Меню
Публикации
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2025-25-3-536-544
УДК 004.942
Комбинированный подход к детектированию неисправностей в сложных технических системах на основе модели бонд-графа
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Дмитриев В.А., Марусина М.Я. Комбинированный подход к детектированию неисправностей в сложных технических системах на основе модели бонд-графа // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 3. С. 536–544. doi: 10.17586/2226-1494-2025-25-3-536-544
Аннотация
Введение. Разработан и исследован новый подход к детектированию неисправностей для сложных технических систем, позволяющий определить и классифицировать одиночные и множественные одновременные неисправности. Решена задача надежной и своевременной идентификации как одиночных, так и множественных одновременных неисправностей в условиях ограниченного доступа к размеченным данным. Угроза безопасной работе автономной техники является типичной проблемой для полевых условий эксплуатации, в которых традиционные подходы, основанные на моделях или данных, применяемых по отдельности, оказываются неэффективным. Метод. В работе представлен комбинированный подход к детектированию неисправностей. Предложенное решение сочетает в себе аналитическую модель бонд-графа и сверточную нейронную сеть. Бонд-граф формирует остатки — разницу между значениями, рассчитанными по физическим законам системы, и измерениями с датчиков. Остатки анализируются сверточной нейронной сетью, которая обучается выявлять и классифицировать неисправности по их характерным особенностям. Для учета неопределенности параметров (например, сопротивления или емкости) использовано линейное дробное преобразование. Такой подход позволяет объединить априорные знания о физике системы с возможностями глубокого обучения. Основные результаты. Эффективность подхода оценена на симуляторе гидравлической системы управления поворотным механизмом автономной техники. В симуляцию добавлен гауссовский шум для имитации реальных условий. Эксперименты включали начальные, ступенчатые, одиночные и множественные неисправности. Тесты с разными объемами обучающих данных при выборке менее 128 образцов показали более высокую эффективность предложенного комбинированного подхода по сравнению с классическими методами машинного обучения, такими как Random Forest или K-Nearest Neighbors). Предложено решение для детектирования неисправностей в гидравлических системах управления автономной техникой. Обсуждение. Разработанный подход особенно эффективен при ограниченных данных, что делает его пригодным для полевых условий. Он позволяет своевременно выявлять и классифицировать неисправности (например, утечки в клапанах или сбои электромагнитных задвижек), что снижает риск отказов и обеспечивает безопасность автономной техники. Результаты могут быть адаптированы и внедрены для электрических, механических и прочих сложных технических систем
Ключевые слова: детектирование неисправностей, бонд-граф, сверточная нейронная сеть, линейное дробное преобразование, технические системы
Список литературы
Список литературы
- Bouamama B.O., Biswas G., Loureiro R., Merzouki R. Graphical methods for diagnosis of dynamic systems: Review // Annual reviews in control. 2014. V. 38. N 2. P. 199–219. https://doi.org/10.1016/j.arcontrol.2014.09.004
- Isermann R. Fault-Diagnosis Applications: Model-Based Condition Monitoring: Actuators, Drives, Machinery, Plants, Sensors, and Fault-Tolerant Systems. Springer Science & Business Media, 2011. 354 p.
- Chen J., Patton R.J. Robust Model-Based Fault Diagnosis for Dynamic Systems. Springer Science & Business Media, 2012. V. 3. 356 p.
- Ding S.X. Model-Based Fault Diagnosis Techniques: Design Schemes, Algorithms and Tools. Springer Science & Business Media, 2012. 504 p.
- Akhenak A., Duviella E., Bako L., Lecoeuche S. Online fault diagnosis using recursive subspace identification: application to a dam-gallery open channel system // Control Engineering Practice. 2013. V. 21. N 6. P. 797–806. https://doi.org/10.1016/j.conengprac.2013.02.013
- Lei Y., Yang B., Jiang X., Jia F., Li N., Nandi A.K. Applications of machine learning to machine fault diagnosis: a review and roadmap // Mechanical Systems and Signal Processing. 2020. V. 138. P. 106587. https://doi.org/10.1016/j.ymssp.2019.106587
- Xu G., Yu Z., Lu N., Lv G. High-gain observer-based sliding mode control for hydraulic excavators // Journal of Harbin Engineering University. 2021. V. 42. N 6. P. 885–892.
- Shen W., Yuan X., Liu M. Event-triggered control for hydraulic position tracking system with extended state observer // Journal of Mechanical Engineering. 2022. V. 58. N 8. P. 274–284. https://doi.org/10.3901/JME.2022.08.274
- Nasiri S., Khosravani M.R., Weinberg K. Fracture mechanics and mechanical fault detection by artificial intelligence methods: a review // Engineering Failure Analysis. 2017. V. 81. P. 270–293. https://doi.org/10.1016/j.engfailanal.2017.07.011
- Hu Z., Zhao G., Li F., Zhou D. Fault diagnosis for nonlinear dynamical system based on adaptive unknown input observer // Control and Decisions. 2016. V. 31. N 5. P. 901–906.
- Liu Y., Sun C., Chen Y., Lin G. Design and application on sliding mode controller for roller microporous system based on disturbance observer // Forging and Stamping Technology. 2022. V. 47. N 3. P. 116–120.
- Bohagen B., Gravdahl J.T. Active surge control of compression system using drive torque // Automatica. 2008. V. 44. N 4. P. 1135–1140. https://doi.org/10.1016/j.automatica.2007.11.002
- Дмитриев В.А., Марусина М.Я. Особенности построения бонд-графа шагающих роботов // Известия высших учебных заведений. Приборостроение. 2024. Т. 67. № 2. С. 195–199. https://doi.org/10.17586/0021-3454-2024-67-2-195-199
- Rahman A., Hasan N., Zaki M. Modelling and validation of electric vehicle drive line architectureusing Bond Graph // Test Engineering and Management. 2020. V. 82. P. 15154–15167.
- Gonzalez-Avalos G., Gallegos N.B., Ayala-Jaimes G., Garcia A.P. Modeling and simulation in Multibond Graphs applied to three-phase electrical systems // Applied Sciences. 2023. V. 13. N 10. P. 5880. https://doi.org/10.3390/app13105880
- Li F., Wu Z., Li J., Lai Z., Zhao B., Min C. A multi-step CNN-based estimation of aircraft landing gear angles // Sensors. 2021. V. 21. N 24. P. 8440. https://doi.org/10.3390/s21248440
- Chen J., Xu Q., Guo Y., Chen R. Aircraft landing gear retraction/extension system fault diagnosis with 1-D dilated convolutional neural network // Sensors. 2022. V. 22. N 4. P. 1367. https://doi.org/10.3390/s22041367
- Saucedo-Dorantes J.J., Delgado-Prieto M., Osornio-Rios R.A., Romero-Troncoso R.J. Industrial data-driven monitoring based on incremental learning applied to the detection of novel faults // IEEE Transactions on Industrial Informatics. 2020. V. 16. N 9. P. 5985–5995. https://doi.org/10.1109/TII.2020.2973731
- Mo H., Li Y. Fault diagnosis based on interval analytic redundancy relation // Journal of Nanjing University of Aeronautics and Astronautics. 2021. V. 53. N 6. P. 972–980.
