Авторитетность издания
Добавить в закладки
Следующий номер на сайте
Разработка методики акустической диагностики шахтного оборудования
Аннотация:Для создания системы интеллектуального управления шахтным оборудованием предложена методика акустической диагностики на основе методов цифровой обработки сигнала, теории распознавания образов и нейросетей, которая использует правила классификации, идентификации параметров эталонов классов, целеобразования, распознавания состояния агрегатов, принятия решений о состоянии агрегата.
Abstract:For creation of a system of intellectual control the mine equipment in the article the method of acoustic diagnostics because of methods of digital processing of a signal, theory of a pattern recognition and neuronets was offered which uses rules of a classification, identification of parameters of the measurement patterns of classes, goal formation, recognition of a condition of aggregates, decision making about a condition of the aggregate.
Авторы: Федоров Е.Е. (fee75@mail.ru) - Донецкий институт автомобильного транспорта, Украина, кандидат технических наук | |
Ключевые слова: распознав, правила целеобразования, идентификации параметров эталонов классов, правила классификации, методика акустической диагностики, многослойный персептрон, методы цифровой обработки сигнала, система интеллектуального управления шахтным оборудованием |
|
Keywords: recognition of a condition of aggregates, rules of a goal formation, identification of parameters of the measurement standards of classes, rules of a classification, technique of acoustic diagnostics, multilayer perceptron, methods of digital processing of a signal, a system of intellectual control the mine equipment |
|
Количество просмотров: 11721 |
Версия для печати Выпуск в формате PDF (4.21Мб) |
Разработка систем для диагностики металлургического и шахтного оборудования в настоящее время особенно актуальна. Так, диагностика 320 подъемных машин выявила, что 111 из них (34 %) имеют дефекты, а к 2015 г. в России выработают свой ресурс 62 % паровых турбин. К наиболее распространенным агрегатам относятся подъемные машины, вентиляторные установки, компрессоры, насосные агрегаты, паровые и газовые турбины. В этих агрегатах самыми аварийными узлами являются подшипники скольжения и качения, рабочий орган, диски рабочего органа, лопаточные аппараты рабочего органа, муфты, редукторы, двигатель. В числе главных отраслевых проблем – снижение аварийности и повышение скорости принятия решений об эксплуатационном состоянии агрегата. Современные методы вибродиагностики позволяют обнаруживать дефекты либо на ранней стадии их появления, либо, наоборот, незадолго до отказа узла. Чаще всего используются метод спектра огибающей, пик-фактор и эксцесс. В работах [1, 2] приведены системы обнаружения неисправностей, выявляющие только определенные дефекты. Кроме того, многие методы часто имеют высокую вычислительную сложность и требуют дорогостоящего оборудования. В последнее время появилась тенденция сочетать методы вибро- и акустической диагностики (например, в измельчительных комплексах и в самолетостроении), что дает более высокую вероятность распознавания неисправностей. Также для решения задач диагностики стали использоваться методы искусственного интеллекта (нейросети, экспертные системы и др.). Для повышения надежности обнаружения неисправностей необходимо разработать методику акустической диагностики шахтного оборудования. Методика акустической диагностики включает в себя расчет собственных частот, а также правила классификации, идентификации эталонов классов, целеобразования, распознавания, принятия решений. Рассмотрим структуру методики подробнее. Расчет собственных частот При работе подшипника с внутренними дефектами во временном вибросигнале появляются характерные частоты и их гармоники, по которым можно достаточно корректно выявить, где имеется дефект. Численные значения частот этих составляющих зависят от соотношения геометрических размеров подшипника и оборотной частоты вращения ротора механизма. В нагруженном подшипнике можно дифференцировать следующие собственные частоты [1]: – частота вращения рабочего органа f1 (Гц):
– частота вращения сепаратора относительно наружного кольца f2 (Гц):
где b2 – угол контакта тел вращения с подшипником (град.) (для радиально-упорного подшипника); b3 – посадочный размер наружного кольца (мм); b4 – посадочный размер внутреннего кольца (мм); b5 – диаметр тела качения (мм); – частота вращения сепаратора относительно внутреннего кольца f3 (Гц):
– частота перекатывания тел качения по наружному кольцу f4 (Гц): – частота перекатывания тел качения по внутреннему кольцу f5 (Гц): – частота вращения тел качения вокруг своей оси f6 (Гц): – частота зубчатого зацепления: – частота вращения лопаточного аппарата: Проблемы монтажа подшипников определяются преимущественно по гармоникам f1. Дефекты элементов подшипников типа скол и раковина определяются преимущественно на наружном кольце по гармоникам f4, на внутреннем кольце по гармоникам f5, на телах качения по гармоникам f6. Дефекты зубчатой муфты определяются по гармоникам f7. Структура нейросетевого классификатора Для проведения акустической диагностики используется полносвязный многослойный персептрон. Структура нейросети представлена на рисунке 1. Количество нейронов в скрытом слое определялось по формуле [3]:
где Правила идентификации эталонов классов Формирование множества собственных частот K агрегата:
где À – множество натуральных чисел; l – номер гармоники (m=1) или субгармоники (m>1); i – номер класса узла агрегата, f1 – собственная частота вращения рабочего органа; f4 – собственная частота перекатывания тел качения по наружному кольцу; f5 – собственная частота перекатывания тел качения по внутреннему кольцу; f6 – собственная частота вращения тел качения вокруг своей оси; f7 – собственная частота редукторов и зубчатых муфт; f8 – собственная частота лопаточного аппарата. 2) Вычисление спектра акустического сигнала
где 3) Локализация максимумов в спектре
4) Пороговые ограничения в спектре
где R – количество частот с ненулевой амплитудой. 5) Центрирование сигнала на основе множества собственных частот K:
6) Обучение нейросети p-й реализации происходит в соответствии с алгоритмом обратного распространения ошибки [3]. Правила целеобразования Функционал цели представлен в виде
где Правила распознавания состояния агрегата 1) Вычисление спектра A(k) виброакустического сигнала x(n) посредством прямого ДПФ:
2) Локализация максимумов в спектре A(k):
3) Пороговые ограничения в спектре
где R – количество частот с ненулевой амплитудой. 4) Центрирование сигнала на основе множества собственных частот K:
5) Нейросетевое распознавание:
Правила принятия решений Правила принятия решений представлены в виде
где Численное исследование Для проведения численного исследования методика акустической диагностики шахтных агрегатов была программно реализована. В качестве измерительных и регистрирующих средств использовался акустический датчик. Для осевого двухступенчатого вентилятора ВОД-21 шахты «Кировская» (г. Кировское, Донецкая обл.) акустический датчик устанавливался рядом с подшипником качения. Для нейросети были определены следующие характеристики: N(0)=200, N(1)=32, N(2)=2, P=128,
В заключение можно отметить следующее. В статье была предложена методика акустической диагностики шахтного оборудования, базирующаяся на методах цифровой обработки сигнала (преобразовании Фурье) и нейросетях (многослойном персептроне). Эта методика учитывает собственные частоты агрегата и включает в себя создание структуры нейросетевого классификатора, правил идентификации эталонов классов, целеобразования, распознавания, принятия решений. На основе предложенной методики проведено численное исследование осевого двухступенчатого вентилятора ВОД-21 и определены неисправности. Основные положения данной работы предназначены для реализации в интеллектуальных системах диагностики неисправностей шахтного оборудования. Они могут использоваться в системах акустической диагностики и интеллектуального управления динамическими объектами. Литература 1. Современные методы и средства виброакустического диагностирования машин и конструкций // Ф.Я. Балицкий, М.Д. Генкин, М.А. Иванова [и др.]; под ред. акад. К.В. Фролова. М., 1990. 252 с. 2. Barkov A.V. Optimization of Monitoring and Diagnostics Methods for the Rotating Machines by Vibration and Noise Measurements // Proc. of the 4th International Congress on Sound and Vibration. St. Petersburg, Russia, 1996, Vol. 3, pp. 1573–1578. 3. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. 102 с. 4. Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов. М.: Радио и связь, 1981. 496 с. |
Постоянный адрес статьи: http://swsys.ru/index.php?page=article&id=2346&lang=&like=1 |
Версия для печати Выпуск в формате PDF (4.21Мб) |
Статья опубликована в выпуске журнала № 3 за 2009 год. |
Возможно, Вас заинтересуют следующие статьи схожих тематик:
- Нейросетевая модель прогнозирования временных рядов финансовых данных
- Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью
- Алгоритм и программная реализация гибридного метода обучения искусственных нейронных сетей
- Автоматизированная система проектирования искусственной нейронной сети
Назад, к списку статей