НЕЙРОСЕТЕВОЙ МЕТОД ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОБОРУДОВАНИЯ

Алфёров Б.В., Яблоков А.Е., Гускова Т.В., Федоренко Б.Н.

Аннотация: Целью работы является повышение эксплуатационной надежности оборудования путем совершенствования методов технического диагностирования. В качестве диагностического признака дисбаланса ротора машины  используется спектральный состав вибрации корпуса. Проведены исследования влияния дисбаланса ротора энтолейтора на параметры его  колебаний. Для классификации технического состояния машины по спектрам вибрации использована технология искусственных нейронных сетей (ИНС). Экспериментальные исследования показали эффективность предложенного метода.

Ключевые слова: нейросетевой метод, нейронные сети, техническое обслуживание и ремонт, вибрация, дисбаланс.

APPLICATION OF NEURAL NETWORK METHOD FOR IDENTIFICATION OF TECHNICAL CONDITION OF EQUIPMENT
Alferov B.V., Yablokov A.E., Guskova T.V., Fedorenko B.N.
Moscow State University of Food Production

Abstract: The aim of the work is to increase the operational reliability of equipment by improving the methods of technical diagnostics. The spectral composition of the housing vibration is used as a diagnostic sign of the machine rotor imbalance. The influence of the rotor imbalance of the entoletor on the parameters of its oscillations is studied. To classify the technical condition of the machine by vibration spectra, the technology of artificial neural networks (ANN) is used. Experimental studies have shown the effectiveness of the proposed method.
Keywords: neural network method, neural networks, maintenance and repair, vibration, imbalance.

Для поддержания оборудования в работоспособном состоянии на предприятиях используются различные стратегии технического обслуживания и ремонтов (ТОиР). Внедрение методов неразрушающего контроля и технической диагностики позволяет перейти от стратегии технического обслуживания и ремонтов по регламенту к обслуживанию по фактическому состоянию [1, 2]. Современные методы диагностирования позволяют без разбора оборудования определять его текущее техническое состояние путем контроля значений диагностических признаков. Наиболее универсальным и оперативным методом технического диагностирования является вибрационная диагностика, которая позволяет определять техническое состояние оборудования по исходной информации, содержащейся в вибрационном сигнале [2, 3].

Однако процедура расшифровки диагностической информации является практически сложной задачей классификации, в рамках которой по текущим значениям диагностических признаков машина должна быть отнесена к одному из классов технического состояния.

Одним из современных методов решения задач классификации является технология искусственных нейронных сетей (ИНС) [4]. Прикладные исследования по использованию ИНС в задачах технического диагностирования оборудования пищевых производств проводятся в Московском государственном университете пищевых производств (МГУПП).

При разработке методики вибрационного диагностирования дисбаланса ротора энтолейтора  (рис. 1) были проведены исследования параметров его вибрации при  трёх различных технических состояниях: «эталонное», «неисправное» и «аварийное». Состояние «эталонное» соответствует полностью уравновешенному ротору. Состояние «неисправное» соответствует статическому дисбалансу ротора 123 г·см, состояние «аварийное» соответствует статическому дисбалансу 246 г·см.  Во время исследований энтолейтор работал в холостом режиме. Рабочая частота вращения ротора – 3000 об/мин. Вибрация измерялась с помощью датчиков, установленных на корпусе энтолейтора в горизонтальном направлении.

Рисунок 1. Измерение параметров вибрации энтолейтора Р3-БЭР

Спектры виброскорости корпуса энтолейтора Р3-БЭР в диапазоне частот от 0 до 800 Гц для трёх технических состояний: «эталонное», «неисправное» и «аварийное» представлены на рис. 2. Разрешение спектра по частоте – 6,25 Гц. Визуальный анализ спектров указывает на то, что в диапазоне частот от 0 до 200 Гц амплитуда колебаний отличается значимо. Максимальная амплитуда колебаний (4,2мм/с) наблюдается на частоте вращения ротора (50 Гц) при дисбалансе — 246 г·см.

В результате предварительного визуального анализа спектров было принято решение использовать в качестве входных данных для нейросетевого анализа  32 дискретных значений амплитуд спектра виброскорости в диапазоне частот от 0 до 200 Гц (32 значения с шагом 6,25 Гц).

Рисунок 2. Спектры вибрации корпуса деташера

Построение ИНС осуществлено в системе STATISTICA [4].  Количество обучающих выборок для каждого технического состояния – 25. Результаты построения нейронных сетей различных архитектур представлены в таблице 1.

Таблица 1 – Результаты построения нейронных сетей различных архитектур

По итогу обучения было получено пять нейронных сетей различных архитектур. Сеть архитектуры многослойного персептрона c восьмью скрытыми слоями MLP32-8-3 показала наибольшую производительность и 100% правильных результатов на контрольной выборке размером в 10 наблюдений.  Подобный результат свидетельствует об эффективности применения технологии ИНС в прикладных задачах вибрационной диагностики оборудования пищевых производств.

Выводы:

1. Исследования показали, что при диагностировании типового дефекта энтолейтора – дисбаланса ротора, в качестве диагностического признака может использоваться спектральный состав вибрации корпуса.
2. Для решения задачи классификации технического состояния машины по параметрам вибрации успешно используется искусственная нейронная сеть архитектуры многослойного персептрона.

Литература

1. Яблоков А.Е. Техническая диагностика оборудования: перспективные методы и средства // Комбикорма. 2013. № 5. С.57-59.
2. ГОСТ 13379-2009 Контроль состояния и диагностика машин. Руководство по интерпретации данных и методам диагностирования. –М.: Стандартинформ, 2010.
3. Терехин С. Ю., Яблоков А. Е. Вибродиагностика оборудования комбикормового завода // Естественные и технические науки. 2014. № 1 (69). С. 136-138.
4. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия Телеком, 2008. 392 с, ил. ISBN 978-5-9912-0815-8.

Literature

1. Yablokov A.E. Technical diagnostics of equipment: promising methods and tools // Compound feed. 2013. No. 5. P.57-59.
2. GOST 13379-2009 Condition monitoring and machine diagnostics. Guide to data interpretation and diagnostic methods. –M .: Stan-dartinform, 2010.
3. Terekhin S.Yu., Yablokov A.E. Vibrodiagnostics of equipment of a combined-feed plant // Natural and Technical Sciences. 2014. № 1 (69). Pp. 136-138.
4. Neural networks. STATISTICA Neural Networks: Methodology and Technologies of Modern Data Analysis / Edited by V.P. Borovikov. 2nd ed., Pererab. and add. M .: Telecom Hotline, 2008. 392 sec. Il. ISBN 978-5-9912-0815-8.