Ученые Самарского национального исследовательского университета имени академика С.П. Королёва усовершенствовали разработанный ранее диагностический комплекс, способный автоматически предсказывать возможные сбои, неполадки и отказы в работе сложных технических систем, сообщает сайт Самарского университета. Благодаря применению новой нейросетевой архитектуры точность обнаружения возможных неисправностей превысила 99%. Результаты исследований опубликованы в авторитетном международном журнале Sensors.

"Нами разработана новая нейросетевая архитектура для диагностического комплекса обнаружения технических аномалий. Работы велись совместно с Институтом акустики машин. Новая нейросетевая архитектура точнее, эксперименты на испытательном стенде показали, что точность правильно предсказанных состояний оборудования превышает 99%, - рассказал старший научный сотрудник Института искусственного интеллекта Самарского университета Евгений Минаев. - Кроме того, новая архитектура более гибкая и позволяет легко увеличить количество потенциально распознаваемых неисправностей. Главная особенность нашей разработки - теперь для полноценного обучения системы комплекса требуется всего лишь 0,2% данных с испытательного стенда, остальные данные генерируются при помощи цифрового двойника системы. Такой подход значительно сокращает затраты на обучение диагностического комплекса на реальном технологическом оборудовании”.

Модернизация комплекса предсказательной диагностики не потребовала значительных изменений в его аппаратной составляющей. Кроме того, исходные коды своей разработки ученые сделали доступными для всего мира, выложив их в интернет.

"Несмотря на модернизацию архитектуры, удалось сохранить небольшие требования к аппаратной платформе. Более того, наша нейросеть оказалась самой легковесной среди конкурентных разработок, с которыми проведено сравнение в нашей статье в журнале Sensors. Ещё один важный момент: исходные коды нейронной сети и датасеты мы выложили в открытый доступ, исследователи со всего мира могут опробовать свои алгоритмы на наших данных или, наоборот, проверить нашу программу на своих данных", - отметил Евгений Минаев.

В 2020 году ученые Самарского национального исследовательского университета имени академика С.П. Королёва создали прототип интеллектуального диагностического комплекса, способного заранее предупреждать о возможных сбоях, неполадках и отказах в работе сложных технических систем. Разработка основана на технологии глубокого обучения. Комплекс в процессе работы самообучается и, диагностируя состояние техники, сообщает человеку, какой элемент той или иной системы находится в предотказном состоянии и может вскоре выйти из строя.

Уникальность изобретенного учеными метода диагностики заключается в программном сопоставлении так называемых "динамических портретов" узлов и систем: реальное, актуальное состояние оборудования, данные о котором собираются с помощью набора датчиков, в процессе работы постоянно сравнивается с идеальным состоянием техники - "идеальным портретом", закрепленным в базе данных программы. Комплекс выявляет отклонения от этого "идеального портрета" - например, это могут быть изменения в показателях давления в маслосистеме, разница в уровнях температуры или расходе топлива, причем показатели фиксируются на каждом участке узла или системы, после чего нейросетевая программа на основе выработанных в ходе машинного обучения алгоритмов принимает решение о вероятности возникновения неполадки.

По замыслу разработчиков, в перспективе подобные диагностические комплексы могут использоваться для повышения безопасности авиационных перевозок, но уже сейчас полученные характеристики позволяют применять их в промышленности, в беспилотных летательных аппаратах и автомобилях.

“Следующим шагом планируется создание программно-аппаратного комплекса диагностики технических систем на основе нейропроцессорного модуля, разрабатываемого совместно факультетом электроники и приборостроения и Институтом искусственного интеллекта”, - рассказал о планах по развитию разработки директор Института искусственного интеллекта Артем Никоноров.

 

Фото из архива портала "Научная Россия"