В этом рассказе я собираюсь обобщить статью о использовании методов машинного обучения при обнаружении неисправностей подшипников. Статья называется «Анализ вибрации для обнаружения и классификации неисправностей подшипников с использованием интеллектуального фильтра». была опубликована в журнале Mechatronics в 2014 году. В данной статье предлагается интеллектуальный метод на основе искусственных нейронных сетей (ИНС) для обнаружения дефектов подшипников асинхронных двигателей.

Важность темы

Асинхронные двигатели со многими важными преимуществами, такими как высокая
надежность и производительность, играют решающую роль во многих отраслях промышленности. Несмотря на свою надежность, они подвержены некоторым сбоям. Методы обнаружения неисправностей можно разделить на три группы: методы, основанные на сигналах, на знаниях и на моделях. Методы, основанные на знаниях, используют интеллектуальные методы, такие как нечеткие системы и нейронные сети, например, для диагностики неисправностей в асинхронных двигателях. В этой статье основное внимание уделяется методам, основанным на знаниях. Согласно анализу причин отказов асинхронных двигателей, неисправность подшипника является основным источником большинства механических неисправностей.

Следовательно, обнаружение неисправностей подшипников и устранение неисправностей на ранних стадиях снизит стоимость нежелательного останова.

Найдите проблему

Состояние подшипников можно очень хорошо контролировать с помощью вибрации машины (среди многих методов мониторинга состояния). Это связано с тем, что неисправности подшипников обычно вызывают последовательные и периодические импульсы вибрации машины, вызванные прохождением шарикового подшипника через дефектные точки. Когда мы записываем вибрацию машины, у нас есть данные во времени, которые представляют собой сверхсложную диаграмму, которую может проанализировать человек. Чтобы решить эту проблему, инженеры преобразовали эту диаграмму во временной области в диаграмму в частотной области, которая намного проще для наблюдения и обнаружения аномального поведения. это также называется «спектром». Самый простой метод преобразования в частотную область, используемый для обнаружения неисправности подшипника, - это быстрое преобразование Фурье (БПФ).
Проблема №1) Воздействие вибрации, вызванной неисправностью подшипника, имеет относительно низкую энергию и часто сопровождается высоким энергетическим шумом и вибрацией, создаваемой одновременно активным оборудованием. Поэтому трудно идентифицировать неисправность подшипника в спектрах с использованием обычных методов БПФ.
Проблема № 2) Использование БПФ для обнаружения неисправностей необходимо полагаться на параметры подшипника, такие как количество шариков и размер, это означает, что эти решения специфичны для каждой машины в зависимости от ее характеристик.

Предложите решение

В предлагаемом методе сначала оцениваются здоровые составляющие вибросигнала с помощью интеллектуального фильтра, созданного на основе NN. Обратите внимание, что эта сеть обучается в нормальных условиях. Следовательно, когда измеренный сигнал вибрации проходит через этот фильтр, компоненты, которые существуют в исправном состоянии, удаляются, а выходной сигнал фильтра содержит компоненты, относящиеся к неисправным условиям (решает проблему № 1). На следующем этапе характеристики отфильтрованного сигнала во временной области извлекаются для использования в качестве входных данных классификатора, чтобы отличить локализацию неисправности (решает проблему № 2).

Следует отметить, что этот подход не требует каких-либо параметров пеленга
для расчета частот дефектов, поскольку он использует только характеристики временной области
(а не частотной области) для обнаружения неисправностей.

Реализация решения

Как упоминалось в предыдущем разделе, сначала нам нужно удалить ненужную часть выборочных данных, которая является исправной частью или частями, которые связаны с другими дефектами (не несущими).

v (n): сигнал вибрации двигателя.
y (n): оценочная несущественная часть сигнала вибрации (компоненты неисправности, не связанные с подшипником
).
e (n): неисправная часть сигнала вибрации .
n0: Количество выборок данных.

Для создания фильтра RNFC можно использовать несколько алгоритмов. В этой статье NN выбрана из-за ее преимуществ. Рассматриваемый фильтр RNFC представляет собой нейронную сеть Adaptive Linear Neuron (ADALINE) с функциями активации purelin. Для достижения здоровой части в качестве цели применяется метод контролируемой тренировки.

Стоит отметить, что этот процесс обучения для RNFC-фильтра нужен всего один раз. Более серьезное повреждение подшипника приводит к более значительной выходной амплитуде фильтра RNFC. Следовательно, этот сигнал можно использовать как индикатор для обнаружения неисправности в двигателе. Обратите внимание, что анализ этой информации позволяет нам только обнаружить неисправность, другими словами, он не может определить, где находится повреждение. Исходя из этого соображения, в следующем разделе предлагается классификация неисправностей с использованием выходного сигнала фильтра RNFC для определения места неисправности.
Целью этого раздела является классификация исправных и неисправных подшипников по четырем категориям, включая исправное состояние, дефект внутреннего кольца и т.д. дефект внешнего кольца и двойные отверстия в наружном кольце. Для обучения классификатора на основе нейронной сети необходимо выбрать правильные характеристики из выходных данных фильтра RNFC. Выбраны следующие четыре функции:

Среди различных методов реализации NN показано, что MLP (Multi-Layer Perceptron) превосходит другие по скорости. Следовательно, если скорость является важным фактором, MLP может быть более подходящим.

Использование решения в действии

Трехфазный четырехполюсный асинхронный двигатель 1,2 кВт, 380 В, 1500 об / мин используется для сбора экспериментальных данных. Подшипники вала и вентилятора - 6205–2Z. Сигнал вибрации измеряется картой сбора данных Advantech PCI-1711 с частотой дискретизации 32 кГц с использованием акселерометра B&K 4395.

После завершения обучения RNFC тестовый вход должен быть извлечен
из дискретизированного сигнала вибрации в виде входных шаблонов. Чтобы собрать входной прототип для обучения второй нейронной сети, различные периоды ошибочных сигналов вибрации рассматриваются как входные данные для фильтра RNFC. Период выходной амплитуды фильтра RNFC для четырех различных категорий неисправностей показан на следующем рисунке.

Оценка

Возможность предлагаемого метода, очевидно, подтверждается сравнением результатов таблицы 1 с результатами системы обнаружения неисправностей без фильтра RNFC (только классификатор), которые перечислены в таблице 2.

Устойчивость предложенного метода при наличии сигналов низкого качества показана в таблице 4, в которой сравнивается обнаружение неисправности при наличии дискретизированных сигналов низкого качества с использованием фильтра RNFC с системой без фильтра.

Таким образом, этот метод можно использовать в шумной промышленной среде для высокопроизводительного обнаружения неисправностей.

Заключение

В этой статье предлагается новый двухэтапный алгоритм обнаружения и классификации неисправностей. На первом этапе нейронной сетью создается фильтр, чтобы исключить ненесущий компонент неисправности в дискретизированном сигнале. Этот фильтр называется фильтром удаления ненесущих компонентов неисправности (RNFC). На следующем этапе характеристики временной области извлекаются из выходных данных фильтра RNFC и применяются к другой нейронной сети в виде функций-прототипов для обнаружения неисправностей с использованием метода распознавания образов.

Ссылки:
https://www.sciencedirect.com/science/article/abs/pii/S095741581400004X