование и лечение сахарного диабета:
• контроль за умеренным содержанием глюкозы в крови;
• контроль кровяного давления;
• контроль за содержанием липидов в крови;
• скрининг с целью выявления ранних признаков болезней почек, связанных с диабетом [1].
На данный момент существует 3 основных способа мониторинга уровня глюкозы в крови:
1. инвазивный;
2. минимально инвазивный;
3. неинвазивный.
В настоящее время создано много средств, позволяющих производить инвазивный мониторинг уровня глюкозы, однако вопрос неинвазивного мониторинга остаётся всё же актуальным, и один из путей решения будет представлен в данной работе.
В результате исследования рынка имеющихся технических средств для инвазивного мониторинга уровня глюкозы в крови и перспективных разработок в области неинвазивного мониторинга, была разработана структурная схема устройства, предназначенная для неинвазивного мониторинга гликемии, представленная на рисунке 1.
Рис. 1 - Структурная схема устройства неинвазивного мониторинга гликемии 1 - комбинированный датчик; 2 - часы реального времени; 3 - микроконтроллер; 4 - клавиатура; 5 - дисплей; 6 - схема
управления источником питания; 7 - источник питания
Работа устройства, представленного на рисунке 1, основана на методе интерпретации метаболического тепловыделения. Суть данного метода в следующем: кислород и глюкоза поступают к клеткам организма с помощью системы кровообращения. После окисления глюкозы кислородом высвобождается энергия в виде тепла в окружающую среду, таким образом, существует взаимосвязь между количеством окисленной глюкозы и количеством кислорода в крови. Также необходимо учесть, что объём поступающего кислорода зависит от скорости кровотока и степени насыщения крови кислородом, а потому количество выделяемого тепла можно выразить следующей зависимостью: H=f (G,BF,O),где H - это количество рассеиваемого тепла, G -уровень глюкозы в крови, BF - скорость кровотока, O - степень сатурации крови кислородом [4].
Таким образом, при известных параметрах H, BF, и O можно вычислить концентрацию глюкозы.
Разрабатываемое устройство работает следующим образом: после подачи напряжения от источника питания (7) на схему управления источником питания (6) происходит распределение энергии с помощью микроконтроллера (3) на комбинированный датчик (1), часы (2), клавиатуру (4) и дисплей (5). Клавиатура необходима для ввода параметров пациента. Комбинированный датчик позволяет измерять температуру окружающей среды, температуру около кожи, температуру ближнего и дальнего конца металлической пластины, относительную влажность около поверхности кожи пальца. Информация, измеренная датчиком, поступает в микроконтроллер и после соответствующей обработки отображается на дисплее интересующая нас информация.
Преимуществами разрабатываемого устройства, в первую очередь, является его неинвазивность измерений, также необходимо отметить простоту реализации конструкции и лёгкость в управлении и снятии информации.
Литература
1. Всемирная организация здравоохранения. [Электронный ресурс]. URL: http://www.who.int/mediacentre/factsheets/fs312/ru/ (дата обращения 18.03.2015).
2. Гусев В.Г. Получение информации о параметрах и характеристиках организма и физические методы воздействия на него: Учебное пособие/В.Г.Гусев.- М.: Машиностроение, 2004.- 759с.
3. Портал о здоровье. [Электронный ресурс]. URL: http://www.ayzdorov.ru/lechenie_diabeta_chtotakoe.php (дата обращения
18.03.2015).
4. Fei Tang, Xiaohao Wang, Dongsheng Wang and Junfeng Li. Non-invasive glucose measurement by use of metabolic heat conformation method. Sensors, 2008.
67
References
1. Vsemirnaja organizacija zdravoohranenija. [Jelektronnyj resurs]. URL: http://www.who.int/mediacentre/factsheets/fs312/ru/ (data obrashhenija 18.03.2015).
2. Gusev V.G. Poluchenie informacii o parametrah i harakteristikah organizma i fizicheskie metody vozdejstvija na nego: Uchebnoe posobie/V.G.Gusev.- M.: Mashinostroenie, 2004.- 759s.
3. Portal o zdorov'e. [Jelektronnyj resurs]. URL: http://www.ayzdorov.ru/lechenie_diabeta_chtotakoe.php (data obrashhenija
18.03.2015).
4. Fei Tang, Xiaohao Wang, Dongsheng Wang and Junfeng Li. Non-invasive glucose measurement by use of metabolic heat conformation method. Sensors, 2008.
Кацуба Ю. Н.1, Власова ИВ.2
'Кандидат технических наук, Национальный Минерально-сырьевой университет «Г орный», 2Санкт-Петербургский университет Министерства внутренних дел Российской Федерации ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ДИАГНОСТИРОВАНИЯ ИЗДЕЛИЙ
Аннотация
В статье рассмотрены подходы применения метода искусственных нейронных сетей к решению задач диагностирования изделий.
Ключевые слова: изделия, диагностирование, искусственные нейронные сети.
Katsuba Y. N.1, Vlasova I. C.2
'PhD in Engineering, national Mineral resources University "Mining", 2Saint-Petersburg University of Ministry of internal Affairs of
the Russian Federation
APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO DIAGNOSTIC PRODUCTS
Abstract
The article considers the approaches of application of the method of artificial neural networks to solve problems diagnostic products
Keywords: products, diagnostics, artificial neural networks.
Анализ современных диагностических систем свидетельствует о том, что существует объективная научно-техническая проблема создания комплексных систем диагностирования, построенных на универсальных принципах, обеспечивающих высокий уровень достоверности постановки диагноза и прогнозирования технического состояния изделий.
Перспективным направлением является создание инфраструктуры диагностирования неисправностей изделий, основанной на использовании искусственных нейронных сетей.
Искусственные нейронные сети (ИНС) в задачах диагностирования и прогнозирования технического состояния изделий могут быть использованы в качестве подсистемы выборки и принятия решений, передающей диагностическую информацию другим подсистемам управления.
Задачи прогнозирования отказов изделий сложны из-за невозможности четкой постановки соответствия изменений входных и выходных параметров состояния, в котором находится или к которому стремится объект диагностирования.
Для решения задач диагностирования и прогнозирования необходимо сформировать базу с множеством состояний и произвести оценку степени влияния каждого информационного параметра на вероятность перехода изделия в какое-либо из возможных состояний.
Применение ИНС позволит проводить корректировку значений выходных сигналов объекта диагностирования, что позволит своевременно проводить при необходимости техническое обслуживание (ТО) и текущий ремонт (ТР) для обеспечения его работоспособного состояния. Уточнение диагноза состояния изделия с использованием ИНС позволит выявить некорректные диагнозы при последовательном диагностировании и повысит его достоверность.
Задача диагностирования для ИНС формируется, как необходимость отнести входной вектор, который содержит значения тестовых векторов и выходных реакций объекта на эти вектора, к одному или нескольким возможным техническим состояниям изделия.
Задача диагностирования одновременного появления нескольких неисправностей, и решается отнесением входного вектора к нескольким техническим состояниям, которые представляют совокупность неисправностей формирующих ошибку в работе изделия.
Поэтому для диагностирования целесообразно использовать метод подбора коэффициентов влияния - межнейронных связей на основе обучения и нечетких нейронных сетей, функционирование которых основано на принципах нечеткой логики, применяющих для адаптации параметров методы обучения, как с «учителем», так и на основе самоорганизации. [2]
В диагностике технических систем нередко проявляются дефекты, при которых связь между признаками и причинами неисправностей носит неоднозначный характер. Простые двузначные утверждения типа “исправный - 1” / “неисправный - 0” недостаточны, поскольку четкие правила поиска неисправностей в системе основываются на взаимном и однозначном соответствии между причиной и признаками неисправностей, то есть они жестко детерминированы в правилах. Современные диагностические системы должны распознавать опасные условия функционирования, причины и тип возникшей неисправности. Помимо этого ожидается также информация об оценке оставшегося срока службы изделия или его составной части.
Таким образом, выходные параметры диагностической системы должны определять с одной стороны причину и тип дефекта (неисправности), с другой стороны - состояние объекта диагностирования, его соответствие оперативно-функциональному назначению.
Аналитические модели диагностики отказов определяют, выделяют и классифицируют отказы в компонентах системы. Основной проблемой разработки аналитических моделей диагностики отказов является определение разности. Большинство определителей разности основаны на моделях линейных систем. Для нелинейных систем основным подходом является их линеаризация. Однако, для систем с высокой степенью нелинейности и большим количеством нелинейных операций, такая линеаризация не дает удовлетворительных результатов.
Единственным решением данной проблемы является использование большого количества линейных систем, что не очень практично при создании моделей, работающих в реальном времени. Процесс создания моделей очень сложен и точность получаемых результатов, проверить затруднительно. Зная возможности нейронных сетей моделировать сложные системы обладая небольшим количеством информации, позволяет использовать их в аналитических моделях.
В задачах диагностирования и прогнозирования нечеткая нейронная сеть играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию
у = F(X), (1)
где {X(t)} = {X1(t),X2(t),X3(t),_,Xn(t)} - векторы входной информации (текущие измеренные значения диагностических параметров);
68
