Аннотация результатов, полученных в 2025 году
В отчетном периоде (2025 год) в рамках научного исследования были выполнены работы, направленные на решение актуальной проблемы нехватки репрезентативных данных эксплуатационного нагружения при разработке моделей прогнозирования усталостной долговечности машиностроительных конструкций. В ходе исследования разработан оригинальный итеративный алгоритм аугментации случайных процессов нагружения, предназначенный для генерации синтетических реализаций с заранее заданным уровнем повреждаемости. Ключевая особенность предложенного метода заключается в том, что он позволяет не просто модифицировать форму или интенсивность исходного сигнала, а целенаправленно варьировать его длительность в зависимости от требуемого усталостного повреждения. Алгоритм сочетает традиционные методы аугментации – искажение амплитуды, оконное искажение и циклический сдвиг – с итерационной процедурой оптимизации, встроенным контуром оценки усталостного повреждения и, при необходимости, расширением длительности сигнала за счёт присоединения дополнительных сегментов исходной реализации также подверженных аугментации. Оценка повреждаемости выполняется на основе метода «падающего дождя», модели Гудмана и гипотезы линейного суммирования повреждений Палмгрена–Майнера. Это обеспечивает прямой контроль над усталостной долговечностью генерируемых реализаций, что принципиально отличает метод от стандартных стохастических подходов. Валидация алгоритма проведена на реальных эксплуатационных данных – тензометрических записях напряжений в раме фронтального погрузчика. Результаты показали, что сгенерированные процессы сохраняют ключевые статистические (среднее, СКО, эксцесс, асимметрия), спектральные (спектральные моменты, коэффициент полноты спектра) и временные (частота пересечений нуля, частота пиков) характеристики исходного сигнала, при этом достигается требуемый уровень повреждения. В частности, для достижения целевого повреждения была получена реализация, в 36 раз превышающая по длительности исходную, что подтверждает эффективность механизма масштабирования времени. На основе разработанного алгоритма с использованием автоматизированного программного скрипта сгенерирован обучающий набор из 16 100 синтетических реализаций на базе данных тензометрирования рам фронтального погрузчика, автогрейдера и снегоболотохода. Уровень повреждаемости в наборе варьируется от 0,001 до 1 (в относительных единицах). Анализ показал высокую вариативность сгенерированных процессов по ключевым параметрам: коэффициент нерегулярности изменяется от 0,28 до 0,74, коэффициент полноты спектра – от 0,62 до 0,95, что отражает широкий диапазон реальных эксплуатационных режимов. Кроме того, разработана комплексная методология последовательной обработки эксплуатационных данных нагружения, включающая три взаимосвязанных этапа. На первом этапе предложен полуэмпирический метод определения необходимой и достаточной длины реализации сигнала, основанный на анализе стабилизации таких характеристик, как коэффициент нерегулярности, коэффициент полноты спектра и расчетный ресурс. На втором этапе выполнен сравнительный анализ методов фильтрации сигналов – от традиционных (медианная фильтрация, фильтрация по уровням) до современных (эмпирическая и вариационная модовая декомпозиция). Оценка эффективности проведена не только по спектральным и временным метрикам, но и по влиянию на расчётную долговечность. Особую перспективность показали методы EMD и VMD, сочетающие временной и частотный анализ. На третьем этапе предложен оригинальный подход к формированию обобщённого блока нагружения на основе кластерного анализа. В качестве признаков использованы параметры, непосредственно связанные с повреждающим потенциалом процесса: СКО, максимальная амплитуда, коэффициент полноты спектра, коэффициент нерегулярности и эффективная частота пересечений среднего уровня. Метод выделяет однородные режимы нагружения, минимизируя субъективность экспертных оценок. Апробация на данных путевой машины подтвердила корректность классификации: выделенные кластеры точно соответствовали различным скоростным режимам движения. В совокупности полученные результаты обеспечивают теоретическую и методическую основу для создания надёжных нейросетевых моделей прогнозирования усталостного ресурса в условиях сложного нестационарного нагружения, характерного для реальной эксплуатации транспортных машин. Разработанные подходы позволяют не только расширить объём обучающих данных, но и обеспечить их физическую обоснованность и репрезентативность, что критически важно для повышения точности и устойчивости моделей машинного обучения в инженерных приложениях.