Внедрение: 2021 г.

В статье рассмотрена возможность применения методов цифровой обработки сигналов (ЦОС) для предобработки измеренных вибрационных сигналов и создания их спектральных изображений. Показана возможность применения сверточных нейронных сетей (СНС) различных архитектур для решения задачи классификации технического состояния оборудования по спектрограммам вибросигнала. Целью данного исследования [1] является упрощение и автоматизация процесса технического диагностирования оборудования по параметрам его вибрации, повышение точности определения технического состояния путем применения сверточных нейронных сетей. 

Данное исследование по разработке метода классификации технического состояния оборудования по спектрограммам излучаемой вибрации было проверено в Московском государственном университете пищевых производств (МГУПП) на специально созданном экспериментальным стенде (рисунок 1). Он включает в себя ротор на подшипниковых опорах (1). Для моделирования дисбаланса на диск ротора (2) устанавливаются дополнительные грузы. Ротор вращается в шарикоподшипниковых опорах (3). Вибрация опор измеряется с помощью пьезоэлектрического датчика вибрации (4). Частота вращения ротора может изменяться в широких пределах с помощью частотного преобразователя переменного тока (6). Аналоговый сигнал с датчика вибрации (4) оцифровывается с помощью АЦП модуля E14‑440 (6) с частотой преобразования 30 кГц и передается по USB интерфейсу в ноутбук (7). Обработка сигнала методами ЦОС и его анализ с использованием искусственных нейронных сетей осуществлялось в программе Matlab 2020a.

Рисунок 1. Внешний вид экспериментальной установки для исследования параметров вибрации.

На первом этапе исследования рассматривались два технических состояния работы установки: 1) новый подшипник типа 204; 2) дефектный подшипник. В качестве дефектного подшипника использован подшипник с отверстием во внешнем кольце диаметром 3 мм. На втором этапе задача классификации была расширена путем добавления дополнительного дефекта – дисбаланса ротора. В результате исследовались четыре класса состояний: 1) новый подшипник, ротор уравновешен; 2) новый подшипник, дисбаланс ротора 40 г•см; 3) дефектный подшипник, ротор уравновешен; 4) дефектный подшипник, дисбаланс ротора 40 г•см. Частота вращения ротора – 2800 об/мин.

Для каждого из четырёх состояний проведено по 50 измерений продолжительностью по 2 сек. Затем в системе Matlab записанные сигналы вибрации были отфильтрованы ФВЧ с частотой пропускания 5 Гц и ФНЧ с частотой пропускания до 14 кГц, построены спектрограммы. Характерные для четырех указанных состояний спектрограммы вибрационного сигнала представлены на рисунке 2.

Рисунок 2. Спектрограммы вибрации для различные состояний: а) новый подшипник, ротор уравновешен; б) новый подшипник, дисбаланс ротора 40 г•см; в) дефектный подшипник, ротор уравновешен; г) дефектный подшипник, дисбаланс ротора 40 г•см.

Результаты первого этапа исследований показали, что точность классификации сверточной нейронной сетью одного из двух классов технического состояния установки (новый и дефектный подшипник) по спектрограмме составляет 90‑100 % (рисунок 3). Достоверность классификации технического состояния установки по четырем классам составила 55‑65 %.

Проведенные исследования подтвердили, что предложенный метод диагностики оборудования путем измерения виброакустического сигнала с последующей классификацией технических состояний с использованием СНС, имеет достаточно высокий процент точности определения наличия и вида дефекта. Дальнейшие исследования будут связаны с совершенствованием методов предобработки сигнала путем выделения из сигнала частотных диапазонов, которые напрямую связаны с механическим дефектом. Предложенный метод виброакустической диагностики показал простоту применения, высокую скорость получения результатов, а также их достаточную достоверность, что говорит о высокой перспективе его использования на производстве.

Источник:
Яблоков А.Е., Жила Т.М., Генералов А.С. Классификация технического состояния оборудования по спектрограммам вибрации с применением СНС // Лучший исследовательский проект 2021: сборник статей Международного научно-исследовательского конкурса. – Петрозаводск: МЦНП «Новая наука». – 2021. – С. 9‑17.

Разработчик: Яблоков А.Е., Жила Т.М., Генералов А.С. (Московский государственный университет пищевых производств)