Обеспечение стабильности качества производимой продукции напрямую зависит от технического состояния оборудования, на котором оно производится. Среди возможных дефектов, приводящих к нарушению режимов работы объекта, параметрические вносят существенный деструктивный вклад в выходные параметры. Выявить источник возникновения дефекта вплоть до элемента возможно с использованием нейроконтроллера. Используя возможности нейросетей, строится такой алгоритм диагностики, который точно определяет вид и параметры сигнала в каждой контрольной точке объекта диагностики, классифицирует его и на основании полученной классификации определяет причину, степень неисправности и неисправный элемент. Контроллер включает в себя набор типовых нейронных модулей, каждый из которых содержит набор нейронных блоков. Принцип работы основан на использовании последовательного анализа параметров выявленного дефектного устройства для установления элемента, вызвавшего дефект. Для этого используются радиально базисные нейронные сети, которые обучаются на основе созданной базы данных в результате моделирования. Данные для обучения получены на основе моделирования виртуальной модели привода. Работа алгоритма рассматривается на примере регулятора скорости привода постоянного тока. Приведена методика построения нейроконтроллера для диагностики ЭМС. В зависимости от задачи можно варьировать точность оценки параметров в широких пределах.

Ensuring stability of quality of produced goods depends directly on technical condition of equipment used for their manufacture. Among the possible defects that lead to a violation of the modes of the object, parametric ones make a significant destructive contribution to the output parameters. It is possible to identify the source of the defect down to the element using a neurocontroller. Using the capabilities of neural networks, we build such a diagnostic algorithm, which accurately determines the type and parameters of the signal in each control point of the diagnostic object, classifies it, and based on the resulting classification determines the cause, degree of failure and the faulty element. The controller includes a set of typical neural modules, each containing a set of neural blocks. The working principle is based on a sequential analysis of the parameters of a detected defective device in order to identify the element that caused the defect. Radially based neural networks are used for this purpose, which are trained on the basis of the created database as a result of simulation. The data for training are obtained from the simulation of a virtual drive model. The work of the algorithm is considered on the example of a direct current c motor drive speed regulator. A method for building a neurocontroller for EMC diagnostics is presented. Depending on the task, you can vary the accuracy of parameter estimation within a wide range.