CC BY
52
т
МЕТОД АКУСТИЧЕСКОЙ ДИАГНОСТИКИ ВРАЩАЮЩИХСЯ ЧАСТЕЙ АНТЕННО-ФИДЕРНЫХ УСТРОЙСТВ С ПРИМЕНЕНИЕМ САМООБУЧАЮЩЕЙСЯ НЕЙРОСЕТИ
Допира Роман Викторович,
ОАО НПО "РУСБИТЕХ", г. Тверь, Россия, [email protected] Маслов Федор Дмитриевич,
Военная академия воздушно-космической обороны имени Маршала Советского Союза Г. К. Жукова, г. Тверь, Россия, [email protected]
Королев Валерий Викторович,
Военная академия воздушно-космической обороны имени Маршала Советского Союза Г. К. Жукова, г. Тверь, Россия, [email protected]
Шароглазов Вадим Борисович,
Военно-космическая академия имени А. Ф. Можайского, г. Санкт-Петербург, Россия, [email protected]
Механизмы прогнозирования технического состояния антенно-фидерных устройств, являются наиболее выгодными, с точки зрения экономической эффективности. Причиной этого является усложнение и удорожание самих объектов прогноза. Следствием этого является создание механизмов диагностики, обеспечивающих необходимой информацией о техническом состоянии объекта прогностические системы, с приемлемым соотношением качества выдаваемой информации к стоимости системы диагностирования. Достаточно выгодным, в этом свете, выглядит сбор статистической информации методами неразрушающего контроля. Вписывающимся в данную постановку задачи, удовлетворяющим требованиям относительной простоты и дешевизны, является метод акустического контроля - диагностики. В данной статье говориться об использовании данного метода, как одного из инструментов сбора информации для прогнозирования технического состояния антенно-фидерных устройств. Предлагается совершенствование существующего метода по трем направлениям: элементной базе аудиодатчиков, математическому аппарату анализа сигналов, а также механизмам определения неисправностей. По направлению элементной базы аудиодатчиков предлагается использование USB-микрофонов, как инструментов, обеспечивающих достаточную точность анализируемых сигналов, при низкой цене оборудования. В качестве изменений математического аппарата анализа сигналов предлагается использование вейвлет-преобразование сигналов, оно дает преимущество, перед использующимся преобразованием Фурье, в точности и устраняет принцип неопределенности Гейзенберга. По третьему направлению анализа аудиосигналов неисправностей предлагается использование современного подхода, часто использующегося в других областях науки и программирования - нейронных сетей. С помощью предложенной нейросети Кохонена, с возможностью, как самообучения, так и обучения оператором, приобретается серьезный инструмент анализа аудио сигналов и поиска неисправностей, с высокой точностью и низкой вероятностью ошибок.
Информация об авторах:
Допира Роман Викторович, д.т.н., профессор, начальник отдела ОАО НПО "РУСБИТЕХ", г. Тверь, Россия
Маслов Федор Дмитриевич, адъюнкт Военной академии воздушно-космической обороны имени Маршала Советского Союза
Г. К. Жукова, г. Тверь, Россия
Королев Валерий Викторович, д.в.н., профессор, профессор Военной академии воздушно-космической обороны имени Маршала Советского Союза Г. К. Жукова, г. Тверь, Россия
Шароглазов Вадим Борисович, преподаватель кафедры организации эксплуатации и технического обеспечения ВВСТ Военно-космической академии имени А. Ф. Можайского, г. Санкт-Петербург, Россия
Для цитирования:
Допира Р.В., Маслов Ф.Д., Королев В.В., Шароглазов В.Б. Метод акустической диагностики вращающихся частей антенно-фидерных устройств с применением самообучающейся нейросети // T-Comm: Телекоммуникации и транспорт. 2017. Том 11. №10. С. 45-50.
For citation:
Dopira R.V., Maslov F.D., Korolev V.V., Sharoglaxo V.B. (2017). Method of acoustic diagnostics of aerial-feeder devices with self-learning neural network. T-Comm, vol. 11, no.10, рр. 45-40. (in Russian)
7TT
Ключевые слова: диагностика; акустические датчики; нейросеть Кохонена; преобразование Фурье; вейвлет-преобразование.
т
При работе антенно-фидерных устройств возникает проблема невозможности оценки их технического состояния без разборки или частичного демонтажа. Эта проблема решается путем использования средств неразрушающего контроля. Для определения сложности системы контроля, соотношение сложности диагностирующей системы и объекта диагностирования, рассчитывают из соотношения:
сг =Лш.,
(1)
где п„сх и щ - число элементов соответственно в исходном устройстве и схеме контроля.
Наилучшими считаются варианты систем с о > 10 (контрольное оборудование не превышает 10%), достаточно хорошими - с а > 4 (не более 25%),Увеличение выигрыша в достоверности, как правило, требует усложнения контрольного оборудования [lj.
Для диагностирования систем с низкой сложностью компонентов или элементов систем, таких как основание антен-ио-фидерного устройства (А ФУ), система вращения, необходимо использовать оборудование, имеющее достаточно простую схему построения и небольшую элементную базу. Эта условия обосновывают применение метода акустического контроля и создание современной диагностической системы, использующей данный метод.
Основным инструментом акустического контроля являются аудиодатчики, осуществляющие сбор первичной информации. Первичной информацией для системы аудиокон-троля является информация о природе аудиосигнала - его частота и амплитуда.
Преимуществом использования аудиодатчиков, как источников первичной информации, является отсутствие необходимости разработки и производства сложного и дорогостоящего оборудования. Функционально измеритель уровня звука представляющий собой:
1. Электронный микрофон.
2. Усилительный каска;! (один или несколько).
3. Преобразователь сигнала.
4. Устройство сопряжения.
Существуют современные высокочувствительные USB микрофоны, удовлетворяющие данным требованиям, частотный диапазон которых разнится 20 — 22000 Гц, в зависимости от цены.
Ниже представлена схема, которая дает представление о простоте данных устройств (рис. I) [2],
вания сигналов, дающий представление как о характере снимаемых акустических сигналов через анализ их спектра, так и избавляющееся от аудио артефактов и шумов.
Главной математической основой спектрального анализа большинства современных компьютерных систем является преобразование Фурье [3], которое связывает пространственный или временной сигнал с его представлением в частотной области.
Преобразование Фурье функции/является интегральным представлением и задается следующей формулой:
I г ~ , ль , (2)
F(w) = -r= \f(x)e "dx*
I
Но преобразование Фурье дает информацию только про частоту, которая присутствует в сигнале и не дает никакой информации про то, в какой промежуток времени эта частота присутствует в сигнале.
Таким образом, для следующего стационарного сигнала (рис.2):
х(0 = соб(2л х 10/) + сой(2я х 25?) + соз(2л * 50/) + + соз(2лх 100/)
Ю0 2оо эоо юо
время . чс Рис. 2. Стационарный сигнал
Преобразование Фурье будет иметь вид (рис. 3):
300
400 200
О
О 100 2D0 300 400 500
Рис. 3. Преобразование Фурье
А для нестационарного сигнала (рис. 4):
б L™"' Й""" а,«
?
' J. К1— —
OA' 1П40УД11М Hifil
Рис. I. Схема USB микрофона
Следующим компонентом в системе акустического диагностирования является математический аппарат преобразо-
200 400 £00 800
!фГМЯ , мс
Рис, 4, Нестационарный сигнал
1000
У
У
Y
Таким образом, вейвлет-нреобразование работает как спектральный микроскоп и решает поставленную проблему достижения оптимальной точности.
Третьим компонентом предложенной диагностической модели являются нейросетевые программы. База знаний нейросети может быть заполнена заранее загруженными моделями акустических сигналов типовых неисправностей, а также «чистым сигналом» объекта диагностирования в процессе эксплуатации. Несмотря на большое разнообразие вариантов нейронных сетей, все они имеют общие черты, так, все они, состоят из большого числа связанных между собой однотипных элементов - нейронов, которые имитируют нейроны головного мозга. В качестве классификатора в проектируемой системе выбрана самоорганизующаяся сеть Кох о не на [7] ввиду простоты ее топологии и алгоритма обучения. Сеть Кохо-нена характеризуется тем, что состоит из слоя входов и связанного с ним единственного слоя нейронов, отвечающих каждый за свой класс команд. На слой входов подается вектор параметров, которые затем анализируются каждым нейроном на принадлежность к соответствующему классу.
Предположим, что проектируемая система должна распознавать N сигналов - И, 12, ... , 5'п. Топология рассматриваемой сети Кохонена будет выглядеть следующим образом (рис.13, 14):
Рис. 13. Топология нейросети Кохонена
Данный алгоритм, фактически, позволяет создавать библиотеку (Базу Знаний) «чистых» сигналов, а также заносить туда сигналы неисправностей, с их дальнейшим распознаванием. Сеть Кохонена характеризуется тем, что состоит из слоя входов и связанного с ним единственного слоя нейронов, отвечающих каждый за свой класс команд.
На слой входов полается вектор параметров, которые затем анализируются каждым нейроном (рис. 15) на принадлежность к соответствующему классу [8, 9].
Состояние нейрона определяется по формуле:
/-1
где п - число входов нейрона, х/— значение /-го входа нейрона, ит— вес /-го синапса.
Таким образом, объединив описанные инструменты, возможно получить достаточно точную, самообучающуюся диагностическую систему, реализация, которой, не потребует чрезмерных финансовых затрат, а ее кроссплатформен-ноеть будет давать возможность интеграции в существующие диагностические комплекты.
ЧЛикрофач
^«ЛодАсТАтУЛ Е*ГН*Л
С
Обэаботм сигналя
Обработанный сигнал
Нслэоннш сеть
'acnoiHiHWt ч
База знаний
Влоч принятия решено а
Рис. 14. Структурная схема нейросети
Входы Синапсы ^s«™» Аксон Выход
НсИриНа
сх
«г О-
СУ
Рис. 15. Схема нейрона
Литература
1. Юззиев й-М. Введение в анализ, синтез и моделирование систем. М.: БИНОМ. Лаборатория знаний, 2-е издание 2007, 244 с.
2. Усков А. Микрофон своими руками - Как сделать, схемы и повышение чу веттште л ын оста. U R L : http://kak-svoimi-rukami.com/2012/09/mikrofon-svoimi-rukami-kak-sdelat-sxemy-i-povyshenie-chuvstvitelnosti.html (дата обращения 16.08.2017).
3. Яворский Б.М. Справочник по физике для инженеров и студентов вузов. М,: Оникс, 2007. 1056 с. ISBN 978-5-488-01248-6.
4. Weisstein, Eric W. "Gaussian Function,"From Math World--A Wolfram Web Resource, URL: http://mathwortd.wolfram.com/Gaus-sianFunction.html (дата обращения 26.09.2017).
5. Daniel T.L. Lee, Akio Yamamoto. Wavclet Analysis: Theory and Applications // Hewlett-Packard Journal. Deeember 1994. Pp. 44-52.
6. Афонский A.A., Дьяконов В.П. Цифровые анализаторы спектра, сигналов и логики / под ред. проф. В. П. Дья ко нова. М.: СОЛОП-Пресс. 2009.248 С. ISBN 978-5-913-59049-7.
7. Кладов С.А. Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена//Мол одежный Научно-технический вестник МГТУ им. Н.Э. Баумана. 2012. №5. Эл. № ФС 77-51038.1SNN 2307-0609.
8. Радченко Г. Распознавание речи. Часть I. Классификация систем распознавания речи. URL: https://geektimes.ru/post/64594.html {дата обращения 26.09,17).
9. Радченко Г. Распознавание речи. Часть 2. Типичная структура системы распознавания речи. URL: https://geektimes.ru/post/ 64681 .html (дата обращения 26.09.17).
T
ELECTRONICS. RADIO ENGINEERING
METHOD OF ACOUSTIC DIAGNOSTICS OF AERIAL-FEEDER DEVICES WITH SELF-LEARNING NEURAL NETWORK
Roman V. Dopira, Tver, Russia, [email protected] Fedor D. Maslov, Tver, Russia, [email protected] Valeriy V. Korolev, Tver, Russia, [email protected] Vadim B. Sharoglaxov, St. Petersburg, Russia, [email protected]
Abstract
From the economic efficiency point of view proceeding from the ascent and rise in price of forecast objects themselves prognosti-carrangement of aerial-feederdevices technical conditions is most beneficial. The consequence of this is the creation of diagnostic mechanisms providing the forecasting systems the necessary information about the technical condition of the object with acceptable ratios the quality of information sold to the cost of a diagnosis system. In this light the collection of statical information with the nondestructive testing methods looks enough profitable.
Fits into this formulation of problem, it is satisfying the requirements of relative simplicity and cheapnessis the method of acoustic control - diagnostics. This article deals with the use of this method as one of the tools for collecting information for forecasting the technical state of antenna-feeder devices. It is proposed to improve the existing method in three areas: the element base of audio sensors, the mathematical apparatus for analyzing signals, and the mechanisms for determining faults. In the direction of the element base of audio sensors, it is proposed to use USB microphones as tools that provide sufficient accuracy of the analyzed signals, at a low price of equipment. As changes in the mathematical apparatus of signal analysis, the use of wavelet transformation of signals is proposed, it gives an advantage, in front of the Fourier transform used, exactly and eliminates the Heisenberg uncertainty principle. The third direction of the analysis of audio signals of faults suggests the use of a modern approach, often used in other areas of science and programming - neural networks. With the help of the proposed neural network of Kohonen, with the possibility of both self-learning and operator training, a serious tool for analyzing audio signals and troubleshooting is acquired, with high accuracy and low error probability.
Keywords: diagnostics; acoustic sensors; network of Kohonen; Fourier transform; wavelet transformation. References
1. Kaziev V.M. (2007). Vvedenie v analizsintezimodelirovanie system [Introduction to the analysis, synthesis and modeling of systems]. BINOM. Laboratoriya znanij, 2nd ed. 244 p. (In Russian)
2. Uskov A. Mikrofon svoimi rukami - Kak sdelat skhemy i povyshenie chuvstvitelnosti [The microphone the hands - How to make, schemes and increase in sensitivity]. URL: http://kak-svoimi-rukami.com/20l2/09/mikrofon-svoimi-rukami-kak-sdelat-sxemy-i-povyshe-nie-chuvstvitelnosti.html (date of access 16.08.2017).
3. Yavorskiy B.M. (2007). Spravochnik po fizike dlya inzhenerov I studentov vuzov [The reference book on physics for engineers and students of higher education institutions]. Moscow. Oniks Publ. 1056 p.(In Russian)
4. Weisstein, Eric W. "Gaussian Function." From Math World-A Wolfram Web Resource. URL: http://mathworld.wolfram.com/GaussianFunction.html (date of access 26.09.2017).
5. Daniel T.L. Lee, Akio Yamamoto. (1994). Wavelet Analysis: Theory and Applications. Hewlett-Packard Journal. December 1994. Pp. 44-52.
6. Afonskiy A.A., Dyakonov V.P. (2009). Cifrovye analizatory spectra, signalov I logiki [Digital analyzers of a range, signals and logic]. Under the ed.Prof. V.P. Dyakonov. Moscow. SOLON-Press Publ. 248 p. (In Russian)
7. Kladov S.A. Raspoznavanie golosovyh komand s pomoshchyu samoorganizuyushchejsya nejronnoj seti Kohonena [Recognition of voice commands by means of the self-organized neural network Kokhonena] Molodezhnyj Nauchno-tekhnicheskij vestnik [Youth scientific and technical bulletin of Bauman MSTU]. (InRussian)
8. Radchenko G. Raspoznavanie rechi. Chast 1. Klassifikaciya system raspoznavaniya rechi [Recognition of the speech. Part 1. Classification of systems of recognition of the speech]. URL: https://geektimes.ru/post/64594.html (date of access 26.09.17).
9. Radchenko G. Raspoznavanie rechi. Chast2. Tipichnaya struktura sistemy raspoznavaniya rechi [Recognition of the speech. Part 2. Typical structure of system of recognition of the speech]. URL: https://geektimes.ru/post/6468l.html (date of access 26.09.17).
Information about authors:
Roman V. Dopira, PhD, Full Professor, head at thedepartment of the JSC "NPO "RUSBITEKH", Tver, Russia Fedor D. Maslov, postgraduate student of the Military academy of aerospace defense, Tver, Russia Valeriy V. Korolev, PhD, Full Professor, Professor of the Military academy of aerospace defense, Tver, Russia
Vadim B. Sharoglaxov, lecturer at the Department of the organization of operation and technical providing arms of military and special equipment of the Military Space Academy, St. Petersburg, Russia
