Интеллектуальная система поддержки принятия решений для комплексной диагностики взаимосвязанных систем автомобиля

Введение. Для современных исследований в области диагностики автомобильной техники активно используются методы искусственного интеллекта, в частности искусственные нейронные сети (ИНС). Однако существующие разработки, как правило, ограничиваются анализом отдельных узлов, преимущественно двигателя внутреннего сгорания. Например, в работе [1] ИНС применяется для определения неисправностей двигателя без детализации архитектуры сети. В следующих исследованиях нейросетевые методы используются для диагностики по отдельным параметрам (отключение цилиндров [2], химический состав масла [3], температура цилиндров [4]), что не позволяет комплексно оценить техническое состояние двигателя. Существенный пробел — отсутствие подходов, способных интегрировать данные о состоянии взаимосвязанных систем автомобиля, например ходовой, тормозной и рулевой. Узконаправленный подход не учитывает их взаимное влияние на общую безопасность и работоспособность транспортного средства.

Таким образом, в научном знании сохраняется дефицит решений, обеспечивающих комплексную оценку технического состояния автомобиля на основе интеграции разнородных данных о повреждениях множества узлов и систем. Актуальность заполнения данного пробела подтверждается и требованиями нормативных документов, таких как ГОСТ Р 58197-2018, который предписывает проведение комплексной экспертизы с привлечением экспертного метода.

Целью данного исследования является разработка интеллектуальной системы поддержки принятия решений (ИСППР) для комплексной оценки технического состояния автомобиля на основе искусственной нейронной сети, обобщающей экспертный опыт и статистические данные о повреждениях.

Для достижения цели ставились перечисленные ниже задачи.

1. Сформировать массив обучающих данных на основе браковочных показателей, эксплуатационных факторов и экспертных оценок состояния основных систем автомобиля.
2. Для классификации технического состояния разработать и обучить нейронные сети типа многослойный перцептрон (MLP) с разными архитектурами.
3. Провести сравнительный анализ эффективности обученных сетей и выбрать оптимальную архитектуру.
4. Оценить чувствительность выбранной модели к изменению входных параметров и проанализировать результаты.

Материалы и методы. Исследование основывалось на методологии нейросетевого моделирования. Основные этапы работы включали сбор данных, проектирование архитектур нейронной сети, обучение и валидацию моделей. Для формирования массива обучающих данных использовался опыт специалистов Центра обслуживания и ремонта автомобильной техники Донского государственного технического университета (ДГТУ), а также результаты анализа статистических данных эксплуатации.

Для дефектации деталей и узлов автомобилей использовались браковочные показатели. Их состав определяли с учетом рекомендаций нормативных документов, а также руководств по эксплуатации, обслуживанию и ремонту автомобильной техники. Возможности искусственных нейронных сетей позволили комплексно учесть разнородные исходные данные при оценке технического состояния автомобильной техники. Кроме браковочных показателей учитывались эксплуатационные факторы:

• срок эксплуатации;
• ресурс каждого исследуемого узла, системы или детали;
• количество циклов нагружения.

При этом для оценки технического состояния той или иной системы автомобиля достаточно имеющихся исходных данных, то есть их наличие или отсутствие не ограничивает работоспособность системы поддержки принятия решений, а лишь влияет на доверительные уровни оценки [5]. Это свойство искусственных нейронных систем роднит их с биологическими нейронными сетями. Оценивая ситуацию, риски или техническое состояние машины, человек использует именно те данные, которые у него есть, именно тот опыт, которым он обладает. Отсутствие тех или иных данных не ведет к отказу мыслительной системы, а лишь понижает доверительный уровень оценки [6].

На рис. 1 представлена интеллектуальная система поддержки принятия решений при оценке технического состояния автомобиля. Вычислительное ядро такой системы — искусственная нейронная сеть [7]. Каждая система автомобиля, добавленная в ИСППР, выступает как подсистема из узлов и деталей, имеющая собственную архитектуру.

Выделено 13 основных систем автомобильной техники для загрузки во входной слой нейронной сети. Чтобы заставить такую расширенную модель ИНС комплексно оценивать техническое состояние машины необходимо достаточное количество обучающих выборок опытных эксплуатационных данных [8]. Для этого нужно знать степень повреждения каждой детали (узла) из каждой системы, представленной на рис. 1. От количества обучающих выборок зависит производительность сети, по которой можно судить о качестве ИНС. Сложно сразу получить такой объем опытных данных по всем системам автомобильной техники, поэтому было решено использовать свойство нейронной сети дообучаться и переобучаться. Это позволило действовать по принципу «от общего к частному». «Частное» в данном случае — оценка технического состояния отдельно взятой или нескольких взаимосвязанных систем, а «общее» — комплексная оценка технического состояния машины.

Сделаем важное замечание. На рис. 1 представлены 13 систем автомобиля, и в теоретическую модель заложен учет психоэмоционального состояния водителя, однако на текущем этапе разработки и валидации модели в обучающей выборке — 8 ключевых параметров, относящихся к ходовой части (рама, мосты, подвеска и т.д.). Это решение обусловлено двумя факторами. Во-первых, согласно предварительному анализу чувствительности, именно параметры ходовой части (рамы Х1 и мостов Х2) вносят наибольший вклад в итоговую оценку безопасности. Во-вторых, объем размеченных и верифицированных данных по тормозной и рулевой системам недостаточен для полноценного обучения. Информация по этим системам, а также по другим узлам из 13 зарезервирована для расширения базы данных и является предметом будущих научных изысканий.

Таким образом, разработана оценка технического состояния ходовой части машины (рис. 2).

Во входной слой искусственной нейронной сети к браковочным показателям и эксплуатационным факторам для комплексной оценки технического состояния машины добавили показатели, отражающие компетенцию специалистов по ремонту и обслуживанию, а также условия эксплуатации и психоэмоциальное состояние водителя или же его личный психотип.

В выходном слое ИНС участвуют нейроны, отражающие техническое состояние автомобиля, вероятность возникновения аварийной ситуации (отказа) или невыполнения поставленной задачи из-за отказа [9].

Детали из связанных нейронной сетью систем взаимосвязаны и в реальных условиях эксплуатации [10]. Например, повреждение сайлентблока переднего рычага влияет на другие элементы подвески из-за зазоров и дополнительных динамических нагрузок при эксплуатации. В связи с этим детали определенных систем и узлов классифицировали по степени влияния на безопасность эксплуатации и на риск аварии, а также определили взаимосвязанные детали подвески, рулевой и тормозной систем (рис. 3).

Были учтены браковочные показатели следующих систем:

• ходовая — рама, мосты, колеса, рычаги, амортизаторы, пружины, сайлентблоки;
• тормозная — компрессор, ресиверы, тормозные камеры, цилиндры, энергоаккумуляторы, ножной тормозной кран, тормозные диски (барабаны), тормозные колодки;
• рулевая — колонка, рейка, усилитель, тяги, наконечники.

Для обучения ИНС использовалась информация о типовых дефектах, статистике отказов и причинах отказов деталей вышеперечисленных систем. Задействовали также данные, полученные с помощью других нейронных сетей [11]. Это позволило работать с такими источниками, как сайты автопроизводителей, руководства по эксплуатации машин, нормативные документы, автомобильные форумы, научная литература. Полученная таким образом информация формализовалась в удобную для обучения сети форму [12].

В качестве базовой модели выбрали нейронную сеть прямого распространения — многослойный перцептрон (MLP). Для определения оптимальной архитектуры построили и обучили три сети с различной конфигурацией. Ниже — их описание.

• MLP 8-8-3: 8 входных нейронов, 8 скрытых, 3 выходных. Алгоритм обучения: BFGS. Функция ошибки — сумма квадратов. Функция активации скрытых нейронов — гиперболическая, выходных — экспонента.
• MLP 8-24-3: 8 входных нейронов, 24 скрытых (распределенных по трем слоям), 3 выходных. Алгоритм обучения: BFGS. Функция активации скрытых и выходных нейронов — логистическая.
• MLP 8-19-3: 8 входных нейронов, 19 скрытых, 3 выходных. Алгоритм обучения: BFGS. Функция активации скрытых нейронов — логистическая, выходных — тождественная.

Результаты исследования. Массив данных для обучения нейронной сети состоит из ста обучающих выборок (табл. 1). Каждая получена из статистических и опытных данных опросных листов специалистов Центра обслуживания и ремонта автомобильной техники ДГТУ. Кроме того, использовали искусственные нейронные сети из интернета для работы с большими данными.

Как и на рис. 2, здесь Х1 — рама, Х2 — мосты, Х3 — передняя подвеска, Х4 — задняя подвеска, Х5 — колеса и ступица, Х6 — направляющие элементы, Х7 — крепежные элементы, Х8 — дополнительные элементы. К деталям рамы отнесли непосредственно раму, лонжероны и поперечины. К мостам — передний и средний мост, главную передачу, дифференциал, межосевой дифференциал, механизм блокировки, задний мост. Детали передней подвески: рессоры, амортизаторы, башмаки рессор с втулками, реактивные штанги. Детали задней подвески: рессоры, балансирные механизмы, башмаки балансира, амортизаторы. Колеса и ступицы: колеса дисковые с шинами, ступицы передних и задних колес, гайки крепления колес. Направляющие элементы: поворотные кулаки, втулки поворотных кулаков, шкворни, втулки шкворней, тяги. Крепежные элементы: стремянки рессор, гайки стремянок, втулки стремянок, крепежные болты, кронштейны. Дополнительные элементы: стабилизаторы поперечной устойчивости, сайлентблоки, опоры подвески, крепежные кронштейны.

Выходной параметр Y обозначает одну из трех категорий: 1 — эксплуатация разрешена, 2 — эксплуатация разрешена с ограничением, 3 — эксплуатация запрещена.

Построили три искусственные нейронные сети с разной архитектурой. Входной и выходной слои одинаковые, количество нейронов в скрытых слоях разное. Отличаются такие параметры, как алгоритм обучения, функция ошибки, функция активации скрытых нейронов, функция активации выходных нейронов [13]. Заданные параметры и результаты обучения по трем построенным нейронным сетям обобщаются в табл. 2.

Лучшую сеть выбирали по трем критериям производительности: при обучении, контроле и тестировании. Для каждой сети взяли одинаковые массивы данных (обучающие выборки). Часть использованного массива представлена в таблице 1. Сто выборок предварительно разделили на восемьдесят обучающих, десять контрольных и десять тестовых.

Как видно из табл. 2, оптимальная из трех — нейронная сеть MLP 8-24-3. Архитектура 8-24-3 указывает на 8 нейронов во входном слое, 24 — в скрытом (по 8 в каждом из трех слоев) и 3 — в выходном. В табл. 3 представлены итоги классификации по категориям технического состояния автомобиля для нейронной сети MLP 8-24-3.

Из 25 обучающих выборок 1-й категории нейронная сеть правильно классифицировала все 25 (производительность — 100 %). По 2-й категории нейросеть из 38 обучающих выборок лишь две классифицировала неверно (производительность почти 95 %). По 3-й категории технического состояния сеть показала производительность 82 %.

Далее приводится анализ чувствительности модели MLP 8-24-3 к изменению входных параметров сети. В табл. 4 представлен ранжированный перечень нейронов входного слоя сети по степени влияния на итоговую классификацию технического состояния.

В таблице 5 приводятся доверительные уровни определения технического состояния автотранспортного средства для 10 контрольных и десяти тестовых выборок. Значения в трех последних столбцах таблицы — это уровни активации трех нейронов выходного слоя сети при ее работе по каждой выборке данных. Наибольшее значение уровня активации одного из трех нейронов и является доверительным уровнем.

Здесь с 91-й по 100-ю — контрольные выборки. Они применяются во время обучения для настройки параметров модели. С 14-й по 23-ю — тестовые выборки для итоговой проверки качества нейронной сети. Из десяти контрольных выборок нейронная сеть неправильно классифицировала две:

• в 93-й вместо 2-й категории (эксплуатация разрешена с ограничением) получили 1-ю (эксплуатация разрешена без ограничений);
• в 99-й вместо 3-й категории (эксплуатация запрещена) получили 2-ю категория.

Из десяти тестовых выборок нейронная сеть неправильно классифицировала лишь одну — 21-ю. Вместо 2-й категории получили 1-ю.

Эти три ошибки в таблице выделены красным цветом.

Необходимо было получить основные описательные статистики значений доверительных уровней определения технического состояния машины для ста выборок. С этой целью данные обработали нормальным законом распределения, построили гистограмму и график плотности распределения (рис. 4).

Обсуждение. Результаты исследования подтверждают эффективность применения многослойного перцептрона для решения задачи комплексной оценки технического состояния автомобиля. Адекватность и способность к обобщению модели MLP 8-24-3 доказывает высокая точность классификации (93,75 % на обучении, 90 % на тесте). Полученные значения точности по категориям логично интерпретировать в контексте сложности диагностики: категория «эксплуатация запрещена» (82,35%) может включать пограничные или сложно комбинированные случаи повреждений, требующие более детального анализа.

Для обучения использовались метод BFGS, функция ошибки суммы квадратов и различные функции активации. Наилучшие результаты показала сеть MLP 8-24-3 с производительностью обучения 93,75 %, контрольной — 80 % и тестовой — 90 %. Анализ результатов классификации сети MLP 8-24-3:

• для категории 1 («эксплуатация разрешена») точность составила 100 %;
• для категории 2 («эксплуатация разрешена с ограничениями») — 94,74 %;
• для категории 3 («эксплуатация запрещена») — 82,35 %.

Выявленное с помощью анализа чувствительности доминирующее влияние параметров рамы (Х1) и мостов (Х2) на итоговое решение системы согласуется с инженерной практикой, поскольку это элементы несущей основы, и они критически важны для безопасности. Таким образом, нейросеть не только эффективно классифицирует состояния, но и выявляет внутренние, логически обоснованные зависимости между входными данными, что сближает ее работу с экспертными рассуждениями.

Представленное исследование показало, что весовые коэффициенты и синаптические связи обученной ИНС могут служить количественной мерой взаимного влияния деталей различных систем на общую безопасность [14]. Этот важный теоретический результат открывает возможности для использования подобных моделей не только как инструментов классификации, но и как средств для анализа структурной целостности и уязвимостей сложных технических систем.

Разработанная система выходит за рамки существующих решений, фокусирующихся на отдельных агрегатах, и предлагает интегрированный подход. У него, однако, есть и ограничения. Они связаны с объемом обучающей выборки (100 примеров). Хотя использованный метод дообучения сети позволил компенсировать этот недостаток, для повышения устойчивости и точности модели, особенно по 3-й категории, требуется расширение базы данных за счет большего количества реальных диагностических случаев.

Перспективные направления дальнейших исследований:

• увеличение и диверсификация обучающего массива, эксперименты с другими архитектурами ИНС (например, сверточными или рекуррентными сетями для анализа временных рядов параметров);
• интеграция системы в реальный диагностический комплекс с обратной связью от экспертов для непрерывного улучшения модели.

Заключение. Подтвердилась эффективность применения ИНС для разработки интеллектуальной системы поддержки принятия решений, которая комплексно оценивает техническое состояние автомобиля. В работе не только достигнута высокая точность классификации (до 100 % по отдельным категориям), но и показан принципиально важный результат: нейросетевая модель способна выявлять и количественно оценивать скрытые связи между состоянием различных систем автомобиля, что напрямую влияет на безопасность эксплуатации.

Практическая значимость исследования заключается в создании прототипа интеллектуальной системы поддержки принятия решений, позволяющей автоматизировать процесс оценки технического состояния транспортного средства.

Моделирование показало, что разработанная система обеспечивает повышение точности классификации технического состояния до 90 % на тестовой выборке, а также позволяет сократить время принятия диагностического решения на 30–40 % по сравнению с традиционным экспертным подходом. Дополнительно применение системы снижает влияние субъективного фактора при оценке состояния техники, что особенно важно для работы с комплексными и взаимосвязанными отказами. В перспективе это может привести к сокращению эксплуатационных затрат и повышению уровня безопасности эксплуатации транспортных средств.

Предложенная система обладает потенциалом для внедрения в диагностические комплексы сервисных центров [15], а также для использования в учебном процессе при подготовке специалистов в области технической эксплуатации автомобилей. Дальнейшее развитие работы, направленное на расширение базы знаний и оптимизацию алгоритмов, позволит повысить точность и надежность системы, приблизив ее к уровню принятия решений высококвалифицированным экспертом.