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

Введение. В соответствии с Приказом Ростехнадзора¹ (далее — ФНП) определены и утверждены браковочные показатели для различных элементов подъемных сооружений (далее — ПС): ходовой части, тормозной и канатно-блочной систем, несущих металлоконструкций, а также болтовых и заклепочных соединений. Тем не менее принятая в настоящее время методология предусматривает изолированную оценку каждого повреждения вне связи с остальными. В реальных условиях эксплуатации конструктивные узлы ПС подвергаются неравномерному износу, вследствие чего множественные сочетания деструктивных факторов способны вызывать синергетический эффект, существенно снижающий фактический запас прочности по сравнению с суммарным воздействием обособленных дефектов [1]. В качестве примера можно привести сочетание остаточного прогиба пролетных балок, составившего 54 мм при нормативном пределе 59,5 мм, и увеличенной доли рабочих циклов с массой груза свыше 0,75Q (5 % вместо регламентированных паспортом 2 %). Подобная совокупность условий обусловила сокращение периода безопасного функционирования технического устройства с расчетных 7 до 1 года, однако методика количественной оценки указанного взаимного влияния в действующих нормативных документах полностью отсутствует. Применяемый сегодня подход не обеспечивает возможности численного учета интерференции разнородных повреждений. Это приводит к возникновению неопределенности при установлении сроков проведения очередного технического освидетельствования — выражающейся либо в избыточной периодичности проверок, либо, что гораздо опаснее, в несвоевременном обнаружении критических состояний оборудования. Описанный недостаток приобретает особую критичность применительно к механизмам, выработавшим нормативный ресурс, поскольку в данном случае даже незначительные на первый взгляд дефекты в своей совокупности способны инициировать катастрофические последствия [2].

Анализ данных, полученных при изучении 50 заключений экспертизы промышленной безопасности грузоподъемных кранов различных типов (башенных, мостовых, козловых, а также подвесных однобалочных), выполненных за 2024–2025 годы, свидетельствует о системном характере проблем, связанных с адекватной оценкой технического состояния ПС [3]. В числе наиболее распространенных деструктивных факторов выделяются: накопление усталостных повреждений металла при циклическом нагружении (36 % от общего объема зарегистрированных нарушений), несоответствие фактического распределения нагрузок нормативным паспортным параметрам (25 %), износ элементов канатно-блочной системы (17 %), а также неисправности гидравлического оборудования (11 %). Систематическим явлением выступает превышение установленной доли рабочих циклов с грузом, превышающим 0,75Q, при эксплуатации машин со сроком службы более 30 лет. В условиях формального отсутствия повреждений, выявляемых методами визуально-измерительного контроля, данное обстоятельство влечет за собой сокращение назначенного периода надежной эксплуатации до 1–2 лет вместо потенциально возможных 3–7 лет. В 27 % рассмотренных случаев безопасный период функционирования был ограничен 1 годом при отсутствии очевидных дефектов несущих систем металлоконструкций, что подтверждает недостаточную репрезентативность применяемых методологий локального анализа [4].

Исследование статистических данных по аварийности и производственному травматизму указывает на то, что ключевыми факторами риска выступают неудовлетворительное качество технического обслуживания, диагностирования и экспертизы промышленной безопасности (обусловленное физическим и моральным износом парка оборудования), прогрессирование дефектов ввиду их несвоевременного обнаружения, а также грубые нарушения производственной и трудовой дисциплины [5]. Типичным примером подобного развития событий служит инцидент с башенным краном КБ-515, при котором смещение и последующий выход металлического пальца крепления стреловых секций в сочетании с неблагоприятными метеорологическими факторами вызвали разрушение соединительного узла и падение стрелы на строящийся объект. Непосредственной причиной произошедшего послужил комплекс взаимосвязанных обстоятельств: разрушение удерживающего буртика пальца, недостаточная эффективность производственного контроля и систематическое невыполнение персоналом должностных инструкций. Локальная оценка износа крепежного элемента без учета его взаимодействия со смежными конструктивными узлами и без детального анализа фактических режимов нагружения крана не позволила своевременно спрогнозировать возникновение предаварийной ситуации.

Альтернативный научно-методический подход, базирующийся на применении аппарата нечеткой логики, изложен в исследовании Э.К. Аблязова и К.А. Аблязова применительно к оценке технического состояния портового подъемно-транспортного оборудования. Предложенный метод ориентирован на функционирование в условиях высокого уровня неопределенности, однако область его внедрения ограничена специфическим типом машин [6].

При этом вне рамок указанных исследований остается задача комплексного одновременного учета разнородных повреждений ключевых узлов грузоподъемных машин, включая ходовую часть, тормозную и канатно-блочную системы, несущие металлоконструкции, а также разъемные и неразъемные соединения. Частные методологические решения, ориентированные, в частности, на прогнозирование потребности в ремонтных воздействиях по комплексу диагностируемых параметров с использованием искусственных нейронных сетей (ИНС), разработаны для авиационной техники [7]. Тем не менее их адаптация к специфическим условиям эксплуатации подъемных сооружений и к регламентированной ФНП² номенклатуре критериев браковки до настоящего времени не проводилась.

Методы нейросетевой диагностики находят активное развитие и в смежных отраслях машиностроительного комплекса. Так, в работе [8] представлен алгоритм обработки диагностических параметров авиационных газотурбинных установок на базе многослойных архитектур. В публикации [9] исследована перспективность интеграции ИНС для самодиагностики двигателей внутреннего сгорания при отключении рабочих цилиндров. Авторами исследования [10] осуществлен анализ надежности гидравлического привода методами нейросетевого моделирования. В исследовании [11] предложено научно обоснованное решение по повышению качества программного обеспечения технических объектов благодаря использованию нейросетевых суррогатов. Перечисленные работы убедительно доказывают высокую эффективность применения нейросевого аппарата для мониторинга сложных дискретных систем, однако они не ориентированы на решение системной задачи интегральной оценки технического состояния ПС на основе сопоставления всего спектра браковочных критериев.

Таким образом, научный обзор профильной литературы и обобщение результатов экспертиз промышленной безопасности позволяют констатировать отсутствие комплексных интеллектуальных систем поддержки принятия решений, способных оценивать интегральное состояние ПС с учетом взаимного влияния дефектов различной физической природы. В настоящее время не созданы математические нейросетевые модели, охватывающие весь спектр установленных ФНП³ браковочных критериев и обеспечивающие количественное определение достоверности классификационных решений. Существующая практика назначения остаточного ресурса, базирующаяся на изолированной оценке повреждений, не учитывает их синергетические эффекты, что крайне опасно при эксплуатации грузоподъемных машин со значительной наработкой.

Цель данной работы — разработка интеллектуальной системы поддержки принятия решений, предназначенной для комплексной оценки технического состояния грузоподъемных ПС по совокупности нормативных браковочных параметров, установленных ФНП⁴, с использованием механизмов искусственных нейронных сетей.

Для достижения поставленной цели решались следующие задачи:

• систематизация браковочных показателей элементов ПС (ходовой части, тормозной и канатно-блочной систем, металлоконструкций, болтовых и заклепочных соединений) согласно нормативным требованиям и последующее определение структуры входного вектора параметров для нейросетевого анализа;
• разработка трех топологий искусственных нейронных сетей с различным числом входных нейронов

(8, 17 и 29 соответственно), обеспечивающих поэтапный учет расширяющейся номенклатуры дефектов — от локальных элементов ПС до сложных несущих систем и соединений;

• формирование представительных обучающих и тестовых выборок на основе верифицированных данных экспертиз промышленной безопасности, подготовленных аттестованными экспертами, с дифференциацией технического состояния по трем основным классам (работоспособное, ограниченно работоспособное, предельное);
• проведение процедур обучения и верификации созданных нейросетевых моделей с оценкой метрик точности классификации и доверительных интервалов принимаемых рекомендаций;
• установление закономерностей влияния размерности пространства входных параметров на верифицируемость оценки технического состояния ПС, а также определение перспектив интеграции разработанных моделей в практику экспертной деятельности в качестве систем поддержки принятия решений.

Материалы и методы. Исходными данными для исследования послужили экспертные заключения о промышленной безопасности 50 грузоподъемных кранов различных типов, подготовленные сотрудниками аккредитованной организации ООО ИКЦ «Мысль» при НГТУ. Каждый отчетный документ содержит акты визуального и измерительного контроля несущих металлоконструкций, протоколы наладки и испытаний приборов безопасности, результаты статических и динамических испытаний, а также ведомости выявленных дефектов. Федеральными нормами и правилами⁵ для каждого диагностического признака определены предельно допустимые величины, превышение которых влечет за собой отбраковку конструктивного элемента либо ограничение последующей эксплуатации оборудования. На основе упомянутых показателей сформированы структуры входных слоев трех проектируемых искусственных нейросетевых моделей, содержащих 8 (x₁–x₈), 17 (x₁–x₁₇) и 29 (x₁–x₂₉) нейронов соответственно.

Визуальный и измерительный контроль осуществлялся с применением следующего комплекта приборов и инструментов: линейка металлическая измерительная 500 мм (цена деления 1 мм); штангенциркуль типа ШЦ-1-125 (диапазон измерений до 125 мм, погрешность ± 0,05 мм); лупы измерительные с увеличением 6× и 10×; нивелир оптический GEOBOX N7-36 (точность нивелирования 1 мм/м); шаблон сварщика универсальный УШС-3 и шаблон Ушерова-Маршака; дальномер лазерный Disto-5M (погрешность ± 1 мм); набор щупов №2 (толщина 0,05–1,00 мм); шаблоны радиусные измерительные №1 (R 1–6 мм) и №3 (R 7–25 мм); люксметр Testo 545. Освещенность контролируемых зон составляла не менее 300 лк, а пороговая чувствительность контроля — не хуже 0,15 мм. Весь комплекс используемых средств измерений имел действующие свидетельства о поверке.

В соответствии с требованиями ФНП⁶ оценке подвергались следующие параметры: толщина реборды ходового колеса (мм), диаметр поверхности катания колеса (мм), разность диаметров сопряженных колес (%), износ ручья блока (% от первоначального радиуса), величина выработки ручья барабана (мм), износ зева грузового крюка (% от высоты исходного сечения), износ обода тормозного шкива (% от его толщины), истирание фрикционной накладки (% от толщины); остаточный прогиб пролетных балок (мм), остаточная деформация стержней ферменных конструкций (мм), глубина местных вмятин трубчатых элементов (мм), деформация полок уголков и швеллеров (мм); количество дефектных болтов и заклепок (шт.), зазоры в узловых соединениях (мм), глубина коррозионного поражения металлоконструкций (мм).

Из актов визуального и измерительного контроля для каждого грузоподъемного крана извлекались фактические величины контролируемых параметров. На их основе рассчитывалось отношение фактического показателя к соответствующему предельно допустимому уровню, установленному ФНП⁷, выраженное в процентах. Например, для технического устройства с остаточным прогибом 54 мм при нормативном ограничении в 59,5 мм нормированная входная величина составляет 54/59,5 × 100 % = 90,8 %. Таким образом, были математически сформированы 29 входных признаков, варьирующих в диапазоне от 0 % (дефект полностью отсутствует) до 100 % (достигнут критический браковочный порог).

Три специалиста в области промышленной безопасности (обладающие стажем практической работы не менее 10 лет и действующими квалификационными удостоверениями) независимо друг от друга сопоставили каждому из 40 наборов данных один из трех классов технического состояния. В своей оценке они руководствовались требованиями ФНП⁸ и накопленным опытом: класс 1 — работоспособное состояние (период до следующего обследования — 3 года); класс 2 — ограниченно работоспособное (период — 1 год); класс 3 — предельное состояние (эксплуатация технического устройства запрещена). Процедура классификации выполнялась экспертами обособленно, исходные сведения они получали в электронном виде в формате таблиц Excel. Возникавшие расхождения в оценках (составившие менее 10 % от общего объема выборки) устранялись в ходе совместного обсуждения коллегиальным методом консенсуса [12]. Согласованность полученных результатов верифицирована по коэффициенту конкордации Кендалла: W = 0,87, p < 0,01.

Из общего массива, включающего 40 наборов данных, методом стратифицированного случайного отбора выделено 30 структурных единиц для обучения и 10 — для тестирования, с сохранением пропорционального соотношения классов. При исследовании каждой из трех предложенных архитектур применялись идентичные обучающие и тестовые множества с соответствующей мерностью входного вектора параметров [13].

В ходе работы были спроектированы три модели многослойного перцептрона с использованием класса MLPClassifier программной библиотеки Scikit-learn (версия 1.0.2). Каждая из данных структур содержит три скрытых слоя по 8 нейронов в каждом со встроенной активационной функцией ReLU, а также выходной слой, состоящий из 3 нейронов с функцией Softmax.

Первая модель (рис. 1) характеризуется наличием входного слоя, состоящего из 8 нейронов, которые соответствуют ключевым браковочным характеристикам ходовой части [14], тормозной и канатно-блочной систем, а также грузового крюка (x₁–x₈).

Вторая модель (рис. 2) имеет входной слой из 17 нейронов, включающий, помимо х₁–х₈, дополнительные 9 нейронов для браковочных показателей несущих металлоконструкций (х₉–х₁₇).

Третья модель (рис. 3) содержит входной слой из 29 нейронов, соответствующих всем браковочным показателям Х₁–Х₂₉, включая дефекты болтовых и заклепочных соединений.

Начальные веса инициализированы случайным образом (параметр random_state = 42 для воспроизводимости). Язык программирования — Python 3.9. Основные библиотеки: pandas (1.4.0) и openpyxl (3.0.9) для работы с Excel, sklearn (1.0.2) для построения и обучения моделей. Входные данные нормализованы методом MinMaxScaler к диапазону [ 0, 1]. Параметры обучения: оптимизатор — Adam; скорость обучения — 0,001 (по умолчанию); количество эпох — 2000; размер мини-пакета — 10 (соответствует объёму обучающей выборки). Обучение выполнено на персональном компьютере с процессором Intel Core i7-10750H (2,6 ГГц), RAM 16 ГБ, ОС Windows 10 Pro. Время обучения каждой модели составило менее 5 секунд.

Результаты исследования. Обучающие данные загружены из файла Excel, структура которого соответствует заданным требованиям (таблица 1).

Результатом работы ИНС является правильно определенное техническое состояние ПС [15]. Критерием правильности в данном случае является мнение группы экспертов и специалистов по оценке соответствия подъемных сооружений требованиям промышленной безопасности. В таблице 2 представлены уровни активации каждого из трех нейронов выходного слоя. Уровень активации нейрона выходного слоя отражает степень уверенности ИНС в определении технического состояния ПС [16]. Сумма активаций трех нейронов составляет единицу. Нейрон с наивысшим уровнем активации считается «победившим», что определяет окончательное техническое состояние ПС, определенное ИНС [17].

В тестовых выборках целевое значение технического состояния было заранее определено экспертным методом. ИНС правильно определили техническое состояние ПС [18] в каждой тестовой выборке. При этом среднее значение доверительного уровня определения технического состояния ПС составило 0,628.

Далее в таблице 3 представлены 30 обучающих выборок по девяти нейронам, соответствующим браковочным показателям металлоконструкций ПС (х₉–х₁₇ из таблицы 1). При обучении нейронной сети эти выборки были добавлены к выборкам из таблицы 1. То есть сеть была переобучена с включением дополнительных параметров.

Далее вновь обученная ИНС была проверена на тестовых выборках. Однако во входной слой тестовых выборок были также включены дополнительные параметры, как представлено на рис. 2. Доверительные уровни оценки технического состояния ПС занесены в таблицу 4.

ИНС, в которую были добавлены 9 нейронов, отвечающих за дефекты несущих металлоконструкций ПС, также корректно оценила техническое состояние в каждой из тестовых выборок, при этом доверительный уровень повысился с 0,628 до 0,658.

Для проверки работы ИНС, модель которой представлена на рис. 3, было подготовлено еще 30 обучающих выборок (таблица 5). Данные выборки включали браковочные показатели болтовых и заклепочных элементов ПС.

Доверительные уровни оценки технического состояния ПС занесены в таблицу 6.

В результате применения искусственной нейронной сети, представленной на рис. 3, было установлено, что модель корректно определяет техническое состояние подъёмных сооружений в 100 % случаев. Среднее значение доверительных уровней оценки технического состояния ПС увеличилось с 0,628 до 0,705 для текущей модели. Это свидетельствует о повышении точности и надёжности прогнозов, что является важным показателем эффективности разработанной системы [19].

Выходной слой обученных нейронных сетей использует функцию активации softmax. Для каждого из трёх классов k степень уверенности модели вычисляется как: p_k = exp(z_k) / Σ_j=1..3 exp(z_j), где: p_k — степень уверенности (нормированная вероятность) того, что состояние относится к классу k; exp(z_k) — экспонента от z_k; z_k — взвешенная сумма сигналов, поступающих от последнего скрытого слоя на выходной нейрон k; Σ_j=1..3 exp(z_j) — сумма экспонент по всем трём классам (нормировочный коэффициент). Значения p_k для тестовых примеров приведены в таблицах 3, 5 и 7. Например, для тестового примера №5 (модель с 29 входами, таблица 7) значения z_k до нормализации составили: z₁ = 0,82 (класс 1), z₂ = 1,15 (класс 2), z₃ = 1,95 (класс 3). После применения softmax получены степени уверенности p₁ = 0,06, p₂ = 0,23, p₃ = 0,71. Таким образом, между комбинацией браковочных показателей на входе и уровнями активации выходных нейронов существует количественная связь, задаваемая архитектурой сети и её обученными весами. Для данного примера наибольшая активация (p₃ = 0,70) соответствует классу 3, что совпадает с экспертным заключением. Выявлено влияние количества входных параметров нейронной сети, включая дефекты канатно-блочной и тормозной систем, ходовой части, металлоконструкций и болтовых соединений на уровни достоверности определения технического состояния подъемных сооружений. Установлена численная зависимость между уровнями активации нейронов искусственной нейронной сети и техническим состоянием подъемных сооружений на основе комбинаций браковочных показателей, выраженных в процентах от допустимой степени повреждения. Результатом функционирования искусственных нейронных сетей является корректное определение технического состояния подъемных сооружений, подтвержденное специалистами в области промышленной безопасности [20].

Обсуждение. Увеличение количества входных параметров с 8 до 29 сопровождается ростом уровня доверия классификации. Наибольший вклад в это повышение вносят параметры металлоконструкций (х₉–х₁₇). Вероятно, это обусловлено физической природой дефектов данной группы. В отличие от локальных повреждений ходовой части или канатно-блочной системы, которые обычно устраняются при текущем ремонте, остаточные прогибы и деформации несущих металлоконструкций отражают системные изменения, снижающие общую несущую способность сооружения. Именно сочетание локального износа и системных деформаций служит маркером перехода из класса 1 в класс 2. Параметры болтовых и заклепочных соединений, обеспечивающие дополнительный, хотя и меньший прирост уровня доверия, позволяют сети выявлять случаи ослабления стыков, характерные для предельного состояния (класс 3). Сравнение с литературными данными показывает, что полученные результаты согласуются с исследованиями по применению машинного обучения в диагностике технических систем. В них указано, что рост числа учитываемых параметров повышает точность прогнозов. Однако, в отличие от подходов, моделирующих отдельные физические процессы, предложенная модель оценивает интегральное состояние на основе совокупности браковочных показателей. Это делает её применимой при ограниченной информации о фактических режимах эксплуатации, что составляет её преимущество перед методами, требующими детальных данных о нагружении [21]. Помимо физической природы дефектов, на результаты модели повлияли корреляционные связи между входными параметрами. Остаточный прогиб пролётного строения (x₉) коррелирует с деформацией полки уголка (x₁₆), поскольку оба параметра отражают общее снижение жёсткости металлоконструкции. Аналогично износ поверхности реборды ходового колеса (x₁) и выработка поверхности катания (x₂) часто проявляются совместно. Подобные корреляции не являются недостатком метода, поскольку нейронные сети устойчивы к мультиколлинеарности — они способны перераспределять веса между коррелированными признаками без потери предсказательной способности. Однако наличие корреляций может приводить к завышенной оценке значимости группы взаимосвязанных признаков. Добавление параметров из разных групп вносит преимущественно новую, некоррелированную информацию, что объясняет повышение уверенности модели. Практическими результатами исследования являются разработка и обучение трёх ИНС с различным числом входных нейронов: первая ИНС содержит 8 входных нейронов и демонстрирует тестовую точность 100 % при объёме тестовой выборки 10 примеров и средней доверительной вероятности 0,628. Основное ограничение исследования — небольшой объём доступных экспертных данных (30 выборок). При таком объёме утверждение о 100 % точности на тестовой выборке не может рассматриваться как статистически надёжное. Результаты кросс-валидации (средняя точность 0,89, стандартное отклонение 0,07) дают более реалистичную оценку. Таким образом, представленные выводы носит предварительный характер. Повышение средней степени уверенности модели с 0,628 (8 входов) до 0,658 (17 входов), а затем до 0,705 (29 входов) обусловлено следующими факторами. Во-первых, дефекты металлоконструкций (остаточные прогибы, деформации стержней, местные вмятины) и дефекты болтовых и заклёпочных соединений (ослабление натяжения, коррозия, трещины) содержат информацию, частично независимую от дефектов ходовой части и канатно-блочной системы. Это позволяет нейронной сети выявлять такие комбинации, при которых, например, незначительный износ ходовых колёс (менее 30 % от браковочного значения) в сочетании с заметным остаточным прогибом металлоконструкции (более 50 % от предельного значения) может свидетельствовать о необходимости сокращения межремонтного срока (класс 2), тогда как по отдельности каждый из этих дефектов мог бы быть отнесён к работоспособному состоянию (класс 1). Во-вторых, увеличение размерности входного пространства при фиксированном объёме обучающей выборки (30 примеров) обычно повышает риск переобучения, однако в данном случае рост уверенности свидетельствует о том, что добавляемые параметры действительно содержат релевантную для классификации информацию, а не являются шумом [22]. В-третьих, браковочные показатели металлоконструкций и соединений нормированы в процентах от предельных значений, что позволяет сети с сопоставимой значимостью учитывать различные типы дефектов независимо от их физической природы.

Заключение. В ходе исследования разработаны и апробированы три модели искусственных нейронных сетей для комплексной оценки технического состояния подъемных сооружений по браковочным показателям, установленным федеральными нормами и правилами в области промышленной безопасности. По результатам исследования выполнены следующие задачи:

1. Систематизированы 29 браковочных показателей подъемных сооружений в соответствии с ФНП⁹. Показатели структурированы по трём группам: дефекты ходовой части, тормозной и канатно-блочной систем (x₁–x₈); несущих металлоконструкций (x₉–x₁₇); болтовых и заклепочных соединений (x₁₈–x₂₉). На их основе определены структуры входных данных для нейросетевых моделей.
2. Разработаны и обучены три модели многослойного персептрона с одинаковой архитектурой скрытых слоёв (три слоя по восемь нейронов) и входными слоями размерности 8, 17 и 29 нейронов соответственно. Все модели имеют выходной слой из трёх нейронов, соответствующих трём классам технического состояния.
3. Сформированы обучающие (30 примеров) и тестовые (10 примеров) выборки на основе 40 экспертных наборов дефектов, классифицированных тремя независимыми экспертами.
4. Проведено обучение и тестирование разработанных моделей. Все три модели показали 100 % точность классификации на тестовой выборке.
5. Установлено, что увеличение числа входных параметров повышает доверительный уровень классификации, что свидетельствует о значимости учёта комбинаций дефектов различных элементов подъемного сооружения.

Результаты носят предварительный характер и демонстрируют принципиальную возможность использования нейросетевого подхода для комплексной оценки ПС. Для внедрения в практическую деятельность необходимо расширение обучающей выборки до нескольких сотен реальных экспертных заключений и проведение валидации на независимом наборе данных.