Исследование возможности использования нейронных сетей в диагностике ходовой части автомобиля

Автор: к.т.н., доц. Мурачев Е.Г., Иванов И.Ю.

МГТУ «МАМИ»

В связи с непрерывным ростом парка автомобилей увеличивается количество станций технического обслуживания (СТО). Для облегчения работы и повышения ее качества, СТО оснащаются различными диагностическими стендами. Большинство этих стендов выявляют неисправности агрегатов и систем в автомобиле. Накопленный опыт экспертов позволяет обучить и использовать Искусственные Нейронные Сети (ИНС) для решения задачи вывода результата диагностики ходовой части автомобиля и указания по устранению выявленных неисправностей. Это позволит производить диагностику автомобилей оператору без специальной квалификации.

Для реализации нейросетевых концепций разработано большое количество специализированных программных средств. Система MATLAB фирмы "The MathWorks" также предоставляет пользователям возможность работы с нейронными сетями. Для определения возможности использования ИНС построим модель нейронной сети с помощью системы MATLAB & Simulink, для которой используем значения, поступающие с двух стендовых датчиков, которые подают сигналы на вход в компьютер и каждый записывается в виде бинарного кода в соответствующий, для каждого из них, текстовый документ.

Выберем для объекта исследования возможности использования нейронных сетей в диагностике ходовой части автомобиля диагностический стенд проверки тормозов, входящий в состав диагностической линии MAHA Eurosistem, который состоит из двух пар тормозных валов, позволяющих производить диагностику каждой из осей автомобиля поэтапно.

В системе MATLAB & Simulink построим следующую модель нейронной сети.

>> net = newp([000 111; 000 111],8);

% задаем персептрон, входной вектор которого имеет 2 элемента, значения изменяются в диапазоне от 000 до 111

% Определим параметры персептрона, инициализируемые по умолчанию: веса и смещения:

>> net.IW{1}, net.b{1}

ans = 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

ans = 0 0 0 0 0 0 0 0

% Веса и смещения установлены в ноль.

% Зададим обучающее множество:

>> p = {[111; 111] [111; 011] [111; 000] . . . (64 комбинации)

>> t={[1;1;1;1;1;1;1;1] [0;0;0;0;1;1;1;1] [0;0;0;0;0;0;0;0] . . . (64 комбинации)

% Применим процедуру обучения, установив число циклов равным 100

>> net.trainParam.epochs = 100;

>> net=train(net,p,t);

TRAINC, Epoch 0/100

TRAINC, Epoch 25/100

TRAINC, Epoch 50/100

TRAINC, Epoch 75/100

TRAINC, Epoch 86/100

TRAINC, Performance goal met.

% Характеристика процедуры обучения показана на рисунке 1, из которого видно, что цикл обучения закончен на 86 шаге.

Рисунок 1 - Характеристика процедуры обучения

% Определим векторы весов.

>> twts=net.IW{1,1}

twts = -111 189

-111 189

-111 189

-111 189

-111 1124

-111 1124

-111 1124

-111 1124

% Определим векторы смещения

>> tbiase=net.b{1} tbiase = -1

-1

-1

-1

-1

-1

-1

-1

-1

% открываем файл со значениями X1

>> fid=fopen('c:\tormozX1.txt','r');

>> c = fread(fid,'*char')'

% открываем файл со значениями X2

>> fid=fopen('c:\tormozX2.txt','r');

>> d = fread(fid,'*char')'

>> A={[c';d']}

%Составим вектор входа из значений X1 и X2. A = [111; 011] Y=sim(net,A)

% Моделируем полученную нейронную сеть по А Y = 0 0 0 0 1 1 1 1

>> fid=fopen('c:\0 0 0 0 1 1 1 1.txt','r');

% Открываем файл 0 0 0 0 1 1 1 1.txt с комментарием

>> c=fread(fid,'*char')'

% вывод содержимого c = неисправность: неравномерный износ колодок (передняя ось) способ устранения: замена

% Выход сети соответствует расчетному значению для входа А, текстовый файл открыт правильно, следовательно обучение и настройка сети выполнена правильно. Exit

% Конец

Заключение

Бурный рост интереса к нейронным сетям в настоящее время перерастает в широкий поток попыток использования нейронных сетей в различных областях техники. К основным направлениям развития и использования нейронных сетей можно отнести решение задач, традиционных для искусственного интеллекта (распознавание образов, классификация, воспроизведение речи и т. д.), а также диагностика переходных режимов, оценки достоверности данных, контроль и анализ прогнозирования, оптимизации управляющих систем.

Нейросетевой анализ экспериментальных баз данных позволяет осуществлять построения причинно-следственных диаграмм, деревьев событий, коррекцию ошибочной и восстановление недостающей информации.

В данной работе показано, что использование, при диагностике ходовой части автомобиля, нейронных сетей возможно. Развитие работ в данном направлении способно привести к разработке новых эффективных систем диагностики потенциальных неисправностей еще до момента их возникновения.

Литература

1. А.Н. Скурихин, В.Н. Замиусский, В.Н. Богомолов Нейросети: применение в диагностике. - М., ЦНИИатоминформ, 1994. - 23 с.

2. Муха Ю.П., Скворцов М.Г. Нейросетевые измерительные системы. Диагностика состояния сложных объектов. Кн. 24. Монография. - М.: Радиотехника, 2007. - 336 с.

3. Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. - М. : Издательский дом «Вильямс», 2008. - 1104 с. : ил. - Парал. тит. англ.

наверх