ТЕХНОЛОГИИ ИНС В ЗАДАЧЕ СПЕКТРАЛЬНОЙ ВИБРОДИАГНОСТИКИ ОБОРУДОВАНИЯ ХЛЕБОПЕКАРНОГО ПРОИЗВОДСТВА

Яблоков А.Е., Латышев М.А., Шилина В.Д., Полетаев А.А.

 ВАК 2.3.3. — Автоматизация и управление технологическими процессами и производствами (технические науки)

Аннотация. В статье приводятся результаты анализа эффективности метода нейросетевой диагностики зубчатой передачи по амплитудно-частотному составу вибраций подшипникового узла. Натурное моделирование различных технических состояний механической передачи проведено на специально созданном в ФГБОУ ВО «РОСБИОТЕХ» экспериментальном стенде. Автоматизация процедур измерения, цифровой обработки и анализа вибросигналов с применением технологии ИНС реализована в пакете Матлаб. Результаты исследований показали достоверность определения класса технического состояния зубчатой передачи по значениям амплитуд спектра вибрации порядка 99%. Научные исследования легли в основу создания интеллектуальных компонентов для системы технического мониторинга и диагностики технологических машин хлебопекарного производства.

Ключевые слова: техническая диагностика оборудования, вибродиагностика, ЦОС, машинное обучение, искусственные нейронные сети, нейросетевые методы классификации, диагностика машин хлебопекарного производства.

ANN technologies in the problem of spectral vibration diagnostics baking equipment

Yablokov A.E. Latyshev M.A. Shilina V.D. Poletaev A.A.

Abstract. The article presents the results of an analysis of the effectiveness of the method of neural network diagnostics of gear transmission based on the amplitude-frequency composition of vibrations of the bearing assembly. Full-scale modeling of various technical states of a mechanical transmission was carried out on an experimental stand specially created at the Federal State Budgetary Educational Institution of Higher Education «ROSBIOTECH». Automation of measurement procedures, digital processing and analysis of vibration signals using ANN technology is implemented in the Matlab package. The research results showed the reliability of determining the class of technical condition of a gear transmission based on vibration spectrum amplitudes of more than 99%. Scientific research formed the basis for the creation of intelligent components for a system of technical monitoring and diagnostics of technological machines for baking production.

Keywords: technical diagnostics of equipment, vibration diagnostics, DSP, machine learning, artificial neural networks, neural network classification methods.

Введение

В современном мире, где техника и технологии развиваются с невероятной скоростью, обеспечение надёжности и безопасности работы оборудования становится всё более актуальным. Одним из эффективных методов контроля технического состояния оборудования является вибродиагностика.  Вибрация возникает в результате работы механизмов и может быть вызвана различными дефектами, такими как износ, дисбаланс, несоосность, дефекты монтажа и другие. Анализируя параметры вибрации, можно определить наличие и степень развития этих дефектов, а также спрогнозировать их дальнейшее развитие. Самой трудной задачей диагностики является процедура интеллектуального анализа собранной виброакустической информации. Традиционно, подобную задачу решают специалисты в области диагностики в ручном режиме. По причине нехватки квалифицированных инженеров–диагностов на хлебопекарных предприятиях методы технического диагностирования оборудования практически не применяются.

Определение текущего технического состояния объекта контроля — важнейшая интеллектуальная задача диагностики. В настоящее время разработано несколько моделей классификации [2]: на основе модели Маркова, фильтра Калмана или анализ дерева отказов; методы на основе знаний, которые базируются на статистики или знаниях специалиста в данной области; методы на основе данных (технологии ИНС – искусственных нейронных сетей, методы к-ближайших соседей, опорных векторов или нечеткой логики [8]. Искусственные нейронные сети представляют собой непараметрические модели, которым не нужно предполагать вероятностное распределение данных. Это делает их своего рода «швейцарским ножом» среди классификаторов, способным обработать самые разные входные данные без предварительной информации об их статистических свойствах. Обучаясь на предоставленных данных, ИНС самостоятельно находит закономерности и связи, что позволяет эффективно классифицировать информацию, даже если она не соответствует стандартным распределениям или имеет сложные зависимости.

Классификаторы, основанные на технологиях машинного обучения и алгоритмах искусственных нейронных сетей (ИНС), считаются одними из самых мощных и универсальных. Идеи, лежащие в основе методов машинного обучения, подробно описаны в работах П. Домингоса [12], Х. Бринка [10], Д. Ричардса [10], Н. Гифта [11], С. Шумского [22], М. Харрисона [20], П. Флаха [19], Р. Шамина [21] и др. авторов.

Искусственные нейронные сети уже давно и активно применяются для контроля качества продуктов питания [8, 9], автоматизации систем управления пищевыми производствами [7]. Имеются научные публикации об успешном применении методов нейросетевого анализа диагностической информации при решении задач технического мониторинга оборудования зерноперерабатывающих предприятий [23]. Методы спектральной вибродиагностики успешно применяются на хлебозаводах [15]. Положительный опыт применения ИНС в техническом мониторинге промышленных машин можно найти в соответствующих исследованиях [1–6, 13, 14, 16]. В публикации Ф. Котас [2] отражен успешный опыт использования классификаторов на базе нейросетевых алгоритмов для технического мониторинга состояния подшипников качения, зубчатых передач, и электрических машин. Достоверность процедуры диагностирования неисправностей зубчатых и ременных передач достигает 96 %, а электрических машин — до 98 %.

Наиболее мощным и разработанным методом анализа вибросигналов является его спектральный анализ. Сигнал из временной области преобразуется в частотную с помощью преобразования Фурье (ПФ) через его разложение по базису Фурье. В задачах практической цифровой обработки сигналов применяется дискретное (быстрое) преобразование Фурье. [17, 18] :

где k = 0,….,N-1.

Создавая методы анализа диагностической информации с использованием нейросетей, важно определить, какие данные будут использоваться в качестве входных (признаки) и какие результаты ожидаются на выходе (параметры). Создание информативных признаков (проектирование признаков) является важным этапом машинного обучения. В качестве выходных параметров используется описание классов технических состояний («норма», «дисбаланс ротора», «дефект подшипника», «износ зубьев» и пр.). В качестве входных признаков для ИНС предлагается использовать значения амплитуд спектров вибрации.

В ФГБОУ ВО «РОСБИОТЕХ» проводятся научные исследования в рамках разработки интеллектуальной системы вибродиагностики оборудования хлебопекарных предприятий СТМ-24Т. Для практического применения интеллектуальных технологий в системе диагностики необходимо совершенствовать методы проектирования признаков и формулирования классов состояний, проектировать ИНС с оптимальными характеристиками.

Цель исследования заключается в том, чтобы повысить безопасность хлебопекарных производств и улучшить методы технического обслуживания оборудования. Для этого планируется разработать и внедрить системы автоматизированного мониторинга и диагностики оборудования хлебозаводов, основанные на современных нейросетевых методах анализа диагностической информации.

Научная новизна работы состоит в создании методологических основ для разработки интеллектуальных компонентов автоматизированных систем технического мониторинга и диагностики технологического оборудования хлебопекарных предприятий.

Материалы и методы исследования

Сигнал с датчика вибрации обычно зашумлен электромагнитными и механическими помехами, для повышения соотношения «полезный сигнал / помеха» необходимо применять методы цифровой обработки и математических преобразований сигналов (фильтрация, интегрирование, разложение в ряд и др.). Спектральный анализ вибрации является наиболее мощным и разработанным методом вибродиагностики.

Чтобы создать эффективные методы анализа диагностической информации с помощью нейросетей, нужно определить, какие данные будут использоваться в качестве входных признаков и какие технические состояния будут считаться выходными параметрами. К техническим состояниям относятся: норма; неуравновешенность вала; неисправности подшипника качения; износ и локальные дефекты зубьев и др. В настоящих исследованиях предложено использовать значения амплитуд спектров вибрации в качестве входных признаков для ИНС.

В «РОСБИОТЕХ» был создан экспериментальный стенд для изучения эффективности методов нейросетевой классификации технического состояния механических передач, муфт, подшипников, рабочих органов машин хлебопекарного производства (рис. 1). В состав стенда входят следующие компоненты: регулятор частоты вращения электродвигателя (преобразователь частоты переменного тока) (1). Этот компонент стенда обеспечивает частоту вращения ведущего вала установки — 750 об/мин; асинхронный электрический двигатель (2), вал которого соединён с валом шестерни через кулачковую муфту (3); новые и дефектные зубчатые колёса (4, 5). Число зубьев шестерни составляет 26, колеса — 44, модуль зубьев равен 2,5 мм; валы, установленные в подшипниках типа 6002(R) (6); электромеханический магнитный тормоз FZ-6 (7), который создает на выходном валу крутящий момент в 4 Н∙м; датчик вибрации типа КД-39 (8), который измеряет вибрацию подшипниковых опор; внешний АЦП типа Е-440 (9), который выполняет измерение, оцифровку и передачу вибросигнала в персональный компьютер.

Рисунок 1 ­– Общий вид научно-исследовательской установки для изучения неисправностей механических передач хлебопекарного оборудования

В процессе исследования была проведена серия научно-практических экспериментов, в рамках которых были смоделированы восемь технических состояний зубчатой передачи:

1. Исправная и выверенная передача — базовое состояние, которое служит для сравнения с остальными состояниями.
2. Перекос колёс на угол один градус — моделирование перекоса колёс относительно друг друга, что может привести к неравномерному распределению нагрузки и износу зубьев.
3. Увеличение межосевого расстояния на один милиметр — изменение расстояния между центрами колёс, что также может повлиять на распределение нагрузки и износ зубьев.
4. Эксцентриситет шестерни 0,3 мм — смещение центра шестерни относительно оси вращения, что также влияет на распределение нагрузки и износ зубьев.
5. Эксцентриситет шестерни 0,3 мм и дефектный подшипник — сочетание двух факторов, влияющих на работу передачи.
6. Уменьшение толщины зуба ведущего зубчатого колеса по делительной окружности на 0,5 мм — моделирование износа или повреждения зуба, что может привести к снижению прочности и увеличению шума.
7. Эксцентриситет ведомого зубчатого колеса 0,5 мм.
8. Уменьшение толщины зуба ведущего зубчатого колеса и дефектный подшипник — сочетание двух факторов, влияющих на работу передачи.

Эти эксперименты дают возможность проанализировать воздействие различных факторов на функционирование зубчатой передачи и установить предельные параметры эксплуатации, при которых она продолжает эффективно работать.

Результаты и обсуждение

На рис. 2 представлены характерные спектры виброускорения корпуса подшипника ведущего вала передачи для рассматриваемых состояний в частотном диапазоне до 15 кГц с разрешением – 512 полос (значений).

Рисунок 2 — Графики зависимости амплитуды вибрации корпуса подшипника от частоты при различных состояниях механической (прямозубой) передачи

В пакете Матлаб 2020 были решены задачи по обработке виброакустического сигнала методами цифровой обработки сигналов (ЦОС), включая масштабирование, цифровую фильтрацию, интегрирование сигнала и быстрое преобразование Фурье (БПФ), а также задача классификации состояний с использованием искусственных нейронных сетей (ИНС) по амплитудам спектров виброускорения в частотном диапазоне до 14,5 кГц.

Для обучения и валидации ИНС была сформирована матрица входных данных размерностью 1200х512. 1200 строк матрицы длинной в 512 значений соответствуют векторам амплитуд спектров виброускорения подшипникого узла (по 150 измерений для каждого из восьми состояний). В качестве матрицы цели была сформирована матрица технических состояний в бинарном формате размерностью 1200х8.  Скрипт для создания и обучения ИНС написан на языке Матлаб. При этом 70 % данных использовались для обучения, а 30 % — для валидации и контрольных тестов. Были проанализированы различные архитектуры нейросетей и определена их эффективность. Наилучшую эффективность показали следующие архитектуры сетей:

1. Сеть с десятью скрытыми нейронами и алгоритм обучения — масштабированный метод сопряжённых градиентов (ММСГ), кросс-энтропия (MSE) достигла 1,7∙10^(-5) за 134 эпохи обучения. Результаты работы ИНС представлены на рис. 3;
2. Десять скрытых нейронов, алгоритм обучения — байесова регуляризация, за 36 эпох обучения кросс-энтропия составила 0,03;
3. Десять скрытых нейронов, алгоритм обучения — Левенберга–Марквардта, за 12 эпох обучения кросс-энтропия приняла значение 0,002.

Анализ матриц ошибок для сетей с различными алгоритмами оптимизации позволил выявить, что наиболее высокая точность классификации (100 % правильных ответов) достигается при использовании ИНС, которая была обучена методом обратного распространения ошибки (англ. backpropagation) с применением алгоритма оптимизации «Масштабированный метод сопряжённых градиентов» (рис. 3,а). Графики эффективности процесса обучения и валидации представлены на рис. 3,б.  Архитектура ИНС и метрики эффективности работы сети представлены на рис. 3,в.

Рисунок 3 — Результаты работы искусственной нейронной сети: а) матрицы ошибок; б) графики эффективности обучения; в) архитектура ИНС  

Результаты научной работы легли в основу разработки ФГБОУ ВО «РОСБИОТЕХ» совместно с ООО «СИД» распределённой системы технического мониторинга (СТМ) промышленного оборудования. Концепция распределённой системы СТМ подразумевает интеграцию первичных датчиков, систем сбора и обработки информации, серверной части и web-приложений для доступа пользователей к данным (рис. 4) [14]:

1. Технологические машины оборудованы стационарными комбинированными датчиками физических величин (таких как ток, звук, обороты, давление и т. д.), которые оснащены встроенным микроконтроллером (например, SMT32F403) и трансивером интерфейса RS-485 для передачи данных по протоколу Modbus RTU от датчика к первичному прибору (ПП).
2. Первичный прибор, предназначенный для онлайн-диагностики, создан на основе одноплатного микрокомпьютера типа Khadas Edge-V, NaPi C RK3308 и других аналогичных устройств. Этот прибор обеспечивает:

• конфигурацию системы сбора данных (определяет количество и тип датчиков (от 10 до 20 Modbus-датчиков), предельно-допустимые значения (ПДЗ), флаги срабатывания сигнализаций);
• сбор показаний с Modbus-датчиков различных физических величин;
• сранение текущих значений с установленными ПДЗ, в случае превышения – формирование флагов и включение сигнализации;
• сохранение текущих значений и флагов в БД прибора;
• прием и передача данных через Bluetooth и/или Wi-Fi от мобильного приложения, которое позволяет настраивать первичный прибор и отображать текущую информацию;
• данные упаковываются и отправляются по протоколу TCP/IP в облачную базу данных (БД) для хранения и последующего анализа. Из БД также принимаются настроечные данные;
• построение трендов значений диагностических признаков для создания регрессионной модели и дальнейшего прогнозирования сроков безопасной эксплуатации оборудования;
• классификация текущего состояния объекта на основе анализа спектров измеренных сигналов с использованием предварительно обученных и встроенных в прибор искусственных нейронных сетей.

3. Собранные данные анализируются специалистами: инженерами–диагностами для оценки корректности работы системы диагностики. При необходимости осуществляется дополнительное обучение нейросетевого классификатора на новых данных.
4. Заинтересованные лица могут получить доступ к информации о текущем техническом состоянии контролируемого оборудования и результатам прогнозирования через интернет с помощью веб-браузера.

Рисунок 4 — Концептуальное решение системы технического мониторинга

Заключение

При длине входных векторов, равной 512 значениям, для восьми классов исследуемых состояний наилучшие результаты классификации показала сеть с одним внутренним слоем, содержащим десять нейронов, и алгоритмом оптимизации ММСГ. Доказанная высокая эффективность метода нейросетевой классификации позволяет применить его в качестве интеллектуальной составляющей для разрабатываемой в РОСБИОТЕХ системы технической диагностики и мониторинга технологических машин и оборудования хлебопекарных предприятий. 

Список литературы

1. Bukhtoyarov V. V., Tynchenko V. S., Petrovsky E. A. Multi-Stage Intelligent System for Diagnostics of Pumping Equipment for Oil and Gas Industries // IOP Conference Series: Earth and Environmental Science. 2019. № 3 (272). pp. 1–6.
2. Kotas F. Use of artificial intelligence methods in diagnostics of technical systems: Artificial Intelligence and Industry 4.0. (Thesis) / F. Kotas, Brno:, 2021. 46 p.
3. Križanová B. IoT systémy v diagnostice: IoT systems in diagnostics. (Thesis). / B. Križanová, Brno: Brno University of Technology., 2020. 98 p.
4. Luger G. F. Artificial Intelligence, Structures And Strategies For Complex Problem Solving 3rd ed — George F Luger.pdf // Booksgooglecom. 2002. pp. 851.
5. Zářecký Т. Online diagnostika obráběcích strojů: Online diagnostics of machine tools. (Thesis) / Т. Zářecký, Brno: Brno University of Technology, 2020. 101 p.
6. Бабокин Г. И., Шпрехер Д. М. Нейросетевой контроль электромеханических систем // Известия вузов. 2010. № 4. C. 18–20.
7. Благовещенская М. М., Давыдова Г. Р., Семина Н. А. Использование интеллектуальных технологий для контроля качества творога // Вестник ВГУИТ. 2014. № 2. C. 83–89.
8. Благовещенская М. М., Семина Н. А. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического управления процессом формования гранулированного корма // Вестник ВГУИТ. 2014. № 2. C. 48–54.
9. Благовещенский И. Г. Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий Специальность 05.13.06 Дисс… д.т.н. / И. Г. Благовещенский, М.: МГУПП, 2018. 443 c.
10. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение / Х. Бринк, Д. Ричардс, М. Феверолф, СПб.: Питер, 2017. 336 c.
11. Гифт Н. Прагматичный ИИ. Машинное обучение и облачные технологии. — / Н. Гифт, Питер-е изд., СПб:, 2019. 304 c.
12. Домингос П. Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос ; пер. с англ. В. Горохова ; [науч. ред. А. Сбоев, А. Серенко]. / П. Домингос, Москва: МАНН, ИВАНОВ И ФЕРБЕР, 2016. 336 c.
13. Ефимов П. В., Щербатов И. А. Алгоритм идентификации явных дефектов технологического оборудования в энергетике на основе нейросетевой модели // Известия Юго-Западного государственного университета. Серия управление, вычислительная техника, медицинсткое приборостроение. 2018. № 2(27) (8). C. 32–40.
14. Кожевников А. В., Илатовский И. С., Соловьева О. И. Применение методов машинного обучения в рамках прогнозирования состояния электромеханических систем прокатного производства // Вестник Череповецкого государственного университета. 2017. № 1. C. 33–39.
15. Потеря А. А. Вибродиагностика технологического оборудования хлебопекарного производства. Дисс…к.т.н. // 2006. C. 177.
16. Прахов И. В., Бикметов А. Г. Применение искусственных нейронных сетей в спектральном методе диагностики машинных агрегатов // TECHNICAL SCIENCES. 2015. C. 502–506.
17. Сатвеева Ю. Н. [и др.]. Цифровая обработка сигналов / Ю. Н. Сатвеева, К. К. Симончик, А. Ю. Тропченко, М. В. Хитров, СПб.: СПбНИУ ИТМО, 2013. 116 c.
18. Сергиенко А. Б. Цифровая обработка сигналов / А. Б. Сергиенко, СПб.: Питер, 2002. 608 c.
19. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. / П. Флах, М.: ДМК Пресс, 2015. 400 c.
20. Харрисон М. Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python. / М. Харрисон, СПб. : ООО «Диалектика», 2020. 320 c.
21. Шамин Р.В. Практическое руководство по методам машинного обучения / Шамин Р.В., М: Науч ный канал Lector.ru, 2019. 93 c.
22. Шумский С. А. Машинный интеллект. Очерки по теории машинного обучения и искусственного интеллекта / С. А. Шумский, М.: РИОР, 2019. 340 c.
23. Яблоков, А. Е. Благовещенский И. Г. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: Монография. / А. Е. Яблоков, И. Г. Благовещенский, МГУПП-е изд., -М.:, 2022. 221 c.

References

1. Bukhtoyarov V. V., Tynchenko V. S., Petrovsky E. A. Multi-Stage Intelligent System for Diagnostics of Pumping Equipment for Oil and Gas Industries // IOP Conference Series: Earth and Environmental Science. 2019. No. 3 (272). pp. 1–6.
2. Kotas F. Use of artificial intelligence methods in diagnostics of technical systems: Artificial Intelligence and Industry 4.0. (Thesis) / F. Kotas, Brno:, 2021. 46 p.
3. Križanová B. IoT systémy v diagnostice: IoT systems in diagnostics. (Thesis). / B. Križanová, Brno: Brno University of Technology., 2020. 98 p.
4. Luger G. F. Artificial Intelligence, Structures And Strategies For Complex Problem Solving 3rd ed — George F Luger.pdf // Booksgooglecom. 2002. pp. 851.
5. Zářecký T. Online diagnostics obráběcích strojů: Online diagnostics of machine tools. (Thesis) / T. Zářecký, Brno: Brno University of Technology, 2020. 101 p.
6. Babokin G. I., Sprecher D. M. Neural network control of electromechanical systems // News of universities. 2010. No. 4. pp. 18–20.
7. Blagoveshchenskaya M. M., Davydova G. R., Semina N. A. Using intelligent technologies to control the quality of cottage cheese // Vestnik VGUIT. 2014. No. 2. P. 83–89.
8. Blagoveshchenskaya M. M., Semina N. A. Using a digital video camera as an intelligent sensor for an automatic control system for the process of forming granulated feed // Vestnik VGUIT. 2014. No. 2. P. 48–54.
9. Blagoveshchensky I. G. Methodological foundations for creating expert systems for monitoring and forecasting the quality of food products using intelligent technologies Specialty 05.13.06 Dissertation… Doctor of Technical Sciences. / I. G. Blagoveshchensky, M.: MGUPP, 2018. 443 p.
10. Brink H., Richards D., Feverolf M. Machine learning / H. Brink, D. Richards, M. Feverolf, St. Petersburg: Peter, 2017. 336 p.
11. Gift N. Pragmatic AI. Machine learning and cloud technologies. — / N. Gift, Petersburg ed., St. Petersburg: 2019. 304 p.
12. Domingos P. Supreme algorithm: how machine learning will change our world / Pedro Domingos; lane from English V. Gorokhova; [scient. ed. A. Sboev, A. Serenko]. / P. Domingos, Moscow: MANN, IVANOV AND FERBER, 2016. 336 p.
13. Efimov P. V., Shcherbatov I. A. Algorithm for identifying obvious defects in technological equipment in the energy sector based on a neural network model // Proceedings of the South-West State University. Series: control, computer technology, medical instrumentation. 2018. No. 2(27) (8). pp. 32–40.
14. Kozhevnikov A.V., Ilatovsky I.S., Solovyova O.I. Application of machine learning methods in predicting the state of electromechanical systems of rolling production // Bulletin of Cherepovets State University. 2017. No. 1. P. 33–39.
15. Lost A. A. Vibration diagnostics of technological equipment for bakery production. Diss… Ph.D. // 2006. P. 177.
16. Prakhov I.V., Bikmetov A.G. Application of artificial neural networks in the spectral method for diagnosing machine units // TECHNICAL SCIENCES. 2015. pp. 502–506.
17. Satveeva Yu. N. [etc.]. Digital signal processing / Yu. N. Satveeva, K. K. Simonchik, A. Yu. Tropchenko, M. V. Khitrov, St. Petersburg: SPbNIU ITMO, 2013. 116 p.
18. Sergienko A. B. Digital signal processing / A. B. Sergienko, St. Petersburg: Peter, 2002. 608 p.
19. Flach P. Machine learning. The science and art of building algorithms that extract knowledge from data / trans. from English A. A. Slinkina. / P. Flach, M.: DMK Press, 2015. 400 p.
20. Harrison M. Machine learning: a pocket guide. A quick tutorial on structured machine learning techniques in Python. / M. Harrison, St. Petersburg. : Dialectics LLC, 2020. 320 p.
21. Shamin R.V. Practical guide to machine learning methods / Shamin R.V., M: Scientific channel Lector.ru, 2019. 93 p.
22. Shumsky S. A. Machine intelligence. Essays on the theory of machine learning and artificial intelligence / S. A. Shumsky, M.: RIOR, 2019. 340 p.
23. Yablokov, A. E. Blagoveshchensky I. G. Scientific and practical principles of creating automated systems for technical monitoring and diagnostics of equipment of grain processing enterprises based on neural network methods of data analysis: Monograph. / A. E. Yablokov, I. G. Blagoveshchensky, MGUPP-ed., -M.:, 2022. 221 p.