Нестеренко С.А.

доктор технических наук, профессор

Одесский национальный политехнический университет

Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

 

Дадерко О.И.

Аспирант

Одесский национальный политехнический университет

Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

 

Саух И.А.

Аспирант

Одесский национальный политехнический университет

Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

 

 Аннотация. Показано, что парные органы многих технических устройств, а также пары рифмованных слов в лингвистике, пары участников экспедиций и многое другое нуждается в тщательном отборе при их составлении и замене, т.к. многие скрытые, нечеткие параметры у них могут быть далеки. Предложен алгоритм интеллектуального метода распознавания ближайшей пары в конечном множестве однотипных объектов в нечетких условиях. Испытание метода на реальных объектах подтвердили его техническую эффективность.

 Ключевые слова: ближайшие пары, нечеткие условия, распознавание образа, информационная составляющая, автомобильные колеса.

 

 Автомобильный транспорт имеет важнейшее значение для функционирования общественного производства и жизни людей. Однако при этом он является главным глобальным источником загрязнения окружающей среды. На его долю приходится до 60 – 80 % загрязнения, а в районах наибольшего сосредоточения людей – до 90 – 95 %. Основная причина загрязнения воздуха заключается в неполном и неравномерном сгорании топлива. Всего 15 % его расходуется на движение автомобиля, а 85 % «летит на ветер». К тому же камеры сгорания автомобильного двигателя – это своеобразный химический реактор, синтезирующий ядовитые вещества и выбрасывающий их в атмосферу. В отработавших газах двигателя внутреннего сгорания содержится свыше 170 вредных компонентов, из них около 160 – производные углеводородов, прямо обязанные своим появлением неполному сгоранию топлива в двигателе [1]. 

 Отработавшие газы, продукты износа механических частей и покрышек автомобиля, а также дорожного покрытия составляют около половины атмосферных выбросов антропогенного происхождения. Наиболее исследованными являются выбросы двигателя и картера автомобиля. Кроме того, во время эксплуатации транспортных средств образуется большое количество твердых отходов, большую опасность среди которых представляют собой изношенные автомобильные шины, которые сложно собирать и утилизировать [2].

 Однако шины несут еще одну латентную опасность, – если смежная пара шин была изначально неодинаковой в некотором смысле (или кто-то при ремонте поставил в пару «неподходящую» шину), и нагружение, и реакция на него становятся несимметричными, вынуждая автомобиль реагировать на это ухудшением условий работы: двигатель начинает работать в неоптимальном режиме, – отсюда неполное сгорание и повышение количества вредных выхлопов, шины изнашиваются неравномерно и т.д..

 Автомобиль содержит в своем составе большое количество «парных» органов. Главными парами с точки зрения экологии являются колеса, так как неверный подбор такой пары приводит и к ухудшению условий работы двигателя, а, следовательно, – к увеличению вредных выбросов, и к повышенному износу автомобильных покрышек и дороги со всеми вытекающими из этого экологическими последствиями. 

 В то же время паспортные данные и известные маркировки покрышек не содержат всей информации, необходимой для подбора пар. Часть такой информации скрыта от пользователя (и от производителя!), часть носит стохастический или нечеткий характер. Поэтому исследования, направленные на оптимизацию процесса подбора пары «ближайших» по эксплуатационным характеристикам резиновых колес, являются весьма актуальными.

 Подбор пары при «обувании» автомобиля происходит в двух случаях: при первичной сборке автомобиля и замене двух колес одновременно, а также при замене одного колеса, когда новое подбирается в пару к старому.

 В предлагаемом методе все данные о колесах – участниках отбора – на первом этапе преобразуются к некоторому образу, который по структуре (двухмерное поле условных «яркостей») напоминает зрительный, но с феноменологической точки зрения таковым не является. Действительно, этот виртуальный образ в процессе отбора пары нигде не визуализируется: не выводится на экран или любой «твердый» носитель [10].

 Тем не менее, обладая всеми математическими свойствами зрительного образа или изображения, этот виртуальный образ может быть преобразован одним из известных способов обработки изображений к числу [11]. По полученным числам можно выполнить ранжировку элементов множества образов, а значит, и множества исходных объектов – резиновых колес.

 В итоге выбор наиболее близкой пары шин из имеющихся в наличии выглядит следующим образом (рис. 1). 

 

Рис. 1. Выбор наиболее близкой пары шин из имеющихся в наличии

 В свою очередь, выбор второй шины по известной (имеющейся в наличии) первой представлен на рис. 2.

  

Рис. 2. Схема процесса распознавания «наилучшего» объекта в пару к имеющемуся в наличии

 Естественно предположить, что описанные методы эффективны только в том случае, когда характеристики (параметры) элементов множества шин выходят за рамки стандартных (детерминированных). К последним относятся следующие паспортные параметры (первый список).

 Диаметр – определяет толщину резинового слоя, вес шины. 

 Разрывное усилие – определяет нагруженность шин, вес шины. 

 Линейная масса – определяет плотность армирующего материала, вес шины. 

 Полное удлинение – определяет изменение геометрии шин под нагрузкой, способность сопротивляться ударным нагрузкам. 

 Адгезия – определяет степень закрепления армирующего материала в резине. 

 В противном случае все шины одной стандартной группы были бы математически неразличимы, и процедура ранжировки потеряла бы смысл, – числа, составляющие все образы множества, были бы равны. Поэтому методы распознавания образов, участвующие в процессах, представленных на рис. 1 и 2, нуждаются в обеспечении дополнительной (стохастической, нечеткой) информацией. 

 В качестве такой информации могут быть использованы следующие нечеткие параметры (второй список).

 Изгибная жесткость – в брекерных слоях шин определяет ходимость шин, уровень сопротивления качению, совместно с величиной разрывного усилия – веса шин. 

 Эластичность – характеризует степень восстановления металлокордом своей первоначальной формы, после того, как он подвергся определенной деформации. 

 Усталостная выносливость – определяет срок эксплуатации шин. 

 Контактная усталость (фреттинг-коррозия) – определяет запас прочности для армирующих материалов, приводящий к утяжелению шин. 

 Усилие анкеровки – определяет усилие выдергивание проволок внутренних слоев из оболочки проволок наружных по отношению к ним слоев. Низкий уровень анкеровки снижает показатель выносливости и создает проблемы при переработке резинокордового полотна. 

 Удлинение при частичной нагрузке – определяет способность сопротивляться ударным нагрузкам.

 Емкость плоского конденсатора, в котором шина играет роль заполнителя пространства между обкладками – отражает плотность, форму и равномерность заполнения кордом внутреннего объема шины.

 Откладывая на двухмерном поле отнормированные к единице значения параметров первого списка по горизонтали, а второго – по вертикали, получим псевдозрительный (виртуальный) образ [9].

 Превращая образ в число, например, с помощью поля направлений, получим соответствующее численное значение, легко поддающееся ранжированию и сравнению [9]. 

 Нечеткие параметры второго списка нельзя взять из паспортных данных или измерить прямым методом. Они могут быть получены только в результате эксперимента: неразрушающего – для всего множества или разрушающего (например, выдергивание нитей корда) – для выборочного подмножества. Приведем пример емкостного измерения плотности, формы и равномерности заполнения кордом внутреннего объема шины. Рассмотрим шину колеса с металлокордом [14].

 Такое измерение неразрушающее, его сравнительно легко выполнить и зафиксировать результат.

 В результате анализа экологических проблем развития транспорта установлено, что существенной опасностью для окружающей среды является плохоконтролируемое в эксплуатации взаимодействие неудачно подобранных пар, например, автомобильных шин.

 Предложен дополнительный к простому подбору по паспортным данным метод идентификации наиболее близких пар, заключающийся в интеллектуальном распознавании образа каждой шины с учетом скрытых параметров и формировании этих пар по близости полученных образов.

 Предложен метод получения дополнительной информации о скрытых характеристиках автомобильных шин, заключающийся в измерении емкости конденсатора, в котором исследуемая шина играет роль заполнителя пространства между его обкладками.

 

Литература

1. Загрязнение автотранспортом окружающей среды. – Доступно: http://ustroistvo-avtomobilya.ru/sistemy-snizheniya-toksichnosti/zagryaznenie-avtotransportom-okruzhayushhej-sredy/.

2. Шулдякова К.А. Воздействие автомобильных шин на окружающую среду и здоровье человека / К.А. Шулдякова // Молодой ученый. – 2016. – № 20. – С. 472-477.

3. Скотт М. Оперативная пам'ять / М. Скотт // Модернизация и ремонт ПК – Upgrading and Repairing PCs. – М.: Вильямс, 2007. – С. 499-572.

4. Подбор динамиков – Доступно: https://www.audiomania.ru/content/art-1740.html.

5. Stanovskyi O. Compensation of the spatial deviations of measuring elements in CAD / O. Stanovskyi, A. Toropenko, O. Lebedeva, V. Dobrovolska, O. Daderko // Технологічний аудит та резерви виробництва. – 2018. – № 1/2(39). – С. 52-60.

6. Становский А.Л. Некоторые концепции системы поддержки автоматизированного перевода стихотворного текста / А.Л. Становский, В.Ю. Поздняков // Труды Одесского политехнического университета. – 2007. – Спецвыпуск № 2(28). – С. 162-165.

7. Холлингэм Р. Дорога к Марсу: как набирают в марсианские колонисты / Р. Холлингэм // BBC Future. – 2015. – Доступно: http://www.bbc.com/russian/

science/2015/01/150127_vert_fut_one_way_ticket_to_the_red_planet.

8. Нестеренко С.А. Перетворення структури складної технічної системи із частково недоступними елементами до зорового образу / С.А. Нестеренко, Ан.О. Становський, А.В. Торопенко, П.С. Швець // Восточно-Европейский журнал передовых технологий. – Харьков, 2015. – № 5/3 (77). – С. 30-35. 

9. Нестеренко С.А. Розпізнавання стану бездротових комп’ютерних мереж за допомогою тривимірного поля напрямків / С.А. Нестеренко, А.О. Становський, О.О. Оборотова // Технологічний аудит та резерви виробництва. – Харків, 2015. – № 6/2(26). – С. 28-35.

10. Поиск пары чисел оптимально близких к заданному константному числу. – Доступно: https://www.mql5.com/ru/forum/216667.

11. Глушань В.М. Нечеткие модели и методы многокритериального выбора в интеллектуальных системах поддержки принятия решений / В.М. Глушань, В.П. Карелин, О.Л. Кузьменко // Известия ЮФУ. Технические науки Тематический выпуск. – С. 106-113.

12. Луцив Д.В. Задача поиска нечетких повторов при организации повторного использования документации / Д.В. Луцив, Д.В. Кознов, Х.А. Басит, А.Н. Терехов // Программирование, 2016. – № 4. – С. 39-49.

13. Пименов В.Ю. Вычислительно-эффективный метод поиска нечетких дубликатов в коллекции изображений / В. Ю. Пименов // Доступно: http://romip.ru/romip2009/09_ifm.pdf.

14. Металлокорд. Steel cord. – Доступно: http://www.belmet.com/files/products /steel_cord.pdf.