Технологии ИНС в задаче спектральной вибродиагностики оборудования хлебопекарного производства

Авторы

  • Александр Евгеньевич Яблоков Российский биотехнологический университет
  • Михаил Александрович Латышев Российский биотехнологический университет
  • Виктория Дмитриевна Шилина Российский биотехнологический университет
  • Александр Александрович Полетаев Российский биотехнологический университет

Ключевые слова:

техническая диагностика оборудования, вибродиагностика, ЦОС, машинное обучение, искусственные нейронные сети, нейросетевые методы классификации, диагностика машин хлебопекарного производства

Аннотация

В статье приводятся результаты анализа эффективности метода нейросетевой диагностики зубчатой передачи по амплитудно-частотному составу вибраций подшипникового узла. Натурное моделирование различных технических состояний механической передачи проведено на специально созданном в Российском биотехнологическом университете экспериментальном стенде. Автоматизация процедур измерения, цифровой обработки и анализа вибросигналов с применением технологии ИНС реализована в пакете Матлаб. Результаты исследований показали достоверность определения класса технического состояния зубчатой передачи по значениям амплитуд спектра вибрации порядка 99%. Научные исследования легли в основу создания интеллектуальных компонентов для системы технического мониторинга и диагностики технологических машин хлебопекарного производства.

Библиографические ссылки

Бабокин Г. И., Шпрехер Д. М. Нейросетевой контроль электромеханических систем // Известия вузов. 2010. № 4. C. 18-20.

Благовещенская М.М., Давыдова Г.Р., Семина Н.А. Использование интеллектуальных технологий для контроля качества творога // Вестник ВГУИТ. 2014. № 2. C. 83-89.

Благовещенская М.М., Семина Н.А. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического управления процессом формования гранулированного корма // Вестник ВГУИТ. 2014. № 2. C. 48-54.

Благовещенский И.Г. Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий Специальность 05.13.06: дисс... д.т.н. М.: МГУПП, 2018. 443 c.

Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер, 2017. 336 c.

Гифт Н. Прагматичный ИИ. Машинное обучение и облачные технологии. СПб: Питер, 2019. 304 c.

Домингос П. Верховный алгоритм: как машинное обучение изменит наш мир. Пер. с англ. В. Горохова; науч. ред. А. Сбоев, А. Серенко. М.: Манн, Иванов и Фербер, 2016. 336 c.

Ефимов П.В., Щербатов И.А. Алгоритм идентификации явных дефектов технологического оборудования в энергетике на основе нейросетевой модели // Известия Юго-Западного государственного университета. Серия «Управление, вычислительная техника, медицинское приборостроение». 2018. № 2(27) (8). C. 32-40.

Кожевников А.В., Илатовский И.С., Соловьева О.И. Применение методов машинного обучения в рамках прогнозирования состояния электромеханических систем прокатного производства // Вестник Череповецкого государственного университета. 2017. № 1. C. 33-39.

Потеря А.А. Вибродиагностика технологического оборудования хлебопекарного производства: дисс...к.т.н. // 2006. C. 177.

Прахов И. В., Бикметов А. Г. Применение искусственных нейронных сетей в спектральном методе диагностики машинных агрегатов // Technical sciences. 2015. C. 502-506.

Сатвеева Ю.Н., Симончик К.К., Тропченко А.Ю., Хитров М.В. Цифровая обработка сигналов. СПб.: СПбНИУ ИТМО, 2013. 116 c.

Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер, 2002. 608 c.

Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Пер. с англ. А.А. Слинкина. М.: ДМК Пресс, 2015. 400 c.

Харрисон М. Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python. СПб.: ООО «Диалектика», 2020. 320 c.

Шамин Р.В. Практическое руководство по методам машинного обучения. М: Научный канал Lector.ru, 2019. 93 c.

Шумский С.А. Машинный интеллект. Очерки по теории машинного обучения и искусственного интеллекта. М.: РИОР, 2019. 340 c.

Яблоков А.Е., Благовещенский И.Г. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: моногр. М.: МГУПП, 2022. 221 c.

Bukhtoyarov V. V., Tynchenko V. S., Petrovsky E. A. Multi-Stage Intelligent System for Diagnostics of Pumping Equipment for Oil and Gas Industries // IOP Conference Series: Earth and Environmental Science. 2019. № 3(272). pp. 1-6.

Kotas F. Use of artificial intelligence methods in diagnostics of technical systems: Artificial Intelligence and Industry 4.0. (Thesis). Brno: Brno University of Technology, 2021. 46 p.

Križanová B. IoT systémy v diagnostice: IoT systems in diagnostics. (Thesis). Brno: Brno University of Technology., 2020. 98 p.

Luger G. F. Artificial intelligence, structures and strategies for complex problem solving. 3rd ed G.F. Luger // Booksgooglecom. 2002. pp. 851.

Zářecký Т. Online diagnostika obráběcích stroju: Online diagnostics of machine tools: thesis. Brno: Brno University of Technology, 2020. 101 p.

Дополнительные файлы

Опубликован

2024-06-30

Как цитировать

Яблоков, А. Е., Латышев, М. А., Шилина, В. Д., & Полетаев, А. А. (2024). Технологии ИНС в задаче спектральной вибродиагностики оборудования хлебопекарного производства. Хлебопечение России, 68(3), 16–25. извлечено от https://hbreview.ru/index.php/hb/article/view/67

Выпуск

Раздел

ТЕХНОЛОГИЯ И ПРОИЗВОДСТВО

Похожие статьи

1 2 3 4 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.