ПРИМЕНЕНИЕ СНС В КЛАССИФИКАЦИИ СОСТОЯНИЯ ОБОРУДОВАНИЯ ПО ВЕЙВЛЕТ-СКАЛОГРАММ ВИБРАЦИИ

УДК 664.734.2:620.179.17     

ПРИМЕНЕНИЕ СНС В КЛАССИФИКАЦИИ СОСТОЯНИЯ ОБОРУДОВАНИЯ ПО ВЕЙВЛЕТ-СКАЛОГРАММ ВИБРАЦИИ

Яблоков А.Е., Жила Т.М.

Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет пищевых производств», г. Москва, Россия

               Ключевые слова: вибродиагностика, ЦОС, зубчатая передача, сверточные нейронные сети, вейвлет-скалограммы, Matlab.

               Аннотация: Актуальной задачей технической диагностики является совершенствование методов анализа диагностической информации с целью повышения эффективности процедуры классификации технического состояния.  Изучена возможность применения ЦОС для предобработки виброакустических сигналов и формирования диагностических признаков на базе вейвлет-скалограмм вибросигналов. Задача классификации технического состояния объекта контроля по скалограмм вибросигнала осуществлялась посредством разработанной сверточной нейронной сети. Исследования проведены на экспериментальной установке для шести технических состояний зубчатой передачи.  Обработка данных и создание нейронной сети осуществлено в пакете программ Matlab. Результаты исследований показали возможность успешного решения задачи классификации технического состояния объекта методами глубокого обучения по вейвлет-скалограммам вибрации. Достоверность распознавания составила 86-90%.

APPLICATION OF SNS IN THE PROBLEM OF CLASSIFICATION OF THE TECHNICAL STATE OF EQUIPMENT BY VIBRATION WAVELET-SCALOGRAMS

Yablokov A.E., Zhila T.M.

Federal State Budgetary Educational Institution of Higher Education «Moscow State University of Food Production», Moscow, Russia

               Key words: vibration diagnostics, DSP, gear transmission, convolutional neural networks, wavelet scalograms, Matlab.

                Abstract: An urgent task of technical diagnostics is to improve the methods of analyzing diagnostic information in order to increase the efficiency of the procedure for classifying the technical condition. The possibility of using DSP for the preprocessing of vibroacoustic signals and the formation of diagnostic features based on wavelet scaleograms of vibration signals has been studied. The task of classifying the technical state of the control object by vibration signal scalograms was carried out using the developed convolutional neural network. The research was carried out on an experimental setup for six technical states of the gear transmission. Data processing and creation of a neural network was carried out in the Matlab software package. The research results have shown the possibility of successfully solving the problem of classifying the technical state of an object by deep learning methods using vibration wavelet scalograms. The recognition accuracy was 85-90%.

                  Техническая диагностика является эффективным инструментом повышения эксплуатационной надежности промышленного оборудования, позволяет снизить вероятность аварийных ситуаций на производстве, сократить затраты на техническое обслуживание и ремонт.  Развитие методов диагностики связано с совершенствованием и снижения стоимости технических средств измерения диагностической информации и повышением эффективности процедуры расшифровки диагностической информации с последующей постановкой диагноза и прогноза.

                  Одним из наиболее доступным и универсальным методом неразрушающего контроля является вибрационная диагностика [1]. При этом в качестве диагностического признака технического состояния объекта используется виброакустический сигнал, возбуждаемой машиной в процессе ее функционирования. С целью повышения соотношения полезный сигнал/помеха используются различные методы обработки сигнала (фильтрация, выделение огибающей, различные математические преобразования) [2]. Преобразование Фурье наиболее популярное т.к. позволяет получать частотное представление вибрации функционирующей машины. Это наиболее проработанный способ получения информативных и физически обоснованных диагностических признаков дефектов – значений амплитуд колебаний на частотах, детерминированных с механическими дефектами.

              В последнее время появилось множество зарубежных и отечественных публикаций по использованию вейвлет-преобразование (ВП) для обработки и анализа сигналов [3]. ВП представляет собой свертку вейвлет-функции с сигналом. Вейвлет-преобразование переводит сигнал из временного представления в частотно-временное. ВП сигнала – это его представление в виде обобщенного ряда или интеграла Фурье по системе базисных функций, сконструированных из материнского (исходного) вейвлета ψ(t), обладающего определенными свойствами за счет операций сдвига во времени (b) и изменения временного масштаба (a). Множитель  обеспечивает независимость нормы функций (1) от масштабирующего числа (a). Для заданных значений параметров a и b функция ψ _ab(t) и есть вейвлет, порождаемый материнским вейвлетом ψ (t). Непрерывное (интегральное) вейвлет-преобразование (СWT) используется для анализа сигналов. Способы представления (визуализации) вейвлет-спектра W_s(b,a) могут быть различными. Спектр W_s(b,a) является поверхностью в трехмерном пространстве. Однако, часто вместо изображения поверхности представляют её проекцию на плоскость ab с изоуровнями (или фигурами различных цветов), позволяющими проследить изменение интенсивности амплитуд ВП на разных масштабах (а) и во времени (b).

              Вейвлет преобразования в настоящее время находят широкое применение для решения разнообразных задач, связанных с обработкой сигналов и изображений, зачастую заменяя традиционное преобразование Фурье. Преимуществом применения вейвлет-анализа является его большая информативность за счет свойства локальности вейвлетов. В отличие от БПФ, вейвлет преобразование хорошо описывает локальные особенности сигнала (удары, заедания в механизме). К недостаткам вейвлет-анализа стоит отнести тот факт, что первоначально трудно определить подходящий масштаб для оптимального отображения диагностической информации.

             Практические исследования выявили общую проблему процедуры распознавания дефектов – отсутствие однозначной, детерминированной зависимости между расчетной частотой проявления дефекта детали механизма, связанной с его кинематикой, и фактическим частотным составом измеренного спектра вибрации. Это связано с тем, что физика процесса генерации и распространения колебаний по корпусу машины слишком сложна для аналитического расчета. В этой связи процесс классификации дефектов, проводимый инженером — диагностом вручную, является слишком сложным и трудозатратным.

             Целью научных исследований, проводимых в ФГБОУ ВО МГУПП является повышение эффективности процедуры классификации технического состояния объекта контроля по параметрам вибрации с использованием методов цифровой обработки сигналов (ЦОС) [2] и интеллектуального анализа данных. Задачами исследования являются разработка методов измерения и предобработки вибрационного сигнала, построение изображений вейвлет-скалограмм сигналов и разработка методов распознавания технического состояния оборудования методами глубокого обучения по изображениям вейвлет-скалограмм с использованием сверточных нейронных сетей (СНС). Ранее уже были проведены исследования по применению СНС для диагностики технического состояния роторной установки по спектрограмме излучаемого шума [4]. Однако, результаты классификации были недостаточно точны и не отражали всех возможностей нейросетей и ЦОС.

             Для экспериментального моделирования различных механических дефектов технологического оборудования в РОСБИОТЕХ (МГУПП) был разработан и создан экспериментальный стенд (рис. 1,а).  Стенд предназначен для исследования зависимостей между механическими дефектами деталей, узлов и их диагностическими признаками (параметрами вибрации). В состав стенда входит преобразователь частоты переменного тока (1), который позволяет регулировать частоту вращения электродвигателя (2) мощностью 370 Вт в диапазоне от 100 до 3000 об/мин. Вал электродвигателя посредством кулачковой муфты (3) соединен с валом, на котором установлена шестерня (5) с модулем зубьев – 2,5 мм и числом зубьев – 26. Шестерня входит в зацепление с зубчатым колесом (5), которое имеет 44 зуба. Валы установлены в шариковых подшипниках типа 6002-2RS. Вибрация подшипниковых узлов измерялась с помощью акселерометра типа KD39 (6). Нагрузка на передачу создавалась с помощью электромагнитного тормоза (7). Оцифровка и запись аналогового сигнала с датчика вибрации осуществляюсь с помощью внешнего аналого-цифрового измерительный вибродиагностический комплекс ИВК-4 который подключается к ПК по шине USB. Частота дискретизации виброакустического сигнала составляла 30 кГц. Измерения осуществлялись с помощью программы LGraph2 ООО «Л КАРД», а затем передавались в пакет программ Matlab 2020a для дальнейшей обработки и анализа, решения задачи распознавания технического состояния передачи. В состав стенда входит набор эксцентриковых втулок и зубчатых колес (8) для моделирования эксцентриситета и дефектов зубьев.

              В ходе проведение исследований была проведена серия экспериментов при различных технических состояний зубчатой передачи: 1) исправная и выверенная передача; 2) перекос колес на угол φ=1 градус; 3) увеличение межосевого расстояния на b=1,2 мм; 4) эксцентриситет шестерни δ=0,3 мм; 5) эксцентриситет колеса δ=0,6 мм; 6) локальный дефект зуба шестерни (уменьшение толщины зуба по делительной окружности на 0,5 мм) (рис.1,б). Частота вращения электродвигателя – 750 об/мин. Нагрузочное устройство создавало момент сопротивления на ведомом валу – 4 Н∙м.

            Особенностью применения нейросетевых методов анализа данных в задачах классификации является то, что для предварительного обучения нейронной сети требуется датасет существенного объёма для обучающей и тестовой выборок.  Поэтому в ходе экспериментов было проведено по 150 измерений вибросигнала продолжительностью по две секунды для каждого из шести технических состояний передачи.

Рис. 1. Учебный экспериментальный стенд УЛС: а) стенд с измерительной аппаратурой, б) шестерня с локальным дефектом зуба

Рис. 2. Вейвлет-скалограммы вибрации при различных состояниях: а) исправная передача; б) перекос валов на угол φ=1 градус; в) увеличение межосевого расстояния на b=1,25 мм; г) эксцентриситет шестерни δ=0,3 мм; д) эксцентриситет колеса δ=0,7 мм; е) локальный дефект зуба шестерни (уменьшение толщины зуба по делительной окружности на 0,5 мм)

Применение нейросетевых технологий для классификации технических состояний оборудования по измеренным сигналам является перспективным направлением развития диагностики. Такие технологии отличаются высокой точностью и скоростью обработки данных. Существуют различные типы нейронных сетей, однако, наилучшие результаты по классификации изображений и, в частности, вейвлет-скалограмм, показывают сверточные нейронные сети [5].

Нейросетевых анализ данных осуществлялся в пакете Matlab. В исследованиях использовался сформированный датасет из 900 скалограмм (по 150 для каждого из шести состояний). Из них случайным образом выбирались 70% изображений для обучения и 30% для проверки. В процессе экспериментов совершенствовалась архитектура сверточной нейронной сети. Она соответствует общим литературным рекомендациям [5] по составлению наиболее продуктивных сетей для распознавания различных изображений.

Архитектура разработанной сверточной нейронной сети с выбранными оптимальными параметрами слоев в нотации Matlab имеет вид:

layers = [
    imageInputLayer([781 781 3],"Name","imageinput")
    convolution2dLayer([3 3],12,"Name","conv_1","Padding","same","Stride",[2 2])
    batchNormalizationLayer("Name","batchnorm_1")
    reluLayer("Name","relu_1")
    maxPooling2dLayer([3 3],"Name","maxpool_1","Padding","same","Stride",[2 2])
    convolution2dLayer([3 3],24,"Name","conv_2","Padding","same")
    batchNormalizationLayer("Name","batchnorm_2")
    reluLayer("Name","relu_2")
    maxPooling2dLayer([3 3],"Name","maxpool_2","Padding","same","Stride",[2 2])
    convolution2dLayer([3 3],48,"Name","conv_3","Padding","same")
    batchNormalizationLayer("Name","batchnorm_3")
    reluLayer("Name","relu_3")
    maxPooling2dLayer([3 3],"Name","maxpool_3","Padding","same","Stride",[2 2])
    convolution2dLayer([3 3],48,"Name","conv_4","Padding","same")
    batchNormalizationLayer("Name","batchnorm_4")
    reluLayer("Name","relu_4")
    maxPooling2dLayer([3 3],"Name","maxpool_4","Padding","same","Stride",[2 2])
    convolution2dLayer([3 3],48,"Name","conv_5","Padding","same")
    batchNormalizationLayer("Name","batchnorm_5")
    reluLayer("Name","relu_5")
    maxPooling2dLayer([4 1],"Name","maxpool_5","Padding","same","Stride",[2 2])
    dropoutLayer(0.2,"Name","dropout")
    fullyConnectedLayer(4,"Name","fc")
    softmaxLayer("Name","softmax")
    classificationLayer("Name","classoutput")];

            Графики процесса обучения и валидации СНС представлены на рис. 3. Результаты обучения и тестовых проверок созданной нейронной сети сверточного типа показали достоверность распознавания одного из шести классов технического состояния зубчатой передачи по вейвлет-скалограммам вибросигнала на уровне 86-90%.

Рис. 3. Результаты обучения СНС и классификации шести технических состояний зубчатой передачи

Проведенные исследования на экспериментальной установке показали достаточно высокую эффективность классификации технического состояния зубчатой передачи по изображениям вейвлет-скалограммам вибрационного сигнала. Результаты исследований легли в основу разработанного ООО СИД системы технического мониторинга СТМ-12 Дальнейшие исследования связаны с совершенствованием измерительной системы и методов цифровой обработки сигналов с целью повышения информативности признаков, расширением списка контролируемых дефектов, изучением влияния различных помех на точность классификации.

Список литературы:

1. Костюков В. Н. Основы виброакустической диагностики и мониторинга машин: учеб. пособие / В. Н. Костюков, А. П. Науменко. – Омск : Изд-во ОмГТУ, 2011. – 360 с. : ил.
2. Солонина, А.И. Цифровая обработка сигналов в зеркале MATLAB : учебное пособие / А.И. Солонина. – Санкт-Петербург : БХВ-Петербург, 2018. – 560 с.
3. Нагорнов, О.В. Вейвлет-анализ в примерах : учебное пособие / О.В. Нагорнов, В.Г. Никитаев, В.М. Простокишин, С.А. Тюфлин, А.Н. Проничев, Т.И. Бухарова, К.С. Чистов, Р.З. Кашафутдинов, В.А. Хоркин. – Москва : НИЯУ МИФИ, 2010. – 120 с. _
4. Яблоков, А.Е. Диагностика оборудования по спектрограммам вибросигнала методами машинного обучения / А.Е. Яблоков, Т.М. Жила, А.С. Генералов. // Инновационные технологии производства и хранения материальных ценностей для государственных нужд : науч. сб. – 2021. – Вып. XV / ФГБУ НИИПХ Росрезерва. – с. 288-297.
5. Николенко, С.И. Глубокое обучение / С.И, Николенко, А.А. Кадурин, Е.О. Архангельская. – Санкт-Петербург : Питер, 2018. – 480 с.