Данная работа посвящена оценке возможности применения нейросетевого подхода в контексте дистанционной (термографической) диагностики шинных контактов. Задачи, которые решались в ходе исследования: Создание трехмерной конечно-элементной модели шинного контакта с дефектом. Исследование температурного поля шинного контакта при различных условиях.Выбор модельных условий и формирование базы данных для описания шинного контакта. Формирование и обучение нейронной сети для диагностики контакта. Пример применения нейросети для тепловизионной диагностики шинного контакта. В данной работе была произведена оценка применения нейронных сетей в вопросе диагностики шинных контактов. Для этого была создана трехмерная модель контактного соединения, содержащая в себе геометрические, термические и электрические параметры шины. Была собрана база входных данных, необходимая обучения нейронной сети. Затем была создана сама нейросетевая модель, которая была протестирована на группе контрольных значений. На основе проведенных исследований было принято решения принять результат работы модели как удовлетворительный.

The given work is  devoted to assessing the possibility of using a neural network approach in the context of remote (thermo graphic) diagnostics of bus contacts. The research set the following goals: 1. Creation of a three-dimensional finite element model of a tire contact with a defect. 2. Investigation of the temperature field of the busbar contact under various conditions. 3. Selection of model conditions and formation of a database for the description of the bus contact. 4. Formation and training of a neural network for contact diagnostics. 5. An example of using a neural network for thermal imaging diagnostics of a bus contact. The given work, use of neural networks in the diagnosis of bus contacts was evaluated. For this purpose, a three-dimensional model of the contact connection was created, containing the geometric, thermal and electrical parameters of the bus. A database of input data necessary for training a neural network was collected. Then the neural network model itself was created, which was tested on a group of control values. Based on the conducted research, it was decided to accept the result of the model as satisfactory.