Контроль технического состояния подъемных сооружений и оборудования с использованием искусственных нейронных систем

Введение. Федеральные нормы и правила в области промышленной безопасности регламентируют порядок проведения оценки технического состояния указанных технических устройств и сопутствующего оборудования. Однако данные регуляторные требования предусматривают проведение дискретного анализа дефектов отдельных узлов и деталей грузоподъемных машин. Подобный подход не всегда обеспечивает требуемую точность и объективность при диагностировании общего состояния оборудования, так как разнообразные сочетания дефектов в многочисленных конструктивных элементах предопределяют различную степень их совокупного износа. Это обусловлено тем, что в ходе долговременной эксплуатации составные узлы и детали механизмов подвергаются неравномерному деструктивному воздействию, приводящему к вариативности степени их разрушения. В настоящем исследовании предлагается сформировать комплекс научно-технических мер, направленных на повышение эксплуатационной надежности как самих грузоподъемных машин, так и сопряженного оборудования, посредством интеграции современных интеллектуальных алгоритмов. Цель работы — разработка интеллектуальной системы поддержки принятия решений, предназначенной для комплексной интегральной оценки технического состояния подъемных сооружений.

Материалы и методы. Для достижения поставленной цели были разработаны три архитектуры искусственных нейронных сетей. Первая модель характеризуется пятислойной структурой: первый — входной слой включает восемь нейронов, соответствующих аналогичному числу браковочных показателей элементов подъемных сооружений, таких как дефекты ходовой части, тормозной системы, канатно-блочной системы и грузового крюка. Три последующих скрытых слоя содержат по восемь нейронов каждый, обеспечивая процесс обучения и фиксацию промежуточных результатов. Выходной слой состоит из трех нейронов, каждый из которых характеризует определенный класс технического состояния исследуемого объекта. Вторая нейронная сеть имеет аналогичную конфигурацию, за исключением входного слоя, в который дополнительно включено девять нейронов, соответствующих показателям браковки несущих металлоконструкций подъемных сооружений. Входной слой третьей модели содержит двадцать девять нейронов. Подобная структура позволяет комплексно оценивать состояние оборудования по всей совокупности браковочных показателей. Практическая реализация разработанных моделей выполнена в среде программирования Python с использованием библиотеки машинного обучения Scikit-learn. Тестирование работоспособности и эффективности разработанных сетей проводилось на десяти независимых выборках по критериям их производительности и доверительным интервалам оценки состояния технических устройств.

Результаты исследования. Производительность разработанных моделей в ходе тестирования составила 100 %, то есть каждая из трех нейросетевых структур безошибочно классифицировала состояние подъемных сооружений во всех десяти тестовых сценариях. При этом доверительный уровень выносимого суждения возрастал по мере масштабирования числа входных параметров сети в диапазоне от 0,628 до 0,705. 

Обсуждение. Представленные данные демонстрируют выраженное влияние архитектуры искусственной нейросети на прецизионность диагностирования подъемных сооружений. Ключевым результатом является установление численной зависимости между комбинациями браковочных критериев и результирующим классом состояния посредством анализа уровней активации нейронов выходного слоя, выступающих количественной мерой достоверности принимаемого моделью решения. Полученные выводы коррелируют с предшествующими исследованиями в области приложения методов машинного обучения к технической диагностике. Специфика предложенного подхода состоит в интегральной оценке общего состояния без детального математического моделирования локальных физических процессов, что обусловливает его эффективность в условиях дефицита априорной информации об эксплуатационных режимах. К числу ограничений работы следует отнести относительно небольшой объем выборки и определенную субъективность экспертной разметки. Возможные погрешности обусловлены риском переобучения нейросети на малых массивах обучающей информации.

Заключение. Предложенная интеллектуальная система разработана с учетом практического опыта эксплуатации подъемных машин, анализа накопленных статистических данных и требований действующих отраслевых стандартов. Научные результаты расширяют представление о потенциале применения алгоритмов искусственного интеллекта для обеспечения техногенной безопасности сложных технических объектов. Внедрение подобных систем позволит инженерно-техническому персоналу, не обладающему обширным практическим опытом натурного обследования конструкций, принимать квалифицированные и обоснованные решения относительно возможности продолжения безопасной эксплуатации оборудования.

1. Tao Li, Wei Wu, Xiufeng Li, Yongquan Li, Xueru Gong, Shuai Zhang, et al. A Hybrid Approach Combining Scenario Deduction and Type-2 Fuzzy Set-Based Bayesian Network for Failure Risk Assessment in Solar Tower Power Plants. Sustainability. 2025;17(11):4774. https://doi.org/10.3390/su17114774

2. Xing Pan, Zekun Wu. Performance Shaping Factors in the Human Error Probability Modification of Human Reliability. International Journal of Occupational Safety and Ergonomics. 2020;26(3):538–550. https://doi.org/10.1080/10803548.2018.1498655

3. Antipas IR. Modeling of Dynamic Loads Affecting a Bridge Crane during Start-Up. Advanced Engineering Research (Rostov-on-Don). 2024;24(2):190–197. https://doi.org/10.23947/2687-1653-2024-24-2-190-197

4. Sagnak M, Kazancoglu Y, Ozen Y, Garza-Reyes JA. Decision Making for Risk Evaluation: Integration of Prospect Theory with Failure modes and effects analysis (FMEA). International Journal of Quality & Reliability Management. 2020;37(6–7):939–956. https://doi.org/10.1108/IJQRM-01-2020-0013

5. Короткий А.А., Панфилов А.В., Хван Р.В., Юсупов А.Р. Интегральный метод оценки дефектов на работоспособность стального каната с использованием искусственных нейронных сетей. Транспортное, горное и строительное машиностроение: наука и производство. 2023;18:73–79. https://doi.org/10.26160/2658-3305-2023-18-73-79

6. Аблязов Э.К., Аблязов К.А. Оценка технического состояния портового подъемно-транспортного оборудования (ПТО) с использованием нечеткой логики. Морские интеллектуальные технологии. 2024;2(1):242–251. https://doi.org/10.37220/mit.2024.64.2.027

7. Долгов О.С., Сафоклов Б.Б. Проектирование модели технического обслуживания и ремонта воздушных судов с использованием искусственных нейронных сетей. Вестник Московского авиационного института. 2022;29(1):19–26. https://doi.org/10.34759/vst-2022-1-19-26

8. Машошин О.Ф., Гусейнов Г. Разработка комплексного алгоритма обработки диагностических параметров авиационных ГТД на основе многослойных нейронных сетей. Контроль. Диагностика. 2025;(7):41–54. https://doi.org/10.14489/td.2025.07.pp.041-054

9. Химченко А.В., Мищенко Н.И., Савчук О.В. Оценка возможности применения искусственных нейронных сетей для самодиагностики двигателя внутреннего сгорания с отключением цилиндров. Тракторы и сельхозмашины. 2022;89(3):175–186. https://doi.org/10.17816/0321-4443-106169

10. Хазиев М.Л. Диагностика надежности гидравлического привода с применением нейронных сетей. Социально-экономические и технические системы: исследование, проектирование, оптимизация. 2025;(1):114–122. https://seats.elpub.ru/jour/article/view/179 (дата обращения: 08.09.2025).

11. Ерохин В.В., Зафиров А.Е. Повышение качества разработки программного обеспечения для технических объектов машиностроения на основе нейронных суррогатов. Мехатроника, автоматика и робототехника. 2025;(15):89–92. https://doi.org/10.26160/2541-8637-2025-15-89-92

12. Egelsky VV, Nikolaev NN, Egelskaya EV, Korotkiy AA. Influence of the Competencies of Lifting Crane Specialists on the Probability of Emergencies. Safety of Technogenic and Natural Systems. 2023;(2):70–79. https://doi.org/10.23947/2541-9129-2023-7-2-70-79

13. Khvan RV. Use of Artificial Neural Networks for Solving the Problem of Residual Resource Estimation of Hoisting Cranes. E3S Web of Conferences. 2024;515(11):04015. https://doi.org/10.1051/e3sconf/202451504015

14. Dennig D, Bureick J, Link J, Diener D, Hesse C, Neumann I. Comprehensive and Highly Accurate Measurements of Crane Runways, Profiles and Fastenings. Sensors. 2017;17(5):1118 https://doi.org/10.3390/s17051118

15. Khvan RV. Comparative Analysis of the Performance of Artificial Neural Networks in Assessing the Technical Condition of Steel Ropes. Safety of Technogenic and Natural Systems. 2024;(2):68–77. https://doi.org/10.23947/2541-9129-2024-8-2-68-77

16. Tong Yang, Ning Sun, He Chen, Yongchun Fang. Motion Trajectory-Based Transportation Control for 3-D Boom Cranes: Analysis, Design, and Experiments. IEEE Transactions on Industrial Electronics. 2019;66(5):3636–3646. https://doi.org/10.1109/tie.2018.2853604

17. Panasiuk JA, Adamus A. A Study on Elements of Machine Vision and Machine Learning in Industrial Vision Systems. Problems of Mechatronics Armament Aviation Safety Engineering. 2024;15(3);87–106. https://doi.org/10.5604/01.3001.0054.7513

18. Egelsky VV, Nikolaev NN, Egelskaya EV, Korotkiy AA. Use of Artificial Intelligence to Monitor the Reliability of Removable Load-Handling Devices. Safety of Technogenic and Natural Systems. 2024;(2):57–67. https://doi.org/10.23947/2541-9129-2024-8-2-57-67

19. Pullin R, Holford KM, Lark RJ, Eaton MJ. Acoustic Emission Monitoring of Bridge Structures in the Field and Laboratory. Journal of Acoustic Emission. 2008;26:172–181. URL: https://www.ndt.net/article/ewgae2008/papers/136.pdf (accessed: 08.10.2025)

20. Хван Р.В. Комплексная оценка технического состояния надземных рельсовых крановых путей с использованием искусственных нейронных сетей. Безопасность труда в промышленности. 2025;(6):7–13. https://doi.org/10.24000/0409-2961-2025-6-7-13

21. Molokov KA, Novikov VV, Dabalez M. Evaluation of the Occurrence of Initial Failures from Stress Concentrators in Welded Joints and Structural Elements. Advanced Engineering Research (Rostov-on-Don). 2023;23(1):41–54. https://doi.org/10.23947/2687-1653-2023-23-1-41-54

22. Sobhanifard F. Optimization of Bayesian Neural Networks Using Hybrid PSO and Fuzzy Logic Approach for Time Series Forecasting. Discover Artificial Intelligence. 2025;5(132). https://doi.org/10.1007/s44163-025-00322-9