Современная электроника №5/2022

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ 44 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2022 дается тогда, когда оборудование выхо- дит из строя, что помогает принимать решения относительно технического обслуживания, которое необходимо выполнять, сводя к минимуму затра- ты и снижая рабочую нагрузку. Основной результат работы состоит в предложении методики прогнозирова- ния сбоев и планировании техническо- го обслуживания с помощью нейрон- ных сетей и выбора наилучшего метода обучения при различных видах и коли- честве данных. Предложенная методика также может стать целью будущих работ с учётом измерений реальных систем. Набор обучающих данных может быть построен на основе реальных измере- ний или смоделирован с помощью нелинейных оценок, таких как лога- рифмические или экспоненциальные. Важно подчеркнуть, что исследова- ния и разработка методов, которые помогают принимать решения в про- мышленности, имеют важное значение для повышения эффективности произ- водства и снижения затрат. Литература 1. Amihai I . An Industrial Case Study Using Vibration Data and Machine Learning to Predict Asset Health / I. Amihai // IEEE 20th Conference on Business Informatics (CBI). Vienna, Austria, 2018. P. 178–185. 2. Plante T., Nejadpak A., & Yang C.X. (2015). Faults detection and failures prediction using vibration analysis. IEEE AUTOTESTCON, (227–231). MD, USA: IEEE. 3. Sampaio G.S., de Aguiar Vallim Filho A.R., da Silva L.S., da Silva L.A. Prediction of Motor Failure Time Using An Artificial Neural Network. 2019, 19(19), 4342. 4. Verbert K. A Multiple-Model Reliability Prediction Approach for Condition-Based Maintenance / K. Verbert, B.D. Schutter, R.A. Babuska // IEEE Transactions on Reliability. 2018. P. 1364–1376. 5. Ntalampiras S. Fault Diagnosis for Smart Grids inPragmatic Conditions // IEEE Transactions on Smart Grid. 2016. №9. P. 1964–1971. 6. YildirimM. Sensor-Driven Condition-Based Generator Maintenance Scheduling. Part I: Maintenance Problem / M. Yildirim, X.A. Sun, N.Z. Gebraeel // Transactions on Power Systems. 2016. № 31. P. 4253–4262. 7. YildirimM. Sensor-Driven Condition-Based Generator Maintenance Scheduling. Part II: Maintenance Problem / M. Yildirim, X.A. Sun, N.Z. Gebraeel // Transactions on Power Systems. 2016. № 31. P. 4263–4271. 8. Machine Learning Approach Using MLP and SVMAlgorithms for the Fault Prediction of a Centrifugal Pump in the Oil and Gas Industry // Sustainability. 2020. №12. P. 4766–4767. 9. Daoud M. A survey of neural network-based cancerpredictionmodelsfrommicroarraydata /M.Daoud,M.Mayo//ArtificialIntelligencein Medicine. 2019.№97. P. 204–214. 10. Recurrent convolutional neural network based multimodal disease risk prediction // Future Generation Computer Systems. 2018. № 92. P. 76–83. 11. Li F. Multi-step wind speed prediction based on turbulence intensity and hybrid deep neural networks / F. Li, G. Ren, J. Lee // Energy Conversion and Management. 2019. № 186. P. 306–322. 12. Transferable convolutional neural network based remaining useful life prediction of bearing under multiple failure behaviors / H. Cheng, X. Kong, Q. Wang, R. Wang // Measurement. 2021. № 168. 13. Sahu A.R. Fault prediction of drag system using artificial neural network for prevention of dragline failure / A.R. Sahu, S.K. Palei // Engineering Failure Analysis. 2020. № 113. 14. www.kaggle.com : сообщество специа- листов по науке о данных: сайт. // URL: https://www.kaggle.com/c/machine- failure-prediction/data (дата обраще- ния: 10.02.2018). 15. Kennedy J. Particle swarm optimization / J. Kennedy, R. Eberhart // Proceedings of IEEE International Conference on Neural Networks. IV. Perth, WA, Australia, 1995. P. 1942–1948. 16. Yang X.S. Firefly algorithms for multimodal optimization // Lecture Notes in Computer Science. 2009. №5792. P. 169–178. 17. Yang X.S. Nature-Inspired Metaheuristic Algorithms. Luniver Press, 2010. 18. Suvrit S., Stephen J.W., & Sebastian N. Optimization for Machine Learning, 2012. Massachusetts: MIT Press. 19. Хамамех Имад Нехадович, Алгорит- мы PSO, FA и GD для прогнозирова- ния сбоев промышленности // Совре- менная наука: Актуальные проблемы теории и практики / Серия Естествен- ные и Технические Науки – № 4, 2022. C. 130–136. НОВОСТИ МИРА Р ОСТЕХ И Б АУМАНКА СОЗДАДУТ ОБОРУДОВАНИЕ ДЛЯ ПРОМЫШЛЕННОЙ 3D- ПЕЧАТИ Центр аддитивных технологий Госкорпо- рации Ростех и Московский центр лазер- ных технологий (МЦЛТ) – научно-инжини- ринговый центр при МГТУ им. Баумана – заключили соглашение о сотрудничестве. Документ, направленный на создание обо- рудования для промышленной 3D-печати, подписали генеральный директор ЦАТ Вла- дислав Кочкуров и генеральный директор МЦЛТ Александр Григорьянц. В рамках проекта в Центре аддитив- ных технологий будет проведена апро- бация и опытная эксплуатация установки 3D-печати на базе технологии селектив- ного лазерного плавления, разработанной специалистами МЦЛТ. Опытные образцы изделий, изготовленные на новом отече- ственном оборудовании, пройдут испыта- ния на соответствие техническим характе- ристикам, предъявляемым к авиационной продукции. Следующим шагом станет на- чало серийного производства оборудова- ния для 3D-печати. Основной потребитель продукции Центра аддитивных технологий – авиастроительная отрасль. Создание перспективной авиатех- ники, такой как самолеты Суперджет 100 или МС-21 с отечественными двигателями ПД-8 и ПД-14, немыслимо без технологий 3D-печати. Наша задача – обеспечить со- ответствующие возможности, предложить авиастроителям лучшие производственные решения. Совместная работа с Бауманкой направлена на создание нового поколения отечественного оборудования для этих це- лей, сказал генеральный директор ЦАТ Вла- дислав Кочкуров. Опытный образец 3D-принтера предна- значен для выращивания изделий разме- ром до 250 × 250 × 300 мм из металлических порошковых материалов: алюминиевых, бронзовых, титановых сплавов и нержаве- ющей стали. rostec.ru