Научтруд
Войти

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КОНТРОЛЯ КАЧЕСТВА РАБОЧИХ ПРОЦЕССОВ СТРОИТЕЛЬНО-ДОРОЖНЫХ МАШИН

Научный труд разместил:
Niovpat
15 августа 2020
Автор: Плугина Татьяна Викторовна

АВТОМАТИЗАЦ1Я ТА КОМП&ЮТЕРНО-1НТЕГРОВАН1 ТЕХНОЛОГИ

УДК 625.085 DOI: 10.30977/BUL.2219-5548.2019.87.0.66

1НТЕЛЕКТУАЛЬНА СИСТЕМА КОНТРОЛЮ ЯКОСТ1 РОБОЧИХ ПРОЦЕС1В БУДШЕЛЬНО-ДОРОЖНГХ МАШИН (БДМ)

Плуг1на Т.В.1, Сфименко О.В.1 1 Харк1вський нацюнальний автомобшьно-дорожнш ун1верситет

Анотаця. Проведено досл1дження завдання Штелектуал1зацп систем контролю якост1 робо-чих процеав буд1велъно-дорожтх машин. Обгрунтовано концепщю безперервного контролю робочих параметр1в з використанням штучного ттелекту, що базуетъся на застосуванм ней-ронног мереж1, здатног беззупинно прогнозувати роботу виконавчих мехамзм1в БДМ у режим! реалъного часу.

Ключов1 слова: нейронна мережа, сенсори, навчання, алгоритм, оптим1зац1я, вплив, робоч1 органи.

Вступ

Сьогодш, як школи, чггко окреслився вектор розвитку машинобудiвельноl шдустри. Це розвиток у напрямку проектування та ро-зроблення досконалих автономних машин. Дослщницью центри найвщомших пганпв машинобудування, як-от: Volvo Construction Equipment, Caterpillar Tractor Co, KOMATSU LTD, LIEBHERR-INTERNATIONAL AG, Hitachi, HYUNDAI HEAVY INDUSTRIES, Terex тощо - активно працюють на передовш лши сучасно! науки та шженерп, намагаю-чись створити найдосконалшу модель, що пов&язуе двi частини: створення алгоршмв машинного навчання та адаптацп для вирь шення пiдзавдань дiагностування та прогно-зування; розроблення фiзичноl виконавчо! платформи (композици датчикiв, виконавчих механiзмiв, локалiзацiя, контроль). Цi двi частини самокеровано! машини можна асощю-вати з його мозком i тiлом. Стосовно БДМ завдання iнтелектуалiзацil полягае у тдви-щенш ефективностi функцiонування робочих органiв БДМ з грунтовим середовищем за рахунок алгоршмв адаптацп в умовах об-меження часу на прийняття ршення.

Аналiз публiкацiй

Iнтелектуалiзацiю робочого процесу можна реалiзувати завдяки сукупносп методiв штучного iнтелекту, мiкропроцесорних засо-бiв (програмованих контролерiв, локальних регуляторiв, пристро1в зв&язку з об&ектом, GPS-керування), елементна база яких постш-но змшюеться, удосконалюеться [1].

Аналiз робгг з моделювання динамiки робочих процешв БДМ свiдчить про доцшьнiсть розроблення адаптивних систем, що функщонують на основi нейромережних тех-нологiй [2]. Запропоновано математичнi мо-делi випадкових збурювань, що ддать на БДМ з боку нерiвностей мiкропрофiлю грун-тово! поверхнi, а також викликаш неоднорщ-нiстю властивостей дорожнього полотна. Для формування випадкових сигналiв збурювань отримано вираження передатних функцш формуючого фiльтра, що дозволяють ураху-вати змiнну швидкiсть руху машини [3]. Од-нак розроблеш моделi залежностей мiж параметрами БДМ, робочого органа й параметрами грунту не враховують iншi ш-тенсифiкатори.

Пiд час розв&язування практичних питань науки й техшки зазвичай виникае завдання ефективно! оргашзацп обчислень. Деякi з цих завдань характеризуються великою роз-мiрнiстю вхщних даних i тому потребують оброблення значних обсягiв шформацп. З шшого боку, багато завдань, пов&язаних з аналiзом робочого процесу, монiторингом роботи виконавчих механiзмiв, характеризу-ються високою частотою надходження шформацп про стан дослщжуваного об&екта й потребують прийняття оптимальних ршень у режимi реального часу. Зростання розмiр-носп вхiдних даних та багатократне викори-стання одного й того ж фрагмента обчислень призводять до збшьшення складностi виры-шення завдань. Тому необхiдно вдосконалю-вати вже наявнi та розробляти новi пiдходи до оргашзацп та використання обчислень на обчислювальних системах високо! продукти-вностi [2, 3]. Одним iз способiв оптимiзацil обчислювального процесу е його паралелiзащя для подальшо! реалiзащ! на системах па-ралельно! архiтектури. Для здшснення пара-лельних методiв та алгоршмв використову-ються обчислювальнi засоби ушверсального та спецiального призначення. На цей час роз-виток ушверсальних обчислювальних систем здiйснюeться за чотирма основними напря-мами: вектороконвеeрнi, SMP (Symmetric Multi-Processing), MPP (massively parallel Processing) та кластери. Типовим прикладом SMP-систем е сучаснi багатоядернi процесо-ри вiд компанп Intel.

Ниш стало можливе розроблення склад-них додатюв у галузi нейромережних техно-логiй, штучних нейронних мереж (ШНМ) З цього моменту теорiя нейронних мереж стала одним iз найбiльш перспективних на-прямiв наукових дослщжень машинобуду-вання. Цьому сприяла сама природа парале-льних обчислень i можливiсть адаптивного навчання нейронних мереж [4].

Унаслщок аналiзу наявних публшацш зроблено висновок, що актуальним е досль дження, результати якого матимуть практич-не застосування в удосконаленш робочих процесiв БДМ.

Мета i постановка завдання

Метою роботи е тдвищення ефективностi систем контролю якосп робочих процесiв будiвельно-дорожнiх машин за рахунок застосування нейронно! мережу здатно! беззу-пинно аналiзувати та прогнозувати роботу виконавчих механiзмiв БДМ.

Завдання роботи: аналiз процесу штелек-туалiзацi! БДМ завдяки сукупносп методiв штучного iнтелекту (нейромереж); обгрунту-вання завдання ефективно! оргашзацп обчислень та оптимiзацi!; приклад використання системи контролю якосп робочого процесу.

Застосування нейронних мереж у процес iнтелектуалiзацil БДМ

Успiшний розвиток теори нейронних мереж за останне десятилггтя дозволив реалiзу-вати низку глобальних властивостей. Найвь домiшими з них е навчання, узагальнення та абстрагування. Властивють навчання полягае у здатносп нейронно1 мережi змiнювати свою поведшку залежно вiд стану навколиш-нього середовища. Завдяки саме цш власти-востi нейроннi мережi привертають до себе значну увагу. 1снуе велике розма1ття алгори-тмiв навчання нейронних мереж, кожен з яких мае сво! сильш та слабю сторони, але сьогоднi ще не сформовано едино1 думки про

те, чого можна навчити нейронну мережу i як цей процес мае проводитися. Властивють узагальнення дае змогу нейроннш мережi знижувати чутливють до незначних флукту-ацiй вхiдних сигналiв. Поведiнка штучно! нейронно! мережi залежить як вщ значення вагових параметрiв, так i вiд функцi! збу-дження нейронiв. Вiдомi три основних види [2] функци збудження: порогова, лшшна та сигмо!дальна. Для порогових елеменпв вихiд установлюеться на одному з двох рiвнiв залежно вщ того, бiльший або менший сумар-ний сигнал на входi нейрона певного порогового значення. Для лшшних елементiв вихiдна активнють пропорцiйна сумарному зваженому входу нейрона. Для сигмо!даль-них елементiв залежно вщ вхiдного сигналу вихiд вардаеться безперервно, але не лiнiйно, мiрою змiни входу. Сигмо!дальнi елементи мають бiльше схожостi з реальними нейронами, шж лiнiйнi, але будь-який з цих титв можна розглядати лише як наближення.

Нейронна мережа е сукупнютю велико! кiлькостi порiвняно простих елементiв - ней-рошв, топологiя з&еднань яких залежить вщ типу мережi. Щоб створити нейронну мережу для виршення завдань БДМ, необхщно вибрати, яким чином слщ з&еднувати нейро-ни, i вiдповiдним чином пiдiбрати значення вагових параметрiв на цих зв&язках. Чи може впливати один елемент на шший, залежить вщ установлених з&еднань. Вага з&еднання визначае силу впливу. Це завдання на перший погляд здаеться складним, але нео-бов&язково розробляти нейромережу - юнуе кшька десятюв рiзних нейромережних архь тектур, зокрема ефективнiсть багатьох з них доведена математичною статистикою. Най-бшьш популярнi та вивченi архiтектури - це багатошаровий персептрон, нейромережа iз загальною регресiею, мережi Кохонена, ме-режi Хопфiлда, мережi Хеммiнга та ш. [2].

На другому етат варто навчити обрану мережу, тобто пдабрати такi значення !! ваг, щоб мережа працювала належним чином. У використовуваних на практицi нейромере-жах кiлькiсть ваг може становити кшька де-сяткiв тисяч, тому навчання - це, дшсно, складний процес. Для багатьох архггектур розроблеш спецiальнi алгоритми навчання, якi дозволяють налаштувати ваги мережi пе-вним чином. Залежно вщ функцiй, що вико-нуються нейронами в мережу можна видши-ти три !х типи: вхiднi нейрони - це нейрони, на яю подаеться вхщний вектор, що кодуе вхiдний вплив чи образ зовшшнього середовища; у них зазвичай не здшснюються обчи-слювальнi процедури, шформащя передаеть-ся з входу на вихщ нейрона шляхом транс-формацшних змiн його активацп; вихiднi нейрони - це нейрони, вихщш значення яких представляють вихiд мережi; промiжнi нейрони - цi нейрони складають основу штуч-них нейронних мереж. У бшьшосп нейрон-них моделей тип нейрона пов&язаний з його розташуванням у мережг Якщо нейрон мае тiльки вихiднi зв&язки, то це вхщний нейрон, якщо навпаки - вихщний. Однак може зу-стрiтися випадок, коли вихщ внутрiшнього нейрона розглядаеться як частина виходу мережi. У процесi функцюнування мережi здiйснюеться перетворення вхiдного вектора у вихщний. Сукупнють штучних нейрошв, суматора та порогового елемента називаеться штучною нейронною мережею (рис. 1).

Рис. 1. Модель одношарово! штучно! ней-ронно! мережi

Принцип роботи системи безперервного контролю робочих параметрiв БДМ

Традицшний контроль якостi робочих процеСв БДМ мае обмеженi можливосп за багатьма параметрами. Найбiльш важливе обмеження цих методiв контролю якосп -точкове тестування окремих робочих пара-метрiв (температура, мiцнiсть, тиск, ущшь-нення тощо). Як правило, цей метод охоплюе менше шж 1 % усього плану робгг. Вимiр займае багато часу й проводиться тшьки тс-ля виконання робочо! операцi!. Одним iз су-часних пiдходiв вирiшення такого класу за-вдань, пов&язаних з обмеженням методiв точкового вимiру, е застосування технологш безперервного контролю параметрiв робочо-го процесу. Значнi науковi дослщження й дослiдно-конструкторськi розробки в галузь автоматизацi! та iнтелектуалiзацi! БДМ виконуються в США та шших кра!нах провiд-ного машинобудування. Ведеться просуван-ня технологi! штелектуального процесу дорожнього будiвництва. Концепцiя безперервного контролю робочих параметрiв з ви-користанням штучного iнтелекту грунтуеться на застосуваннi нейронно! мережi (нечггко! нейронно! мережi), здатно! беззупинно про-гнозувати роботу виконавчих механiзмiв БДМ у режимi реального часу.

Цей метод безперервного контролю робо-чого процесу оснований на гшотез^ що тех-нологiчна машина й параметри зовшшнього середовища утворять едину динамiчну систему, яка мае ушкальш характеристики [4, 5]. У промисловш практицi апаратнi та програ-мш складники багатьох систем управлiння дос розробляються окремо, без урахування !х взаемодi! мiж собою i з фiзичним свiтом. I вже тсля розроблення системи управлiння, перевiрки !! на моделях усуваеться вплив рiз-ного роду невизначеностей шляхом викорис-тання спецiальних методiв налаштування. Цей процес е трудомютким i дорогим, а з ускладненням систем - практично нездшс-ненним [6]. Принцип роботи системи безперервного контролю робочих параметрiв БДМ, зокрема аналiзатора робочого процесу, представлено на рис. 2.

Параметри процесу

Сенс ори й модуль

1

Модуль РЕ

1

Класифжатор

1

Аналпатор

Рис. 2. Функцюнальна схема анатзатора ро-бочого процесу

За допомогою сенсорiв визначаеться по-точне значення основних параметрiв роботи виконавчих механiзмiв БДМ, що залежать вщ мiнливих умов експлуатацп. Данi пiддаються спектральному перетворенню Фур&е (модуль

FE) i класифiкуються штучною нейронною мережею. Поим оцiнюeться якiсть робочого процесу, грунтуючись на знаннях. На вихoдi використовуеться мoнiтoр або запис до протоколу, щоб вщтворити процес пiд час екс-плуатацп.

Вхiднi данi нейронно! мережi формуються з функцiй, витягнутих з вихoдiв вiдпoвiдних сенсoрiв. Кiлькiсть вхiдних вузлiв нейронно! мережi вибираеться на oснoвi кiлькoстi витягнутих ознак. Кшьюсть вихiдних вузлiв за-лежить вщ неoбхiднoгo дозволу класифшацп (рис. 3).

ВИХ1ДНИХ ВИХЩНИХ

прихованих вузлщ неиронш

неирошв

Рис. 3. Загальна структура нейронно! мережi зi зворотним зв&язком

У випадку завдання, що виршуеться в цiй рoбoтi, на вхщ нейромережа отримуе сигнали сенсoрiв зовшшшх збурень. На вихoдi маемо число, що характеризуе яюсть класифiкацi! щодо мoделi адаптацi! та прогнозування. Нейронна мережа пщдаеться навчанню. Використовуеться алгоритм навчання мережi зворотного поширення, заснований на алго-ритмi Левенберга-Марквардта (LM). Алгоритм LM можна розглядати як штерполящю мiж методом Гаусса-Ньютона й методом градiентнoгo спуску [7]. Цей алгоритм забез-печуе ггеративну процедуру визначення мь шмуму багатoмiрнo! функцi! й обчислюеться за формулою:

E = 2 N12 = 1 X(*k )2. (1)

За залежнiстю середньоквадратично! по-милки вiд iтерацi! можна оцшити тoчнiсть навчання. Навчання припиняеться, коли по-милка набору даних перестае зменшуватися.

Оцiнка якoстi класифшацп нейронно! ме-режi е значенням функцп втрат (перехресна ентрoпiя), яка залежить вщ вихoдiв нейронно! мережу а отже, i вщ усiх параметрiв (ваг) нейронно! мережг Модель тим тoчнiше апроксимуе шукану залежнiсть, чим менше значення мае функщя втрат. Таким чином, щоб навчити нейронну мережу, необхщно мiнiмiзувати функцiю втрат щодо ваг нейронно! мережг Саме так завдання навчання нейронно! мережi зводиться до завдання багатoвимiрнo! oптимiзацi! функци. Отже, мета навчання нейрoмережi - знайти таю значення параметрiв (вапв), за умови яких помилка класифшацп буде мшмаль-ною. Одним з найпопуляршших метoдiв оп-тимiзацi!, що застосовуються для oптимiзацi! нейронних мереж, е методи, основаш на об-численнi градiента. 1снуе багато техшк i мо-дифiкацiй для того, щоб пришвидшити збiжнiсть методу. Градiентний спуск (ГС) -це спошб мiнiмiзувати цiльoву функцiю C(9) , де 9е Rd - параметри модели шляхом оновлення параметрiв у напрямi, протилеж-ному градiенту цiльoвo! функцi! V9C (9) [2]. Параметр ^ - означае крок алгоритму, який виконуеться в напрямку (локального) мшмуму. 1накше кажучи, вiдбуваеться рух у напрямку схилу по поверхш цiльoвo! функцп, аж поки не буде досягнуто «долини». 1снуе три варiанти градiентнoгo спуску, якi застосовуються залежно вщ кiлькoстi даних, що використовуються. Вщповщно до кшь-кoстi даних обираеться «золота середина» мiж тoчнiстю оновлення параметрiв i часом, неoбхiдним для оновлення. Вщомий також як пакетний градiентний спуск, розраховуе величину оновлення параметрiв функцi! втрат на цшому датасетi.

9 = 9-^C(9), (2)

де 9 - параметри моделц ^ - швидюсть навчання - крок градiентнoгo спуску, який виконуеться в напрямку локального мшму-му. Оскшьки неoбхiднo розрахувати градiен-ти на цiлoму датасет для того, щоб зробити одне оновлення, пакетний градiентний спуск може дуже повшьно сходитися i займати значний обсяг оперативно! пам&ятг Пакетний градiентний спуск також не дозволяе оп-тимiзувати модель «онлайн», наприклад, коли датасет розширюеться нальоту. Навпаки, стохастичний градiентний спуск (СГС) виконуе оновлення параметрiв для кожного екзе-мпляра з навчально! вибiрки ( х(!); у(г ^

е = е-ПУ9С (0; х(); у«).

Пакетний ГС виконуе надлишковi обчис-лення для великих масивiв даних, оскшьки розраховуе градiент для подiбних екземпля-рiв датасету, а потiм лише раз оновлюе пара-метри. СГС позбавлений тако! надлишковос-т1, оскшьки виконуе одне оновлення для кожного екземпляру. У зв&язку з цим, як правило, СГС сходиться набагато швидше, i мо-же бути використаний для навчання нальоту. СГС виконуе част оновлення з високою дис-першею, що призводить до сильних флукту-ацш цiльово! функцi! [2], як показано на рис. 4.

Рис. 4. Коливання СГС

У той час як пакетний ГС застрягне в ямi локального мшмуму, флуктуацп СГС «ви-бивають» його з ями ^ з одного боку, дозво-ляють йому перейти на новi й потенцшно нижчi локальнi мiнiмуми. З шшого боку, це в кшцевому пiдсумку ускладнюе збiжнiсть до точного мтмуму. Проте доведено, що якщо повiльно зменшувати швидкiсть навчання, СГС поводить себе, як i пакетний ГС. Тобто сходиться до локального або глобального мшмуму для неопукло! та опукло! поверхнi вiдповiдно.

Нейронна мережа е обчислювальний граф, який може розрахувати функщю будь-яко! складности Iнформацiя в нейроннiй мережi поширюеться, починаючи вщ вхiдного шару нейрошв, через прихованi шари до вихщного шару, i на вихiдних нейронах отримуеться результат опрацювання сигналу. У мережах

такого виду немае зворотних зв&язюв. Прикладом нейронно! мережi прямого поширення е перцептрон Розенблатта, вiд якого й беруть свш початок нейромережi прямого поширення. У вершинах обчислювального графа зна-ходяться деяю оператори, що виконують пе-ретворення над вхiдними операндами. Так, у нейронах нейронно! мережi зазвичай вщбу-ваеться лiнiйна комбшащя вектора вхiдних сигналiв i векторiв ваг.

На рис. 5 наведена реалiзацiя функцi! ХOR на нейроннш мережi з одним прихова-ним шаром. Для активацп застосовано поро-гову функцiю.

Рис. 5. Реалiзацiя функцi! ХOR у НМ

Розглянемо приклад виршення завдання безперервного контролю робочого процесу БДМ. Робочий процес - стутнь ущiльнення за умови ущшьнення асфальтобетонних су-мшей вiбрацiйним котком. Фiзико-механiчнi властивостi та довговiчнiсть готового асфальтобетонного покриття суттево залежать вiд ступеня його ущшьнення. Зокрема чим ви-щий коефiцiент ущiльнення асфальтобетонного покриття, тим вища його стiйкiсть до утворення пластичних деформацiй, розтрiс-кування та утворення вибо!н. Втомна довгот-ривалють також залежить вiд ступеня його ущшьнення. Здатнють асфальтобетонно! су-мiшi ущiльнюватися е одним з основних тех-нологiчних показникiв, який обумовлений температурою сумiшi пiд час ущшьнення, гранулометричним типом сумш^ маркою бггуму й характеристиками ущiльнювальних засобiв. У випадку контролю ущшьнення на вхщ нейромережа отримуе сигнали датчиюв ущшьнення. На виходi маемо число, яке ха-рактеризуе якiсть класифiкацi! щодо моделi адаптацi!.

Нейронна мережа тддаеться навчанню. Використовуеться алгоритм навчання мережi

зворотного поширення LM. На рис. 6 представлено залежнють середньоквадратично! помилки вiд iтерацiï та ощнка точностi на-вчання. Навчання припинясться, коли поми-лка validation набору даних перестае змен-шуватися. Тестовий набiр даних представлено червоною лшею, що показуе узагальнювальну здатнiсть мережа Дiаграма узагальнювальноï здатностi мережi показано на рис. 7.

Best Validation Performance

О 0.5 1 15 2 2.5 3 3.5 4

Рис. 6. Точнють навчання All: R=0-98499

Z ВО ?

■ ,t г

ï 70 О

60 65 70 75 80 bs

Рис. 7. Здатнють нейронно1 мережi

Результати вимiру щiльностi, фактично досягнуто1 пiд час випробувань, наведено в табл. 1.

Таблиця 1 - Результати використання анал1затора

З проведених теспв зрозумiло, що аналь затор ущшьнення можна використовувати для прогнозування щшьносп сумiшi пiд час ущшьнення в реальних умовах.

Висновки

В основi iнтелектуалiзацiï робочих проце-шв БДМ лежить концепцiя безперервного контролю робочих параметрiв, що грунтуеть-ся на застосуванш нечiткоï нейронноï мере-жi, здатноï беззупинно аналiзувати та про-гнозувати роботу виконавчих механiзмiв БДМ у режимi реального часу.

Навчання нейронноï мережi зводиться до завдання багатокритерiальноï оптимiзацiï. Розглянуто методи техшки оптимiзацiï ней-ронних мереж, серед яких пакетний i стохас-тичний градiентний спуск. Пiд час оптимiза-цй& часто виникають проблеми, зокрема застрягання у локальному мшмум^ замалий або завеликий крок навчання тощо. Пропо-новаш методи вирiшують щ проблеми. За-пропонований метод зворотного поширення помилки дозволяе обчислити компоненти градiента функцiï втрат щодо параметрiв мо-делi. Дослщження показуе, що для безперервного контролю якосп робочих процесiв БДМ можна використовувати двошарову нейронну мережу.

Лггература

1. Плупна Т.В., Стоцький В.О. Задача штелек-туал1зацп сучасних буд1вельно-дорожшх машин // Технология приборостроения. - 2014. -С. 40-43.
2. Тархов Д.А. Нейронные сети. Модели и алгоритмы. - Москва: Радиотехника, 2010. - 82 с.
3. Сфименко О.В., Плупна Т.В., Мусаев З.Р. Проектування буд1вельних та дорожшх машин шляхом пор1вняння 1х комп&ютерного та ф1зи-чного дослщження // Буд1вництво, матер1алоз-навство, машинобудування. - 2017. -Вип. 97. - С. 99-106.
4. Сфименко О.В., Плупна Т.В. Модульна структура штелектуально1 системи буд1вельних й дорожшх машин // Вестник ХНАДУ. - № 74. -2015. - С. 68-73.
5. Сфименко О.В., Плупна Т.В., Мусаев З. Виб1р оптимальних параметр1в машин для земляних робгг на основ1 статистичного анал1зу // Вестник ХНАДУ. - 2017. - Вип. 77. - С. 68-73.
6. Ефименко А.В., Плугина Т.В. Инновационная система ЗТМ для разработки грунта на основе GPS технологи // Подъемно-транспортные, строительные и дорожные машины и оборудование. - Днепр: ГВУЗ «ПГАСА», 2018. -С. 69-74.
7. Commuri S., Mai A.T., Zaman M. Calibration Procedures for the Intelligent Asphalt CompacНомер експерименту Бажана щшьшсть, % Досягнута щшьшсть, %

тест 1 тест 2 тест 3 тест 4

1 92 87,5 79,3 92,7 91,7
2 94 93,5 94,8 93,7 94,4

tion Analyzer. ASTM Journal of Testing and Evaluation. - 2009. - 37(5).

References

1. Pluhina T.V., Stotskyi V.O. Zadacha intelektual-izatsiyi suchasnykh budivelno-dorozhnikh mashyn // Tekhnolohyia pryborostroenyia: spets. vyp. - 2014. - S. 40-43. [The task of intellectual-ization of modern road-construction machines] [in Ukraine].
2. Tarkhov D.A. Neyronnyye seti. Modeli i al-goritmy. - M.: Radiotekhnika, 2010. - 82 s. [Neural networks. Models and Algorithms] [in Russia].
3. Yefymenko O.V., Pluhina T.V., Musayev Z.R. Proektuvannya budivelnykh ta dorozhnikh mashyn shlyakhom porivnyannya yikh kompyuternoho ta fizychnoho doslidzhennya // Budivnytstvo, materialoznavstvo, mashyno-buduvannya. - 2017. - Vyp. 97. - S. 99-106. [Designing of Construction and Road Machines by Comparing Their Computer and Physical Research] [in Ukraine].
4. Yefymenko O.V., Pluhina T.V. Modulna struktura intelektualnoyi systemy budivelnykh y dorozhnikh mashyn // Vestnyk KHNADU. -№ 74. - 2015. - S. 68-73. [Modular structure of the integral system of construction and road cars] [in Ukraine].
5. Yefymenko O.V., Pluhina T.V., Musayev Z. Vybir optymalnykh parametriv mashyn dlya zem-lyanykh robit na osnovi statystychnoho analizu // Vestnyk KHNADU. - 2017. - Vip. 77. - S. 6873. [The choice of optimal parameters of machines for earthworks on the basis of statistical analysis] [in Ukraine].
6. Yefimenko A.V., Pluhina T.V. Innovatsionnaya sistema ZTM dlya razrabotki grunta na osnove GPS tekhnologiy // Pod&yemno transportnyye, stroitel&nyye i dorozhnyye mashiny i oborudo-vaniye - Dnepr: GVUZ «PGASA», 2018. -S. 69-74. [Innovative ZTM system for the development of soil based on GPS technology] [in Ukraine].
7. Commuri S., Mai A.T., Zaman M. Calibration Procedures for the Intelligent Asphalt Compaction Analyzer. ASTM Journal of Testing and Evaluation. - 2009. - 37(5).

Плупна Тетяна BiKTopiBHa1, к.т.н., доцент, +380(99) 903-38-82, plutan2016@ukr.net, Сфименко Олександр Володимирович2, к.т.н., доцент, +380(95)012-42-62, khadi.alef@gmail.com, ^Харшвський нацюнальний автомобшьно-дорожнiй унiверситет.

Intelligent control system of quality work processes of construction and road machines (CRM) Abstract. The study of the intellectualization of control system of quality work processes of construction and road machines was carried out. The analysis of existing researches and publications has been made,

in which the main problem is highlighted, namely that the intellectualization concept of control system of quality work processes of CRM at this time is not enough. As a result of the analysis of existing researches and publications, the purpose of research is set, namely: analytical researches, the result of which will allow to increase of functioning efficiency arrangements of CRM with working environment using neural network and adaptation algorithm in a limited time decision. The concept of monitoring work parameters using artificial intelligence which is based on the neural network and is able to predict the work of CRM actuators in real time have been substantiated. The result of the research is selection of network learning algorithm, and also a scheme of analyzer work processes has been developed. This algorithm provides an iterative procedure for determining the minimum of a multidimensional function. The practical value lies in the fact that the method of back error propagation allows to calculate gradient components of loss functions regarding model parameters. The originality is in the fact that the results obtained prove using dual layer neural network for continuous monitoring quality of CRM workflow. Key words: neural network, sensor, training algorithm, optimization, influence, working arrangements.

Pluhina Tetiana1, PhD, Associate Professor, tel. +380(99) 903-38-82, plutan2016@ukr.net, Yefymenko Olexsandr2, PhD, Associate Professor, tel. +380(95) 012-42-62, khadi.alef@gmail.com, 12Kharkiv National Automobile Road University, Yaroslava Mudrogo ave., 25, Kharkiv, Ukraine, 61000.

Интеллектуальная система контроля качества рабочих процессов строительно-дорожных машин

Аннотация. Проведено исследование интеллектуализации систем контроля качества рабочих процессов строительно-дорожных машин. Проведен анализ существующих исследований и публикаций, в которых выделена основная проблема, а именно, что концепция интеллектуализации систем контроля качества рабочих процессов строительно-дорожных машин в настоящее время разработана недостаточно. В результате анализа выделена цель исследования: аналитические исследования, в результате которых будет возможно повышение эффективности функционирования органов БДМ с рабочей средой за счет нейросетей и алгоритмов адаптации в условиях ограниченного времени на принятие решения. Обоснована концепция непрерывного контроля рабочих параметров с использованием искусственного интеллекта, который базируется на применении нейронной сети, способной непрерывно прогнозировать работу исполнительных механизмов БДМ в режиме реального времени. Результатом исследования является выбор алгоритма обучения сети, разработана схема анализатора рабочего процесса. Данный алгоритм обеспечивает итеративную процедуру определения минимума многомерной функции. Предложен метод обратного распространения ошибки, разрешающий вычислить компоненты градиента функции потерь относительно параметров модели. Оригинальность заключается в том, что полученные результаты свидетельствуют об использовании двуслойной нейронной сети для непрерывного контроля качества рабочих процессов БДМ.

Плугина Татьяна Викторовна1, к.т.н., доцент, +380(99) 903-38-82, plutan2016@ukr.net, Ефименко Александр Владимирович2, к.т.н., доцент, +380(95)012-42-62, khadi.alef@gmail.com, 1,2Харковський национальный автомобильно-дорожный университет, ул. Я/ Мудрого, 25, Харьков, Харьковская область, 61000.

НЕЙРОННА МЕРЕЖА СЕНСОРИ НАВЧАННЯ АЛГОРИТМ ОПТИМіЗАЦіЯ ВПЛИВ РОБОЧі ОРГАНИ neural network sensor training algorithm