Разработать нейросетевой метод диагностики медленно вращающихся подшипников качения на основе преобразования Гильберта-Хуанга.

Подшипники качения – важнейшие узлы в конструкции многих машин и механизмов, их выход из строя является серьезной проблемой, приводит к остановке целого станка, приносит большие убытки. К надёжности подшипников предъявляются высокие требования. По этой причине уже много лет диагностика состояния подшипников качения является предметом интенсивных исследований.

Существующие подходы дают хорошие результаты, когда вал, на котором установлен подшипник, имеет высокую скорость вращения. Однако во многих отраслях промышленности используются низкоскоростные машины – краны, ветряные турбины, экскаваторы и т.д. Подшипники в этих машинах работают в условиях тяжелых нагрузок, экстремальных условий, склонны к разрушению и диагностика их состояния чрезвычайно актуальна. В случае медленно вращающегося подшипника (со скоростью до 5 Гц) его неисправность труднее заметить и диагностировать, так как она реже себя проявляет.

Неисправности в различных частях подшипника приводят к серии периодических ударов, на выявление которых и направлены существующие методы диагностики. Как правило, методы дают хороший результат, когда сила этих ударов достаточно высока, что соответствует высокой скорости вращения вала, на котором установлен подшипник. В случае низких скоростей признаки неисправности скрыты в зашумленном измеренном сигнале и обычные схемы, например, метод ударных импульсов, не могут обнаружить дефект.

В работе рассматривается задача диагностики состояния медленно вращающегося подшипника и предлагается метод, основанный на предварительной очистке сигнала от шума с помощью вейвлет-разложения с пороговой обработкой на основе сигмоидальной функции для сжатия вейвлет-коэффициентов. После очистки от шума остаточный сигнал подвергается обработке с помощью анализа огибающей. Метод анализа огибающей является одним из известных и широко используемых методов диагностики состояния подшипника, но далеко не всегда определяет верно тип дефекта, труден для автоматизации и требует специально обученный персонал для анализа спектра огибающей.

Разработанный метод требует привлечения специалистов по обработке данных только на этапе обучения модели, а в дальнейшем нейронная сеть способна сама классифицировать типы сигналов.

В работе представлен метод диагностики состояния медленно вращающихся подшипников качения на основе преобразования Гильберта-Хуанга и сверточной нейронной сети. Решены следующие задачи.

1. Изучен характер сигналов вибрации для нормального и дефектного подшипника.
2. Построены изображения спектров Гильберта для вибрационных сигналов подшипников.
3. Обучена сверточная нейронная сеть для классификации изображений спектров Гильберта.
4. Разработанная модель протестирована на тестовых данных.

Разработанная модель демонстрирует высокую точность 99.5% и может использоваться для диагностики состояния медленно вращающихся подшипников качения. Дальнейшие исследования будут направлены на тестирование предложенной модели на сверхмедленных подшипниках качения (с частотой вращения до 1 Гц).

Разработанная модель определения состояния низкоскоростных подшипников позволит:

• снизить простои оборудования из-за неожиданной поломки,
• своевременно выводить механизм в ремонт,
• увеличить сроки безаварийной эксплуатации,
• повысить межремонтный ресурс механизмов,
• повысить интенсивность работы оборудования,
• повысить уровень производительности,
• снизить расход запасных частей,
• уменьшить финансовую нагрузку на владельца оборудования.

Способность модели определять тип дефекта позволит также оценить остаточный ресурс, т.к., например, подшипник с дефектом на внешней дорожке прослужит дольше, чем с дефектом на внутренней.