Архив статей журнала
Современные технологические требования и развивающаяся городская инфраструктура ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций. Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с этим разрабатываются, реализуются, тестируются и внедряются системы, способные автоматически распознавать и классифицировать пожароопасные ситуации. Классификации пожароопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что способствуют к принятию более эффективных решений по предотвращению последствий пожаров и их признаков таких как, однократное кратковременное повышение температуры и уровня задымленности которое может указывать на выход из строя электрических компонентов, расположенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позволяет обнаруживать даже малейший признака пожара. В рамках данного исследования приводится алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. Приведено описание существующих классов пожароопасных ситуаций, а также критерии, по которым размечались данные по указанным классам. Проведено моделирование алгоритма на обучающей и тестовой выборках с приведением используемых параметров точности, формулой их расчетов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети. Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет для обучения и тестирования получены из реальных источников, содержащих информацию об обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный алгоритм обладает высокой точностью для предиктивной классификации пожароопасных ситуаций на реальных объектах.
Целью данной работы является решение проблемы внеплановых отказов подшипников качения, установленных на промышленном оборудовании, в результате их неправильного обслуживания в процессе эксплуатации. Известно, что до 50% всех внеплановых простоев промышленного оборудования происходит по причине разрушения подшипников. При этом основной причиной отказа подшипников являются нарушения режима смазки тел качения: избыточное и недостаточное количество смазочных материалов. Эти причины составляют до 36% от общего числа отказов подшипников. В процессе эксплуатации оборудования выявить и предупредить все проблемы со смазкой подшипников очень сложно, по причине большого разнообразия факторов, влияющих на их возникновение. Поэтому, актуальной задачей для исследования, становится разработка автоматизированной рекомендательной системы для управления сервисным обслуживанием промышленного оборудования, с контролем смазки подшипниковых узлов. В работе рассматривается метод классификации состояний подшипников в зависимости от их диагностических параметров: показателей виброскорости, виброускорения и температуры. С этой целью применяются алгоритмы классического машинного обучения: модели KNN, RandomForestClassifier и SVM. Для каждой модели определяются гиперпараметры, позволяющие достигать максимальных результатов во время обучения. В процессе проведения исследования выполнен анализ влияния каждого из диагностических параметров - признаков на показатели работы модели классификации. Понимание, какой показатель работы подшипника будет наиболее важным, позволит выбирать приборы контроля состояния оборудования на производственном предприятии осознанно, для решения конкретных производственных задач. Разработанный алгоритм позволяет качественно, с 98% точностью, производить оценку состояния смазки подшипников качения и выдавать рекомендации по проведению своевременного сервисного обслуживания оборудования. Модель - классификатор планируется использовать в составе комплекса по контролю за техническим состоянием оборудования, расширяя возможности диагностики: помимо сведений о вероятности отказа оборудования и прогнозных сроках службы, комплекс диагностики, совмещенный с предлагаемой моделью, позволит воздействовать на ходимость подшипников, путем улучшения качества их смазки.
Комплексирование нескольких моделей в одну систему технического зрения позволит решать более сложные и комплексные задачи. В частности, для мобильной робототехники и беспилотных летательных аппаратов (БЛА) является актуальной проблемой отсутствие наборов данных для различных условий. В работе в качестве решения данной проблемы предлагается комплексирование нескольких моделей: сегментации, сопровождения и классификации. Это позволит значительно повысить качество решения сложных задач без дополнительного обучения. Модель сегментации позволяет выделять произвольные объекты из кадров, поэтому ее можно использовать в недетерминированных и динамических средах. Модель классификации позволяет определить необходимые для навигации объекты, которые затем сопровождаются с помощью третей модели. В работе подробно описан алгоритм комплексирования моделей. Ключевым элементом в алгоритме является коррекция предсказаний моделей, позволяющая достаточно надежно сегментировать и сопровождать различные объекты. Процедура коррекции предсказаний моделей решает следующие задачи: добавление новых объектов для сопровождения, валидация сегментированных масок объектов и уточнение сопровождаемых масок. Универсальность данного решения подтверждается работой в сложных условиях, на которых не обучали модели, например, подводная съемка или изображения с БЛА. Проведено экспериментальное исследование каждой из моделей в условиях открытой местности и в помещении. Наборы данных включали сцены актуальные для мобильной робототехники. В частности, в сценах присутствовали движущиеся объекты (человек, автомобиль) и возможные преграды на пути робота. Для большинства классов метрики качества сегментации превышали 80%. Основные ошибки связаны с размерами объектов. Проведенные эксперименты наглядно демонстрируют универсальность данного решения без дополнительного обучения моделей. Дополнительно проведено исследование быстродействия на персональном компьютере с различными входными параметрами и разрешением. Увеличение количества моделей значительно повышает вычислительную нагрузку и не достигает реального времени. Поэтому одним из направления дальнейших исследований является повышение быстродействия системы.