2026-08-23T23:39:45Z https://www.hbreview.ru/index.php/hb/oai
oai:hbreview.ru:article/67 2024-09-01T04:05:05Z hb:tap driver
hbhb Хлебопечение РоссииBakery of Russia 2073-3569 Общественная организация «Российский союз пекарей» 67 TECHNOLOGY AND PRODUCTIONТЕХНОЛОГИЯ И ПРОИЗВОДСТВО Технологии ИНС в задаче спектральной вибродиагностики оборудования хлебопекарного производстваANN technologies in the problem of spectral vibration diagnostics baking equipment Яблоков Александр Евгеньевич Yablokov Alexander E. yablokovae@mgupp.ru Латышев Михаил Александрович Latyshev Mikhail A. mi5601@mail.ru Шилина Виктория Дмитриевна Shilina Victoria D. shilinavd@mgupp.ru Полетаев Александр Александрович Poletaev Alexander A. poletaev_89@mail.ru Российский биотехнологический университет Russian University of Biotechnology 202430062024 68 3 13Хлебопечение РоссииBakery of Russia16 25 © 2024 Хлебопечение России © 2024 Bakery of Russia 2024 Хлебопечение России Bakery of Russia Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная. This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. Метаданные настоящей записи распространяются на условиях Creative Commons CC0 1.0 (передача в общественное достояние). The metadata of this record are distributed under the Creative Commons CC0 1.0 Universal Public Domain Dedication.

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.

The article presents the results of an analysis of the effectiveness of the method of neural network diagnostics of gear transmission by the amplitude-frequency composition of vibrations of the bearing assembly. Full-scale modeling of various technical conditions of mechanical transmission was carried out on an experimental stand specially created at ROSBIOTECH. Automation of measurement procedures, digital processing and analysis of vibration signals using INS technology is implemented in the Matlab package. The results of the research have shown the reliability of determining the class of technical condition of the gear transmission by the values of the amplitudes of the vibration spectrum of the order of 99%. Scientific research formed the basis for the creation of intelligent components for the system of technical monitoring and diagnostics of technological machines of bakery production.

Keywordstechnical diagnostics of equipmentvibration diagnosticsDSPmachine learningartificial neural networksneural network classification methodsdiagnostics of bakery machinesКлючевые словатехническая диагностика оборудованиявибродиагностикаЦОСмашинное обучениеискусственные нейронные сетинейросетевые методы классификациидиагностика машин хлебопекарного производства Исследование выполнено без внешнего финансирования. The study was conducted without external funding. metadata-license CC0 1.0 issue-cover

Список литературы 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.