ПРИМЕНЕНИЕ ИНС ДЛЯ ЗАДАЧИ КЛАССИФИКАЦИИ ТЕХНИЧЕСКИХ СОСТОЯНИЙ В ВИБРАЦИОННОЙ ДИАГНОСТИКЕ

УДК 65.01.85.664

А.Е. Яблоков, В.Б. Рябинин, К.Ю Марченко

ФГБОУ ВО Российский биотехнологический университет

Аннотация. Приводятся результаты исследования применения методов нейросетевого анализа данных в задачах классификации технического состояния механических передач по спектрам вибрации. Исследования проведены на испытательном стенде. В качестве входных признаков ИНС использованы значения амплитуд спектров виброскорости в диапазоне частот до 1 кГц с разрешением по частоте 2 Гц и виброускорения вибрационного сигнала в диапазоне частот до 10 кГц с разрешением по частоте 20 Гц.  При исследовании шести классов состояний наилучшие результаты классификации (100% правильных результатов) получены на спектрах виброскорости при использовании ИНС, обученной методом обратного распространения ошибки с алгоритмом оптимизации «Масштабированный метод сопряженных градиентов».

Ключевые слова: техническое обслуживание, техническая диагностика, мониторинг, промышленное оборудования, классификация технических состояний, нейросетевой метод анализа данных.

Введение

Главным и трудноразрешимым вопросом вибрационного диагностирования промышленного оборудования является задача классификации технического состояния объекта контроля по измеренным диагностическим признакам – параметрам вибрации контролируемого оборудования. Современным и достаточно перспективным подходом к классификации является применение методов машинного обучения, в т.ч. методов нейросетевого анализа данных.

Вибрационная диагностика — метод диагностирования технических систем и оборудования, основанный на анализе параметров вибрации. Параметры колебаний машины напрямую связаны с динамическими процессами, происходящими в машине в процессе ее функционирования. Любые отклонения в конструкции машины, изменения технического состояния подшипников, механических передач, наличие дисбаланса, несоосности, трещин и пр. влекут за собой изменения ее виброакустического портрета.

Развитие микроэлектроники приводит к снижению затрат на технические средства диагностики. Появилась устойчивая тенденция применения стационарно установленных приборов, которые постоянно контролируют машину и, в отличие от переносных диагностических систем, позволяют немедленно обнаруживать внезапное ухудшение контролируемых параметров и выполнять предварительно выбранные действия после превышения предельно-допустимых значений (ПДЗ).

Первичными преобразователями малых колебаний являются датчики вибрации — акселерометры. Традиционно в задачах вибрационной диагностики в качестве датчиков используются пьезоэлектрические акселерометры [16]. У этих устройств чувствительным элементом является пьезоэлектрический кристалл с инерционной массой. При колебаниях поверхности, на которую установлен датчик, инерционная масса (за счет сил инерции) давит на кристалл, в котором вырабатывается электрический заряд, пропорциональный виброускорению.

В настоящее время на рынке появились датчики вибрации нового типа — MEMS [12, 20]. Аббревиатура MEMS означает микромеханическую систему и относится к самой технологии производства, а также к изделиям, изготовленным с ее помощью. Работа акселерометров MEMS основана на переменной производительности трехпластинчатого воздушного конденсатора. Современные цифровые датчики могут использовать цифровой интерфейс. Акселерометры ADXL317, ADXL346, ADXL344 и пр. могут подключаться по цифровому интерфейсу SPI, I²C, акселерометры серии ADXL213, ADXL212 имеют интерфейс PWM. У таких интерфейсов есть ограничение на длину линии связи (обычно 200 мм).

Методы анализа данных путем использования ИНС уже широко используются в задачах автоматизации систем управления пищевыми производствами [9, 14], применяются при контроле и прогнозировании качества пищевой продукции [10, 11]. Эти методы также имеют хорошую перспективу в задачах технического диагностирования оборудования зерноперерабатывающих предприятий. В настоящее время существует множество публикаций, подтверждающих успешное применение ИНС в задачах технического диагностирования оборудования [1, 4, 6–8, 13, 15, 17–19, 21]. Суть подхода заключается в автоматической обработке и анализе больших объемов данных от датчиков c применением технологий нейросетевого анализа.

Нейросетевые методы классификации технического состояния уже сейчас широко используются для решения задач технического диагностирования машин и механизмов в различных отраслях промышленности. В своей диссертации F. Kotas [4] приводит результаты практического применения нейросетевых классификаторов в задачах технического диагностирования механических передач, подшипников, электрических машин, гидравлического и пневматического оборудования. Автор отмечает высокую эффективность данного подхода. Так, точность диагностики дефектов механических передач превышает 96%, электродвигателей — 87–99%, гидравлических систем — 99,9%.

Результаты применения ИНС при диагностике дефектов подшипников турбины приводятся в работе [5]. Архитектура ИНС содержала один скрытый слой с восемнадцатью нейронами. Точность классификации состояний по сигналу с датчика вибрации составила 82,8%.

В работе [3] приводятся результаты применения ИНС для диагностики пяти технических состояний зубьев (исправное и при наличии развития трещины на уровне 25, 50, 75 и 100%) зубчатых передач редуктора железнодорожного транспорта. Точность классификации состояний по вибрационному сигналу составила 96%.

Имеется успешный опыт применения нейросетевых технологий для мониторинга состояния трехфазных асинхронных электродвигателей. Авторы исследований [2] создали модель, которая учитывает механические и электрические причины неисправностей электродвигателей. Для достижения наибольшей точности диагностики авторы подбирали параметры сети, меняя количество слоев и скрытых нейронов.

Материалы и методы исследования

С целью исследования методов классификации состояний с применением ИНС на кафедре «ПМиИТС» ФГБОУ ВО «РОСБИОТЕХ» был разработан экспериментальный стенд для натурного моделирования различных механических дефектов технологических машин (рис. 1). Стенд предназначен для исследования зависимостей между механическими дефектами узлов (деталей) и их диагностическими признаками (параметрами вибрации, излучаемого шума, потребляемого тока).

Общий вид учебно-лабораторного стенда УЛС-7  показан на рис. 1а [23]. В состав стенда входит преобразователь частоты переменного тока (1), который позволяет задавать частоту вращения электродвигателя (2) мощностью 370 Вт в диапазоне от 100 до 3000 об/мин. Номинальная частота вращения двигателя — 1420 об/мин. Вал электродвигателя соединен с валом передачи посредством кулачковой муфты (3). На валу могут устанавливаться новые либо дефектные шестерни (4) или шкивы (5) ременной передачи. На второй вал устанавливается зубчатое колесо (6) или ведомый шкив (7). Валы вращаются в подшипниковых опорах типа 6002-2RS. Для задания нагрузки на передачу используется электромагнитный тормоз модели FZ-6-K (8, 9). Для измерения вибрации подшипниковых опор использовался пьезоэлектрический акселерометр типа KD39 (10) с усилителем заряда LE-1 (11). Оцифровка и запись аналогового сигнала с датчика вибрации осуществляются с помощью внешнего аналого-цифрового преобразователя (АЦП) производства ООО «СИД». Частота дискретизации вибрационного сигнала составляет 30 кГц. Собранные данные передаются в систему Matlab 2020а для дальнейшей обработки, анализа и решения задачи классификации технических состояний с применением ИНС.

В состав стенда входят наборы эксцентриковых (15) и закрепительных (16) втулок, дефектные подшипники (изношенный, с загрязнением смазочного материала, с локальным дефектом), зубчатое колесо с дефектным зубом (17), ремень с локальным дефектом рабочей поверхности (рис. 1б) и измерительный инструмент (электронный штангенциркуль, микрометр).

Для обработки цифрового сигнала методами ЦОС (масштабирование, цифровая фильтрация сигнала, выделение огибающей, БПФ, вейвлет-преобразование, расчет СКЗ и пр.) в пакете Matlab 2020a была написана программа, на которую получено свидетельство о государственной регистрации № 2020660665 [22].

Рисунок 1 — Экспериментальная установка для вибродиагностики: а) стенд с измерительной аппаратурой, б) шестерня, подшипник и ремень с локальными дефектами

В ходе проведения исследований была проведена серия экспериментов по моделированию восьми технических состояний зубчатой передачи. Было проведено 1200 измерений (по 150 измерений для 8 состояний).  В результате исследований было смоделировано восемь технических состояний передачи:

1. Исправная и выверенная передача.
2. Перекос колес на угол φ =1 градус.
3. Увеличение межосевого расстояния на 1,2 мм.
4. Эксцентриситет шестерни δ = 0,3 мм.
5. Эксцентриситет шестерни δ = 0,3 мм и дефектный подшипник.
6. Локальный дефект зуба шестерни (уменьшение толщины зуба по делительной окружности на 0,5 мм).
7. Эксцентриситет колеса δ = 0,6 мм.
8. Локальный дефект зуба шестерни и дефектный подшипник.

На рис. 2 представлены типичные для рассматриваемых состояний спектры виброускорения корпуса подшипника вала шестерни в диапазоне частот от 0 до 15000 Гц. Спектры имеют отличия как по амплитуде колебаний, так и по частотному составу. Колебания преобладают в частотном диапазоне до 8 кГц. Визуально трудно выделить составляющие, детерминированные с тем или иным дефектом передачи. В дальнейшем амплитуды спектров были представлены в виде векторов из 512 значений, которые были использованы в качестве входных признаков ИНС.

Рисунок 2 — Графики спектров виброускорения корпуса подшипника при различных состояниях зубчатой передачи: а) состояние № 1, б) состояние № 2, в) состояние № 3, г) состояние № 4, д) состояние № 5, е) состояние № 6, ж) состояние № 7, з) состояние № 8

На рис. 3 представлены спектры интегрированного вибросигнала. Энергия виброскорости сосредоточена в более низком частотном диапазоне, поэтому спектры рассмотрены в диапазоне частот от 0 до 1000 Гц. Во всех спектрах доминируют колебания на частоте пересопряжения зубьев — 325 Гц, а также на частоте вращения зубчатых колес (12,5 Гц и 7,4 Гц). Для нейросетевого анализа амплитуды спектров представлены в виде векторов, содержащих 512 значений.

Задача классификации состояний по амплитудам спектров виброускорения в частотном диапазоне до 15 кГц и виброскорости в диапазоне до 1 кГц с применением ИНС решена в пакете Matlab 2020а. Длина входных векторов — 512 значений амплитуд, количество выходных классов состояний — 8. Для каждого класса использовалось по 150 векторов, при этом для обучения — 70% векторов, для валидации — 15% и оставшиеся 15% для тестов. На рис. 4–6 представлены результаты работы ИНС различных архитектур:

• алгоритм обучения — масштабированный метод сопряженных градиентов (ММСГ), 10 нейронов (кросс-энтропия достигла 1,75∙10^-5 за 134 эпохи обучения) (рис. 4);
• алгоритм — Левенберга–Марквардта, 10 нейронов (MSE достигла 0,0023 за 12 эпох обучения) (рис. 5);
• алгоритм — Байесова регуляризация, 10 нейронов (MSE достигла 0,033 за 36 эпох обучения) (рис. 6).

Рисунок 3 — Графики спектров виброскорости корпуса подшипника при различных состояниях зубчатой передачи: а) состояние № 1, б) состояние № 2, в) состояние № 3, г) состояние № 4, д) состояние № 5, е) состояние № 6, ж) состояние № 7, з) состояние № 8

Рисунок 4 — Результаты работы ИНС со значениями амплитуд спектров виброускорения (алгоритм — ММСГ)

Аналогичные исследования проведены по определению эффективности классификации технического состояния по спектрам виброскорости. Использовалась ИНС с одним скрытом слоем с 10 нейронами и алгоритмом обучения — масштабированный метод сопряженных градиентов (ММСГ). Результат работы ИНС представлен на рис. 7. Кросс-энтропия (КЕ) достигла 5,4∙10^-7 за 102 эпохи обучения. Матрицы ошибок показали 100% правильных результатов классификации. Применение ИНС аналогичной архитектуры с 30 нейронами в скрытом слое позволило уменьшить KE до 2,5 ∙10^-7 .

Рисунок 5 — Результаты работы ИНС со значениями амплитуд спектров виброускорения (алгоритм — Левенберга–Марквардта)

Рисунок 6 — Результаты работы ИНС со значениями амплитуд спектров виброускорения (алгоритм — Байесова регуляризация)

Рисунок 7 — Результаты работы ИНС со значениями амплитуд спектров виброскорости (алгоритм обучения — ММСГ)

Результаты и их обсуждение

Для проведения научных исследований по определению зависимостей между неисправностями различных механизмов машин и их диагностическими признаками, проведения натурных экспериментов по разработке методов анализа диагностических сигналов, разработки методов нейросетевой классификации состояний механизмов в РОСБИОТЕХ создан стенд для научных исследований, который позволяет моделировать различные дефекты зубчатой передачи. В результате натурного моделирования восьми технических состояний зубчатой передачи, были измерены вибрационные сигналы с датчиков вибрации (акселерометров), рассчитаны и проанализированы их спектры. Визуальный анализ спектров показал, что наибольшими отличиями в амплитудно-частотном составе обладают спектры виброскорости.

При решении задачи классификации с использованием полносвязных ИНС использованы вектора амплитуд соответствующих спектров длинной 512 значений. Во всех экспериментах наилучшие результаты показала сеть с одним скрытым слоем с количеством нейронов от 10 до 30 и алгоритмом оптимизации ММСГ. Причем наилучшие результаты были получены при использовании в качестве входных параметров — амплитуд спектров виброскорости.

Анализ матриц ошибок работы сетей с различными алгоритмами оптимизации показал, что наилучшие результаты классификации (100% правильных результатов) получены при использовании ИНС, обученной методом обратного распространения ошибки с алгоритмом оптимизации «Масштабированный метод сопряженных градиентов».

Заключение

Нейросетевые методы классификации в настоящее время являются наиболее эффективными и могут быть использованы для решения задачи технического диагностирования. С целью выделения наиболее ценных диагностических признаков из измеренного с помощью датчика сигнала могут применяться такие методы ЦОС, как цифровая фильтрация, интегрирование, БПФ. Для автоматической классификации технического состояния оборудования по значениям амплитуд спектра сигнала могут использоваться мелкие полносвязные ИНС различных архитектур с разным алгоритмом активации.

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). C. 1–6.
2. Dmitry S., Maxim S., Dmitry Z. Identification of the Asynchronous Electric Motor Defects Based on Neural Networks, // 2017 IEEE 11th International Conference on Application of Information and Communication Technologies (AICT). 2017. C. 1–4.
3. Karpat F. [и др.]. A novel AI-based method for spur gear early fault diagnosis in railway gearboxes // Innovations in Intelligent Systems and Applications Conference (ASYU). 2020. C. 1–6.
4. Kotas F. Use of artificial intelligence methods in diagnostics of technical systems: Artificial Intelligence and Industry 4.0. (Thesis) / F. Kotas, Brno:, 2021. 46 c.
5. Rahmoune M. Ben [и др.]. Control and diagnostic of vibration in gas turbine system using neural network approach // 2016 8th International Conference on Modelling, Identification and Control (ICMIC). 2016. C. 573–577.
6. Skowron M. [и др.]. Application of self-organizing neural networks to electrical fault classification in induction motors // Applied Sciences (Switzerland). 2019. № 4 (9). C. 1–22.
7. Бабокин Г. И., Шпрехер Д. М. Нейросетевой контроль электромеханических систем // Известия вузов. 2010. № 4. C. 18–20.
8. Барт А. Д., Кувайскова Ю. Е. Применение методов машинного обучения для решения задачи технической диагностики // Математические методы и модели: теория, приложения и роль в образовании Международная научно-техническая конференция (Россия, г. Ульяновск, 28–30 апреля 2016 г.) Сборник научных трудов. 2016. № 2. C. 107–112.
9. Благовещенская М. М., Давыдова Г. Р., Семина Н. А. Использование интеллектуальных технологий для контроля качества творога // Вестник ВГУИТ. 2014. № 2. C. 83–89.
10. 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.
11. 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.
12. Васюков С. А., Остапенко Д. Г., Авдеева Т. В. Экспериментальное исследование информационного сигнала комбинированного датчика удара, наклона и движения на основе 3-осевого MEMS-акселерометра // Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. № 10. C. 209–229.
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. Карелина Е. Б. Разработка интеллектуального комплеска для адаптивного управления / Дисс. к.т.н. / Е. Б. Карелина, М.:, 2017. 193 c.
15. 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.
16. Костюков В. Н., Науменко А. П. Основы виброакустической диагностики и мониторинга машин: учеб. пособие / В. Н. Костюков, А. П. Науменко, Омск : Изд-во ОмГТУ:, 2011. 360 c.
17. Легконогих Д. С. Применение нейросетевых технологий в системах диагностики авиационных силовых установок // Механика и машиностроение. 2012. C. 639–643.
18. Прахов И. В., Бикметов А. Г. Применение искусственных нейронных сетей в спектральном методе диагностики машинных агрегатов // TECHNICAL SCIENCES. 2015. C. 502–506.
19. Репин А. И. Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта. Авторерат дис. … к.т.н. / А. И. Репин, М.:, 2006. 20 c.
20. Сысоева С. Ключевые сегменты рынка МЭМС-компонентов. Акселерометры // Компоненты и технологии. 2010. № 3. C. 20–26.
21. Федин С. С. Обеспечение качества сложных технических объектов методом нейросетевой диагностики // Восточно-Европейский журнал передовых технологий. 2006. № 2(20). C. 78–82.
22. Яблоков А. Е. Свидетельство о государственной регистрации программы для ЭВМ №2020660665 Программа для цифровой обработки и анализа сигналов в задаче технического диагностирования. Яблоков А.Е. опубл. 09.09.2020. Заявка №2020619601/69 от 20.08.2020. // 2020.
23. Яблоков А. Е., Жила Т. М. Применение СНС в вибродиагностике по спектрограммам и вейвлет-скалограммам сигнала // Известия Тульского государственного университета. Технические науки. 2021. (12). C. 452–456.