Максимова Т.В., Генералов А.С.
ФГБОУ ВО РОСБИОТЕХ, г. Москва, Россия
Аннотация. Изучены возможности применения цифровой обработки сигнала (ЦОС) для обработки виброакустических сигналов и формирования диагностических признаков на базе вейвлет-скалограмм и спектрограмм сигналов для последующего решения задачи классификации с помощью СНС технического состояния объекта контроля. Моделирование различных технических состояний зубчатой и ременной передач в диагностических целях проведено на лабораторной установке УЛС-5 и . Цифровая обработка сигналов, формирование признаков и нейросетевой анализ проведен в пакете Matlab. Достоверность классификации технических состояний механических передач по скалограммам вибросигналов с использованием СНС составила более 90%.
Ключевые слова: техническая диагностика, вибродиагностика, ЦОС, сверточные нейронные сети, вейвлет-преобразование, скалограммы, Matlab.
METHODS OF TECHNICAL DIAGNOSTICS OF EQUIPMENT BASED ON NEURAL NETWORK TECHNOLOGIES
Maksimova T.V., Generalov A.S.
Federal State Budgetary Educational Institution of Higher Education ROSBIOTECH, Moscow, Russia
Abstract. The possibilities of using digital signal processing for processing vibroacoustic signals and forming diagnostic features based on wavelet scalograms and signal spectrograms are studied. Modeling of various technical states of toothed and belt drives for diagnostic purposes is carried out on an experimental setup. Digital signal processing, feature formation and neural network analysis are carried out in the Matlab package. The reliability of the classification of technical states of mechanical transmissions based on vibration signal scalograms using SNN was more than 90%.
Keywords: technical diagnostics, vibration diagnostics, digital signal processing, convolutional neural networks, wavelet transform, scalograms, Matlab.
Развитие методов технической диагностики связано с совершенствованием и снижением стоимости технических средств измерения диагностической информации, повышением эффективности процедуры расшифровки диагностической информации с последующей постановкой диагноза и прогноза.
В настоящее время, когда огромное внимание уделяется безопасности производств, а также предотвращению аварийных ситуаций, к надежности оборудования предъявляются особенно высокие требования. Техническая диагностика является эффективным инструментом повышения эксплуатационной надежности промышленного оборудования, снижая аварийные ситуации на производстве, тем самым она сокращает затраты на техническое обслуживание и ремонт. Для круглосуточного мониторинга и анализа технического состояния оборудования необходимы системы, обеспечивающие высокую достоверность в режиме реального времени. Анализ существующих решений для мониторинга оборудования показал необходимость разработки систем, обеспечивающих требуемые уровни полноты охвата устройств, глубины поиска мест отказов и достоверности контроля технического состояния. Одно из возможных решений данной задачи является использование нейросетевых технологий.
Вибродиагностический контроль среди методов неразрушающей диагностики является одним из самых передовых и высокоточных. В его основу положена фиксация виброакустических сигналов, получаемых от датчиков, установленных на оборудовании, по анализу которых возможно получить широкий спектр данных о фактическом состоянии объекта, не прерывая его эксплуатации.
Применение нейронных сетей для классификации технического состояния предъявляет повышенное требование к качеству входных данных. Информация, поступающая в систему глубокого машинного обучения, должна нести большой процент полезной составляющей. Поэтому перед исследованием стоит задача максимизировать полезный сигнал, повысить соотношение сигнал/шум. Для выполнения поставленной задачи существует временное решение – цифровая обработка сигналов (ЦОС). Методы ЦОС представляют собой разработку и применение различных цифровых фильтров (нижних и верхних частот, полосно-пропускающие и т.д.), различных математических методов преобразования сигналов, в т.ч. операций интегрирования и пр.
Для вибрационного анализа наиболее информативными являются спектральные преобразования, такие как быстрое преобразование Фурье (БПФ), оконное преобразование Фурье и вейвлет-преобразования (ВП).
ВП 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, ВП хорошо описывает локальные особенности сигнала (удары, заедания в механизме). ВП представляет собой свертку вейвлет-функции с сигналом. ВП переводит сигнал из временного представления в частотно временное. К недостаткам вейвлет-анализа стоит отнести то, что первоначально трудно определить подходящий масштаб для оптимального отображения диагностической информации.
Для экспериментального моделирования различных механических дефектов технологического оборудования на кафедре ПМиИТС РОСБИОТЕХ 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). Измеренные и оцифрованные вибросигналы от экспериментального стенда, в дальнейшем проходят обработку в пакете Matlab 2020a, масштабирование и фильтрацию. Спектр вибрации в качестве входных данных для искусственных нейронных сетей визуализируется в виде вектора значений амплитуд колебаний в соответствующем диапазоне частот. При расчёте спектрограмм и скаллограмм генерируются цветные картинки размером 781х781 pix, которые затем передаются на вход сверточной нейронной сети (СНС). Визуально данные могут быть эффективно проанализированы, так как СНС обладает структурой, которая обнаруживает незначительное изменение в цветовой гамме и закономерности в расположении пикселей.
В ходе проведения исследований проводятся различные эксперименты при различных технических состояниях зубчатой передачи: исправная и выверенная передача, перекос колес на угол, увеличение межосевого расстояния, эксцентриситет шестерни, эксцентриситет колеса, локальный дефект зуба шестерни.
В работе со стендом применяется семейство аналитических вейвлетов азбуки Морзе, функция которых является стандартной в программном пакете Matlab. Они позволяют выявлять импульсные компоненты сигнала с быстро изменяющейся во времени амплитудой и частотой. Вейвлет-скалограммы получаемые от преобразований представляют собой цветные изображения (рис. 1, б) зависимости времени от результата преобразования вейвлетом.
Наиболее часто используемый инструмент для визуализации сигнала частотно временной области это спектрограмма. Она отображает изменение частотного спектра во времени, при этом значение спектральной амплитуды представлена световой шкалой. Спектрограммы получают в результате дискретного кратковременного преобразования Фурье (STFT). Основным преимуществом применения спектрограмм в задачах анализа колебаний функционирующего оборудования, является возможность отслеживать периодически меняющиеся процессы (удары, зацепления или локальные дефекты подшипников). На спектрограммах отображаются периодические возмущения, связанные с попаданием дефектного зуба в зацеплении. Недостатком метода является сложность формализации процедуры автоматической расшифровки спектрограмм. В этом случае применение СНС для анализа спектрограмм в форме изображений наиболее перспективное.
Рис. 1. Экспериментальная установка: а) стенд с измерительной аппаратурой, б) вейвлет-скалограммы вибрации
Предварительные результаты исследований на экспериментальной установке показали точность классификации технического состояния зубчатой передачи по изображениям вейвлет-скалограммам вибрационного сигнала с использованием сверточной нейронной сети предложенной архитектуры [1] для шести классов технического состояния передачи на уровне 90%. Дальнейшие исследования на стенде 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:
- 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.
- 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.
- 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.
- Яблоков А.Е. 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 – М., МГУПП 2022. –221 с.
- Яблоков А.Е. Вибродиагностика основного технологического оборудования размольного отделения мельницы. Дисс. канд. техн. наук. – М., МГУПП, 2001. – 170 с.
- Яблоков А.Е. Технический мониторинг, диагностика и защита оборудования / А.Е. Яблоков, Б.Н. Федоренко, М.А. Латышев // Комбикорма. 2018. № 6. – С. 32-34.
- Яблоков А.Е. Распределенная система мониторинга и технической диагностики оборудования // Яблоков А.Е., Благовещенский И.Г., Ольшанова Е.А. //Комбикорма. 2021. №1 – С. 33-35 DOI: 10.25741/2413-287X-2021-01-2-132