СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Математическое описание процесса стабилизации температуры в системе охлаждения двигателя внутреннего сгорания (ДВС), функционирующего в критических режимах, с учетом внешних и внутренних факторов требует большого количества исходных данных. При этом некоторые из них являются эмпирическими или трудно измеряемыми. В связи с этим в статье рассматривается разработка модели процесса стабилизации температуры, системы охлаждения ДВС путем использования гибридной нейронной сети, состоящей из сверточной и рекуррентной сетей. Назначение сверточной части модели, ориентированной на прогнозирование температурного режима ДВС, заключается в том, что с помощью алгоритмов, которые используются в этих сетях, извлекаются наиболее информативные части сигналов, поступающих на вход сверточной нейронной сети, от датчиков, которые подключены к соответствующим частям объекта исследования. Вторая часть гибридной нейронной сети, состоящая из рекуррентной нейронной сети, позволяет корректно анализировать данные, зависящие от времени, за счет запоминания предыдущей информации, то есть устанавливать связь между основными паттернами настоящей и предыдущей информации путем передачи результата с одного шага на другой. Для построения модели объекта использованы данные, полученные с двигателя внутреннего сгорания с дополнительным элементом охлаждения, установленного на учебно-исследовательском стенде, созданном авторами. Стенд оснащен системой сбора и обработки информации, позволяющей выполнять предварительную обработку данных. Экспериментальные исследования режимов охлаждения двигателя при различных нагрузках согласуются с результатами моделирования с применением пакета программ Matlab/Simulink. Применение гибридной нейронной сети показало устойчивую обучаемость модели и хороший показатель сходимости ошибки процесса моделирования.

1. Глущенко А.А. Техническая эксплуатация автомобилей: учебное пособие для студентов инженерно-физического факультета. – Ульяновск: УлГУ, 2019. – 232 с.

2. Чооду О.А. Проблемы эксплуатации дорожных и строительных машин // Научно-технические ведомости СПбГПУ. – 2008. – № 6. – С. 67–73.

3. Garg A.B., Diwan P., Saxena M. Artificial neural networks for internal combustion engine performance and emission analysis // International Journal of Computer Applications. – 2014. – Vol. 87 (6). – DOI: 10.5120/15212-3705.

4. Uzun A. Air mass flow estimation of diesel engines using neural network // Fuel. – 2014. – Vol. 117, pt. A. – P. 833–838.

5. Deng J., Stobart R., Maass B. The applications of artificial neural networks to engines // Artificial Neural Networks – Industrial and Control Engineering Applications. – InTech, 2011. – ISBN 978-953-307-220-3.

6. Gopala Krishnan K. Effect of training algorithms on neural networks aided pavement diagnosis // International Journal of Engineering Science and Technology. – 2003. – Vol. 2 (2). – P. 83–92.

7. Хайкин С. Нейронные сети. Полный курс. – М.: Вильямс, 2006. – 1104 с.

8. Оссовский С. Нейронные сети для обработки информации / пер. с пол. И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.

9. Исследование температурных режимов работы систем охлаждения двигателей строительных машин / Ш.Ш. Зиёев, Н.И. Юнусов, Б.Г. Ким, Р.А. Насруллоева // Строительные и дорожные машины. – 2023. – № 9. – С. 17–22.

10. Backpropagation applied to handwritten zip code recognition / Y. LeCun, B. Boser, J.S. Denker, D. Henderson, R.E. Howard, W. HubbardandL, D. Jackel // Neural Computation. – 1989. – Vol. 1 (4). – P. 541–551.

11. Медведев В.С., Потёмкин В.Г. Нейронные сети. MATLAB 6. – М.: Диалог-МИФИ, 2002. – 496 с.

12. Галушкин А.И. Теория нейронных сетей. – М.: ИПРЖР, 2000. – 241 с.

13. Зиёев Ш.Ш. Позиционное управление системой охлаждения ДВС с применением элементов искусственного интеллекта // Политехнический вестник. Серия: Интеллект. Инновации. Инвестиции. – 2021. – № 3 (55). – С. 68–73.

14. Kim Y. Convolutional neural networks for sentence classification. – New York University, 2014. – 6 p.

15. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учебное пособие. – Казань: Изд-во Казан. ун-та, 2018. – 121 с.

16. Семёнов А.С., Кугушева Н.Н., Хубиева В.М. Моделирование режимов работы электроприводов горного оборудования: монография. – Saarbrücken: LAP Lambert Academic Publishing, 2013. – 112 с.

17. Беспалов В.Я., Мощинский Ю.А., Кирякин А.А. Определение параметров и характеристик асинхронных двигателей на основе компьютерной обработки паспортных данных // Электротехнические комплексы автономных объектов: научно-техническая конференция: тезисы докладов. – М.: МЭИ, 1997.

18. Werbos P. Backpropagation through time: what it does and how to do it // Proceedings of the IEEE. – 1990. – Vol. 78 (10). – P. 1550–1560.

19. Патент ТJ 909: № 1801183 от 01.03.2018. Устройство для дополнительного охлаждения двигателей внутреннего сгорания / Зиёев Ш.Ш., Юнусов Н.И., Джалолов У.Х., Холов Ш.Ё., Турсунбадалов У.А., Бандишоева Р.М., Толибова С.Н.