УДК 664.734.2:004.93’12
Яблоков А.Е., Жила Т.М., Генералов А.С.
ФГБОУ МГУПП
Аннотация: Повышение безопасности на зерноперерабатывающих предприятиях достигается путем внедрения методов технического диагностирования оборудования. Вибрационная диагностика является доступным и универсальным методом контроля оборудования, но его внедрение требует высококвалифицированных специалистов. Решение проблемы отсутствия специалистов – диагностов лежит в области автоматизации диагностических процедур. В МГУПП разработана аппаратная и программная реализация методов вибродиагностики на базе датчика вибрации, переносного АЦП и ноутбука c пакетом программ Matlab. Апробация системы диагностики проведена на экспериментальной установке роторного типа для четырех классов технического состояния. Задача распознавания вида дефекта по вибросигналу решена методом машинного обучения по спектрограммам измеренной вибрации с использованием сверточных нейронных сетей (СНС). Дальнейшие исследования связаны с совершенствованием методов предобработки вибросигнала и совершенствование архитектуры СНС.
Ключевые слова: Техническая диагностика, вибродиагностика, спектрограмма вибросигнала, машинное обучение, сверточные нейронные сети.
DIAGNOSTICS OF EQUIPMENT BY SPECTROGRAMS VIBROSIGNAL BY MACHINE LEARNING METHODS
Yablokov A.E., Zhila T.M., Generalov A.S.
Moscow State University of Food Production
Abstract: Improving safety at grain processing enterprises is achieved by introducing methods for technical diagnostics of equipment. Vibration diagnostics is an affordable and universal method of equipment control, but its implementation requires highly qualified specialists. The solution to the problem of the lack of specialists — diagnosticians lies in the field of automation of diagnostic procedures. The MGUPP has developed a hardware and software implementation of vibration diagnostics methods based on a vibration sensor, a portable ADC and a laptop with the Matlab software package. The approbation of the diagnostic system was carried out on an experimental rotary-type installation for four classes of technical condition. The problem of recognizing the type of defect by a vibration signal was solved by the method of machine learning by spectrograms of the measured vibration using convolutional neural networks (CNN). Further research is associated with the improvement of methods for preprocessing the vibration signal and the improvement of the architecture of the CNN.
Key words: Technical diagnostics, vibration diagnostics, spectrogram of a vibration signal, machine learning, convolutional neural networks.
Здания и помещения предприятия по хранению и переработке зерна имеют высокую категорию взрывопожарной и пожарной опасности (категория «Б» согласно СНиП 2.10.05-85 [1]). Источником возгорания горючей зерновой пыли может стать неисправное оборудование. Снизить вероятность внезапной поломки технологических машин и транспортного оборудования возможно путем применения методов и средств диагностики технического состояния оборудования. Внедрение методов неразрушающего контроля и диагностики оборудования позволяет безразборным методом определять фактическое техническое состояние машин, прогнозировать остаточный ресурс.
В настоящее время разработаны и широко используется в смежных отраслях промышленности различные методы неразрушающего контроля и диагностики [2,3]. Функциональная диагностика решает задачу классификации технического состояния объекта контроля по значениям диагностических признаков (физических величин, сопровождающих работу машины). В качестве диагностических параметров могут использоваться значения температуры подшипников, уровни вибрации, излучаемого шума, потребляемого тока и пр. [3] Научные исследования [4,5] показали, что для зерноперерабатывающего оборудования наиболее универсальным, доступным и информативным методом контроля технического состояния является метод вибрационной диагностики. Преимущество метода заключается в большой информативной емкости и малой инертности вибросигнала, а возможность установки датчика вибрации в непосредственной близости от контролируемого узла обеспечивает сравнительно низкий уровень помех от вибрации соседнего оборудования.
С целью выделения из вибросигнала наиболее информативной составляющей используются различные методы обработки сигналов (фильтрация, частотное преобразование Фурье, определение Пик-фактора, эксцесса и пр.) [6]. Наиболее разработанным и успешно применяемым на зерноперерабатывающих предприятиях методом выделения информативной составляющей из вибросигнала является спектральный анализ [4,5,7]. Суть метода заключается в том, что различные дефекты кинематических пар генерируют колебания машины на определенных, детерминированных с дефектом частотах. Диагностика неисправностей сводится к контролю амплитуды колебаний на частотах, детерминированных с дефектом. Для классификации технического состояния объекта контроля по спектрам вибрации требуются высококлассные специалисты в области вибродиагностики. К сожалению, на зерноперерабатывающих предприятиях таких специалистов не хватает. Решение данной проблемы лежит в области автоматизации процедуры постановки диагноза по спектрам измеренного вибросигнала.
В МГУПП с 2014 года проводятся научные исследования в области разработки методов и средств технического диагностирования оборудования пищевых производств. Целью исследований является повышение взрывобезопасности предприятий, оптимизации ТОиР путем разработки методов автоматизированной классификации технического состояния оборудования по параметрам вибрации.
Задачами исследования являются: разработка методов измерения и предобработки вибросигнала; применение методов машинного обучения для классификации технического состояния объекта контроля.
В настоящее время разработаны и широко используются нейросетевые методы анализа данных для решения задач классификации. Сверточные нейронные сети (СНС) наилучшим образом подходят для анализа и классификации изображений [8].
В Московском государственном университете пищевых производств (МГУПП) создана экспериментальная установка роторного типа (1) для натурного моделирования механических дефектов машин (рис.1.) Ротор (2) установлен на подшипниковых опорах (3). Диск ротора служит для моделирования дисбаланса с помощью дополнительных грузов. Моделирования дефекта опоры ротора осуществлялось путем замены нового подшипника на дефектный. В качестве датчика вибрации используется пьезоэлектрический акселерометр (4) с частотным диапазоном измерений от 2 Гц до 15 кГц. Частота вращения ротора регулируется с помочью частотного преобразователя (5) и составляет 2860 об/мин.
Измеренный датчиком вибросигнал оцифровывается с частотой 30 кГц с помощью АЦП (6) и передается на ПК (7) в программу Matlab 2020a для обработки и дальнейшего анализа.
Проведена серия экспериментов по натурному моделированию четырех состояний объекта контроля: 1) подшипник новый, ротор отбалансирован; 2) подшипник новый, ротора с дисбалансом 30 г∙см; 3) подшипник с локальным дефектом, ротор отбалансирован; 4) подшипник с локальным дефектом, ротор с дисбалансом 30 г∙см. Дефект внешней дорожки подшипника 204 создан путем просверливания во внешнем кольце отверстия диаметром 3 мм. (рис. 2, а). Дисбаланс смоделирован путем установки на ротор дополнительных грузов (рис. 2,б)
Рисунок 1 – Общий вид экспериментальной установки
Рисунок 2 – Моделирование дефектов: а) дефект подшипника, б) дисбаланс ротора
В ходе экспериментов проведено по 100 измерений вибросигнала продолжительностью по две секунды для каждого из четырёх состояний. В системе Matlab вибросигналы отфильтрованы полосовым цифровыми фильтром в диапазоне от 10 Гц до 15 кГц и построены спектрограммы. Типичные спектрограммы вибрации подшипникого узла для четырех технических состояний установки показаны на рис. 3.
Рисунок 3 – Спектрограммы вибрации при различных технических состояниях установки
Для классификации технического состояния по спектрограммам вибрации в системе Matlab разработана сверточная нейронная сеть. При этом, число слоев и значения коэффициентов подбирались в процессе обучения с целью получения наилучшего результата классификации. Из 100 спектрограмм для каждого класса по 70 изображений использовались для обучения и по 30 изображений для проверки. Используемая нейронная сеть имеет следующую архитектуру слоев:
- 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″)
- convolution2dLayer([3 3],48,»Name»,»conv_5″,»Padding»,»same»)
- batchNormalizationLayer(«Name»,»batchnorm_5″)
- reluLayer(«Name»,»relu_5″)
- maxPooling2dLayer([3 1],»Name»,»maxpool_4″,»Padding»,»same»)
- dropoutLayer(0.2,»Name»,»dropout»)
- fullyConnectedLayer(4,»Name»,»fc»)
- softmaxLayer(«Name»,»softmax»)
- classificationLayer(«Name»,»classoutput»)];
Результаты исследований показали, что точность классификации СНС одного из четырех классов технического состояния установки по спектрограмме вибрации составляет 75-80 % (рис. 4). Не достаточно высокий показатель распознавания свидетельствует о малых визуальных отличиях в спектрограммах (см. рис.3) при наличии низкочастотной (47 Гц) составляющей вибрации от дисбаланса ротора. Широкий частотный диапазон спектрограмм не позволяет эффективно отразить низкочастотную составляющую вибрации.
Последующие исследования с машинным распознаванием технического состояния установки по двум классам: «новый подшипник» / «дефектный подшипник» показали точность классификации на уровне 90-100%, что является высоким показателем точности диагностирования.
Рисунок 4 – Результаты обучения СНС и классификации в системе Matlab четырех технических состояний установки
Разработка надежных и эффективных методов и средств технического диагностирования технологического оборудования зерноперерабатывающих предприятий является актуальной задачей т.к. позволяет повысить безопасность и функциональную надежность оборудования, оптимизировать техническое обслуживание оборудования, обоснованно планировать вид и сроки ТОиР. Применение спектрограмм вибросигнала в качестве диагностического параметра позволяет не только контролировать амплитудно-частотный состав колебаний, но и отслеживать медленно меняющиеся процессы. Использование сверточных нейронных сетей в качестве классификатора состояний по спектрограммам вибросигнала показал эффективность распознавания одного из четырёх обученных состояний на уровне 75-80%, а распознавание пары состояний «новый подшипник» / «дефектный подшипник» на уровне 90-100%. Дальнейшие исследования связаны с разработкой методов предобработки вибросигнала с целью выделения наиболее информативных частот, связанных с рассматриваемым дефектом.
Литература:
- Электронный фонд правовых и нормативно-технических документов. СП 108.13330.2012. Свод правил. Предприятия, здания и сооружения по хранению и переработке зерна. URL: http://docs.cntd.ru/document/1200094157 (дата обращения: 22.05.2021).
- Генкин М.Д., Соколова А.Г. Виброакустическая диагностика машин и механизмов. – М.: Машиностроение, 1987.
- Машиностроение. Энциклопедия/Ред. совет: К.В. Фролов (пред.) и др.—М.: Машиностроение. Измерения, контроль, испытания и диагностика. Т. П1-7 / В.В. Клюев, Ф.Р. Соснин, В.Н. Филинов и др.; Под общ. ред. В.В. Клюева. — 464 с.
- Яблоков А. Е. Вибродиагностика основного технологического оборудования размольного отделения мельницы: Дис…канд. техн. наук: 05.02.13. – М., 2001. – 183 с.
- Терехин С.Ю. Разработка методики и системы вибродиагностики технологического оборудования для производства комбикормов: Дис…канд. техн. наук: 05.02.13. – М., 2014. – 159 с.
- Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде МАТЛАВ / – М.: Техносфера, 2006. — 616с.
- Нейросетевые технологии в задаче мониторинга машин комбикормового производства / Яблоков А.Е. / Хранение и переработка сельхозсырья. 2015. № 6. С. 41-44.
- Воронина В.В. Теория и практика машинного обучения : учебное пособие / В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов. – Ульяновск : УлГТУ, 2017. – 290 с.