ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ КЛАССИФИКАЦИИ НЕИСПРАВНОСТЕЙ СИСТЕМЫ ЗАЖИГАНИЯ В ИНТЕЛЛЕКТУАЛЬНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМАХ
Автор: Крупица Олег Владимирович – старший преподаватель кафедры «Информационных технологий и транспорта», ФГБОУ ВО «ЛГУ им. В.Даля», Краснодонский факультет инженерии и менеджмента, е-mail: kow1976@mail.ru
Научный руководитель: Замота Тарас Николаевич – проф. д.т.н., заведующий кафедры «Автомобильный транспорт», ФГБОУ ВО «ЛГУ им. В.Даля», E-mail: Zamota71@gmail.com
Сигналы разрядных процессов системы зажигания двигателей внутреннего сгорания представляют собой сложные нестационарные электрические колебания, формирующиеся в результате электрического пробоя межэлектродного зазора свечи зажигания и последующего протекания тока в газоразрядном промежутке. Характер этих сигналов определяется совокупностью физических процессов, протекающих в системе зажигания, и существенно зависит от электрических параметров первичной и вторичной цепей, конструктивных особенностей элементов системы, а также от термодинамических условий в камере сгорания.
С точки зрения информационного содержания сигналы разрядных процессов являются носителями диагностически значимых признаков, отражающих техническое состояние элементов системы зажигания и сопряжённых подсистем двигателя. Изменение формы сигнала, его амплитудных характеристик, длительности разряда, спектрального распределения энергии и временных параметров может свидетельствовать о наличии дефектов в катушке зажигания, нарушениях изоляции, деградации свечей зажигания, увеличении межэлектродного зазора, наличии токопроводящих отложений, а также о механических и термодинамических отклонениях в цилиндропоршневой группе
Выберите необходимую осциллограмму из репозитория слева (в репозитории находится по 20 тысяч осциллограмм каждой неисправности)
Выбрана осциллограмма из репозитория:
| Диагностические данные | Интерпретация данных диагностики |
|---|---|
| 0 Осциллограмма исправной системы зажигания (AWorkingIgnitionSystem) | Неисправностей не выявлено |
| 1 Недостаточный заряд катушки зажигания (InsufficientIgnitionCoilCharge) | Неисправность катушки зажигания |
| 2 Повышенное напряжение пробоя (IncreasedBreakdownVoltage) | Увеличенный зазор свечи зажигания |
| 3 Пониженное напряжение пробоя (DecreasedBreakdownVoltage) | Слишком малый зазор свечи |
| 4 Сокращение длительности горения искры (ReducedSparkDuration) | Утечка тока в цепи высокого напряжения |
| 5 Увеличение длительности горения искры (IncreasedSparkDuration) | Низкая компрессия / механические проблемы цилиндра |
| 6 Отсутствие выраженного спада напряжения при завершении разрядного процесса (AbsenceOfAPronouncedVoltage) | Поверхность изолятора свечи покрылась проводящим слоем |
| 7 Множественные паразитные каналы утечки тока (MultipleParasiticCurrentLeakageChannels) | Загрязнение поверхности электродов |
| 8 Снижение напряжения горения искры (DecreasedSparkVoltage) | Пробой высоковольтной изоляции |
| 9 Колебательный режим с повторными пробоями искрового зазора (OscillatoryModeWithRepeatedSpark) | Пробой керамического изолятора свечи зажигания |
| 10 Отсутствие затухающих колебаний в конце фазы горения искры (AbsenceOfDampedOscillations) | Неисправность конденсатора в классической системе зажигания или повреждение катушки зажигания |
Программная реализация интеллектуальной модели классификации неисправностей системы зажигания основана на использовании языка программирования Python и библиотеки глубокого обучения PyTorch, которые в совокупности обеспечивают высокую гибкость, масштабируемость и вычислительную эффективность при разработке и обучении нейросетевых архитектур, ориентированных на обработку временных последовательностей.
В программной архитектуре применена рекуррентная нейросетевая модель типа Long Short-Term Memory, ориентированная на анализ временных зависимостей, формирующихся в сигналах разрядных процессов системы зажигания. Выбор подобной структуры обусловлен необходимостью учитывать не только локальные особенности сигнала, но и его изменения во времени, где диагностическая информация распределена неравномерно и часто проявляется через последовательности взаимосвязанных событий.
В рассматриваемом случае входной поток представляет собой последовательность параметров, извлекаемых из сигналов — амплитудные характеристики, спектральные компоненты, а также производные признаки, чувствительные к динамике разряда. На выходе формируется вероятностная оценка принадлежности к одному из классов, описывающих техническое состояние системы: нормальный режим работы либо различные типы отказов.
Работа обученной модели нейронной сети
Быстрое преобразование Фурье
График треугольных фильтров основанный на мел-шкале и вектор расчета энергий
Полученные устойчивые формальные признаки для разрядных процессов
Результаты диагностики
Диагностические данные:
Проявление:
Последствия:
Интерпретация данных:
Для проверки правильности работы нейронной сети необходимо полученный результат сравнить по таблице, приведённой выше с выбранной осциллограммой (из какого репозитория была выбрана осциллограмма)
Проверка точности и надежности работы системы интеллектуальной диагностики
Проверка точности и надежности работы системы интеллектуальной диагностики
Диагностическое решение принимается на основе максимального значения вероятности, что соответствует принципу максимального правдоподобия. Полученные результаты сопоставляются с эталонными метриками технического состояния, заданными в рамках экспериментального исследования, что позволяет оценить корректность классификации. Было выбрано случайным образом 43997 из 220000 осциллограмм и проведена диагностика неисправности с помощью интеллектуальной системы. Тестирование показало три ошибки при определении неисправности.
Тестирование обученной интеллектуальной модели подтверждает её применимость для диагностики технического состояния системы зажигания на основе анализа сигналов разрядных процессов. Полученные результаты демонстрируют возможность использования разработанной модели в составе интеллектуальных диагностических систем, функционирующих в условиях нестационарности сигналов и ограниченной априорной информации о характере неисправностей.
Свидетельство о государственной регистрации программы для ЭВМ
1. Свидетельство о государственной регистрации программы для ЭВМ № 2026617476 Российская Федерация. Клиентский модуль интерпретации данных программного комплекса интеллектуальной системы диагностики транспортных средств : заявл. 04.03.2026 : опубл. 17.03.2026 / О. В. Крупица, Т. Н. Замота. – EDN ZPNZMH.
2. Свидетельство о государственной регистрации программы для ЭВМ № 2026616981 Российская Федерация. Модуль обучения нейронной сети программного комплекса интеллектуальной системы диагностики транспортных средств : заявл. 06.03.2026 : опубл. 12.03.2026 / О. В. Крупица, Т. Н. Замота. – EDN TTAMUW.
3. Свидетельство о государственной регистрации программы для ЭВМ № 2026616881 Российская Федерация. Клиентский модуль обработки сигналов программного комплекса интеллектуальной системы диагностики транспортных средств : заявл. 03.03.2026 : опубл. 12.03.2026 / О. В. Крупица, Т. Н. Замота. – EDN THRZSP.
4. Свидетельство о государственной регистрации программы для ЭВМ № 2026616777 Российская Федерация. Программный модуль извлечение устойчивых формальных признаков разрядных процессов системы зажигания : заявл. 03.03.2026 : опубл. 11.03.2026 / О. В. Крупица, Т. Н. Замота. – EDN RTPJWF.
5. Свидетельство о государственной регистрации программы для ЭВМ № 2026616597 Российская Федерация. Серверный модуль программного комплекса интеллектуальной системы диагностики транспортных средств : заявл. 03.03.2026 : опубл. 10.03.2026 / О. В. Крупица, Т. Н. Замота. – EDN NKRRUA.