Постоянная ссылка (СИД2) |
J2237862354 |
Название |
Использование искусственного интеллекта для контроля надежности съемных грузозахватных приспособлений |
Автор |
Егельский В. В. |
Автор |
Николаев Н. Н. |
Автор |
Егельская Е. В. |
Автор |
Короткий А. А. |
Источник |
Безопасность техногенных и природных систем. Электронный журнал |
Страницы/Объём |
57-67 |
Сокращ. назв. источника |
Безопас. техног. и природ. систем. Электрон. ж. |
Год |
2024 |
Том |
8 |
Номер |
2 |
Адрес в Интернет |
http://elibrary.ru/item.asp?id=67220764 |
Постоянная ссылка (СИД) |
J22378623 |
Ключевые слова (авторские) |
браковка грузозахватных приспособлений%дефекты крюков для грузовых работ%контроль состояния съемных грузозахватных приспособлений |
Место хранения |
Удаленный доступ. Эл. регистр. НЭБ |
Дата регистрации в ВИНИТИ |
13.08.2024 |
Язык текста |
русский |
Язык резюме |
английский |
Аннотация |
Введение. 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.Материалы и методы. Работа базируется на актах обследования 144 СГП на заводе ООО "КЗ "Ростсельмаш"" в 2022-2023 гг. Материалы обрабатывались методами математической статистики. Исследовалась нейросетевая модель, предварительно обученная по алгоритму компьютерного зрения YOLO. Ее дообучили с учетом норм браковки СГП, зафиксированных в федеральных правилах и стандартах. Из этих источников взяли изображения СГП с дефектами и отсутствующими элементами и сформировали базу для дообучения сети. Базу расширили методом аугментации. Для работы использовали платформу Roboflow.Результаты исследования. Массив изображений для дообучения нейросети разделили на три выборки: обучающую (88%), проверочную (8%) и тестовую (4%). По ним проводили обучение и верифицировали его результаты. Обучение завершилось за 260 эпох при стабильном увеличении точности работы. Полученная таким образом нейросетевая модель компьютерного зрения автоматически обнаруживает часто встречающийся дефект крюка СГП - отсутствие замка. Качество ее работы оценили по трем показателям: средняя точность (94%), точность предсказания (88,8%) и отклик (89,2%). Нейросеть может в режиме реального времени получать изображение с видеокамеры и распознавать дефект крюка. При обследовании СГП на заводе "Ростсельмаш" обнаружили эксплуатируемый захват для подъема двигателей, у которого все три крюка оказались дефектными - без замков. Для исключения таких ситуаций по окончании работы целесообразно размещать СГП на специальном стенде с микроконтроллерным устройством, которое отследит наличие ряда проблем с помощью радиочастотной идентификации.Обсуждение и заключение. Основное предназначение описанного решения - выявление и фиксация признаков несоответствия СГП требуемым нормативам. Задача может быть реализована на объектах, эксплуатирующих подъемные сооружения. В этом случае своевременно замеченные изъяны СГП позволят предупреждать производственные инциденты. В итоге можно рассчитывать на снижение материального ущерба и улучшение статистики по травматизму |
Тематический раздел |
Автоматика и радиоэлектроника |
Тематический раздел |
Транспорт |