CC BY
31
Проблемы
автоматизации
диагностики
механических
систем привода
полиграфического
оборудования
В.Н. Семеновых,
аспирант кафедры ПиПО
Г.Б. Куликов,
д.т.н., профессор, зав. кафедрой ПиПО
С появлением сложных полиграфических механизмов и машин, возникла необходимость следить за их техническим состоянием, выявлять и устранять неисправности. Наилучшим образом эта задача решается методами технической диагностики, в частности виброакустическими.
Актуальность и экономическую целесообразность использования средств виброакустической диагностики сложного механического оборудования подтверждает многолетний отечественный и зарубежный опыт. Методы и средства виброакустического диагностирования начали активно разрабатываться за рубежом с середины 60-х годов прошлого века.
Наблюдающееся в настоящее время стремление к полной автоматизации производства, ввод МЕБ-технологий, все это требует применения все более сложных систем технической диагностики.
В представленном исследовании сделана попытка использовать вейвлет-преобразование в качестве метода формирования диагностических признаков в системе виброакустической диагностики и применение нейросетевой технологии для автоматической идентификации дефекта.
Вейвлет-анализ - это новый способ обработки и исследования сигналов, теория которого разработана сравнительно недавно, с
появлением быстродействующих компьютеров, так как требует большого объема вычислений.
В настоящее время семейство анализаторов, названных вей-влетами, начинает широко применяться в задачах распознавания образов; при обработке и синтезе различных сигналов, например, речевых; при анализе изображений самой различной природы (это могут быть изображение радужной оболочки глаза, рентгенограмма почки, спутниковые изображения облаков или поверхности планеты и т. п.); для изучения свойств турбулентных полей; для свертки (упаковки) больших объемов информации и во многих других случаях.
В процессе диагностики мы рассматриваем непрерывное вей-влет-преобразование, принцип которого состоит в его разложении по базису, сконструированному из вейвлета заранее определенного вида, с использованием оконной техники посредством масштабных изменений и переносов. Результатом разложения является коэффициент аппроксимации С исходного сигнала вейвлетом:
ад
C(scale,position) = J f(t)y(sca/e, position, t)dt. (1)
—ад
Принцип масштабирования вейвлета (рис. 1) заключается в его растяжении и сжатии: коэффициент пропорциональности а (масштабный коэффициент вейвлета) связан обратно пропорционально с его частотой и прямо пропорционально с его временной составляющей.
Принцип переноса заключается в последовательном перемещении вейвлета вдоль линии времени исходного сигнала.
Предполагается, что для получения диагностических признаков важен не столько выбор вида исходной функции (вейвлета), сколько выбор области масштабных коэффициентов, на которых будет производиться анализ.
Рис. 1. Принцип масштабирования вейвлета
Таким образом, результатом вейвлет-преобразования одномерного сигнала является трехмерная область коэффициентов, несущая большое количество информации об эволюции сигнала во времени. Именно возможность отслеживать развитие сигнала во времени является основным преимуществом вейвлет-преобразования перед традиционными частотными методами, а к недостаткам можно отнести его высокую ресурсоемкость.
В данной работе представлены результаты применения вей-влет-преобразования для диагностики кулачкового механизма качающегося стола ниткошвейной машины.
Для исследования влияния зазора в паре кулак-ролик пазового кулачкового механизма привода качающегося стола ниткошвей-ного автомата на его виброактивность было изготовлено 7 пар роликов с диаметрами начиная с номинального 50,0 мм и далее по убывающей до 49,36 мм. Реальная величина зазора с номинальным роликом диаметром 50,00 мм составляет 0,03-0,04 мм.
Для оцифровки полученных с датчиков данных использовался АЦП N1 DAQ, подключенный к персональному компьютеру, работающему с программным обеспечением N1 LabView 8.2. В среде графического программирования LabView была собрана схема (рис. 2), состоящая из: источника сигналов оцифрованных данных, двух осциллографов и блока записи данных.
j Я [
DAQ Assistant data_►
»
ш »
Write То Measurement File
Signals
Рис. 2. Общий вид экспериментальной установки
Спектральный анализ записей показал, что на отдельных частотах наблюдается четкая зависимость амплитуды виброускорения от величины зазора в паре кулак-ролик (рис. 3).
Рис. 3. Спектры вибраций кулачкового механизма
Далее проводилось вейвлет-преобразование сигналов (рис. 4), после которого проводился выбор информативной области масштабных коэффициентов.
Рис. 4. Вейвлет-спектр: вейвлет Хаара, а — ролик d= 50,00, б — ролик d= 49,45
В ходе многочисленных исследований было выявлено, что в определенных масштабных областях коэффициенты более информативны, чем в других.
На рис. 5 приведены результаты анализа роликов, из которых видно, что амплитуда коэффициентов возрастает с увеличением зазора, что позволяет оценивать величину зазора в паре кулак-ролик.
Задачей данной работы являлось исследование вейвлет-пре-образования в качестве метода анализа виброакустического сигнала. На примере качающегося стола ниткошвейной машины, была наглядно продемонстрирована возможность и обоснованность использования вейвлет-анализа для формирования диагностических признаков, дающих полезную информацию для диагностики пары кулак-ролик пазового кулачкового механизма.
Рис. 5. Графики коэффициентов разложения сигналов (ролики 1-7)
вейвлетом Хаара
Рассмотренные ранее методы диагностики основных элементов МС ППМ позволяют определять их техническое состояние и прогнозировать его развитие. Эти алгоритмы могут быть реализованы как на ЭВМ, так и аппаратно. Использование ЭВМ позволяет применить цифровую обработку диагностической информации и нейросетевые технологии для классификации состояний объекта диагностики. Необходимо отметить также, что оцифровка виброакустических сигналов и дальнейшая их обработка на ЭВМ дает возможность существенно сократить расходы на дорогостоящую аналоговую аппаратуру для спектрального анализа.
На основании проделанной работы впервые предложен следующий алгоритм построения диагностических систем с использованием ИНС:
1. Разбиение множества состояний объекта на классы (составление алфавита классов).
2. Выбор пространства признаков и описание на языке признаков классов состояний объекта либо путем непосредственной обработки исходной априорной информации, либо на основе методов обучения или самообучения, разработка технических средств определения признаков.
3. Разработка методов и алгоритмов обработки информации, построение ИНС.
4. Оценка эффективности системы распознавания в различных режимах ее функционирования.
В результате проведенных исследований разработана структура системы технической диагностики (СТД) на основе ИНС, предназначенной для определения технического состояния элементов привода полиграфических машин (рис. 6).
Связь измерительной части СТД с объектом исследования осуществляется посредством совокупности датчиков виброускорения 1. Датчики преобразуют измеряемые физические величины в заряды, являясь первым звеном, представляющим информацию о состоянии объекта исследования. При этом количество датчиков и их расположение на объекте определяются количеством диагностируемых элементов и условиями, обеспечивающими оптимальное пространственное разделение виброакустических сигналов.
ОБЩАЯ ШИНА 18
19 20 21
Рис. 6. Блок-схема системы виброакустической диагностики:
I — датчики; 2 — предварительные усилители заряда; 3 — коммутатор; 4 — измерительный усилитель; 5 — многоканальный АЦП; 6 — датчик частоты вращения; 7 — датчик начала цикла; 8 — модуль быстрого преобразования Фурье; 9 — модуль формирования спектра виброускорения; 10 — модуль расчета информационных частот;
II — модуль расчета огибающей; 12 — модуль формирования спектра огибающей виброускорения; 13 — модуль формирования вектора диагностических признаков; 14 — модуль коммутации; 15 — модуль ИНС; 16 — модуль диагноза и прогноза; 17 — управляющий модуль; 18 — общая шина; 19 — система функциональной диагностики; 20 — блок индикации; 21 — запоминающее устройство
Для преобразования зарядов в электрическое напряжение и усиления этого напряжения используются предварительные усилители 2. С выходов усилителей заряда сигналы поступают на входы коммутатора 3, осуществляющего пространственное разделение сигналов, сформированных различными кинематическими парами. При этом коммутатор подключает один из входных сигналов на свой выход в соответствии с кодом адреса, поступающего по общей шине с выхода блока управления 17.
Особенностью вибрационных сигналов элементов привода полиграфического оборудования является их широкий динамический диапазон, который необходимо согласовывать с относительно узким динамическим диапазоном измерительной части искусственной нейронной сети. С этой целью сигнал с выхода коммутатора подается на вход измерительного усилителя 4. При этом измерительный усилитель, коэффициент усиления которого изменяется по программе блока управления, оценивает его величину и унифицирует сигнал по уровню (ИНС, построенные в среде STATISTICA Neural Network, способны самостоятельно унифицировать входные сигналы в процессе обучения).
Сигнал с выхода измерительного усилителя поступает для дальнейшей обработки на вход многоканального АЦП. Оцифрованный вибрационный сигнал поступает на вход ЭВМ со специальным программным обеспечением, которая управляет работой всех остальных компонентов в реальном времени и на которой осуществляется анализ и визуализация результатов анализа.
В программном модуле 8 осуществляется быстрое преобразование Фурье - выделяются спектральные составляющие сигнала виброускорения. В модуле 10 производится расчет значений информационных частот, зависящих от скорости вращения вала, затем в модуле 9 с учетом априорной информации об информационных частотах формируется спектр исследуемого сигнала виброускорения. Полученный спектр подается на вход модуля формирования вектора диагностических признаков 13.
Параллельно с этим, в модуле 11 формируется огибающая акустического сигнала, затем обычным порядком осуществляется быстрое преобразование Фурье, расчет частот, зависящих от скорости вращения вала, затем в модуле 12 с учетом априорной информации об информационных частотах формируется спектр огибающей исследуемого сигнала виброускорения. Полученный спектр также подается на вход модуля формирования вектора диагностических признаков 13.
При диагностике цикловых механизмов для обеспечения независимости измерения фазовых параметров сигнала от скоростного режима работы машины запись сигнала виброускорения осуществляют относительно начала цикла работы исследуемого механизма. Для этого используется датчик частоты вращения 6 и датчик начала цикла 7.
Унификация сигналов данных датчиков осуществляется предварительными усилителями 4, которые преобразуют сигналы датчиков в прямоугольные импульсы заданной амплитуды и длительности.
Преобразование фазы в цифровой код осуществляется с помощью АЦП. Результаты оцифровки передаются в модуль 13, в котором происходит дальнейшая обработка сигнала с целью увеличения отношения сигнал/шум и вычисление значений диагностических признаков по заданной программе.
Для повышения отношения сигнал/шум может использоваться алгоритм синхронного накопления данных. Полученные спектры виброускорения и огибающих за один цикл работы машины поступают в модуль 13, в котором осуществляется последовательное суммирование значений амплитуд спектральных составляющих на информационных частотах, запоминание результатов и т. д. По окончании ввода и обработки заданного числа реализаций производится расчет средних значений амплитуд спектральных составляющих на информационных частотах. Затем полученные значения поступают в модуль коммутации 14.
Если в машине имеется встроенная система функциональной диагностики 19, то отдельные качественные показатели работы оборудования, контролируемые этой системой, могут быть использованы при формировании вектора диагностических признаков. В этом случае данные системы функциональной диагностики также передаются через общую шину на модуль формирования вектора диагностических признаков 13.
Модуль коммутации 14 в соответствии с выбранным для диагностики элементом передает сформированный вектор диагностических признаков в модуль ИНС 15. Там подключается ИНС соответствующая диагностируемому элементу и осуществляется классификация состояния элемента, результат передается в модуль диагноза и прогноза развития дефекта 16.
Используемые ИНС должны быть предварительно обучены. В процессе обучения множество состояний объекта разбивается на классы, формируется пространство признаков и описываются на языке признаков классы состояний объекта.
Результаты диагноза и прогноза фиксируются в запоминающем устройстве 21 и передаются в блок отображения информации 20 (для этого может быть использована встроенная система функциональной диагностики 19).
Представленная система технической диагностики может использоваться для определения технического состояния таких элементов систем привода полиграфических машин, как подшипники качения, зубчатые передачи, кулачковые механизмы и т. п. Следует отметить, диагностика кулачковых механизмов имеет свои особенности.
Особенностью кулачковых механизмов является явно выраженный цикл работы и жесткая последовательность контакта кинематических пар. Вибрация таких механизмов представляет собой последовательность импульсов, которые характеризуются значительной амплитудой, малой длительностью и высокочастотным заполнением. Ударное возмущение от этих импульсов вызывает отклик элементов механизма на собственных частотах.
Рабочие процессы, протекающие в кулачковых механизмах, являются мощными источниками колебаний и шума. Наиболее важными с точки зрения виброакустической диагностики являются упругие колебания от соударения сопряженных деталей. Переменные нагрузки и изменение направления действующих сил в элементах механизмов при наличии между сопряженными деталями зазоров приводит к ударам, что вызывает вибрацию деталей узла и всей машины. Так как колебания деталей под действием ударов происходят на собственных частотах, характерных для каждого элемента механизма, это облегчает их выделение из общего спектра вибраций. Таким образом, главной особенностью виброакустического сигнала работающего кулачкового механизма является его нестационарность, затрудняющая применение обычного спектрального подхода к формированию диагностических признаков.
Второй, не менее важной особенностью параметров виброакустического сигнала кулачковых механизмов, является то, что колебания, вызванные ударным воздействием, могут быть с достаточной точностью привязаны к углу поворота главного вала машины (фаза цикла). При этом ударные воздействия происходят в соответствии с циклограммой кулачка. Смещение возмущающих процессов в ту или иную сторону по фазе свидетельствует об аномалиях работы механизма, о появлении зазоров, о неправильной регулировке и т. п. Таким образом, диагностирование можно осуществлять, анализируя виброакустический сигнал лишь на определенных временных интервалах, жестко связанных с углом поворота главного вала. Эта операция осуществляется за счет фазовой селекции сигнала с помощью блоков 6, 7.
Совмещение операций фазовой и частотной селекции дает возможность диагностировать состояние отдельных деталей механизма путем исследования виброакустических процессов в определенные моменты времени по углу поворота главного вала и в диапазоне частот собственных колебаний этих деталей.
Для обработки результатов, расчета спектральных характеристик, формирования нейронных сетей и т. д. использовалось программное обеспечение STATISTICA 6 Ru (STATISTICA Neural Networks SN XXDR507C793225FA).
Для практического применения можно использовать опцию «Генератор кода» п/о STATISTICA Нейронные Сети. Он создает исход-
ный код обученной нейронной сети, который может быть откомпилирован и встроен в любое программное обеспечение, в том числе и в систему управления машиной.
Несомненным достоинством предлагаемого метода является возможность использования при построении вектора диагностических признаков любых параметров, отражающих состояние диагностируемой системы. Это позволяет применять в целях технической диагностики качественные показатели работы полиграфического оборудования, субъективное мнение обслуживающего персонала, результаты опроса экспертов и т. д. (необходимо лишь разработать соответствующие алгоритмы формализации данных параметров).
Современные высокоскоростные полиграфические машины оснащаются встроенными системами управления и контроля, позволяющими контролировать технологические отказы, отказы электронного оборудования и отказы механических систем. Использование нейросе-тевых технологий дает возможность дополнить эти системы модулями контроля физического износа оборудования, что несомненно приведет к повышению надежности полиграфического оборудования и снижению затрат на обслуживание.
Построение реальных диагностических систем возможно только при комплексном подходе к решению всей совокупности названных задач.
