ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ПРОИЗВОДСТВЕННОГО ОБОРУДОВАНИЯ

Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В

Об авторах

Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В

Черный Сергей Григорьевич – профессор кафедры информационных технологий Херсонского технического университета, 275500, г. Геническ, ул. Центральн ая, 196. ORCID: 0000-0001-5702-3260. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение. Емельянов В. А. Черный С. Г. Емельянова Н. Ю. и др.

Емельянова Наталия Юрьевна – доцент кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр-кт, д. 49/2. ORCID: 0000-0001-7118-4597. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Кочкаров Азрет Ахматович – профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр-кт, д. 49/2. ORCID: 0000- 0002-3232-5331. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Прокопчина Светлана Васильевна – профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр-кт, д. 49/2. ORCID: 0000 -0001-5500-2781. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Скачать PDF

УДК: 004.032.026
DOI: 10.24412/2413-7383-2026-2-41-4-12
Язык: Русский

Аннотация: В статье описывается применение многослойного персептрона и нейронных сетей с радиально-базисной функцией для распознавания термограмм производственного оборудования с целью определения технического состояния его футеровки. Применение нейронных сетей позволило выявить не только факт наличия износа футеровки производственного оборудования, но и определять уровень прогара футеровки в соответствии с конкретной площадью износа и глубиной прогара. Показаны сравнительные результаты функционирования разработанных многослойных нейронных сетей. Отмечается высокая точность предложенных нейронных сетей для задачи распознавания термограмм производственного оборудования.

Ключевые слова: нейронные сети, термограмма, производственное оборудование, классификация

Список литературы

1. Numerical simulation of temperature field and thermal stress field in the new type of ladle with the nanometer adiabatic material. / Gongfa L. Liu J. Jiang G. Liu H. // Advances in Mechanical Engineering. 2015. №7(4). DOI: 7. 10.1177/1687814015575988.
2. Hu W. Large Data and AI Analysis Based Online Diagnosis System Application of Steel Ladle Slewing Bearing. Advances in Asset Management and Condition Monitoring, COMADEM / W. Hu, F. Gu, S. Chen // Smart Innovation, Systems and Technologies. 2019. №166. С.1519-1527.
3. Evaluation of Heat Flow and Thermal Stratification in a Steelmaking Ladle through Mathematical Modelling / Seshadri V. Duarte I.D. da Silva I.A. da Silva C.A. // 7th International Symposium on High- Temperature Metallurgical Processing. Springer, 2016. DOI: 10.1007/978-3-319-48093-0.
4. Обобщение опыта и развитие методов диагностики состояния футеровки доменных печей / Гордон Я.М. Садри А. Миронов К.В. Спирин Н.А. // Известия высших учебных заведений. Черная металлургия. 2017. № 60(8). С. 603-608.
5. Анализ влияния эксплуатационных факторов на стойкость футеровок разливочных ковшей / Арипова Н. Приходько Е. Карманов А. Онгар Б. Егзекова А. // Вестник КазАТК. 2022. №123(4). C. 444–452.
6. Chakraborty B. Sinha B. Process-integrated steel ladle monitoring, based on infrared imaging – a robust approach to avoid ladle breakout // Quantitative Infrared Thermography Journal. 2020. Pp. 169-191. DOI: 10.1080/17686733.2019.1639112
7. Image Processing for Technological Diagnos tics of Metallurgical Facilities / Doukovska L. Petkov V. Mihailov E. Vassileva S. // Cybernetics and Information Technologies. 2012. DOI: 10.2478/cait -2012-0031
8. Model-Based Approach for Investigation of Ladle Lining Damages. / Mihailov E. Petkov V. Doichev I. Boshnakov K. // International Review of Mechanical Engineering. 2013. № 7. С.122-130.
9. Petrova I. Mihailov E. Determination Of Defects Parameters In Infrared Diagnosis Of Steel Ladle Wall. // Journal of Chemical Technology and Metallurgy. 2020. № 55(6). С. 2158-2166.
10. Methods of Evaluating the Damage of Steelmaking Refractories / Sawai S. Shiokawa M. Hashimoto K. Yamada Y. // Nippon Steel Technical Report. 2020. № 125. С. 80-85.
11. Influence of Working Lining Parameters on Stress Field of Ladle Composite Construction Body / Gong Fa Li, Si Qiang Xu, Guo Zhang Jiang [и др.] // Applied Mechanics and Materials. 2011. С. 800-804.
12. Petrova I. Mihailov E. Boshnakov K. Decision support system for condition based maintains of steel casting ladles // Journal of Chemical Technology and Metallurgy. 2019. №54(5). С.1103-1113.
13. Intelligent ladle monitoring system [Электронный ресурс]. URL: https://www.hypercog.eu/intelligent- ladle-monitoring-system/ (дата обращения 20.09.2025)
14. Numerical Simulation of Heat Transfer Phenomenon in Steel Making Ladle / Tripath An. Saha J. Singh J. Ajmani S. // ISIJ International. 2012. № 52(9). С. 1591-1600.
15. Thermography and sensor technology specialist InfraTec [Электронный ресурс]. URL: https://www.infratec-infrared.com/ (дата обращения 02.02.2025)
16. Metal And Steel Industry Integrated Process Route [Электронный ресурс]. URL: https://cdn.sick.com/media/docs/7/47/447/industry_guide_metal_and_steel_industry_integrated_process_ route_en_im0062447.pdf (дата обращения 20.09.2025)
17. Thermal Imaging System for a Reliable Condition Monitoring of the Refractory Lining [Электронный ресурс]. URL: http://www.pieper-video.com/upload/pdf/downloads/LadleCheck_EN.pdf (дата обращения 10.10.2025)
18. Gordon Y.M. Sadri A. Mironov K.V. Diagnostics of blast-furnace linings // Steel in Translation. 2017. № 47. С. 517–522.
19. Advancement from neural networks to deep learning in software effort estimation. Perspective of two decades. / P. Suresh, H.S. Behera, K. Anisha [др.] // Computer Science Review. 2020. № 38. 100288.

Выпуск: 2(41)'2026
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В. ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ПРОИЗВОДСТВЕННОГО ОБОРУДОВАНИЯ // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 4-12. - https://paijournal.guiaidn.ru/ru/2026/2(41)-1.html

Назад к выпуску 2(41)'2026