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.