CC BY
33
УДК 621.9
ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО АППАРАТА
ДЛЯ АНАЛИЗА ВИБРАЦИОННЫХ ХАРАКТЕРИСТИК ШПИНДЕЛЬНЫХ УЗЛОВ МЕТАЛЛОРЕЖУЩИХ СТАНКОВ
С.В. Рожков, Г.В. Шадский, В.Г. Шадский
Методы вибрационной диагностики - это наиболее эффективный инструмент для выявления дефектов в шпиндельных узлах на самых ранних стадиях возникновения. Актуальной проблемой при проведении диагностики шпиндельного узла является установление правильного диагноза по анализу виброакустических сигналов, создаваемых элементами, входящими в его состав. Для решения этой проблемы предлагается использование аппарата искусственных нейронных сетей, который на основе обучения по представленным диагносту спектральным картинам сможет с высокой точностью распознавать дефекты исследуемого шпиндельного узла.
Ключевые слова: диагностика, шпиндельный узел, искусственные нейронные сети, вибрационные сигналы, металлорежущие станки.
В настоящее время большинство передовых предприятий, специализирующихся в области машиностроения, переходят на обслуживание металлорежущих станков по их фактическому состоянию, которое, как показывает практика, наиболее эффективно контролировать по анализу вибрационных сигналов, снимаемых с помощью вибрационных датчиков с узлов металлорежущих станков.
Одним из таких узлов является шпиндельный узел (ШУ), работа которого значительно влияет на качество выпускаемой продукции.
Изменение технического состояния ШУ металлорежущего станка можно описать пятью этапами, которые показаны на рисунке. По вертикальной оси отложены значения виброскорости (мм/с), а по горизонтальной оси отложено относительное время работы исследуемого ШУ.
Первый этап-это участок до цифры 1 по горизонтальной оси. Здесь происходит возникновение первичных дефектов, которые еще не оказывают существенного влияния на вибрации ШУ, в данном случае незначительное увеличение вибраций объясняется естественным износом элементов, входящих в его состав.
Второй этап - зона 1-2. На этом участке, начиная с цифры 1, в каких-либо элементах ШУ возникают и развиваются дефекты, которые сопровождаются ударными вибрационными импульсами, амплитуда которых быстро растет. Уровень фона вибрации остается почти неизменным, т.к. дефекты носят локальный характер и на общем состоянии исследуемого узла не сказываются.
Третий этап - зона 2-3. Начиная с цифры 2 ударные импульсы достигают по своей энергии практически максимального значения. Дальше амплитуда импульсов растет незначительно. Выделяющаяся в составных
271
элементах ШУ энергия импульсов настолько велика, что ее достаточно для увеличения зон дефектов. Одновременно с этим уровень фона растет достаточно монотонно.
Четвертый этап - зона 3-4. Это участок перехода элементов и самого узла в целом к саморазрушению. Процесс начинается с цифры 3. Сильно развитые дефекты приводят к тому, что элементы исследуемого узла начинают терять свое основное назначение. Увеличивается энергия, выделяющаяся в контролируемых элементах узла, растет уровень фона.
Пятый этап - зона 4-5. Это последний этап развития дефектов, когда они охватывают весь узел. Уровень фона вибрации практически сравнивается с уровнем пиков. Работа исследуемого ШУ невозможна.
Этапы развития дефектов шпиндельного узла металлорежущего станка: 1 -усредненная амплитуда ударных импульсов, возникающих при работе узла; 2 - фоновый уровень вибрации, определенный в размерности среднеквадратичного значения виброскорости
В соответствии с описанными выше этапами развития дефектов, которые хорошо коррелируются с характеристиками вибросигналов, рассмотрим эффективность четырех основных методов диагностирования шпиндельных узлов металлорежущих станков [1]:
1) по среднеквадратичному значению виброскорости. Этот метод позволяет обнаруживать дефекты элементов входящих в узел на последних стадиях, начиная, приблизительно, с середины третьего этапа, когда общий уровень вибрации существенно вырастает;
2) по спектрам вибрационных сигналов. Данный метод позволяет начинать диагностику дефектов составных элементов исследуемого узла примерно с середины второго этапа, когда энергия резонансных колебаний достигает таких значений, что становится видна в общей картине частотного распределения всей мощности вибрационного сигнала;
3) по соотношению пик/фон вибрационного сигнала. Лучшие разновидности этого метода позволяют обнаруживать дефекты с конца первого этапа развития;
4) по спектру огибающей вибрационного сигнала. Данный метод позволяет выявлять дефекты на самых ранних стадиях, начиная примерно с середины первого этапа.
Кроме эффективности перечисленные выше методы различаются типом используемого диагностического оборудования, его стоимостью, необходимой подготовкой персонала. Практически всегда справедливо простое правило - чем на более ранней стадии и чем более достоверно необходимо обнаруживать дефекты исследуемого узла, тем дороже это сто-ит[1].
Из всех представленных выше методов, наиболее предпочтительным является четвертый метод. Но необходимо отметить, что метод диагностики технического состояния ШУ при помощи спектра огибающей вибросигнала на первый взгляд может показаться простым и понятным, точность результатов диагностики зависит от корректности его применения и правильной расшифровки представленной перед диагностом спектральной картины.
В настоящее время, анализируя форму спектра огибающей вибрационного сигнала, снятого с какой-либо из опор ШУ, распознают дефекты путем построения аппроксимационной функции по нескольким исходным точкам сигнала, соответствующего конкретному виду повреждения, и в процессе диагностики сравнивают текущие измеряемые значения со значениями данной функции.
Необходимо отметить, что аппроксимация сложных нелинейных сигналов приводит к большим погрешностям. Поэтому все более широкое распространение получает аппарат искусственных нейронных сетей для построения математических моделей сложных нелинейных процессов распознавания образов и прогнозирования сигналов. Суть нейросетевого аппарата состоит в том, что после предъявления входных сигналов вместе с требуемыми выходами искусственные нейронные сети самонастраиваются, чтобы обеспечивать требуемую реакцию. Любой неисправности ШУ металлорежущего станка соответствует своя вибрационная картина. Таким образом, с учетом этих данных, появляется возможность обучить искусственную нейронную сеть распознавать те или иные дефекты исследуемого узла. Важной характеристикой нейросетевого аппарата является то, что отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта способность видеть образ сквозь шум и искажения необходима для верного распознавания дефектов элементов ШУ металлорежущего станка.
На сегодняшний день можно говорить о стремительном развитии теории нейронных сетей. Разработано огромное количество алгоритмов функционирования и обучения нейронных сетей, ведутся работы по созданию алгоритмов оптимизации их структуры с целью повышения быстродействия, качества результатов, снижения времени обучения.
Интерес к применению нейронных сетей для задач распознавания образов вызван тем, что способность нейронных сетей к обучению на основе соотношений вход - выход позволяет обеспечить более простые решения для сложных задач диагностирования и прогнозирования, несмотря на зависимости выходных от входных параметров, поэтому избавляет от необходимости использовать сложный математический аппарат.
Существует несколько методов обучения, которые можно классифицировать в зависимости от использования учителя [2]:
- обучение с учителем (коррекция весов производится исходя из сравнения текущего и желаемого выходных векторов);
- обучение с последовательным подкреплением знаний (сети не дают желаемых значений выходов, а ставится оценка хорошо или плохо);
- обучение без учителя (сеть сама вырабатывает правила обучения путем выделения особенностей из набора входных данных).
По использованию элементов случайности методы обучения подразделяются:
- на детерминистские (коррекция на основе анализа входных и выходных сигналов);
- на стохастические (случайное изменение весов в ходе обучения -больцмановское обучение).
К детерминистским правилам обучения относятся правило Хебба, дельта-правило, правило Кохонена, ART-правило, правило обратного распространения.
Наиболее распространенным правилом для сетей MLP (многослойный персептрон), которые наиболее эффективны при диагностике шпиндельных узлов, является правило обратного распространения.
Алгоритм обучения многослойного персептрона состоит в минимизации целевой функции ошибки, которая находится по методу наименьших квадратов [2]:
E(wk) = 2 I(yfs -dj,5)2, 2 j,s
N - u „
где yj s - реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы s-го образца; dj,s - желаемое (идеальное) выходное состояние этого нейрона.
Суммирование происходит по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов, пока не будет достигнуто минимально возможное значение целевой функции
E(wk).
В заключение необходимо отметить, что обученные правильным образом искусственные нейронные сети позволяют, проанализировав спектры огибающих вибрационных сигналов, точно диагностировать дефекты исследуемых ШУ металлорежущих станков на самых ранних стадиях их возникновения.
Список литературы
1. Русов В. А. Диагностика дефектов вращающегося оборудования по вибрационным сигналам. Пермь, 2012. 200 с. URL: http://vibrocenter.ru/book2012 .htm (дата обращения: 28.03.2017).
2. Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных. М.: Горячая линия - Телеком, 2008. 392 с.
Рожков Сергей Викторович, асп., [email protected], Россия, Тула, Тульский государственный университет,
Шадский Геннадий Викторович, д-р техн. наук, проф., Shadskyvladimir@,gmail. com, Россия, Тула, Тульский государственный университет,
Шадский Владимир Геннадиевич, канд. техн. наук, нач. отдела, Shadskyvladimir@,gmail.com, Россия, Тула, ОАО «Центральное конструкторское бюро аппаратостроения»
USE OF NEURAL NETWORK APPARATUS TO ANALYZE VIBRATION CHARACTERISTICS SPINDLE ASSEMBLIES FOR MACHINE TOOLS
S. V. Rozhkov, G. V. Shadskiy, V. G. Shadskiy
Methods of vibration diagnostics is the most effective tool to identify defects in spindle units at the earliest stages of the occurrence. An urgent problem in the diagnosis of spindle Assembly is a true statement he diagnosis on the analysis of vibroacoustic signals generated by the elements in its composition. To solve this problem, we propose the use of artificial neural networks, which is based on training on the diagnostic spectral patterns will be able with high precision to detect defects of the investigated spindle assembly.
Key words: diagnostics, spindle assembly, artificial neural networks, vibration signal, machine tools.
Rozhkov Sergey Viktorovich, postgraduate, rozhkov-nzlvamail.ru, Russia, Tula, Tula State University,
Shadskiy Gennady Viktorovich, doctor of technical sciences, professor, Shadskyvla-dimir@,gmail. com, Russia, Tula, Tula state University,
Shadskiy Vladimir Gennadievich, candidate of technical sciences, head of technological department, Shadskyvladimir@,gmail.com, Russia, Tula, JSC «Central design bureau of apparatus engineering»
