CC BY
34
УДК 664.734.2:620.179.17
DOI: 10.24412/2071-6168-2021-12-452-457
ПРИМЕНЕНИЕ СНС В ВИБРОДИАГНОСТИКЕ ПО СПЕКТРОГРАММАМ И ВЕЙВЛЕТ-СКАЛОГРАММАМ СИГНАЛА
А.Е. Яблоков, Т.М. Жила
С целью повышения эффективности методов вибрационного диагностирования механических передач рассмотрен вопрос применения новых методов обработки вибросигнала -оконного преобразования Фурье и вейвлет-преобразования. Результатами преобразований являются изображения изменений амплитудно-частотных характеристик сигнала во времени, что повышает эффективность анализа периодических процессов, связанных с ударами в механизмах. Однако такие изображения трудно формализовать для использования в диагностических целях. В статье приводятся результаты исследований по использованию сверточных нейронных сетей в задаче классификации технического состояния зубчатой передаче по спектрограммам и вейвлет-скалограммам вибросигнала. Исследования проведены на экспериментальной установке в МГУПП для восьми различных состояний зубчатой передачи. Обработка результатов измерений и оптимизация архитектуры СНС выполнены в программе Matlab. Исследования на тестовых выборках показали достоверность классификации одного из восьми стояний по спектрограммам на уровне 86,35%, а по вейвлет-скалограммам - 95,47%.
Ключевые слова: зубчатая передача, вибродиагностика, сверточные нейронные сети, спектрограммы, вейвлет-скалограммы.
Технологическое оборудование относится к основным производственным фондам, от эффективности использования которых зависит безопасность производства и прибыль предприятия. Для поддержания оборудования в работоспособном состоянии используются различные стратегии технического обслуживания и ремонта (ТОиР). В настоящее время наиболее популярной стратегией обслуживания оборудования в промышленно-развитых странах Европы и в США является концепция управления техническим состоянием (Prognostics Health Management, PHM), суть которой в оценке текущего состояния и прогнозировании его изменения [9]. Стратегия PHM регламентируется стандартом ISO-13374 (соответствует ГОСТ Р ИСО 13374-2015 [2]) и базируется на системах автоматизированного сбора и анализа диагностической информации о техническом состоянии оборудования.
Известно множество способов неразрушающего контроля оборудования, но наиболее универсальным и информативным является метод диагностики оборудования по параметрам вибрации (вибродиагностика). Для выделения из виброакустического сигнала диагностических признаков разработаны и применяются различные методы обработки сигналов [3]: фильтрация, преобразование Фурье, выделение огибающей высокочастотной составляющей сигнала, интегрирование, расчет статистических характеристик сигнала, СКЗ, пик-фактора и пр.
Стандартом в области вибродиагностики является спектральный анализ сигнала непосредственно с датчика, или полученного в результате выделения огибающей вибросигнала [3]. Однако у этого метода есть ряд недостатков. Основной из них - отсутствие возможности по одиночному спектру отследить периодические процессы, связанные с заеданием и периодическими ударами в механизмах (подшипниках, муфтах, механических передачах и пр.,). Вторым недостатком является сложность идентификации технического состояния по спектрам вибрации, так как в них присутствует множество случайных составляющих, связанных с резонансными явлениями и помехами от работы соседнего оборудования.
В настоящее время получили развитие расширенные преобразования, такие как оконное преобразование Фурье (short-time Fourier transform, STFT) [1] и непрерывное вейвлет-преобра-зование (continuous wavelet transform, CWT) [11]. Результатом STFTявляется спектрограмма, которая отражает зависимость спектральной плотности мощности сигнала от времени. Она несет в себе значительно больше информации об изменении частотного состава вибрации за рассматриваемый промежуток времени, а также о периодических процессах в механизме. Вейвлет-преоб-разование - это представление сигнала в виде обобщенного ряда или интеграла Фурье по системе базисных функций, сконструированных из материнского вейвлета. Чаще всего для анализа сигналов используется непрерывное (интегральное) вейвлет-преобразование (CWT), которое имеет следующий вид:
Ш3{а,Ь) = (5(0,фаь(0) = ПЛОФр^)^, (1)
где 5(0 - анализируемая функция сигнала; Фаь(0 - «материнский» вейвлет; -р - множитель,
у а
обеспечивающий независимость нормы функции «материнского» вейвлета от масштабирующего числа; ф ("""") - масштабированные и сдвинутые копии «материнского» вейвлета; а - временной масштаб; Ь - сдвиг во времени.
Спектр Ж;(а,Ь) является поверхностью в трехмерном пространстве. Однако, часто вместо изображения поверхности представляют её проекцию на плоскость аЬ с изоуровнями, то есть фигурами различных цветов. Преимуществом применения вейвлет-анализа является его большая информативность за счет свойства локальности вейвлетов.
В ряде отечественных и зарубежных публикациях приводятся результаты успешного применения методов СЖТ [4, 10, 12] и БТЬТ [6, 7, 8] в задачах диагностики для формирования диагностических признаков. Однако до сих пор не решен вопрос с автоматизацией процедуры классификации состояний по спектрограммам и вейвлет-скалограммам. Эта проблема может быть решена посредством использования технологии машинного обучения (ЬМ) с применением сверточных нейронных сетей (СНС).
В ФГБОУ ВО МГУПП проводятся исследования по совершенствованию методов вибродиагностики оборудования на безе методов цифровой обработки сигналов (ЦОС) и ЬМ. Задачами исследования являются разработка методов предобработки вибрационного сигнала и формирование признаков в виде цветных изображений спектрограмм и скалограмм для их дальнейшего использования в СНС при решении задачи классификации технического состояния объекта контроля.
Натурные исследования выполнены на специально созданном в МГУПП экспериментальном стенде с зубчатой передачей (рис.1, а).
В состав стенда входит преобразователь частоты переменного тока (1), электродвигатель (2), кулачковая муфта (3), вал с шестерней (4) (число зубьев - 26, модуль - 2,5 мм). Зубчатое колесо (5) имеет 44 зуба. Валы вращаются в шариковых подшипниках типа 180102. Вибрация подшипниковых узлов измерялась с помощью акселерометра KD39 (6). Момент сопротивления на ведомом валу создавалась с помощью электромагнитного тормоза (7) и составлял 4 Н-м. Эксцентриситет колеса моделировался с помощью эксцентриковых втулок (8).
1 2 J 4 5 6
Рис. 1. Экспериментальная установка в МГУПП: а - стенд с измерительной аппаратурой;
б - шестерня с локальным дефектом зуба
Измерения осуществлялись с под управлением ПО LGraph2 ООО "Л КАРД" с помощью внешнего аналого-цифрового преобразователя (АЦП) типа Е-440 (9). Частота дискретизации сигнала - 30 кГц, длительность - 2 сек. Частота вращения электродвигателя - 750 об/мин (12,5 Гц).
В ходе проведение исследований была проведена серия экспериментов по моделированию восьми технических состояний зубчатой передачи (см. табл.). Для каждого состояния проведено по 150 измерений.
В программе Matlab 2020a с использованием функции spectrogram выполнено STFT с применением окон длинной в 512 значений с использованием окна Хэмминга. Подбор длительности сигнала для спектрограмм и скалограмм осуществлялся опытным путем. Приведены исследования с длительностью сигнала в 100, 160, 250 и 500 мс. Оптимальная продолжительность (для заданного режима работы передачи) составила - 250 мс.
Для CWT в системе МайаЪ использована функция cwt. Она стоит скалограмму с отображением частоты в логарифмическом масштабе. На скалограмме отражается конус влияния, показывающий, где краевые эффекты становятся существенными. При расчете использовался вейвлет Морзе, который показал хорошие результаты.
Для каждого состояния построено и сохранено по 150 цветных картинок спектрограмм (рис. 2) и скалограмм (рис. 3) с разрешением 781x781 pix, на которых по горизонтали отложена временная шкала (250 мс), а по вертикале - частотный диапазон от 0 до 15 кГц, причем для ска-лограмм использована логарифмическая шкала.
Описание моделируемых дефектов зубчатой передачи
№ состояния Описание
1 Исправная и выверенная передача
2 Перекос колес на угол ф=1 градус
3 Увеличение межосевого расстояния на 1,2 мм
4 Эксцентриситет шестерни 5=0,3 мм
5 Эксцентриситет колеса 5=0,6 мм
6 Локальный дефект зуба шестерни (уменьшение толщины зуба по делительной окружности на 0,5 мм)
7 Эксцентриситет шестерни 5=0,3 мм и дефектный подшипник
На рис. 2 (а) и рис.3 (а) наблюдаем типичную картину исправной и выверенной зубчатой передачи. Спектрограммы первых трех состояний (см. рис. 2, а-в) визуально отличаются не сильно, наблюдается небольшая периодичность увеличения мощности сигналов во времени. На спектрограммах рис. 2 (г, д, з) наблюдается рост амплитуды колебаний в высокочастотном диапазоне. На спектрограмме, соответствующей локальному дефекту зуба (рис. 2, ж), наблюдается периодическое увеличение мощности колебаний, связанное с ударами в зацеплении. На скало-грамме (см. рис. 3) отличия более заметны. Хорошо видны периодические удары на рис. 3 (ж, з) связанные с локальным дефектом зуба шестерни и дефектным подшипником соответственно.
а б в г
д е ж з
Рис. 2. Спектрограммы виброускорения для различных состояний: а - исправная и выверенная передача; б - состояние №2; в - состояние №3; г - состояние №4;
д - состояние ЛЬ 5; е - состояние ЛЬ 6; ж - состояние ЛЬ7; з - состояние Ж»8
д е ж з
Рис. 3. Вейвлет-скалограммы виброускорения для различных состояний: а - исправная и выверенная передача; б - состояние №2; в - состояние №3; г - состояние №4; д - состояние №5; е - состояние №6; ж - состояние №7; з - состояние №8
454
Классификация с помощью СНС по изображениям спектрограмм и скалограмм проводилась в пакете МайаЪ 2020а раздельно. Опытным путем подобрана оптимальная архитектура сети, написана программа, на которую получено свидетельство о государственной регистрации №2021661786 [5].
Эффективность нейросетевого анализа была оценена путем семикратного усреднения результатов классификации. Среднее значение достоверности работы СНС при предсказании одного из восьми классов технического состояния при использовании спектрограмм составила -86,35%, при использовании скалограмм - 95,47%. Графики достоверности и ошибок при распознавании технического состояния по скалограммам в процессе обучения СНС представлены на рис. 4.
Вибрационная диагностика является действенным инструментом оптимизации системы ТОиР оборудования. Повысить ее эффективность можно путем применения БТЬТ и С^Г, которые позволяют выявлять ударные явления в механизмах. Применение этих методов совместно с технологией нейросетевого анализа данных на базе СНС, показали высокую эффективность распознавания дефектов механической передачи.
- Fina
¡v*T / / /
Еросп1 Epoch 2 Epoch 3 Epoch 4 Epoch 5 Epoch 6 Epoch 7 Epoch 8
30 40
Iteration
i. » \
Epoch 1 4 \ ^poch'?~ ÉDOQfl 6 ^poch 7 Epoch вд
30 40
Iteration
Рис. 4. Графики достоверности и ошибок при классификации технического состояния зубчатой передачи по вейвлет-скалограммам в процессе обучения СНС
Развитие систем мониторинга и диагностики оборудования связано с использованием недорогих стационарных приборов для измерения и преобразования вибросигнала с классификаторов на базе ИНС обеспечит мгновенную обработку данных и принятие оперативного решения по режиму дальнейшего функционирования машины. Это позволит повысить безопасность производства, перейти на более эффективную стратегию технического обслуживания машин по их фактическому состоянию.
Список литературы
1. Асламов Ю.П., Асламов А.П., Давыдов И.Г., Цурко А.В. Эффективность использования скалограммы для оценки технического состояния роторного оборудования // Доклады БГУИР. 2018. №2 (112). С. 12-17.
2. ГОСТ Р ИСО 13374-3-2015. Контроль состояния и диагностика машин. Обработка, передача и представление данных. М.: Стандартинформ, 2018. 12 с.
3. Костюков В.Н., Науменко А.П. Основы виброакустической диагностики и мониторинга машин: учебное пособие. Омск: Изд-во ОмГТУ, 2011. 360 с.
4. Постоянкова К.Ю. Применение вейвлет-анализа в диагностике обмотки ротора асинхронного двигателя. Вестник современных исследований. 2020. № 7-7(37). С. 3840.
5. Яблоков А.Е., Жила Т.М., Благовещенский И.Г. Свидетельство о государственной регистрации программы для ЭВМ №2021661786. Программа для акустической диагностики оборудования по вейвлет-скалограмме излучаемого звука с использованием сверточной нейронной сети; правообладатель ФГБОУ ВО «МГУПП». 2021.
455
6. Яблоков А.Е., Жила Т.М., Генералов А.С. Диагностика оборудования по спектрограммам вибросигнала методами машинного обучения // Инновационные технологии производства и хранения материальных ценностей для государственных нужд: науч. сб. 2021. Вып. XV / ФГБУ НИИПХ Росрезерва. С. 288-297.
7. Яблоков А.Е., Жила Т.М., Генералов А.С. Классификация технического состояния оборудования по спектрограммам вибрации с применением СНС. МЦНП «Новая наука». 2021. С. 9-17.
8. Hu T., Wan H., Luo H. Vibration-based synchronous sampling and its application in windturbine drive-train-condition monitoring // Clean Energy. 2021. 5. P. 79-92.
9. Javed K. A robust and reliable Data-driven prognostics approach based on extreme learning machine and fuzzy clustering: speciality «Automation» : dissertation for the degree of Doctor of Technical Sciences // University of Franche-Comté. 2014. 184 p.
10. Kamiel B.P., Arianto A., Rahman M.B.N. Identification of Gear Faults in an Industrial Fan Prototype Using Spectrum Analysis and Continuous Wavelet Transform // 1st International Conference on Information Technology // Advanced Mechanical and Electrical Engineering (ICITAMEE). 2020. P. 303-308.
11. Polikar R. Введение в вейвлет-преобразование // Robi Polikar ; перевод с английского В.Г. Грибунин. Санкт-Петербург: АВТЭКС, 2016. 59 с.
12. Sahoo S., Das J.K. Application of Adaptive Wavelet Transform for Gear Fault Diagnosis Using Modified-LLMS Based Filtered Vibration Signal // Recent Advances in Electrical & Electronic Engineering (Formerly Recent Patents on Electrical & Electronic Engineering). 2018. 12 (3). P. 257262.
Яблоков Александр Евгеньевич, канд. техн. наук, доцент, yablokov_alex@mail. ru, Россия, Москва, Московский государственный университет пищевых производств,
Жила ТаисияМихайловна, магистрант, lunangris@mail.ru, Россия, Москва, Московский государственный университет пищевых производств
APPLICATION OF CNN IN VIBRODIAGNOSTICS BY SPECTROGRAMS AND WAVELET-
SCALOGRAMS OF THE SIGNAL
A.E. Yablokov, T.M. Zhila
In order to increase the efficiency of vibration diagnostics methods for mechanical transmissions, the issue of applying new methods for processing a vibration signal - window Fourier transform and wavelet transform is considered. The results of the transformations are images of changes in the amplitude-frequency characteristics of the signal over time, which increases the efficiency of the analysis of periodic processes associated with shocks in mechanisms. However, such images are difficult to formalize for diagnostic use. The article presents the results of research on the use of convolutional neural networks in the problem of classifying the technical state of a gear transmission by spectrograms and wavelet scalograms of a vibration signal. The studies were carried out on an experimental setup at MSUFP for eight different states of the gear train. The processing of measurement results and optimization of the architecture of the CNN are performed in the Matlab program. Studies on test samples have shown the reliability of the classification of one of the eight positions according to spectrograms at the level of86,35%, and according to wavelet scalograms - 95,47%.
Key words: gear transmission, vibration diagnostics, convolutional neural networks, spectrograms, wavelet scalograms.
Yablokov Alexander Evgenievich, сandidate of technical sciences, docent, ya-blokov_alex@mail.ru, Russia, Moscow, Moscow State University of Food Production,
Zhila Taisiya Mikhailovna, undergraduate, lunangris@mail.ru, Russia, Moscow, Moscow State University of Food Production
