УДК 664.734.2:620.179.17
Яблоков А.Е., Жила Т.М., Генаралов А.С.
ФГБОУ ВО «Московский государственный университет пищевых производств», г. Москва, Россия
Аннотация: Сложность идентификации диагностических признаков при использовании метода акустической диагностики ограничивает его практическое применение. Изучен вопрос применения сверточных нейронных сетей в задачах диагностирования технического состояния оборудования по спектрограммам излучаемого звука. Исследования проведены на экспериментальной установке для четырех технических состояний агрегата. Обработка данных проведена в пакете программ Matlab с использованием сверточных нейронных сетей. Показана возможность успешного решения задачи классификации технического стояния объекта методами машинного обучения по спектрограммам звука.
Ключевые слова: акустическая диагностика, ЦОС, сверточные нейронные сети, Matlab.
EQUIPMENT DIAGNOSTICS BY SOUND SPECTROGRAM USING SNS
Yablokov A.E., Zhila T.M., Genaralov A.S.
Federal State Budgetary Educational Institution of Higher Education «Moscow State University of Food Production», Moscow, Russia
Key words: acoustic diagnostics, DSP, convolutional neural networks, Matlab.
Abstract: The complexity of identifying diagnostic signs when using the method of acoustic diagnostics limits its practical application. The question of the application of ultra-precise neural networks in the problems of diagnosing the technical condition of equipment by spectrograms of the emitted sound has been studied. The studies were carried out on an experimental setup for four technical states of the unit. Data processing was carried out in the Matlab software package using convolutional neural networks. The possibility of successfully solving the problem of classifying the technical standing of an object using machine learning methods based on sound spectrograms is shown.
Техническая диагностика состояния технологического оборудования является важнейшим инструментом повышения функциональной надежности технических систем, обеспечивает безопасность на производстве, способствует снижению эксплуатационных затрат на техническое обслуживание и ремонты оборудования [1]. Техническое состояние объекта контроля определяется по косвенным диагностическим признакам, доступных для измерений и анализа. Однако процедура сбора и анализа диагностических признаков сложна, дорога и трудоемка, что ограничивает широкое внедрение методов диагностики на пищевых предприятиях.
Известны различные методы неразрушающего контроля и технического диагностирования промышленного оборудования. Наиболее универсальным и недорогим методом неразрушающего контроля является метод акустической диагностики. При этом, в качестве диагностического сигнала, сопутствующего работе машины и доступного для измерения, является акустический шум, который представляет собой акустические колебания, возбуждаемые машиной в процессе функционирования. Для осуществления процедуры диагностики используется измерительный микрофон и анализирующая аппаратура. Недостатком метода является низкая достоверность диагноза. Это связано с сильной зашумлённость полезного сигнала от производственного шума и работы соседних узлов и оборудования и отсутствием эффективного метода классификации технического состояния агрегата по акустическому сигналу.
Павлов Б.В. в книге [2] приводит технологию диагностики, которая заключается измерении акустического сигнала и его фильтрации с помощью полосового фильтра с целью выделения той части спектра сигнала, на которую приходится большая часть мощности составляющей от диагностируемой кинематической пары. Частотная фильтрация обеспечивала подавление низкочастотной составляющей сигнала и увеличение соотношения сигнал/помеха. К помехам относятся все составляющие акустического сигнала, не относящиеся к диагностируемому узлу. Блок выдачи результатов диагностики ставит диагноз на основании сравнительного анализа текущих значений признаков с эталонными значениями.
Вопросам акустической диагностике также посвящены работы [3,4]. Процедура диагностики сводится к анализу уровня колебаний на частотах, детерминированных с дефектом. Общей проблемой метода является то, что идентификация информативных частот проявления тех или иных дефектов является слишком сложной и практически не разрешимой задачей, т.к. физика процесса генерации и распространения сигналов по корпусу машины, отражение и распространение сигнала в помещении слишком сложна для аналитического расчета.
Целью исследований является упрощение и автоматизация метода акустической диагностики, повышение достоверности диагноза путем применения методов машинного обучения. Задачами исследования являются создание экспериментальной установки, разработка методов измерения и предобработки акустического сигнала методами ЦОС, разработка методов определения технического состояния оборудования с использованием сверточных нейронных сетей (СНС) различных архитектур.
ИССЛЕДОВАНИЯ
В настоящее время разработаны различные методы цифровой обработки сигналов (ЦОС), которые позволяют осуществить предобработку сигнала для повышения его информативности. Хорошо проработаны и активно используются методы спектрального анализа колебаний. Спектр, полученный в результате быстрого преобразования Фурье (БПФ) несет в себе информацию о частотном составе колебаний. Большие возможности по анализу сигнала, изменяющегося во времени (связанных с ударами, заеданиями механизма) предоставляет оконное преобразование Фурье (short-time Fourier transform, STFT). STFT позволяет получить спектрограмму в виде цветного изображения зависимости амплитуды от частоты и времени.
В настоящее время разработаны и широко используются нейросетевые методы анализа данных для решения задач классификации. Сверточные нейронные сети наилучшим образом подходят для анализа и классификации изображений [5].
Для проверки метода классификации технического состояния объекта контроля по спектрограммам излучаемого звука в Московском государственном университете пищевых производств (МГУПП) создан экспериментальный стенд (рис.1.) Он включает в себя ротор на подшипниковых опорах (1). Для моделирования дисбаланса на диск ротора (2) устанавливаются дополнительные грузы. В ходе экспериментов задний подшипник (3) заменялся на дефектный. Частота вращения ротора может изменяться в широких пределах с помощью частотного преобразователя переменного тока (4). Для измерения излучаемого установкой звука использовался измерительный микрофон EM258N (5) с практически линейной характеристикой в диапазоне частот от 20 до 40000 Гц. Измеренный микрофоном акустический сигнал оцифровывается с частотой 80 кГц с помощью АЦП и передается на ПК (7) для дальнейшей обработки и анализа в пакете прикладных программ Matlab 2020a [5].
Исследования проведены для четырех технических состояний установки: 1) новый подшипник, ротор уравновешен; 2) новый подшипник, дисбаланс ротора 50 г∙см; 3) дефектный подшипник, ротор уравновешен; 4) дефектный подшипник, дисбаланс ротора 50 г∙см. Частота вращения ротора – 2860 об/мин. В качестве дефектного подшипника использован подшипник 204 с отверстием на внешнем кольце диаметрам 3 мм. (рис. 1, а).
Для каждого из четырёх состояний проведено по 50 измерений продолжительностью по 2 сек. Измеренные акустические сигналы в системе Matlab отфильтрованы ФВЧ с частотой пропускания 10 Гц и ФНЧ с частотой пропускания 39 кГц, построены спектрограммы. На рис. 2 представлены типичные для четырех различных состояний спектрограммы звука.
Рисунок 1 – Общий вид экспериментальной установки
Рисунок 2 – Спектрограммы звука для различных состояний: а) новый подшипник, ротор уравновешен; б) новый подшипник, дисбаланс ротора 50 г∙см; в) дефектный подшипник, ротор уравновешен; г) дефектный подшипник, дисбаланс ротора 50 г∙см.
Для классификации изображений были разработана различные архитектуры сверточных нейронных сетей. Для каждого класса использовались по 35 изображений для обучений и по 15 изображений для проверки. Наилучшие результаты показала сеть со следующими параметрами слоев:
- layers = [
- imageInputLayer([781 781 3],»Name»,»imageinput»)
- convolution2dLayer([3 3],16,»Name»,»conv_1″,»Padding»,»same»,»Stride»,[2 2])
- batchNormalizationLayer(«Name»,»batchnorm_1″)
- reluLayer(«Name»,»relu_1″)
- maxPooling2dLayer([3 3],»Name»,»maxpool_1″,»Padding»,»same»)
- convolution2dLayer([3 3],32,»Name»,»conv_2″,»Padding»,»same»,»Stride»,[2 2])
- batchNormalizationLayer(«Name»,»batchnorm_2″)
- reluLayer(«Name»,»relu_2″)
- maxPooling2dLayer([3 3],»Name»,»maxpool_2″,»Padding»,»same»)
- convolution2dLayer([3 3],64,»Name»,»conv_3″,»Padding»,»same»,»Stride»,[2 2])
- batchNormalizationLayer(«Name»,»batchnorm_3″)
- reluLayer(«Name»,»relu_3″)
- maxPooling2dLayer([3 3],»Name»,»maxpool_3″,»Padding»,»same»)
- fullyConnectedLayer(4,»Name»,»fc»)
- softmaxLayer(«Name»,»softmax»)
- classificationLayer(«Name»,»classoutput»)];
Результаты обучения и тестовых проверок показали достоверность распознавания одного из четырех классов технического состояния лабораторной установки по спектрограмме на уровне 65-75 %.
Рисунок 3 – Результаты обучения СНС и классификации состояния передачи
Исследования показали достаточно хороший результат акустической диагностики технического состояния установки по спектрограмме излучаемого шума с использованием СНС. Дальнейшие исследования связаны с совершенствованием методов предобработки сигнала с использованием технологий ЦОС с целью снижения помех, а также с исследованиями по совершенствованию архитектуры СНС. Метод акустической диагностики показал высокую эффективность, т.к. при минимальной трудоемкости позволяет получать хорошие результаты.
Список литературы:
- Яблоков, А.Е. Техническая диагностика оборудования: перспективные методы и средства / А.Е. Яблоков. – Текст : непосредственный // Комбикорма. – 2013. – № 5. – с. 57-59.
- Павлов, Б.В. Акустическая диагностика механизмов / Б.В. Павлов. – Москва : Машиностроение, 1971. – 223 с. – Текст : непосредственный.
- Парфиевич, А.Н. Акустическая диагностика многовальных зубчатых приводов на основе использования искусственных нейронных сетей / А.Н. Парфиевич, А.В. Драган, С.В. Безобразов. – Текст : непосредственный // Вестник Брестского государственного технического университета. Машиностроение. – 2016. — № 4(100). – с. 2-5.
- Панов, А.Н. Применение направленного микрофона для диагностики технического состояния электропривода по его акустической вибрации / А.Н. Панов, Е.Э. Бодров, А.А. Лысенко, Д.А. Кривошеев, Н.И. Киртянов. – Текст : непосредственный // Электротехнические системы и комплексы. – 2019. – № 4(45). – с. 58-63.
- Солонина, А.И. Цифровая обработка сигналов в зеркале MATLAB : учебное пособие / А.И. Солонина. – Санкт-Петербург : БХВ-Петербург, 2018. – 560 с. – Текст : непосредственный.