SCI Библиотека

В настоящее время искусственные нейронные сети (ИНС) успешно применяются для технического диагностирования стальных канатов. Зачастую при этом используют дорогостоящие программные продукты с адаптированной средой реализации нейронных сетей, такие как STATISTICA, Amygdala, MATLAB Simulink. Наиболее доступным способом построения и обучения ИНС с финансовой точки зрения является написание собственного программного кода с использованием интерактивных библиотек, таких как TensorFlow, PyTorch, Scikit-learn. Однако такие библиотеки не являются полноценными адаптированными средами построения ИНС, и для их использования необходимо владеть первичными навыками программирования. Поэтому качество ИНС зависит не только от архитектуры, объема и состава обучающих выборок, но и от метода (среды) построения ИНС. Целью данного исследования является сравнение качества работы ИНС, построенных и обученных различными методами, по критерию тестовой производительности сети, доверительным уровням оценки технического состояния каната, а также трудоемкости и скорости обучения. В связи с этим создано новое программное обеспечение для решения задачи оценки технического состояния стального каната по комбинации различных браковочных показателей.

Неисправность съемных грузозахватных приспособлений (СГП) создает значимые производственные риски. Этим обусловлена актуальность исследований в данном направлении. Проблема часто становится темой научных изысканий. Авторы предлагают шире использовать искусственный интеллект для мониторинга состояния СГП. В представленной работе показано, как усовершенствовать модель машинного зрения для лучшего выявления отсутствия замков на крюках СГП. Отмечена вероятность широкого распространения проблемы в производственной практике. Предложена схема стенда хранения и контроля состояния СГП. Цель исследования — продемонстрировать возможности дообучения нейросети для существенного повышения эффективности контроля СГП, обеспечивающего безопасность их применения.