Идентификация неисправностей гидромеханических систем по их динамическим характеристикам тема диссертации и автореферата по ВАК РФ 01.02.06, доктор наук Гареев Альберт Минеасхатович

• Гареев Альберт Минеасхатович
• доктор наук
• 2022

Оглавление диссертации доктор наук Гареев Альберт Минеасхатович

Введение

ГЛАВА 1 ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЙ

1.1 Гидромеханические системы (ГМС) в структуре технических комплексов

1.2 Стратегии технического обслуживания ГМС

1.3 Анализ видов и физической сущности неисправностей ГМС

1.4 Анализ современных методов и средств оценки технического состояния ГМС

1.4.1 Методы контроля технического состояния ГМС

1.4.2 Математические методы диагностирования неисправностей ГМС

1.4.3 Анализ методов машинного обучения, применяемых для диагностирования неисправностей

1.4.4 Анализ нейросетевых методов детектирования неисправностей ГМС

1.4.5 Методы прогнозирования технического состояния ГМС

1.5 Постановка цели и задач исследования

ГЛАВА 2 МОДЕЛИРОВАНИЕ ПРОЦЕССОВ, ПРОТЕКАЮЩИХ В ГМС ТЕХНИЧЕСКИХ КОМПЛЕКСОВ

2.1 Разработка математических моделей основных элементов ГМС и программ расчета динамических характеристик ГМС в исправном и неисправном состояниях при различных управляющем и возмущающем воздействиях

2.1.1 Характерные неисправности ГМС и их математические модели

2.1.2 Разработка модели ГМС в исправном и неисправном состояниях в программном пакете SimulationX

2.2 Исследование статических и динамических характеристик ГМС в исправном и неисправном состояниях при различных управляющих и возмущающих воздействиях

2.2.1 Исследование динамических процессов в ГМС в исправном состоянии. Проверка адекватности разработанной имитационной модели

2.2.2 Исследование динамических процессов в ГМС в неисправном состоянии

2.2.3 Реализация характеристик ГМС во временной области в исправном и неисправном состояниях для создания базы данных

2.3 Формирование обучающих выборок по отклонениям векторов контролируемых параметров при управляющем и возмущающем воздействиях (методика)

2.3.1 Создание массива данных по динамическим характеристикам ГМС в исправном и неисправном состояниях

2.3.2 Выбор параметров, обеспечивающих наибольшую информативность

при диагностировании технического состояния ГМС

2.4 Выводы по второй главе

ГЛАВА 3 РАЗРАБОТКА МЕТОДА УПРЕЖДАЮЩЕЙ ДИАГНОСТИКИ ГМС НА ОСНОВЕ НЕЙРОСЕТЕВОГО АНАЛИЗА ДИНАМИЧЕСКИХ ПРОЦЕССОВ... 140 3.1 Разработка методики построения диагностических признаков

и диагностирования неисправностей типовых ГМС по динамическим параметрам

3.1.1 Концепция методики

3.1.2 Сравнительный анализ комплекса динамических характеристик исправных и неисправных ГМС со следящим гидроприводом

3.1.3 Идентификация характеристик типовых ГМС

3.1.4 Формирование диагностических признаков и обучение нейросетевого классификатора неисправностей ГМС

3.1.5 Особенности реализации ингредиентной технологии обучения классификаторов неисправностей ГМС

3.2 Разработка ингредиентной технологии обучения классификаторов неисправностей ГМС на основе комбинации модельных и

экспериментальных данных о динамических процессах

3.2.1 Общая концепция модели состояния ГМС на основе данных

3.2.2 Модели состояния ГМС на основе методов машинного обучения

3.3 Разработка ансамбля классификаторов неисправностей ГМС по обучающимся выборкам отклонений динамических характеристик в искусстенном нейросетевом базисе

3.3.1 Нейросетевые модели состояния на основе методов машинного обучения (ансмбль классификаторов)

3.3.2 Общая структура программных модулей

3.3.3 Разработка программного модуля состояния ГМС на основе методов машинного обучения

3.3.4 Тестирование, уточнение параметров классификатора неисправностей ГМС и проверка его эффективности при управляющем и возмущающем воздействиях

3.3.5 Обработка массива экспериментальных данных в аппаратно-программном комплексе

3.4 Выводы по третьей главе

ГЛАВА 4 СОЗДАНИЕ АППАРАТНО-ПРОГРАММНОГО КОМПЛЕКСА

4.1 Разработка гидравлического стенда для экспериментальных исследований динамических характеристик ГМС в условиях, приближённых к штатным

4.1.1 Состав и технические характеристики технологического стендового оборудования

4.1.2 Имитация характерных неисправностей ГМС при его испытаниях на стенде

4.1.3 Формирование измерительно-обрабатывающего комплекса ГМС в составе технологического стенда

4.1.4 Выбор типа, количества и мест установки датчиков в ГМС на стенде

4.1.5 Разработка интерфейса передачи массива данных в программный комплекс для распознавания неисправностей ГМС

4.2 Разработка интеллектуального программного обеспечения автоматического

распознавания состояния ГМС на основе методов глубокого обучения

4.2.1 Архитектура программного комплекса распознавания состояния ГМС

на основе методов глубокого обучения

4.3 Порядок проведения испытаний ГМС и формирование массива экспериментальных данных для передачи в аппаратно-программный

комплекс

4.4 Выводы по четвёртой главе

ГЛАВА 5 АНАЛИЗ РЕЗУЛЬТАТОВ И ОЦЕНКА ЭФФЕКТИВНОСТИ

СОЗДАННОЙ СИСТЕМЫ ИДЕНТИФИКАЦИИ НЕИСПРАВНОСТЕЙ ГМС

5.1 Верификация имитационной модели ГМС в исправном и неисправном состояниях

5.2 Исследование влияния комбинации неисправностей на работоспособность

ГМС

5.3 Прогнозирование постепенного отказа ГМС

5.4 Оценка эффективности разработанного аппаратно-программного комплекса

для диагностирования ГМС, основанного на методах машинного обучения

5.5 Выводы по пятой главе

ЗАКЛЮЧЕНИЕ

Список сокращений и условных обозначений

Список литературы

Приложение А Принципиальные схемы и технические характеристики

основных агрегатов, использованных на стенде

Приложение Б Краткое описание и характеристики датчиков,

использованных на стенде

Приложение В Средства управления, регистрации и обработки

экспериментальных данных на стенде

Введение диссертации (часть автореферата) на тему «Идентификация неисправностей гидромеханических систем по их динамическим характеристикам»

ВВЕДЕНИЕ

Актуальность. Все расширяющаяся тенденция комплексирования машин в сложные системы управления в машиностроении, на транспорте и других областях народного хозяйства, работоспособность которых требует дифференциации и интеграции различных видов информации, энергии, массы, ведёт к широкому использованию высокодинамичных гидромеханических систем (ГМС) управления, преобразующих команды от компьютеров в силовые движения исполнительных органов машин.

Ярким примером таких систем являются системы грузовых, строительных машин, подводных и надводных аппаратов, производственных технологических комплексов (ТК), ну и, разумеется, системы летательных аппаратов (ЛА). Современный набор сервоприводов (преобразователи «электрический сигнал - механическое перемещение») и рулевых приводов представляют собой сложную гидромеханическую систему, являющуюся основным звеном обеспечения полетов.

Современные ГМС, а особенно применяемые на ЛА, - это сложнейшие динамические комплексы, представляющие собой источники энергии, систему её распределения с набором средств электрогидроавтоматики, сервоприводами (электрогидроагрегаты) и силовыми рулевыми приводами (гидромеханические агрегаты). Особенности функционирования подобных систем и агрегатов определяются их изменяющимися динамическими характеристиками. При этом остро ставится вопрос предотвращения внезапных отказов ГМС в процессе эксплуатации. Наиболее оптимальной стратегией является упреждающее обслуживание, т.е. деятельность по своевременному выявлению и устранению первоначальных симптомов отказа. Оно основано на отслеживании тенденции деградации работы ГМС. Важнейшей целью здесь является получение функциональных симптомов, возникающих на ранних стадиях предотказного состояния. Но для того, чтобы упреждающее обслуживание было эффективным, необходимо иметь соответствующие методы, средства диагностирования и контроля состояния ГМС ТК и технологии их реализации, позволяющие получать необходимую информацию в «реальном» масштабе времени. Последнее в свою очередь требует разработки и использования эффективных методов и средств автоматического контроля технического состояния, как отдельных элементов, так и систем в целом. Одними из весьма чувствительных диагностических признаков развития отказов в ГМС являются динамические характеристики, в частности, мгновенные значения расходов, давления и других параметров рабочей жидкости (РЖ), которые претерпевают существенные изменения в процессе функционирования системы.

Анализ накопленных и опубликованных экспериментальных данных показывает возможность использования динамических характеристик ГМС для диагностики предотказного состояния ТК во многих отраслях промышленности. Обоснование эффективных подходов к проблеме разработки комплекса диагностических признаков, основанных на анализе изменения характеристик динамических процессов в ГМС, представляет собой актуальную научную проблему, варианты решения которой с использованием методов искусственного интеллекта и машинного обучения представлены в диссертационной работе.

Работа выполнена при поддержке Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг. проект «Разработка методологии автоматизированного контроля бортовых жидкостных систем с целью снижения

влияния человеческого фактора на оценку технического состояния воздушного судна»; грантов Президента Российской Федерации для государственной поддержки молодых российских ученых 2014 - 2015 гг. МК-5999.2014.8 «Методологические основы управления техническим состоянием гидравлических комплексов воздушных судов гражданской и транспортной авиации в эксплуатации», 2016 - 2017 гг. МК-6480.2016.8 «Совершенствование технологического процесса технического обслуживания стартовых комплексов ракет-носителей»; грантов Кластерного инжинирингового центра Самарской области, проекты «Система функционального диагностирования по динамическим параметрам электрогидромеханических узлов» (2018 г.), «Программно-алгоритмические и аппаратные модули для оценки технического состояния электро-гидромеханических узлов технологических комплексов» (2019 г.), в рамках выполнения государственного задания на оказание государственных услуг (выполнение работ) 2012-2014 гг., проект «Разработка методологии упреждающего анализа состояния элементов гидравлических комплексов в режиме реального времени» и других.

Степень разработанности проблемы. Вопросами исследования работоспособности сложных технических систем в условиях действия динамических процессов занимались многие известные ученые: Башта Т.М., Клюев В.В., Колесников К.С., Крючков А.Н., Меркурьева И.В., Овсянников Б.В., Пилипенко В.В., Поляков Р.Н., Сапожников В.М., Сидоренко А.С., Фирсанов В.В., Шахматов Е.В., Шорин В.П., Brennan M.J., Caillaud S., Fitch E C., Frank P., Hu Q., Hunaidi O., Gao Y., Joseph P.F., Lafon P., Mehra R., Moussou P., Muggleton J.M., Willsky A.S.,Yang B.S. В работах Крючкова А.Н., Fitch E.C., Willsky A.S. отмечены факты изменения динамических характеристик ГМС при тех или иных нарушениях работоспособности, отказах их элементов. Вместе с тем в настоящее время практически отсутствует глубоко проработанная система взглядов на вопросы контроля работоспособности ГМС по комплексу их динамических характеристик.

Существующие методы контроля технического состояния ГМС в процессе их эксплуатации в большинстве случаев основаны на достижении требуемых статических показателей по выходным параметрам. Лишь в малом ряде работ обращено внимание на такие диагностические выходные параметры, как динамические значения давления, расхода, скорости перекладок исполнительных органов при переходных процессах в системе. Опубликованных работ по методологии поиска неисправного элемента ГМС по анализу динамических процессов в системах в научной литературе незначительно и недостаточно для создания методологи упреждающей технической эксплуатации.

Целью диссертационной работы является повышение эффективности процессов технической эксплуатации ТК за счёт разработки методов и средств идентификации технического состояния гидромеханических систем по их динамическим характеристикам с применением машинного обучения.

Для достижения цели были поставлены и решены следующие задачи:

• разработка комплекса математических моделей элементов ГМС, учитывающих изменение динамических характеристик вследствие появления и развития неисправностей в процессе эксплуатации;

• разработка методики формирования обучающих выборок по отклонениям векторов контролируемых параметров при управляющем и возмущающем воздействиях;

• разработка ансамбля классификаторов неисправностей ГМС по обучающим выборкам отклонений динамических параметров в искусственном нейросетевом базисе;

• разработка метода упреждающей диагностики ГМС ТК на основе анализа динамических процессов;

• разработка ингредиентной технологии обучения классификаторов неисправностей ГМС на основе комбинации модельных и экспериментальных данных о динамических процессах;

• реализация системы упреждающего функционального диагностирования ГМС по их динамическим характеристикам посредством создания программно-алгоритмических модулей.

Объект исследования - динамические характеристики (переходные процессы) гидромеханических систем ТК различного назначения в процессе их эксплуатации и выработки ресурса.

Предмет исследования - система диагностирования гидромеханических систем по их динамическим характеристикам на основе применения технологии глубокого машинного обучения.

Методы исследования включают теорию образов, тензорного анализа сетей, групп, аппроксимативного анализа случайных процессов, а также методы комбинаторной топологии, численного решения систем дифференциальных и нелинейных уравнений, имитационного моделирования с применением программных комплексов Simulation X, Matlab, LabVIEW, Python.

Научная новизна:

• метод упреждающей диагностики ГМС на основе анализа динамических процессов, позволяющий в том числе прогнозировать остаточный ресурс узлов и агрегатов ГМС на основе технологии глубокого машинного обучения;

• комплекс математических моделей элементов ГМС, учитывающий изменение динамических характеристик вследствие появления и развития неисправностей в процессе эксплуатации;

• метод формирования обучающих выборок по отклонениям векторов динамических параметров ГМС в нейросетевом базисе;

• ингредиентная технология обучения классификаторов неисправностей ГМС на основе комбинации модельных и экспериментальных данных о динамических процессах.

На защиту выносятся:

1. Комплекс математических моделей элементов ГМС, учитывающий изменение динамических характеристик вследствие появления и развития неисправностей в процессе эксплуатации.

2. Метод формирования обучающих выборок по отклонениям векторов контролируемых параметров динамических характеристик при управляющем и возмущающем воздействиях.

3. Ансамбль классификаторов неисправностей ГМС по обучающим выборкам отклонений динамических параметров в искусственном нейросетевом базисе.

4. Метод упреждающей диагностики ГМС на основе анализа динамических процессов.

5. Программно-алгоритмические модули и аппаратная реализация системы упреждающего функционального диагностирования ГМС.

Практическая значимость работы состоит в том, что полученные в ней результаты позволяют:

• реализовать упреждающее обслуживание ГМС ТК в «реальном» масштабе времени;

• повысить эффективность процессов технической эксплуатации ТК;

• автоматизировать процесс определения требуемого уровня ГМС в процессе технического обслуживания (ТО) ТК;

• совершенствовать технологический процесс ТО ГМС на основе предложенных технических решений.

Реализация результатов работы. Полученные в диссертационной работе результаты используются на предприятиях аэрокосмического кластера Самарской области (ОАО «Агрегат», АО «РКЦ «Прогресс», ОАО «Гидроавтоматика», ОАО «Авиаагрегат», ПАО «ОДК - Кузнецов») в рамках развивающихся новых перспективных высокотехнологичных производств, используются в учебном процессе на кафедре автоматических систем энергетических установок, на кафедре эксплуатации авиационной техники Самарского университета, о чем имеются соответствующие акты.

К основным заказчикам, потенциально заинтересованным в результатах работы, относятся предприятия машиностроительного и металлургического комплексов: ОАО «АВТОВАЗ», АО «Арконик СМЗ», ООО «Нестле Россия», ПАО «Салют», ООО «Волжская металлургическая компания», ОАО «Авиакор-авиационный завод» и др.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на международных и всероссийских конференциях: Четвёртая научно-техническая конференция молодых ученых и специалистов «Исследования и перспективные разработки в авиационной промышленности» (Москва, 2007); Международный симпозиум «Надёжность и качество» (Пенза, 2008); Четырнадцатый всероссийский научно-технический семинар по управлению движением и навигации летательных аппаратов (Самара, 2011); Четырнадцатая международная научно-практическая конференция «ЛЮДИНА I КОСМОС» (Днепропетровск, 2012); 28th Congress of the International Council of the Aeronautical Sciences (Австралия, г. Брисбейн, 2012); Научно-техническая конференция «Системы управления жизненным циклом изделий авиационной техники: актуальные проблемы, исследования, опыт внедрения и перспективы развития» (Ульяновск, 2014); Международная практическая конференция «Решетнёвские чтения» (Красноярск, 2015); Четвёртая всероссийская научно-техническая конференция молодых учёных и специалистов «Новые решения и технологии в газотурбостроении» (Москва, 2015); 30th Congress of the International Council of the Aeronautical Sciences (Южная Корея, г. Дейджон, 2016); Девятая всероссийская конференция молодых учёных и специалистов «Будущее машиностроения России» (Москва, 2016); Шестьдесят вторая международная молодёжная научная конференция «Гагаринские чтения 2016» (Москва, 2016); Шестнадцатая международная конференция «Авиация и космонавтика» (Москва, 2017); Международная научно-техническая конференция «Проблемы и перспективы развития двигателестроения» (Самара, 2018); Четвёртая международная научно-техническая конференция «Динамика и виброакустика машин» (Самара, 2018); Четвёртая международная научно-практическая молодёжная конференция «Февральские чтения - 2019: Творческий потенциал молодежи в решении авиакосмических проблем» (Азербайджан, Баку, 2019);

Четырнадцатая всероссийская мультиконференция по проблемам управления (с. Дивноморское, 2021) и др.

Публикации. По теме диссертационной работы автором опубликовано 44 работы, в т.ч. 2 монографии, 21 статья в периодических научных и научно-технических изданиях, рекомендованных ВАК РФ, в том числе 8 статей в научных журналах, индексируемых в SCOPUS и WoS, 20 статей в сборниках материалов Международных и Всероссийских конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.

Объем и структура работы. Диссертационная работа состоит из введения, пяти разделов, заключения и списка используемой литературы из 298 наименований. Основное содержание работы изложено на 296 страницах машинописного текста, включая 45 таблиц и 326 рисунков.

ГЛАВА 1 ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЙ

1.1 Гидромеханические системы (ГМС) в структуре технических комплексов

Современные ТК, построенные на основе автоматизированных систем, цифровой техники, средств измерения параметров и обработки информации, применяются в разных отраслях промышленности. Они обладают большим потенциалом по эффективному управлению производственным процессом и в этом большое значение отводится ГМС. Последние, всвою очередь, обеспечивают функционирование ТК, выполняя операции по: реализации процессов добычи, перевозки, переработки материалов; изготовления, сборки, испытания машин различного назначения; транспортировки и переработки нефтяных и газовых сред в нефтегазовой промышленности; управлению воздушным, железнодорожным, водным транспортом, и др. В ТК, как правило, ГМС выполняют роль исполнительных элементов с силовым воздействием на процесс путём создания поступательного, вращательного или другого вида движения.

Гидравлические и электрогидравлические системы технологических и энергетических комплексов представляют собой сеть со сложной топологией и большим числом элементов с разнообразной структурой их соединений [246, 263, 298]. Они обладают высоким быстродействием, большой удельной мощностью, достаточно высокими КПД и коэффициентом усиления.

В качестве примера такой промышленной технологической установки можно рассмотреть комплекс по экструзии алюминиевого профиля [245], представленного на рисунке 1.1.

Рисунок 1.1 - ТК по экструзии алюминиевого профиля

Основные характеристики ТК по экструзии алюминиевого профиля таковы: размеры пресса - длина 5,7 м, ширина 2,9 м, высота от пола 3,6 м; диаметр заготовки - 127 мм; максимальная длина заготовки 700 мм; максимальная скорость экструзии - 26 мм/с; диаметр главного цилиндра - 660 мм, диаметр штока - 110 мм; рабочее давление - 29 МПа;

максимальная развиваемая сила прессования - 990 т. Разогретая алюминиевая заготовка, находящаяся в контейнере с нагревательными тэнами, подвергается штемпелем деформации, в результате которого заготовка принимает форму, заданной матрицей в виде трубы, профиля или других форм.

Сборочная схема ГМС ТК по экструзии алюминиевого профиля представлена на рисунке 1.2. Экструзия алюминиевого профиля осуществляется прессштемпелем, приводимым в движение штоком основного гидравлического цилиндра под управлением электрогидравлического распределителя.

1 - прессштемпель; 2 - подвижная траверса; 3 - колонна (стяжка) верхняя;

4 - главный цилиндр; 5 - колонна (стяжка) нижняя; 6 - контейнер; 7 - матрица Рисунок 1.2 - ГМС ТК по экструзии алюминиевого профиля

Усилие прессования по мере экструзии меняется от начала заготовки до её конца, при этом скорость должна поддерживаться постоянной. Для этого в ГМС применён аксиально-поршневой насос с наклонной шайбой, в котором наклон шайбы меняется с помощью гидроцилиндра подачей РЖ пропорциональным электрогидравлическим распределителем (рисунки 1.3 и 1.4). Скорость прессования профиля определяется косвенным способом с помощью резистивной линейки по всей длине прессования.

В процессе эксплуатации ТК по экструзии алюминиевого профиля регулярно производится техническое обслуживание (ТО) ГМС, необходимое для плановой замены изношенных элементов или устранения возникших неисправностей. При возникновении тех или иных неисправностей часто возникает вопрос, какой из агрегатов или элемент ГМС отказал. Необходимо, чтобы время поиска неисправности ГМС и его ремонта были минимальны, так как простой дорогостоящего оборудования обходится производителю продукции весьма дорого. Для рассматриваемого ГМС ТК, так же, как и для многих других аналогичных систем, характерны следующие проявления отказов: неравномерное движение

штемпеля; забросы и провалы скорости штока гидроцилиндра; неравномерное прессование, не удовлетворительное состояние профиля.

Рисунок 1.3 - Гидравлическая схема подключения насоса с регулируемой подачей, создающий давление прессования в структуре ГМС

Рисунок 1.4 - Принципиальная схема главного цилиндра прессования ГМС с двумя вспомогательными цилиндрами

Причиной таких проявлений отказов могут стать: износ манжет цилиндров, из-за которого происходит перетечка РЖ между поршневой и штоковой полостями; износ

пропорционального электрогидравлического клапана, приводящим к смещению нейтрального положения штока гидроцилиндра и реализации нелинейной характеристики его управления; утечка РЖ; неисправности гидравлического насоса и гидроцилиндра привода его наклонной шайбы.

На рисунке 1.5 представлены схемы ГМС летательного аппарата (ЛА) [280] с гидроусилителем, исполнительным гидроцилиндром, автоматом разгрузки насоса. Использование гидроусилителей в системах обусловлено необходимостью снижения нагрузок на рычаги управления ЛА.

Функционирование ГМС происходит следующим образом. РЖ из бака 1 попадает в насос 17 и нагнетается в напорную магистраль. Жидкость проходит через фильтр тонкой очистки 4 и попадает в автомат разгрузки 5. В штатном режиме жидкость проходит через обратный клапан автомата разгрузки в систему. При повышении давления в линии пневмогидравлического аккумулятора (ПГА) 6, например, при неподвижном золотнике 15 или в случае больших усилий на исполнительном штоке 13, происходит срабатывание автомата

разгрузки, который перепускает жидкость от насоса на слив.

1 - бак; 2 - предохранительный клапан; 3 - обратный клапан; 4, 8 - фильтр; 5 - автомат разгрузки; 6 - пневмогидравлический аккумулятор; 7 - электромагнитный кран; 9 - напорный коллектор; 10 - сливной коллектор; 11 - головка гидроусилителя; 12 - силовой гидроцилиндр; 13 - исполнительный шток; 14 - опора;15 - распределительный золотник ручного управления; 16 - привод; 17 - насос Рисунок 1.5 - Принципиальная схема ГМС летательного аппарата

При этом давление на выходе из насоса падает, а обратный клапан, установленный в автомате разгрузки, поджимается давлением от ПГА и находится в закрытом положении, препятствуя попаданию РЖ из линии ПГА на слив. Далее через электромагнитный кран 7, фильтр 8 и напорный коллектор 9 РЖ попадает непосредственно в гидроусилитель (ГУ). При нейтральном положении золотника 15 его центральный буртик перекрывает напорную линию, при этом каналы ГУ, связывающие полости силового гидроцилиндра (ГЦ) 12 с золотником 15, также перекрыты, исполнительный шток 13 находится в неподвижном состоянии. При отклонении золотника от положения равновесия происходит соединения одной из полостей ГЦ с напорной магистралью, а другая полость соединяется со сливом. В результате происходит движение штока заодно с головкой ГУ 11 до момента пока подводящие к

золотнику линии РЖ не будут перекрыты. Испытаниями определяется техническое состояние (ТС) ГМС, оцениваются риски возникновения тех или иных неисправностей, отрабатывается эффективность разных методов контроля его ТС.

Одним из перспективных типов ГМС для использования в первичной системе управления ТК, мобильных транспортных систем, включая системы управления полётом современных ЛА, является электро-гидростатический узел на базе регулируемого вентильного электродвигателя и гидравлического насоса с постоянным наклоном шайбы для питания силовых цилиндров (рисунок 1.6).

Электронный

Насос и

электромотор

Рисунок 1.6 - Силовой электро-гидростатический узел В таком приводе скорость движения штока ГЦ пропорциональна расходу РЖ, выдаваемому насосом, то есть пропорционален скорости (и направлению) вращения вентильного электродвигателя, управляемого блоком электроники.

ГМС зачастую выполняют ключевые функции в составе сложных ТК, поэтому к ним предъявляются жёсткие требования по надёжности, ресурсу и эффективности, удовлетворение которых может быть выполнено только при комплексном подходе, с одной стороны, требуется обеспечение высокого уровня надёжности ГМС на этапе их проектирования и производства, а с другой - строгое соблюдение правил и норм их техничского обслуживания и ремонта (ТО и Р). Ключевую роль в обеспечении надёжности ГМС и ТК в целом играет эксплуатационная надёжность, высокий уровень которой достигается, в первую очередь, применением современных методов диагностирования. Данные методы позволяют реализовать упреждающий подход, заблаговременно обнаружить отказы и неисправности еще на этапе их зарождения, а также прогнозировать динамику изменения ТС ГМС и ТК в целом.

Эксплуатация ТК, включающих ГМС, без мониторинга ТС чревата большими издержками. Поэтому необходимо применять автоматизированные диагностические системы, которые позволят постоянно в автоматическом режиме проводить оценку ТС ГМС, своевременно, а иногда и ранее обнаруживать в них неисправности вплоть до агрегата и передавать информацию для принятия соответствующих решений. Разработка таких систем мониторинга диагностического контроля ТС машин и оборудования опасных производств, к которым можно отнести, в частности, промышленные ТК, регламентирована в общих чертах в ГОСТе [226].

1.2 Стратегии технического обслуживания ГМС

Для современных сложных ГМС снижение времени поиска причины (места) отказа является актуальной задачей. Согласно [214, 231, 253, 254] на практике реализуется несколько стратегий ТО (см. таблицу 1.1), классифицирующихся по характеру информации о ТС, которая используется при формировании управляющих воздействий на процесс технической эксплуатации (ПТЭ). По времени получения информация делится на априорную (получаемую до опыта) и апостериорную (получаемую после или в ходе опыта).

Таблица 1.1 - Виды стратегий ТО

По источнику По времени

Априорная Апостериорная

Обобщенная По наработке для всех однотипных объектов, находящихся в эксплуатации (ТОНАРо) П о состоянию с контролем надежности всех объектов, находящихся в эксплуатации (ТОСКН)

Индивидуальная Понаработке индивидуально для каждого объекта (ТОНАРи) По состоянию с контролем параметров ТС каждого объекта (ТОСКП)

В зависимости от типа стратегии выделяют и советующие методы технической эксплуатации (ТЭ) изделий, классификация которых приведена в таблице 1.2.

Таблица 1.2 - Методы технической эксплуатации изделий

№ п.п. Наименование метода ТЭ Сущность метода ТЭ

1 До выработки ресурса. Метод ТЭР Метод эксплуатации, устанавливающий критерием предельного состояния изделия величину его наработки, по достижении которой использование изделия по назначению прекращается или приостанавливается, после чего оно подлежит восстановлению или списанию.

2 До предельно допустимого значения диагностического параметра. Метод ТЭП Метод эксплуатации, устанавливающий критерием предельного состояния изделия значение диагностического параметра, по достижении которого использование изделия по назначению прекращается или приостанавливается, после чего оно подлежит восстановлению или списанию.

3 До безопасного отказа. Метод ТЭО Метод эксплуатации, устанавливающий критерием предельного состояния изделия его отказ с полной ли частичной потерей работоспособности, после чего изделие подлежит восстановлению или списанию.

Стратегия ТОНАР представляет собой принцип управления ПТЭ, при котором объём и периодичность работ по ТО устанавливаются в зависимости от наработки изделия с начала эксплуатации или после последнего капитального ремонта. Важнейшим требованием, предъявляемым к СТЭ при ТОНАР, является обеспечение заданного уровня надёжности (безотказности) объекта при минимальных эксплуатационных расходах. Режим ТО остаётся практически неизменным в течение всего жизненного цикла ГМС, вне зависимости от условий его эксплуатации. Отсюда и главный недостаток стратегии ТОНАР - проверки ТС

объектов не увязываются с процессами изменения их ТС и направлены в основном на выявление скрытых производственных дефектов. Требуемый уровень надёжности объектов при этом обеспечиваетсяза счет ограничения сроков их эксплуатации (ресурсов) [253].

Список литературы диссертационного исследования доктор наук Гареев Альберт Минеасхатович, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1 A Survey of Fault Diagnosis and Fault-Tolerant Techniques - Part I: Fault Diagnosis with Model-Based and Signal-Based Approaches, 2015

2 Abadi, M. Tensorflow: A system for large-scale machine learning [Text] / M. Abadi, et al. // 12th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 16). - 2016. - pp. 265-283.

3 AliExpress [Электронный ресурс]. - 2019. - Режим доступа: https://ru.aliexpress.com/, (дата обращения 01.11.2019).

4 Angeli, C. On-line fault detection techniques for technical systems: A survey [Text] / C. Angeli, A. Chatzinkolaou. - Int. J. Comput. Sci. Appl. - 2004. -vol. 1, no. 1. - pp. 12-30.

5 Anhua, Z. Information Fusion Technique in Equipment Fault Diagnosis [Текст] / Z. Anhua // Mechanical Science and Technology. - 1997. - T. 16.

6 Bahdanau, D. End-to-end attention-based large vocabulary speech recognition [Text] / D. Bahdanau // 2016 IEEE international conference on acoustics, speech and signal processing (ICASSP). - IEEE, 2016. - pp. 4945-4949.

7 Barzilay, O. On domain knowledge and feature selection using a support vector machine [Text] / O. Barzilay, V.L. Brailovsky. - Pattern RecognitionLetters. - 1999. - 20 (5). - рр. 475-484.

8 Beard, R. Failure accommodation in linear system through self-reorganization [Text]: Ph.D. dissertation - MIT, Cambridge, MA, USA, 1971.

9 Benbouzid, M. A review of induction motor signature analysis as a medium for faults detection [Text] / M. Benbouzid. - IEEE Trans. Ind. Electron. - Oct. 2000. - vol. 47, no. 5. - pp. 984-993.

10 Bengio, Estimating or propagating gradients through stochastic neurons for conditional computation [Text] / Y. Bengio, N. Léonard, A. Courville // arXiv preprint arXiv:1308.3432. - 2013.

11 Bengio, Y. Generalized denoising auto-encoders as generative models [Text] / Y. Bengio, et al. // Advances in neural information processing systems. - 2013. - pp. 899-907.

12 Benosman, M. A survey of some recent results on nonlinear fault tolerant control [Text] / M. Benosman. - Math. Probl. Eng. - 2010. - vol. 2010, Art. ID. 586 169.

13 Bishop, C.M. Neural Networks for Pattern Recognition [Text] / C.M. Bishop. - Oxford University Press, Oxford, 1995. - 482 p.

14 Blanke, M. Fault-tolerant control systems -A holistic view [Text] / M. Blanke, R. Izadi-Zamanabadi, S. Bogh, C. Lunau // Control Eng. Pract. - May 1997. - vol. 5, no. 5. - pp. 693702.

15 Boser, B. A training algorithm for optimal margin classifiers [Text] / B. Boser, I. Guyon, V.N. Vapnik. - Proceedings of the Fifth Annual Workshop on Computational Learning Theory, New York, 1992. - pp. 144-152.

16 Bradley, A. P. The use of the area under the ROC curve in the evaluation of machine learning algorithms [Text] / A. P. Bradley // Pattern recognition. - 1997. - Т. 30. - №. 7. - pp. 11451159.

17 Byington, C. In-line health monitoring system for hydraulic pumps and motors [Текст] / C. Byington, M. Watson, D. Edwards, B. Dunkin // IEEE Aerospace Conference Proceedings. -2010. - pp. 3279 - 3287.

18 Campos-Delgado, D. Fault-tolerant control in variable speed drives: A survey [Text] / D. Campos-Delgado, D. Espinoza-Trejo, E. Palacios. - IET Elect. Power Appl. - Apr. 2008. - vol. 2, no. 2.- pp. 121-134.

19 Chandola, V. Anomaly detection: A survey [Text] / V. Chandola, A. Banerjee, V. Kumar. - ACM Comput. Survey. - Jul. 2009. - vol. 41, no. 3. - pp. 1-58.

20 Chen, J. Design of unknown input observers and robust fault detection filters [Текст] / J. Chen, R. Patton, H. Zhang // Int. J. Control. - 1996. - T. 63, № 1. - pp. 85-105.

21 Chen, J. Robust Model-Based Fault Diagnosis for Dynamic Systems [Text] / J. Chen, R. Patton. - Boston, MA, USA: Kluwer, 1999. - 295 р.

22 Cho, K. Learning phrase representations using RNN encoder-decoder for statistical machine translation [Text] / K. Cho, et al. // arXiv preprint arXiv: 1406.1078. - 2014.

23 Cho, S. Tool breakage detection using support vector machine learning in a milling process [Text] / S. Cho, S. Asfour, A. Onar, N. Kaundinya. - International Journal of Machine Tools & Manufacture. - 2005. - 45. - pp. 241-249.

24 Chow, E. Analytical redundancy and the design of robust failure detection systems [Текст] / E. Chow, A. Willsky // IEEE Trans. on Auto. Control. - 1984. - Т. 1, № 7. - pp. 603-614.

25 Chung, J. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling [Text] / J. Chung, C. Gulcehre, K. H. Cho, Y. Bengio // Deep Learning and Representation Learning Workshop. - 2014.

26 Coleman, N. S. A study of power distribution system fault classification with machine learning techniques [Text] / N.S. Coleman, C. Schegan, K. N. Miu // North American Power Symposium (NAPS). - Charlotte, USA. - 2015. DOI: 10.1109/NAPS.2015.7335264.

27 Cortes, C. Support-vector networks [Text] / C. Cortes, V. Vapnik. - Machine Learning-1995. - 20 (3). - pp. 273-297.

28 Cybenko, G. Approximation by Superpositions of a Sigmoidal Function [Text] / G. Cybenko // Matematics of Control, Signals, and Systems. - 1989. - T2. - pp. 303-314.

29 David, M. One-class classification [Текст] / M. David. - Delft: Delft University of Technology, 2001. - 200 p.

30 David, M. Support vector data description [Текст] /M. David, P. Robert // Machine Learning. - 2004. - T. 54. - pp. 45-66.

31 David, M. Support vector domain description [Текст] / M. David, P. Robert// Pattern Recognit Lett. - 1999. - T. 20. - pp. 1191-1199.

32 Davis, J. The relationship between Precision-Recall and ROC curves [Text] / J. Davis, M. Goadrich // Proceedings of the 23rd international conference on Machine learning. - ACM, 2006. - pp. 233-240.

33 Devlin, J. Bert: Pre-training of deep bidirectional transformers for language understanding [Text] / J. Devlin et al. // arXiv preprint arXiv:1810.04805. - 2019. - рр. 4171-4186.

34 Ding, S. Model-Based Fault Diagnosis Techniques: Design Schemes, Algorithms, and Tools [Text] / S. Ding. - Berlin, Germany: Springer-Verlag, 2008. - 501 p.

35 Duda, R.O. Pattern Classification [Text] / R.O. Duda, P.E. Hart, D.G. Stock. - Wiley, New York, 2001. - 688 р.

36 DwyerInstrumentsinternational [Электронный ресурс]. - 2019. - Режим доступа: http://www.dwyer-inst.com, (дата обращения 01.11.2019).

37 Eboule, P. S. P. The Use of Multilayer Perceptron to Classify and Locate Power Transmission Line Faults [Text] /P.S.P. Eboule, A. N. Hasan, B. Twala// Artificial Intelligence and Evolutionary Computations in Engineering Systems. - Springer, Singapore. - 2018. - pp. 51-58.

38 Fang, R. Induction machine rotor diagnosis using support vector machines and rough set [Text] / R. Fang. - Lecture Notes in Artificial Intelligence. - 2006. - 4114.- pp.631-636.

39 Feng, Z. Recent advances in time-frequency analysis methods for machinery fault diagnosis: A review with application examples [Text] / Z. Feng, M. Liang, F. Chu. - Mech. Syst. Signal Process.- Jul. 2013. - vol. 38, no. 1. - pp. 165-205.

40 Fernández-Delgado, M. Do we need hundreds of classifiers to solve real world classification problems? [Text] / M. Fernández-Delgad, et al. // The Journal of Machine Learning Research. - 2014. - Т. 15. - №. 1. - рр. 3133-3181.

41 Fitch, Ernest Fluid Contanination Control [Text] / E.C. Fitch // Technology transfer Series #4. - USA: Oklahome, FFS, INC. 1988. - 433р.

42 Fitch, Ernest Proactive maintenance for mechanical systems [Text] / E.C. Fitch //Technology transfer Series #4, Oklahome, FFS, INC. 2004. - 286 р.

43 Fodor, I.K. A Survey of Dimension Reduction Techniques [Text] / I.K. Fodor. - US Department of Energy. - 2002. - URL: https://www.cc.gatech.edu/~isbell/tutorials/dimred-survey.pdf

44 Frank, P. Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy - A survey and some new results [Text] / P. Frank // Automatica. - May 1990. - vol. 26, no. 3. - pp. 459-474.

45 Frank, P. Robust fault diagnosis using unknown input schemes. Chapter 3 [Текст] / P. Frank J. Wunnenberg. - New Jersey: Prentice Hall, 1989. - 623 p.

46 Frank, P. Survey for robust residual generation and evaluation methods in observer-based fault detection systems [Text] / P. Frank, X. Ding // J. Process Control. - Dec. 1997. - vol. 7, no. 6. - pp. 403-424.

47 Freire, N. Open-circuit fault diagnosis in PMSG drives for wind turbine applications [Text] / N. Freire, J. Estima, A. Cardoso. - IEEE Trans. Ind. Electron. - Sep. 2013. - vol. 60, no. 9. - pp. 3957-3967.

48 Gan, M. Construction of hierarchical diagnosis network based on deep learning and its application in the fault pattern recognition of rolling element bearings [Text] / M. Gan, et al. // Mechanical Systems and Signal Processing. - 2016. - Т. 72. - pp. 92-104.

49 Gao, Z. Deep quantum inspired neural network with application to aircraft fuel system fault diagnosis [Текст] / Z. Gao, C. Ma, D. Song, Y. Liu // Neurocomputing. - 2017. - T. 238. - pp. 13-23.

50 Gareev A., Protsenko V., Stadnik D. etc. Improved Fault Diagnosis in Hydraulic Systems with Gated Convolutional Autoencoder and Partially Simulated Data // SENSORS 2021. — Vol. 21. Issue 13. № 13. (WoS, оригинал)

51 Gareev, A.M. Neural network algorithms effectiveness study for the the faults detection in hydraulic systems /A.M. Gareev, E.YU. Minaev, D.M. Stadnik, N.S. Davydov, V.I. Protsenko, I.A. Popelniuk, A.V. Nikonorov, A.G. Gimadiev // Collection of abstracts of ITNT2020, 2020. (Scopus, оригинал).

52 Gareev, A. A data array generating algorithm for diagnosing a hydraulic system using machine learning methods based on a virtual model / A. Gareev, A. Gimadiev, A. Nikonorov, P. Greshnyakov, D. Stadnik // CEUR Workshop Proceedings. - 2020. (Scopus, оригинал).

53 Gareev, A. Simulation of electro-hydraulic systems taking into account typical faults / A. Gareev, A. Gimadiev, I. Popelnyuk, D. Stadnik, V. Sverbilov // Proceedings of the 2020 Bath/ASME Symposium on Fluid Power and Motion Control, FPMC2020, September 9-11, 2020, Bath, United Kingdom. (Scopus, оригинал).

54 Gareev, A.M. Machine-learning algorithms for helicopter hydraulic faults detection: Model based research / A.M. Gareev, E.Y. Minaev, D.M. Stadnik, N S Davydov, V.I. Protsenko, I.A. Popelniuk, A.V. Nikonorov, A.G. Gimadiev // Journal of Physics: Conference Series (2019). Журнал физики: серия конференций , Том 1368; doi:10.1088/1742-6596/1368/5/052027

55 (WoS, оригинал)

56 Gareev, A.M. Amplification of low-amplitude object vibrations in videoframes / A.M. Gareev, A.V. Zemskov, D P. Novikov // Computer Optics 2015. — Vol. 39. Issue 4. — P. 606-613. (WoS, оригинал)

57 Gareev, A.M. Improving the efficiency and reliability assessment technical state liquid systems aircraft during acceptance tests / A.M. Gareev, Y.P. Zlobina, Popelniuk I.A. // 30th Congress of the International Council of the Aeronautical Sciences, ICAS 2016. — 2016.P. 1-9. (Scopus, оригинал).

58 Gareev, A.M. Modeling of fluid condition of aircrafthydraulic system /A.M. Gareev, A.A. Gulbis, T.M. Gareev // 28th Congress of the International Council of the Aeronautical Sciences.

- Australia, Brisbane, - 2012. - pp. 121 -126. (Scopus, оригинал).

59 GEFRAN [Электронный ресурс]. - 2019. - Режим доступа: www.gefran.com, (дата обращения 01.11.2019).

60 Gers, F. A. Recurrent nets that time and count [Text] / F. A. Gers, J. Schmidhuber // Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium. - IEEE, 2000.

- Т. 3. - pp. 189-194.

61 Gertler, J. Survey of model-based failure detection and isolation in complex plants [Text] / J. Gertler // IEEE Control Syst. Mag. - Dec. 1988. - vol. 8, no. 6. - pp. 3-11.

62 Goriveau, Rafael From prognostics and health systems management to predictive maintenance 1: monitoring and prognostics [Text] / Rafael Goriveau, Kamal Medjaher, Noureddine Zerhouni. - USA: ISTE Ltd and John Wiley & Sons, 2002. - 214 p. - ISBN 978-1-84821-937-3.

63 Graves, A. A novel connectionist system for unconstrained handwriting recognition [Text] / A. Graves, et al. // IEEE transactions on pattern analysis and machine intelligence. - 2008. -Т. 31. - №. 5. - pp. 855-868.

64 Greff, K. LSTM: A search space odyssey [Text] / K. Greff, et al. // IEEE transactions on neural networks and learning systems. - 2016. - Т. 28. - №. 10. - pp. 2222-2232.

65 Guo, X. Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis [Text] / X. Guo, L. Chen, C. Shen // Measurement. - 2016. - Т. 93. - pp. 490502.

66 Hac, A. Design of disturbance decoupled observer for bilinear systems [Текст]/А. Hac// Trans. of ASME, J. Dynamic Syst. Measure. Control. - 1992. - T 114, № 12. - pp. 556-562.

67 Han, L. Power plant boiler air preheater hot spots detection system based on least square support vector machine [Text] / L. Han, L. Ding, J. Yu, Q. Li, Y. Liang. - Lecture Notes in Computer Science. - 2004. - 12. - pp. 598-604.

68 Hochreiter, S. Long short-term memory [Text] / S. Hochreiter, J. Schmidhuber // Neural computation. - 1997. - Т. 9. - №. 8. - pp. 1735-1780.

69 Hou, M. Fault detection and isolation observers [Текст] / M. Hou, P. Muller // Int. J. Control. - 1994. - T. 60, № 5. - pp. 827-846.

70 Hu, Q. Fault diagnosis of rotating machinery based on improved wavelet package transform and SVM ensemble [Text] / Q. Hu, Z. He, Z. Zhang, Y. Zi. - Mechanical System and Signal Processing. - 2007. - 21 (2). - рр. 688-705.

71 Intel: Кроссплатформенная разработка в области глубокого обучения и компьютерного зрения [Электронный ресурс]. - 2019. - Режим доступа: https://software.intel.com/en-us/openvino-toolkit, (дата обращения 01.11.2019)

72 Isermann, R. Model-based fault-detection and diagnosis - Status and applications [Text] / R. Isermann //Annu. Rev. Control. - 2005. - vol. 29, no. 1 - pp. 71-85.

73 Isermann, R. Process fault detection based on modelling and estimation methods: A survey [Text] / Automatica. - Jul. 1984. - vol. 20, no. 4. - pp. 387-304.

74 Jack, L.B. Fault detection using support vector machines and artificial neural network, augmented by genetic algorithms [Text] / L.B. Jack, A.K. Nandi. - Mechanical System and Signal Processing 16. - 2002. - рр. 373-390.

75 Jia, F. Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data [Text] / F. Jia, et al. // Mechanical Systems and Signal Processing. - 2016. - Т. 72. - pp. 303-315.

76 Jiang, H. Intelligent fault diagnosis of rolling bearings using an improved deep recurrent neural network [Text] / H. Jiang, et al. // Measurement Science and Technology. - 2018. -Т. 29. - №. 6. - pp. 65-107.

77 Jiang, J. Fault-tolerant control systems - An introductory overview [Text] / J. Jiang. -Acta Autom. Sinica. Jan. 2005. - vol. 31, no. 1. - pp. 161-174.

78 Jozefowicz, R. An empirical exploration of recurrent network architectures [Text] / R. Jozefowicz, W. Zaremba, I. Sutskever // International Conference on Machine Learning. - 2015. -pp. 2342-2350.

79 Kagawa, T. High Speed and Accurate Computing Method of Frequency-Dependent Friction in Laminar Pipe Flow for Characteristics Method. [Text] / T. Kagawa, I.Y. Lee, A. Kitagawa, T. Takenaka // Transactions of the Japanese Society of Mechanical Engineers. - 1983. - Series B, Vol. 49, No. 447. - рр. 2638-2644.

80 Katipamula, S. Methods for fault detection, diagnostics and prognostics for building systems - A review, Part I [Text] / S. Katipamula, M. Brambley. - HVAC & R Res. - Jan. 2005. -vol. 11, no. 1. - pp. 3-25.

81 Katipamula, S. Methods for fault detection, diagnostics and prognostics for building systems - A review, Part II Text] / S. Katipamula, M. Brambley. - HVAC & R Res. - Apr. 2005. -vol. 11, no. 2. - pp. 169-187.

82 Kingma, D. P. A method for stochastic optimization [Text] / D. P. Kingma, J. Adam Ba // arXiv preprint arXiv:1412.6980. - 2014.

83 Kingma, D. P. A Method for Stochastic Optimization [Text] / D.P. Kingma, J. L. B. Adam // Proceedings of ICLR. - 2015. - pp. 1-9.

84 Kingma, D. P. Auto-encoding variational bayes [Text] / D. P. Kingma, M. Welling // arXiv preprint arXiv:1312.6114. - 2013.

85 Kiros, R. Unifying visual-semantic embeddings with multimodal neural language models [Text] / R. Kiros, R. Salakhutdinov, R. S. Zemel //arXiv preprint arXiv:1411.2539. - 2014.

86 Klambauer, G. Self-normalizing neural networks [Text] / G. Klambauer et al. //Advances in neural information processing systems. - 2017. - рр. 971-980.

87 Kohavi, R. A study of cross-validation and bootstrap for accuracy estimation and model selection [Text] / R. Kohavi // Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. San Mateo, CA: Morgan Kaufmann. - 1995. - Т. 14. - №. 2. - pp. 11371145.

88 Kudva, P. Observers for linear systems with unknown inputs [Текст] / P. Kudva, N. Viswanadham, A. Ramakrishna// IEEE Trans. Auto. Control. - 1980. - Т. 1, №2. - pp. 113-115.

89 KuliteSemiconductor [Электронный ресурс]. - 2019. - Режим доступа: www.kulite.com, (дата обращения 01.11.2019).

90 LabVIEW — программное обеспечение для системного проектирования [Электронный ресурс]. - 2019. - Режим доступа: https://www.ni.com/ru-ru/shop/labview.html, (дата обращения 01.11.2019)

91 Li, Y. Fault diagnosis based on support vector machine ensemble [Text] / Y. Li, Y.Z. Chai, R.P. Yin, X.M. Xu. // Proceedings of the FourthInternational Conference on Machine Learning and Cybernetics. - 2005. - pp. 3309-3314.

92 Liang, K. Convolutional recurrent neural network for fault diagnosis of high-speed train bogie [Text] / K. Liang, et al. // Complexity. - 2018. - Т. 2018.

93 Litjens, G. A survey on deep learning in medical image analysis [Text] / G. Litjens et al. // Medical image analysis. - 2017. - Т. 42. - pp. 60-88.

94 Liu, H. Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders [Text] / H. Liu, et al. // ISA transactions. - 2018. - Т. 77. - pp. 167-178.

95 Liu, R. Artificial intelligence for fault diagnosis of rotating machinery [Text] : a review / R. Liu // Mechanical Systems and Signal Processing. - 2018. - T. 108. - pp. 33-47.

96 Long, J. Fully convolutional networks for semantic segmentation [Text] / J. Long, E. Shelhamer, T. Darrell // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2015. - pp. 3431-3440.

97 Lou, X. Optimally robust redundancy relations for failure detection in uncertain systems [Текст] / X Lou, A. Willsky, G. Verghese // Automatica. - 1986. -T 22, № 3. - pp. 333-344.

98 Lu, C. Fault detection for hydraulic pump based on chaotic parallel RBF network [Text] / C. Lu, N. Ma, Z. Wang // EURASIP Journal on Advances in Signal Processing. - 2011. -№. 1. - p. 49.

99 Lundberg, S. M. A unified approach to interpreting model predictions [Text] / S. M. Lundberg, S. I. Lee // Advances in Neural Information Processing Systems. - 2017. - pp. 4765-4774.

100 Lunze, J. Reconfigurable fault-tolerant control: A tutorial introduction [Text] / J. Lunze, J. Richter. - Eur. J. Control - 2008. - vol. 14, no. 5. - pp. 359-386.

101 Luo, X. Discriminant autoencoder for feature extraction in fault diagnosis [Text] / X. Luo, et al. // Chemometrics and Intelligent Laboratory Systems. - 2019. - Т. 192. - pp. 103814.

102 Maaten, L. Visualizing data using t-SNE [Text] / L. Maaten, G. Hinton // Journal of machine learning research. - 2008. - Т. 9. - №. Nov. - pp. 2579-2605.

103 Matlab documentation [Электронный ресурс]. -https://www.mathworks.com/help/index.html (дата обращения: 13.10.2018).

104 Mehra, R. An innovation approach to fault detection and diagnosis in dynamic systems [Text] / R. Mehra, J. Peschon // Automatica. - Sep. 1971. - vol. 7, no. 5. - pp. 637-640.

105 Mirafzal, B. Survey of fault-tolerance techniques for three-phase voltage source inverters [Text] / B. Mirafzal. - IEEE Trans. Ind. Electron. - Oct. 2014. - vol. 61, no. 10. - pp. 51925202.

106 Mobley, R. Keith An introduction to predictive maintenance (2nd ed.) [Text] / R. Keith Mobley. - USA: Butterworth-Heinemann, 2002. - 459 p. - ISBN 978-0-7506-7531-4

107 Mobley, R.K. An Introduction to Predictive Maintenance [Text] / R.K. Mobley. -Van Nostrand Reinhold, New York, 1990. - 437 p.

108 Mortazavizadeh, S. A review on condition monitoring and diagnostic techniques of rotating electric machines [Text] / S. Mortazavizadeh, M. Mousavi. - Phys. Sci. Int. J. - May 2014. - vol. 4, no. 3. - pp. 310-338.

109 Nair, V. Rectified linear units improve restricted boltzmann machines [Text] / V. Nair, G. E. Hinton // Proceedings of the 27th international conference on machine learning (ICML-10). -2010. - рр. 807-814.

110 Nandi, S. Condition monitoring and fault diagnosis of electric motors - A review [Text] / S. Nandi, H. Toliyat, X. Li. - IEEE Trans. Energy Convers. - Dec. 2005. - vol. 20, no. 4. -pp. 719-725.

111 NationalInstruments [Электронный ресурс]. - 2019. - Режим доступа: https://www.ni.com/ru-ru.html, (дата обращения 01.11.2019).

112 Norman P. Jouppi, Cliff Young, Nishant Patil, et al. In-datacenter performance analysis of a tensor processing unit. In Proceedings of the 44th Annual International Symposium on Computer Architecture, ISCA '17, pages 1-12. ACM, 2017.

113 Nvidia: Встраиваемые системы: высокопроизводительные вычисления с низким уровнем энергопотребления в области глубокого обучения и компьютерного зрения -JetsonTK1 [Электронный ресурс]. - 2019. - Режим доступа: https://www.nvidia.ru/object/jetson-tk1-driverassist-case-study-ru.html , (дата обращения 01.11.2019)

114 Pan, H. An Improved Bearing Fault Diagnosis Method using One-Dimensional CNN and LSTM [Text] / H. Pan, et al. // Strojniski Vestnik/Journal of Mechanical Engineering. - 2018. -Т. 64.

115 Park, D. LiReD: A light-weight real-time fault detection system for edge computing using LSTM recurrent neural networks [Text] / D. Park, et al. // Sensors. - 2018. - Т. 18. - №. 7. -p. 2110.

116 Paszke, A. Automatic differentiation in pytorch [Text] / A. Paszke, et al. - 2017.

117 Patton, R. Fault-tolerant control systems: The 1997 situation [Text] / R. Patton. - in Proc. IFAC Symp. Fault Detect., Supervision Safety Techn. Process, Hull, U.K. - Aug. 199. - pp. 1033-1054.

118 Patton, R. Robust fault detection using eigen structure assignment: a tutorial consideration and some new results [Текст] / R. Patton, J. Chen // Proceeding of the 30th IEEE Conerence on Decision and Control. - Brighton, UK. - 1991. DOI: 10.1109/CDC.1991.261546.

119 Platt, J. Fast training of support vector machines using sequential minimal optimization [Text] / J. Platt. - B. Scholkopf, et al. (Eds.), Advances in Kernel Methods-Support Vector Learning, MIT Press, Cambridge, MA. - 1999. -pp. 185-208.

120 PolytecGmbH [Электронный ресурс]. - 2019. - Режим доступа: www.polytec.com, (дата обращения 01.11.2019).

121 Prokhorenkova, L. CatBoost: unbiased boosting with categorical features [Text] / L. Prokhorenkova, G. Gusev, A.Vorobev et al. // Advances in Neural Information Processing Systems.

- 2018. — рр. 6639-6649.

122 Python — официальный сайт [Электронный ресурс]. - 2019. - Режим доступа: https://www.python.org/ , (дата обращения 01.11.2019)

123 Qi, Y. Stacked sparse autoencoder-based deep network for fault diagnosis of rotating machinery [Text] / Y. Qi, et al. // IEEE Access. - 2017. - Т. 5. - pp. 15066-15079.

124 Qin, L. A survey of fault diagnosis for swarm systems [Text] / L. Qin, X. He, D. Zhou.

- Syst. Sci. Control Eng. - Jan. 2014. - vol. 2, no. 1. - pp. 13-23.

125 Ramesh, R. Thermal error measurement and modeling in machine tools, Part II: hybrid Bayesian network-support vector machine model [Text] / R. Ramesh, M.A. Mannan, A.N. Poo, S.S. Keerthi. - International Journal of Machine Tools & Manufacture. - 2003. - 43.- pp. 405-419.

126 Ren, Q. Application of support vector machine in reciprocating compressor valve fault diagnosis [Text] / Q. Ren, X. Ma, G. Miao. - Lecture Notes in Computer Science 12. - 2005. - рр. 81-84.

127 Romer, M. Autonomous impact damage detection and isolation prediction for aerospace structure [Текст] / M. Romer, J. Ge, A. Liberson// Proceedings of Aerospace Conference.

- Big Sky, USA. - 2005. DOI: 10.1109/AER0.2005.1559664.

128 Rotthäuser, S. Verfahren zur Berechnung und Untersuchung hydropneumatischer Speicher [Text] / S. Rotthäuser // Dissertation. RWTH Aachen. - 1993. - 373 р.

129 Rumelhart, D. E. On learning the past tenses of English verbs. [Text] / Rumelhart D. E., McClelland J. L. - 1986. - рр. 216-271.

130 Sadough Vaninia, Z.N. Fault detection and isolation of a dual spool gas turbine engine using dynamic neural networks and multiple model approach [Text] /Z.N. Sadough Vaninia, K. Khorasani, N. Meskin // Information Sciences. - 2014. - pp. 234-251.

131 Samanta, B. Artificial neural network and support vector machine with genetic algorithm for bearing fault detection [Text] / B. Samanta, K.R. Al-Balushi, S.A. Al-Araimi. -Engineering Application of Artificial Intelligence 16. - 2003. - рр. 657-665.

132 Samanta, B. Gear fault detection using artificial neural networks and support vector machines with genetic algorithms [Text] / B. Samanta. - Mechanical Systems and Signal Processing.

- 2004. - 18 (3). - рр. 625-644.

133 Schrick, D. Remarks on terminology in the field of supervision, fault detection and diagnosis [Text] / D. Schrick // in Proc. IFAC Symp. Fault Detection, Supervision Safety Techn. Process: Hull, U.K. - Aug. 1997. - pp. 959-964.

134 Seide, F. CNTK: Microsoft's open-source deep-learning toolkit [Text] / F. Seide, A. Agarwal // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - ACM, 2016. - pp. 2135-2135.

135 Servo directional valve of 4-way design Type 4WS.2E... [Электронный ресурс]. -http://www.gidrex.ru/pdf/RE_29583.pdf, (дата обращения 16.11.2019)

136 Shaoping Wang, Commercial Aircraft Hydraulic Systems [Text] / Wang Shaoping // Mileta Tomovic, Hong - China: Shanghai Jiao Tong University Press, 2016. - 265 p.

137 Shore, J. Axiomatic derivation of the principle of maximum entropy and the principle of minimum cross-entropy [Текст] / J. Shore, R. Johnson // IEEE Transactions on information theory.

- 1980. - T. 26, № 1. - pp. 26-37.

138 Siegelmann, H. T. Computational Capabilities of Recurrent NARX Neural Networks [Text] / H.T. Siegelmann, B. G. Horne, C. L. Giles // IEEE Transactions on Systems, Man, and Cybernetics — Part B: Cybernetics. - 1997. - T. 27, № 2. - pp. 208-215.

139 Sim Power Systems: Моделирование электротехнических устройств и систем в Simulink [Электронный ресурс]. - http://matlab.exponenta.ru/simpower/book1/index.php (дата обращения: 13.10.2018)

140 Sina Tayarani-Bathaie, S. Fault detection and isolation of gas turbine engines using a bank of neural networks [Text]/S. Sina Tayarani-Bathaie, K. Khorasani// Journal of Process Control.

- 2015. - pp. 22-41.

141 Song, Y. Survey of reliability of power electronic systems [Text] / Y. Song, B. Wang.

- IEEE Trans. Power Electron. - Jan. 2013. - vol. 28, no. 1. - pp. 591-604.

142 Sottile, J. Jr. An overview of fault monitoring and diagnosis in mining equipment [Text] / J. Sottile Jr., L. Holloway // IEEE Trans. Ind. Appl. - Oct. 1994. - vol. 30, no. 5. - pp. 13261332.

143 Stengel, R. Intelligent failure-tolerant control [Text] / R. Stengel // IEEE Control Syst. Mag. - Jun. 1991. - vol. 11, no. 4. - pp. 14-23.

144 Sugumaran, V. Feature selection using decision tree and classification proximal support vector machine for fault diagnostic of roller bearing [Text] / V. Sugumaran, V. Muralidharan, K.I. Ramachandran. - Mechanical System and Signal Processing. - 2007. - 21 (2). - рр. 930-942.

145 Sun, J. Multiclassification of tool wear with support vector machine by manufacturing loss consideration [Text] / J. Sun, M. Rahman, Y.S. Wong, G.S. Hong. - International Journal Machine Tools & Manufacture. - 2004. - 44.- рр. 1179-1187.

146 Sun, J. The application of nonstandard support vector machine in tool condition monitoring system [Text] / J. Sun, G.S. Hong, M. Rahman, Y.S. Wong. - Proceedings of the Second IEEE International Workshop on Electronic Design, Test and Applications. - 2004. - pp. 1-6.

147 Sun, W. A sparse auto-encoder-based deep neural network approach for induction motor faults classification [Text] / W. Sun, et al. // Measurement. - 2016. - Т. 89. - pp. 171-178.

148 Sutskever, I. Sequence to sequence learning with neural networks [Text] / I. Sutskever, O. Vinyals, Q.V. Le // Advances in neural information processing systems. - 2014. - pp. 3104-3112.

149 Tax D.M.J. Pump failure determination using support vector data description [Text] / D.M.J. Tax, A. Ypma, R.P.W. Duin. - Lecture Notes in Computer Science. - 1999. - рр. 415-425.

150 Tran, V. T. An approach to fault diagnosis of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks [Text] / V. T. Tran, F. Althobiani, A. Ball // Expert Systems with Applications. - 2014. - Т. 41. - №. 9. - pp. 4113-4122.

151 Tse, P. W. Prediction of machine deterioration using vibration based fault trends and recurrent neural networks [Text] / P. W. Tse, D. P.Atherton // Journal of Vibration and Acoustics. -1999. - Vol. 121. - рр. 355-362.

152 Turban, E. Decision Support Systems and Intelligent Systems, sixth ed. [Text] / E. Turban, J.E. Aronson. - Prentice-International Hall, Hong Kong, 2001. - 867 p.

153 Vapnik, V.N. The Nature of Statistical Learning Theory [Text] / V.N. Vapnik. -Springer, New York, 1995. - 299 p.

154 Venkatasubramanian, V. A review of process fault detection and diagnosis - Part I: Quantitative model-based methods [Text] / V. Venkatasubramanian, R. Rengaswamy, K. Yin, S. Kavuri. - Comput. Chem. Eng. - Mar. 2003. - vol. 27, no. 3. - pp. 293-311.

155 Venkatasubramanian, V. A review of process fault detection and diagnosis - Part II: Qualitative models and search strategies [Text] / V. Venkatasubramanian, R. Rengaswamy, S. Kavuri

- Comput. Chem. Eng. - Mar. 2003. - vol. 27, no. 3. - pp. 313-326.

156 Venkatasubramanian, V. A review of process fault detection and diagnosis - Part III: Process history based methods [Text] / V. Venkatasubramanian, R. Rengaswamy, S. Kavuri, K. Yin.

- Comput. Chem. Eng. - Mar. 2003. - vol. 27, no. 3. - pp. 328-336.

157 Wang, H. Data driven fault diagnosis and fault tolerant control: Some advances and possible new directions [Text] / H. Wang, T. Chai, J. Ding, B. Martin. - Acta Autom. Sinica. - Jun. 2009. - vol. 35, no. 6. - pp. 739-747.

158 White, F. M. Viscous Fluid Flow. Second Edition. [Text] / F. M. White. - New York: McGraw-Hill, Inc. - 1991. - 864 p.

159 Widodo, A. Support vector machine in machine condition monitoring and fault diagnosis [Text] / A. Widodo, B.-S. Yang // Mechanical systems and signal processing. - 2007. -Vol. 21, no. 6. - pp. 2560-2574.

160 Widodo, A. Application of nonlinear feature extraction and support vector machines for fault diagnosis of induction motors [Text] / A. Widodo, B.S. Yang. - Expert System with Application. - 2007. - 33 (1). - pp. 241-250.

161 Widodo, A. Combination of independent component analysis and support vector machine for intelligent faults diagnosis of induction motors [Text] / A. Widodo, B.S. Yang, T. Han.

- Expert System with Application. - 2007. - 32. - pp. 299-312.

162 Widodo, A. Fault diagnosis of induction motor using independent component analysis and multi-class support vector machine [Text] / A. Widodo, B.S. Yang, T. Han, D.J. Kim. -Proceedings of the 11th Asia-Pacific Vibration Conference - 2005. - pp. 144-149.

163 Widodo, A. Support vector machine in machine condition monitoring and fault diagnosis [Text] / A. Widodo, B. Yang. - Mech. Syst. Signal Process. - Aug. 2007. - vol. 21, no. 6.

- pp. 2560-2574.

164 Will, D. Hydraulik - Grundlagen, Komponenten, Schaltungen [Text] / D. Will, N. Gebhardt // 4. Aufl. Berlin Heidelberg: Springer-Verlag. - 2008. - 432 p.

165 Willsky, A. A survey of design methods for failure detection in dynamic systems [Text] / A. Willsky // Automatica. - Nov. 1976. - vol. 12, no. 6. -pp. 601-611.

166 Xu, K. Show, attend and tell: Neural image caption generation with visual attention [Text] / K. Xu, et al. // International conference on machine learning. - 2015. - pp. 2048-2057.

167 Xu, Y. Fault diagnosis system based on rough set theory and support vector machine [Text] / Y. Xu, L. Wang. - Lecture Notes in Computer Science. - 2005. - pp. 980-988.

168 Yang, B.S. ART-KOHONEN neural network for faults diagnosis of rotating machinery [Text] / B.S. Yang, T. Han, J.L. An. - Mechanical System and Signal Processing. - 2004.

- 18 (3). - pp. 645-657.

169 Yang, B.S. Case-based reasoning system with Petri nets for induction motor fault diagnosis [Text] / B.S. Yang, S.K. Jeong, Y.M. Oh, A.C.C. Tan. - Expert Systems with Applications.

- 2004. - 27 (2). - pp. 301-311.

170 Yang, B.S. Cavitation detection of butterfly valve using support vector machines [Text] / B.S. Yang, W.W. Hwang, M.H. Ko, S.J. Lee. - Journal of Sound Vibration. - 2005. - 287 (1-2). - рр. 25-43.

171 Yang, B.S. Condition classification of small reciprocating compressor for refrigerators using artificial neural networks and support vector machines [Text] / B.S. Yang, W.W. Hwang, D.J. Kim, A.C.C. Tan. - Mechanical System and Signal Processing 19 (2). - 2005. - рр. 371-390.

172 Yang, B.S. Fault diagnosis of rotating machinery based on multi-class support vector machines [Text] / B.S. Yang, T. Han, W.W. Hwang. - Journal of Mechanical Science and Technology. - 2005. - 19 (3). - рр. 845-858.

173 Yang, B.S. Vibration diagnostic system of rotating machinery using artificial neural network and wavelet transform [Text] / B.S. Yang, D.S Lim, J.L. An. - Proceedings of 13th International Congress on COMADEM, Houston, USA. - 2000. - pp. 12-20.

174 Yaoming, Z. Innovative soft fault diagnosis method for dual-redundancy sensors [Текст] / Z. Yaoming, W. Yongchao, D. Shunan, M. Zhijun // Sensor Reviev. - 2016. -T. 36, № 1.

- pp. 14-22.

175 Yu, D. A bilinear fault detection observer [Текст] / D. Yu, D. Shields // Automatica.

- 1996. - T. 32, № 11. - pp. 1597-1602.

176 Yu, D. A bilinear fault detection observer and its application to a hydraulic drive system [Текст] / D. Yu, D. Shields, S. Daley // Int. J. Control. - 1996. - T. 64, № 6. - pp. 1023-1047.

177 Yu, D.S.D. A simulation study on fault diagnosis of a high-temperature furnace using a bilinear observer method [Текст] / D.S.D. Yu, K. Disdell // Control Eng. Practice. - 1996. - T. 4, № 12. - pp. 1681-1691.

178 Yuan, M. Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network [Text] / M. Yuan, Y. Wu, L. Lin // 2016 IEEE International Conference on Aircraft Utility Systems (AUS). - IEEE, 2016. - pp. 135-140.

179 Yuan, S.F. Fault diagnosis based on support vector machine with parameter optimization by artificial immunization algorithm [Text] / S.F. Yuan, F.L. Chu. - Mechanical System and Signal Processing. - 2007. - 21 (3). - рр. 1318-1330.

180 Yuan, S.F. Support vector machines-based fault diagnosis for turbo-pump rotor [Text] / S.F. Yuan, F.L. Chu. - Mechanical System and Signal Processing. - 2006. - 20 (4). - рр. 939-952.

181 Yuelong, M. To explore the methods of dynamic Bayesian network inference based on information fusion [Текст] / M. Yuelong, Z. Wu // Ship Electron. Eng. - 2010. - T. 30, №3. - pp. 67-84.

182 Zacksenhouse, M. Toward helicopter gearbox diagnostics from a small umber f examples [Text] / М. Zacksenhouse, S. Braun, M. Feldman. - Mechanical Systems and Signal Processing. - 2000. - 14 (4). - рр. 523-543.

183 Zadeh, L. Fuzzy Logic and Approximate Reasoning [Текст] / L. Zadeh // Synthese. -1975. - T. 30, № 3-4. - pp. 407-428.

184 ZeroMQ, An open-source universal messaging library [Электронный ресурс]. - 2019.

- Режим доступа: https://zeromq.org/ , (дата обращения 01.11.2019)

185 Zhang, M. Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples [Text] / M. Zhang, J. Tang, X. Zhang, J. Zhang // Chinese Journal of Mechanical Engineering. - 2016. - Vol. 29, no. 2. - P. 396-405.

186 Zhang, W. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load [Text] / W. Zhang, G. Peng, Y. Chen, C. Li. - Mechanical Systems and Signal Processing 100. - 2018. - pp. 439-453.

187 Zhang, Y. Bibliographical review and reconfigurable fault-tolerant control systems [Text] / Y. Zhang, J. Jiang. - Annu. Rev. Control. - Dec. 2008. - vol. 32, no. 2.- pp. 229-252.

188 Zhao, H. Sequential fault diagnosis based on lstm neural network [Text] / H. Zhao, S. Sun, B. Jin // IEEE Access. - 2018. - Т. 6. - pp. 12929-12939.

189 Zhoua, Y. Fault detection of aircraft based on support vector domain description [Текст] / Y. Zhoua, K. Wub, Z. Menga, M. Tianc // Computers and Electrical Engineering. - 2017. - T. 61. - pp. 80-94.

190 Абрамов, Н.С. Архитектура системы мониторинга и прогнозирования состояния космического аппарата [Текст] / Н.С. Абрамов, А.А. Ардентов, Ю.Г. Емельянова, А.А. Талалаев, В.П. Фраленко, О.Г. Шишкин // Программные системы: теория и приложения. -2015. - №2 (25). - С. 85-99.

191 Андронов, А.А. Теория колебаний [Текст]/А.А. Андронов, А.А. Витт, С.Э. Хайкин. - М.: Наука, 1981. - 918 с.

192 Афанасьев, А.А. Обеспечение качества изделий машинного производства [Текст]: учебное пособие /А.А. Афанасьев, А.А. Погонин. — М.: ИНФРА-М, 2018. - 376 с.

193 Балицкий, Ф.Я. Виброакустическая диагностика зарождающихся дефектов [Текст]/Ф.Я. Балицкий и др. - М.: Наука, 1984. - 119 с.

194 Башта, Т.М. Гидравлика, гидромашины и гидроприводы [Текст]: учебник для машиностроительных вузов / Т.М. Башта, С.С. Руднев, Б.Б. Некрасов и др. - М.: Машиностроение, 1982. - 423 с.

195 Башта, Т.М. Надёжность гидравлических систем воздушных судов / Т.М. Башта, В.Д. Бабанская, Ю.С. Головко и др. - М.: Транспорт, 1986. - 279 с.

196 Белянин, П.Н. Промышленная чистота машин [Текст] / П.Н. Белянин, В.М. Данилов. - М.: Машиностроение, 1982. - 221 с.

197 Бусленко, Н. П. Метод статистических испытаний [Текст] / Н. П. Бусленко, Ю. А. Шрейдер - М: ГИФМЛ, 1961 - 238с.

198 Вентиль высокого давления [Электронный ресурс]. - https://satu.kz/p50757820-ventil-992at.html, (дата обращения 16.11.2019).

199 Водяные теплообменники SA [Электронный ресурс]. -https://www.pneumax.ru/upload/iblock/8e6/8e64d617be34536d498096b7cde4e291.pdf, (дата обращения 16.11.2019).

200 Волков, Ю.В. Системы технического диагностирования, автоматического управления и защиты, Ч. 1 [Текст]: учебное пособие / Ю.В. Волков. - СПб.: ВШТЭ СПбГУПТД, 2016. - 115 с.

201 Гареев, А.М. Определение динамической погрешности измерения параметров электрогидромеханических систем с учётом быстродействия датчиков / А.М. Гареев, А.Г. Гимадиев, Д.М. Стадник, И.А. Попельнюк // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2020. - Т. 19. № 2. - С. 85-98

202 Гареев, А.М. Прогнозирование остаточного срока службы гидравлического оборудования с применением методов машинного обучения / А.М. Гареев, А.Б. Прокофьев, Е.В. Шахматов, Д.М. Стадник // Проблемы машиностроения и надёэжности машин. - М: ИМАШ РАН - 2022. - С. 21-42

203 Гареев, А.М. Имитационные модели гидравлических агрегатов воздушных судов с учётом характерных неисправностей / А.М. Гареев, И.А. Попельнюк, Д.М. Стадник // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2019,.Т18, №1, - С. 30-41. Б01: 10.18287/2541-7533-2019-18-1-30-41

204 Гареев, А.М. Использование фазовых портретов гидромеханических агрегатов для диагностирования гидравлических систем воздушных судов / А.М., Гареев, И.А. Попельнюк // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение.. — 2018. — Т. 17. № 3. — С. 44-55

205 Гареев, А.М. Теоретико-множественная модель состояния рабочей жидкости гидравлической системы воздушного судна / А.М., Гареев, А.Н. Коптев, И.А. Попельнюк // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение.— 2017. — Т. 16. № 3. — С. 65-75

206 Гареев, А.М. Перспективные направления совершенствования процесса оценки технического состояния рабочих жидкостей гидравлических систем летательных аппаратов / А.М., Гареев, А.Н. Коптев, И.А. Попельнюк // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение.. — 2017. — Т. 16. № 1. — С. 101108

207 Гареев, А.М. Разработка экспериментальной установки для диагностирования агрегатов гидравлической системы семейства вертолетов Ми-8 / А.М., Гареев, И.А. Попельнюк // Известия Самарского научного центра РАН. — 2016. — Т. 18. № 4. — С. 97-101

208 Гареев, А.М. Исследование механизма заедания золотниковых пар авиационных гидроприводов / А.М., Гареев, И.А. Попельнюк // Научный журнал «Вестник СГАУ». - 2015. - Том 14, № 2. - С. 59-69

209 Гареев, А.М. Разработка метода упреждающего обслуживания гидравлических приводов летательных аппаратов на основе встроенного контроля чистоты рабочей жидкости / А.М., Гареев, И.А. Попельнюк, Ю.П. Злобина // Научный журнал «Известия Самарского научного центра РАН». - 2015. - Том 17, № 6(3). - С. 676-682

210 Гареев, А.М. Повышение эффективности и достоверности оценки технического состояния жидкостных систем летательных аппаратов на этапе приёмо-сдаточных испытаний / А.М., Гареев, И.А. Попельнюк, Ю.П. Злобина // Известия Самарского научного центра Российской академии наук. Системы управления жизненным циклом изделий авиационной техники: актуальные проблемы, исследования, опыт внедрения и перспективы развития. -Самара, 2014. - Том 16 № 1(5). - С. 1331-1337.

211 Гареев, А.М. Применение теории динамических аналогий для моделирования автоматизированных технологических систем / А.М., Гареев, А.Н. Коптев, Т.М. Гареев // Вестник Самарского государственного аэрокосмического университета имени академика С.П. Королёва. / №6. - Самара: СГАУ, 2011.- С.60 - 68.

212 Гареев, А.М. Автоматизированный измерительный комплекс для контроля чистоты рабочей жидкости /А.М. Гареев, Р.Г. Тимеркеев // Авиационная промышленность / №4 - М.: Изд-во ОАО «НИАТ», 2009. - С. 62-68.

213 Гареев, А.М. Моделирование изменения состояния рабочей жидкости гидравлических систем воздушных судов / А.М. Гареев // Вестник Самарского государственного аэрокосмического университета имени академика С.П. Королёва. / №1. -Самара: СГАУ, 2008.- С.121 - 127.

214 Гареев, А.М. Упреждающее обслуживание гидравлических систем летательных аппаратов / А.М. Гареев, С.Н. Тиц // Самара: Издательство Самарского научного центра РАН, 2010. - 112с.

215 Гареев А.М. Диагностирование электрогидромеханических систем по динамическим параметрам / А.М. Гареев, А.Б. Прокофьев, Д.М. Стадник // Самара: Издательство Самарского федерального исследовательского центра РАН, 2022. - 192 с.

216 Гареев А.М. Программный модуль классификатора неисправностей электрогидромеханических узлов на основе методов глубокого обучения / Российская Федерация. Свидетельство о регистрации программы для ЭВМ № 2020667816 - Получено 11.01.2021

217 Гидравлические фильтры [Электронный ресурс]. -https://uralpromufa.ru/catalog/filtryi-i-filtroelementyi/gidravlicheskie, (дата обращения 16.11.2019).

218 Гидрораспределители CaproniRH 06 и БУАБ 06 серии СЕТОР 3 [Электронный ресурс]. - https://caproni.pro/upload/files/catalog/RH06-7F.pdf, (дата обращения 16.11.2019).

219 Гийон, М. Исследование и расчет гидравлических систем [Текст]: перев.с французского / М. Гийон. - М.: Машиностроение, 1964. - 389 с.

220 ГОСТ 17216-2001 Чистота промышленная. Классы чистоты жидкостей [Электронный ресурс]. - http://docs.cntd.ru/document/1200028882/ (дата обращения 10.11.2018).

221 ГОСТ 2.704-2011 ЕСКД. Правила выполнения гидравлических и пневматических схем [Электронный ресурс]. - http://docs.cntd.ru /document/1200086243 (дата обращения 10.11.2019).

222 ГОСТ 2.781-96 ЕСКД. Обозначения условные графические. Аппараты гидравлические и пневматические, устройства управления и приборы контрольно-измерительные [Электронный ресурс]. -https://znaytovar.ru/gost/2/GOST_278196_ESKD_Oboznacheniya.html (дата обращения 10.11.2019).

223 ГОСТ 2.782-96 ЕСКД. Обозначения условные графические. Машины гидравлические и пневматические [Электронный ресурс]. - http://polytech.sfu-kras.ru/structure/FE/TES/study/inform/gost2.782-96.pdf (дата обращения 10.11.2019).

224 ГОСТ 2.784-96 ЕСКД. Обозначения условные графические. Элементы трубопроводов [Электронный ресурс]. - http://docs. cntd.ru/document/1200003610 (дата обращения 10.11.2018).

225 ГОСТ 6794-75 Масло АМГ-10. Технические условия [Электронный ресурс]. -http://docs.cntd.ru/document/1200008687 (дата обращения 10.11.2018).

226 ГОСТ Р 53564-2009. Национальный стандарт Российской Федерации. Контроль состояния и диагностика машин. Мониторинг состояния оборудования опасных производств. [Текст]. - Введ. 2011-01-01. - М.: Стандартинформ, 2010. - 16 с.

227 Грачев, К.А. Влияние загрязнений на надежность и ресурс изделий и основные задачи в области обеспечения промышленной чистоты на предприятиях авиационной отрасли [Текст] / К.А. Грачев // Сборник трудов научно-исследовательского технологического института. - 1982. - Вып. 1 (25). - С. 36-40.

228 Гренандер, У. Лекции по теории образов. Том 1 - Синтез образов. [Текст] / У. Гренандер. - М.: Мир, 1979. - 384 с.

229 Гриценко, А.В. Обзор методов диагностирования бензинового двигателя внутреннего сгорания по параметрам пульсации давления [Текст] / А.В. Гриценко, С.С. Куков // Вестник Челябинского государственного агроинженерного университета. - 2010. - Т. 56. -С. 43-47.

230 Гусев, Г.А. Диагностирование системы топливоподачи главных двигателей судов на воздушной подушке типа «АРГО» по параметрам переходных процессов [Текст]: автореф. дис. на соиск.учен.степени к-та техн. наук. - Калининград, 2012. - 165 с.

231 Далецкий, С.В. Формирование эксплуатационно-технических характеристик воздушных судов гражданской авиации [Текст] /С.В.Далецкий. - М.: «Воздушный транспорт», 2005 - 416 с.

232 Данилов, В.А. Вертолёт Ми-8. Устройство и техническое обслуживание [Текст] / В.А. Данилов. - М.: Транспорт, 1988. - 278 с.

233 Данилов, В.А. Эксплуатация и ремонт вертолета Ми-8 [Текст]: учебное пособие для авиационно-технических училищ гражданской авиации/В.А. Данилов, И.И. Железняк, В В. Мордик. - М.: Машиностроение, 1980. - 216 с.

234 Данильченко, А.И. Испытания и регулирование гидравлического усилителя КАУ- 30Б [Текст]: методические указания /А.И. Данильченко, Д.В. Каршин, И.В. Таммекиви. - Самара: СГАУ, 2002. - 46 с.

235 Датчик расхода ТДР формуляр 4Е2.833.844 ФО [Текст] - Введ. август 1985. зак. 468, 1985. - 16 с.

236 ДТСхх4 термосопротивления с кабельным выводом [Электронный ресурс]. -https://owen.ru/product/dtshh4 1егшо8оргойу1е туа б каЬе1 тш у1уоёош, (дата обращения 16.11.2019).

237 Дубровин, В.И. Интеллектуальные средства диагностики и прогнозирования надежности авиадвигателей [Текст]: Монография / В.И. Дубровин, С.А. Субботин, А.В. Богуслаев, В.К. Яценко. - Запорожье: ОАО «Мотор-Сич», 2003. - 279 с.

238 Захаров, А.С. Авиационное гидравлическое оборудование [Текст]: Учебное пособие / А.С. Захаров, В.И. Сабельников. - Новосибирск: Изд-во НГТУ, 2006. - 391 с.

239 Измерение пульсаций давления в гидросистемах [Текст]: метод. указания к лабораторной работе / Сост. А.Б. Прокофьев, Е.В. Шахматов, Г.В. Шестаков. - Самара: СГАУ, 2006. - 35 с.

240 Исследование и обоснование норм чистоты авиа ГСМ в топливных, масляных и гидравлических системах самолетов [Текст]: отчет о НИР (заключ.): 6.7.5 / рук. М.С. Смирнов; исполн. Н С. Ложкова, [и др.]. - М.: ГосНИИ ЭРАТ ГА, 1979.- 128с. - Инв. № б865697.

241 Исследование и разработка мероприятий по управлению промышленной чистотой в технологическом процессе производства и испытания гидросистем [Текст]: отчет о НИР (заключ.): 06-02 / Куйбышевский авиационный институт имени акад. СП. Королева. -рук. Л.М. Логвинов. - Куйбышев, 1989. - 110с. - №ГР У-35015.

242 Исследование и разработка технических требований к промышленности по обеспечению сохранности чистоты рабочих жидкостей в гидравлических системах и рекомендации предприятиям ГА по методике контроля ее чистоты [Текст]: отчет о НИР (заключ.): 1.01.11.031/ рук. А.Н. Козлов, С.Д. Сагай; исполн. И.И. Задоркин, [и др.]. - М.: ГосНИИ ГА, 1985.- 82с. - Инв. № 02050057011.

243 Исследования по определению классов чистоты рабочей жидкости, обеспечиваемых серийными фильтрами тонкой очистки [Текст]: отчет о НИР (заключ.): 10-

74/ рук. Г.С. Полянская; исполн. Г.Ф. Ливада, К.В. Дорощенко [и др.]. - Харьков: ВНИИГИДРОПРИВОД, 1975 - 80с. - Инв. № 6482096.

244 Квасников, В.П. Методы технического диагностирования гидроагрегатов летательных аппаратов [Текст] / В.П. Квасников, Д.А. Тюпа // Вестник инженерной академии Украины. - 2010. - № 3-4. - С. 21-25.

245 Комплекс по экструзии алюминиевого профиля [Электронный ресурс]. https://yandex.ru/images/search?text=PRESSA%20AD%20ESTRUSI 0NEMP88A00000400.&stype=image&lr=51&source=wiz. (дата обращения 17.11.2019).

246 Кондаков, Л.А. Машиностроительный гидропривод / Л.А. Кондаков, Г.А. Никитин, В.Н. Прокофьев и др. / под ред. В.Н. Прокофьева - М.: Машиностроение, 1978. -494 с.

247 Кочуров, В.А. Примеры расчета характеристик надежности авиационной техники / В.А. Кочуров, Г.А. Новиков // Методические указания - Самара, Самарский государственный аэрокосмический университет - 2001 - 40 с.

248 Кран шаровой 2-ходовой полнопроходной Серия 101 [Электронный ресурс]. -https://www.camozzi.ru/images/pdf2016/seriay-101.pdf, (дата обращения 16.11.2019).

249 Логвинов, Л.М. К вопросу об оценке технического состояния гидроагрегатов по параметрам генерируемых частиц износа [Текст]/Л.М. Логвинов// Материалы международной конференции по гидромеханике, гидромашинам, гидроприводам и гидропневмо-автоматике. - М.: МГТУ им. Баумана, 1994. - С. 87.

250 Логвинов, Л.М. Концепция функциональной диагностики гидравлических систем технологического оборудования по параметрам частиц износа [Текст]/Л.М. Логвинов, Е.И. Поминов, И.А. Кудрявцев и др.// Ремонт, восстановление, модернизация. - 2002.- №3.-С. 8-13.

251 Логвинов, Л.М. Многоцелевые датчики встроенного контроля уровня загрязнения жидкостных систем изделий авиационной техники [Текст] / Л.М. Логвинов // Тезисы докл. на ВНТК по проблемам динамики пневмогидравлических и топливных систем летательных аппаратов. - Куйбышев, 1990. - С. 130.

252 Логвинов, Л.М. Техническая диагностика жидкостных систем технологического оборудования по параметрам рабочей жидкости [Текст] / Л.М. Логвинов. - М.: ЦНТИ «Поиск», 1992. - 91 с.

253 Макаровский, И.М. Основы технической эксплуатации и диагностики авиационной техники [Текст]: Учеб.пособие / И.М. Макаровский. - Самара.: СГАУ, 2004.-116 с.

254 Макаровский, И.М. Основы эксплуатационной диагностики авиационной техники [Текст]: Учеб.пособие / И.М. Макаровский, О.Н. Матейко. - Самара.: СГАУ, 2001.79 с.

255 Матвеев, А.С. Влияние загрязненности масел на работу гидроагрегатов [Текст] / А.С. Матвеев. - М.: Россельхозиздат, 1976. - 152с.

256 Междисциплинарный программный комплекс (CAE-Software) Simulation X компании ESI ITI GmbH. [Электронный ресурс]. https://www.simulationx.com/. (дата обращения 17.11.2019).

257 Междисциплинарный программный комплекс SimulationX, документация по разделу «Анализ надежности систем». [Электронный ресурс].

https://doc.simulationx.eom/4.0/1033/Default.htm#Tutorials/SystemRelia bilityAnalysis.htm%3FTocPath%3DTutorials%7C 6. (дата обращения 17.11.2019).

258 Месарович, М. Общая теория систем. Математические основы [Текст] / М. Месарович, Я. Такахара. - М.: Мир, 1978. - 312 с.

259 Минаев, П. Ю. Методика тестирования алгоритмов классификации в системе Полигон и её обоснование [Текст] / П.Ю. Минаев. - М.: МИФИ, 2011 - 63 с.

260 Надежность гидропривода тракторов и сельхозмашин [Текст] В.И. Барышев // IV ВНТК по вопросам промышленной чистоты рабочих жидкостей гидросистем и фильтрации. - Челябинск. - 1990. - С. 3.

261 Наземцев, А.С. Пневматические и гидравлические приводы и системы. Часть 2. Гидравлические приводы и системы.Основы. Учебное пособие / А.С. Наземцев, Д.Е. Рыбальченко. - М.: ФОРУМ, 2007 - 304 с.

262 Науменко, А.П. Теория и методы мониторинга и диагностики [Текст]: материалы лекций /А.П. Науменко. - Омск: ОмГТУ, 2017. - 154 с.

263 Никитин, О.Ф. Объёмные гидравлические и пневматические приводы [Текст] / О.Ф. Никитин, К.М. Холин. - М. Машиностроение, 1981. - 269 с.

264 Образовательный портал "MatlabExponenta" [Электронный ресурс] 2019. http://matlab.exponenta.ru/forum/simulink-f3/izmenenie-parametrov-modeli-pri-modelirovanii-t19742.html (дата обращения: 15.10.2019).

265 Образовательный портал [Электронный ресурс]. 2019. URL: http://proizvodstvo.s-zemlz-cha.edusite.ru/osnovnie%20ponyatiya.html (дата обращения: 13.10.2019).

266 Общество Автомобильных Инженеров SAEInternational. [Электронный ресурс]. https://www.sae.org/. (дата обращения 17.11.2019).

267 ОВЕН оборудование для автоматизации [Электронный ресурс]. - 2019. - Режим доступа: https://owen.ru, (дата обращения 01.11.2019).

268 Овчаров, Л. А. Прикладные задачи теории массового обслуживания [Текст] / Л. А. Овчаров - М: Машиностроение, 1969. - 324с.

269 ООО "Компания Атлас" [Электронный ресурс] 2019. https://atlasb2b.ru/wp-content/uploads/2015/07/aeroshell fluid 41 tds-rus.pdf (дата обращения: 25.10.2019).

270 ООО «Вектор-ПМ» [Электронный ресурс]. - 2018. - Режим доступа: http://uralves.ru, (дата обращения 01.11.2019).

271 Официальный сайт ПО SimulationX [Электронный ресурс] 2019. https://www.simulationx.com/ (дата обращения: 18.10.2019).

272 Павлов, Б.В. Акустическая диагностика механизмов [Текст] / Б.В. Павлов. - М.: Машиностроение, 1971. - 224 с.

273 Панкин, А.М. Информативность измерений в задачах идентификации и диагностики электрических цепей [Текст] /А.М. Панкин // Дис. канд. техн. наук : 05.09.05: Санкт-Петербург, 2004, 242 c. РГБ ОД, 61:04-5/2462.

274 Попов, Д.Н. Механика гидро- и пневмоприводов [Текст] /Д.Н. Попов. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 с.

275 Пятакович, В.А., Нейросетевые архитектуры для решения задач классификации информационных полей морских объектов, методика их обучения [Текст] / В.А. Пятакович, А.М. Василенко, М.В. Мироненко// Интернет-журнал «НАУКОВЕДЕНИЕ». - 2017. - Том 9, №2. - С. 1 - 12.

276 Решение для предиктивной диагностики компании PdmSolutions. [Электронный ресурс]. https://www.axiomtek.com/Default.aspx?MenuId= Solutlons&FunctlonId=SolutlonУlew&ItemId=1737&Tltle=Predlctlve%20Malntenance%20Solutlo й£. (дата обращения 17.11.2019).

277 Решение для предиктивной диагностики компании Seebo [Электронный ресурс]. https://www.seebo.com/predlctlve-malntenance-solutlon/. (дата обращения 17.11.2019).

278 Романчук, В.А. Разработка модели сложной нейропроцессорной системы [Текст] / В.А. Романчук, В.Н. Ручкин, В.А. Фулин // Цифровая обработка сигналов. — Рязань : Информационные технологии, 2012. — № 4. — С. 70-74

279 Руппель, А.А. Моделирование гидравлических систем в Matlab:учебное пособие [Текст] /А.А. Руппель, А.А. Сагандыков, М.С. Корытов. - Омск: СибАДИ, 2009. - 172 с.

280 Рыбкин, П.Н. Конструкция вертолета Ми-8 (Т, МТ, МТВ, АМТ) [Текст] / П.Н. Рыбкин. - СПб.: Академия ГА, 2003. - 178 с.

281 Сапожников, В.М. Монтаж, контроль и испытания трубопроводных коммуникаций гидрогазовых систем летальных аппаратов [Текст]/В.М. Сапожников и др. -М.: Машиностроение, 1996. - 160 с.

282 Свириденок, А.И. Акустические и электрические методы в триботехнике [Текст] / А.И. Свириденок, Н.К. Мышкин, Т.Ф. Калмыкова, О.В. Холодилов. - Минск: Наука и техника, 1987. - 280 с.

283 Северцев, Н.А. Системный анализ определения параметров состояния и параметра наблюдения объекта для обеспечения безопасности [Текст] / Н.А. Северцев // Надёжность и качество сложных систем.- 2013. -№1. С. 4-10.

284 Скрябин, А.В. Системы контроля технического состояния и прогнозирования неисправностей электромеханических рулевых приводов летательного аппарата. Современный уровень развития [Текст] /А.В. Скрябин// Общероссийский научно-технический журнал «Полет». - 2018. - №2. - С. 50-64.

285 Срур, М.Ю. Способ оценки информативности и приоритетности параметров технического состояния компьютерной сети [Текст] / М.Ю. Срур, Н.Ю. Нарыжная, Петриченко Г.С. // Патент РФ. https://findpatent.ru/patent/243/2439705.html, 2012-2019.

286 Столл, Р.Р. Множества, логика, аксиоматические теории. [Текст] / Роберт Р. Столл. - М.: Просвещение, 1968 - 232 с.

287 Схиртладзе, А.Г. Надежность и диагностика технологических систем [Текст]: учебник/А.Г. Схиртладзе, М.С. Уколов, А.В. Сквордцов. - М.: Новое знание, 2008. - 518 с.

288 Технические средства диагностирования [Текст] / Справочник // Под общ.ред. В. В. Клюева. — М.: Машиностроение, 1989. - 672 с.

289 Тимеркеев, Р.Г. Промышленная чистота и тонкая фильтрация жидкостей летательных аппаратов [Текст] / Р.Г. Тимеркеев, В.М. Сапожников. - М: Машиновстроение, 1986. - 152 с.

290 Туренко, А.Н. Проектирование диагностического обеспечения транспортных машин [Текст]: учебное пособие / А.Н. Туренко, В.Д. Мигаль, Л.А. Рыжих - Харьков: Майдан, 2016. - 392 с.

291 Фу, К. Структурные методы в распознавании образов. [Текст] / К.Фу. - М.: Мир, 1977. - 320 с.

292 Харазов, А.М. Технологическая диагностика гидроприводов машин [Текст] /А.М. Хазаров. - М.: Машиностроение, 1979. - 112 с.

293 Чернышев, А.В. Проектирование стендов для испытания и контроля бортовых систем летательных аппаратов [Текст]: учебник для авиационных специальностей вузов/А.В. Чернышев. - М.: Машиностроение, 1983. - 384 с.

294 Чмиль, В.П. Гидропневмопривод: монография [Текст] / В. П. Чмиль. - СПб.: СПбГАСУ, 2010. - 176 с.

295 Чупраков, Ю.И. Гидропривод и средства гидроавтоматики [Текст]/Ю.И. Чупраков. - М. Машиностроение, 1979. - 232 с.

296 Шахматов, Е.В. Динамика и прочность трубопроводных систем с пульсирующим потоком жидкости [Текст] / Е.В. Шахматов, А.Б. Прокофьев, Т.Б. Миронова.

- М.: Машиностроение, 2014. - 165 с.

297 Шахматов, Е.В. Измерение пульсаций давления в гидросистемах: метод.указанияклабораторнойработе [Текст] / Е.В. Шахматов, А.Б.Прокофьев, Г.В. Шестаков.

- Самара: Изд-во СГАУ, 2006. - 35 с.

298 Шумилов, И.С. Системы управления рулями самолётов [Текст]: учебное пособие/И.С. Шумилов. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. - 469 с.

ПРИЛОЖЕНИЕ А Принципиальные схемы и технические характеристики основных агрегатов, использованных в технологическом комплексе для испытания

ГМС

Насос НШ-39Мшестеренного типа высокого давления, предназначен для подачи рабочей жидкости под давлением в гидравлическую систему. Технические характеристики и принципиальная схема насоса [232] представлены на рисунке А.1 и в таблице А.1 соответственно.

1— крышка; 2— корпус; 3— кольцо; 4— неподвижный диск; 5— наружное кольцо игольчатого подшипника; 6— ведущее зубчатое колесо; 7— подвижный диск; 8,12— резиновые кольца; 9— стакан; 10— уплотнительная манжета; 11— шлицевая втулка; 13— стопорное кольцо; 14— ведомое зубчатое колесо; А— полость нагнетания; Б— полость всасывания; В— камера подвижных дисков; Г— канал подвода жидкости под давлением; Д— канал отвода утечек жидкости в камеру всасывания; К— канал отвода жидкости, просочившейся через контактные уплотнения

Рисунок А.1 - Принципиальная схема гидравлического насоса НШ-39М

Таблица А.1 - Технические характеристики гидравлического насоса НШ-39М

Рабочее давление, МПа (кгс/см2) 7,5(75)

Максимальное давление, МПа (кгс/см2) 9(90)

Номинальная частота вращения, об/мин 2500

Производительность насоса при 2500 об/мин и давлении 6,5 МПа (65 кгс/см2), л/мин 30

ПневмогидроаккумуляторА5579-0-3Н (объёмом 2,7дм3) предназначен для устранения пульсации давления жидкости в гидросистеме и восполнения повышенного расхода жидкости в начальный момент работы гидродвигателей [232]. Принципильная схема ПГА представлена на рисунке А.2.

1— зарядный клапан; 2— гайка; 3— крышка; 4— горловина; 5— верхняя обечайка; 6— резиновая диафрагма; 7— нижняя обечайка; 8— стакан; 9— гайка; 10— уплотнительное кольцо; 11— крышка; 12— угольник; 13— поясок Рисунок А.2 - Принципиальная схема ПГА

Распределитель Rexroth 4WSE2ED10-51/60B9-315K31EV[ 135]—направленный сервоклапан 1/20 в четырехходовом исполнении, предназначендля управления положением, силой, давлением или скоростью. Принципиальная схема и параметры распределителя представлены на рисунке А.3 и в таблице А.2 соответственно.

Таблица А.2 - Технические характеристики распределителя

Рабочее давление, порт P, A, B до 315

Диапазон температур рабочей жидкости, °C От -15 до +80

Диапазон вязкости рабочей жидкости, мм2/с От 15 до 380

Максимально допустимая степень загрязнения гидросистемы класс чистоты жидкости согласно ISO 4406 Класс 18/16/13

Номинальный расход Qном, допуск ± 10% при перепаде давления в клапане Ар = 70 бар, дм3/мин (л/мин) 60

Расходно - перепадая характеристика распределителя Rexroth 4WSE2ED10-51/60B9-315K31EV, полученная при трех постоянных значениях управляющего напряжения, представлена на рисунке А4. Характеристика снималась путем изменения частоты вращения насоса, при этом изменялись производительность насоса (контроль по расходомеру РМ1) и перепад давления на распределителе (контроль по разности показаний манометров МН2 и МН3), см. рисунок 4.1.

ТА V Р V ТВ

А В

Рисунок А.3 -Принципиальная схема распределителя Rexroth 4WSE2ED10-51/60B9-

315К31БУ

у ■

/

/

/ /

/а. 2.5 V -К-1.7*

О 10 20 30 ДР,бар

Рисунок А.4 - Расходно - перепадая характеристика распределителя Rexroth 4WSE2ED10-51/60B9-315K31EV в зависимости от управляющего напряжения

Кран шаровой DG101H006 с пневматическим nрuводомDAN0015411S[248] -кран шаровой 2-ходовой полнопроходной предназначен для сброса давления из газовой полости ПГА. Внешний вид и параметры шарового крана представлены на рисунке А.5 и в таблице А.3

Рисунок А.5 - Внешний вид крана шарового с пневматическим приводом

Таблица А.3 - Технические характеристики крана шарового

Присоединение 01

Условный проход, DN 25

Рабочая температура, °С от -20 до +150

Рабочее давление, бар 50

Допустимый крутящий момент, Н*м 10

Электромагнитный кран ГА-192Т[232]предназначен для подачи жидкости на дроссель имитации утечек из напорной линии. Параметры и принципиальная схема шарового крана представлены в таблице А.4 и на рисунке А6 соответственно.

Таблица А.4 - Технические характеристики ГА-192Т

Рабочая среда АМГ-10

Рабочее давление, МПа (кгс/см2) 16 (160)

Максимальное рабочее давление, МПа (кгс/см2) 18 (180)

Допустимый подпор в линии слива, МПа (кгс/см2), не более 3 (30)

Температура рабочей жидкости, оС -60...+80

Напряжение питания электромагнита, В 27+10%

Сила тока при напряжении 27 В, А не более 1,2

Время срабатывания электромагнита, с 0,1

1— пружина; 2— гайка; 3— корпус; 4,9— уплотнительные кольца; 5— электромагнит; 6— упор; 7— гильза золотника; 8— золотник; 9 - кольцо уплотнительное; 10— тарельчатая опора пружины Рисунок А.6 - Принципиальная схема электромагнитного крана ГА-192Т

Гидравлический распределитель CAPRONI RH06027FD[218] - 4/3 (четырехлинейный трехпозиционный) распределитель с ручным управлением и перепуском на слив. Параметры распределителя представлены в таблице А.5.

Таблица А.5 - Технические характеристики САРЯОМ КИ06027ББ

Максимальное рабочее давление, МПа (бар): на выходе Р, А и В на выходе Т 32 (320) 2,5 (25)

Номинальный расход (при ДР=0,1МПа), л/мин 11.20

Угловое перемещение рукоятки, град. ±32

Предохранительный клапан ГА198[232]- предназначен для защиты гидросистемы от повышения давления сверх допустимой величины. В гидросистеме стенда ГА198 настроен на давление 7 МПа (70 кгс/см2). Параметры предохранительного клапана представлены в таблице А.6.

Таблица А.6 - Технические характеристики ГА-198

Рабочая жидкость АМГ-10

Максимальное рабочее давление, МПа (бар) 29,5 (295)

Давление в штуцере «Бак», МПа (бар), не более 2 (20)

Диапазон температур, оС -60...+100

Зависимость пропускной способности предохранительного клапана от угла поворота винта затяжки настроечной пружины представлена на рисунке А7. Характеристика получена при полностью перекрытом вентиле ВН3 (см. рисунок 4.1), контроль по манометру МН1.

— — — 3 н 1

5нЗ

0 10 20 30 40 50 60 70 Поворот, °

Рисунок А.7 -Зависимость пропускной способности предохранительного клапана от угла

поворота винта затяжки настроечной пружины

Дроссель Н5810-820служит для имитации утечек рабочей жидкости с выхода насоса НШ-39М,дросселирования потока жидкости на входе в расходомер ТДР 5 и может быть использован для гашения колебаний стрелки манометра. Параметры дросселя представлены в таблице А.7.

Таблица А.7 - Технические характеристики дросселя Н5810-820

Рабочая жидкость АМГ-10

Рабочее давление, МПа (бар) 15 (150)

Диаметр проходного сечения штуцеров на входе и выходе, мм 4 (резьба М12 х 1)