Роман Владимирович Хван, кандидат технических наук, доцент кафедры «Эксплуатация транспортных систем и логистики»
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Roman V. Khvan, Cand. Sci. (Eng.), Associate Professor of the Department of Operation of Transport Systems and Logistics
1, Gagarin Sq., Rostov-on-Don, 344003
Введение. Применение искусственных нейронных сетей (ИНС) для диагностики технического состояния машин активно исследуется, однако авторы публикаций в основном фокусируются на оценке отдельных агрегатов, например двигателя, без комплексного анализа взаимосвязанных систем автомобиля. Необходимо закрыть этот пробел в области создания интеллектуальных систем, способных одновременно учитывать состояние ходовой, тормозной и рулевой части. Цель исследования — разработка интеллектуальной системы поддержки принятия решений (ИСППР) для комплексной оценки технического состояния автомобиля на основе ИНС, обобщающей опыт экспертов и данные о повреждениях различных узлов.
Материалы и методы. Для дефектации деталей и узлов автомобилей использовались браковочные показатели, определенные по нормативным документам, а также руководствам по эксплуатации, обслуживанию и ремонту. При нейросетевом моделировании для обучения ИНС использовался массив из 100 выборок, сформированных на основе:
Учитывались браковочные показатели 13 основных систем автомобиля, эксплуатационные факторы и психоэмоциональное состояние водителя. Обучающий массив включал параметры повреждения деталей рамы, мостов, подвески, колес, тормозной и рулевой систем. Для сравнения эффективности были построены и обучены многослойные перцептроны (MLP1) с разным количеством нейронов в скрытых слоях, функциями активации и алгоритмом обучения BFGS2 (три архитектуры).
Результаты исследования. Наилучшие результаты показала нейросеть MLP 8-24-3 (8 входных, 24 скрытых, 3 выходных нейрона). Ее производительность на обучающей выборке составила 93,75 %, на тестовой — 90 %. Точность классификации по категориям технического состояния достигла: 100 % для категории «эксплуатация разрешена», 94,74 % для «эксплуатация разрешена с ограничениями» и 82,35 % для «эксплуатация запрещена». Анализ чувствительности выявил, что наибольшее влияние на классификацию оказывают параметры рамы (Х1) и мостов (Х2).
Обсуждение. Разработанная ИНС продемонстрировала высокую эффективность в комплексной оценке технического состояния автомобиля. Показатели оказались существенно лучше, чем при диагностике отдельных агрегатов. Установлено, что весовые коэффициенты нейросети могут служить количественной мерой взаимосвязи и взаимного влияния деталей различных систем на общую безопасность. Полученные результаты подтверждают практическую применимость подхода для создания гибких ИСППР в сфере технического обслуживания и диагностики.
Заключение. Исследование вносит вклад в развитие методов интеллектуального анализа данных для транспортных систем. Предлагается новый подход к интеграции разнородных параметров и экспертного опыта в единую нейросетевую модель, что является важным шагом к повышению надежности и безопасности эксплуатации автомобильной техники. Интеллектуальная система, основанная на опыте экспертов и статистических данных, — перспективный инструмент для автоматизации процессов оценки и принятия решений. Дальнейшее развитие, повышение точности и эффективности системы может основываться на расширении базы данных и улучшении алгоритмов обучения.
Introduction. The use of artificial neural networks (ANNs) to diagnose the technical condition of automotive equipment is an active area of research. However, existing work mainly focuses on evaluating individual units, such as the engine, without a comprehensive analysis of the interconnected systems of a car. This creates a gap in the field of the development of intelligent systems that can take into account the state of the chassis, braking, and steering systems at the same time. The aim of this study is to develop an intelligent decision-making support system (IDMSS) based on ANNs that can comprehensively assess the technical condition of a vehicle by combining expert knowledge and data on damage to different components.
Materials and Methods. Defective indicators, determined on the basis of regulatory documents, and manuals on operation, maintenance and repair, were used to defect car parts and assemblies. The research was based on the methodology of neural network modeling. To train the ANN, an array of 100 samples was used, formed on the basis of:
Defective parameters of 13 main vehicle systems, operational factors and even the psycho-emotional state of the driver were considered. The training array included damage parameters for frame parts, axles, suspension, wheels, brake, and steering systems. To compare the effectiveness, three multilayer perceptrons (MLPs) architectures with different numbers of neurons in hidden layers, activation functions, and the BFGS learning algorithm were created and trained.
Results. The best results were shown by the MLP 8-24-3 neural network (8 input, 24 hidden, 3 output neurons). Its performance on the training sample was 93.75%, on the test sample — 90%. The accuracy of classification by category of technical condition reached 100% for the category “operation permitted”, 94.74% for “operation permitted with restrictions”, and 82.35% for “operation prohibited”. Sensitivity analysis revealed that the parameters of the frame (X1) and axles (X2) had the greatest influence on the classification.
Discussion. The developed ANN has demonstrated high efficiency in a comprehensive assessment of the vehicle's technical condition, going beyond the diagnosis of individual units. It has been established that the weighting coefficients of the neural network can serve as a quantitative measure of the relationship and mutual influence of the details of various systems on the overall safety. The results obtained confirm the practical applicability of the approach for creating flexible IDMSSs in the field of maintenance and diagnostics.
Conclusion. The research contributes to the development of data mining methods for transport systems, offering a new approach to integrating heterogeneous parameters and expertise into a single neural network model. It is an important step towards improving the reliability and safety of automotive equipment. An intelligent system based on expert experience and statistical data is a promising tool for automating assessment and decision-making processes. Further development of the system may include expanding the database and improving learning algorithms, which will increase its accuracy and efficiency.
The authors declare that there are no conflicts of interest present.