Визначення ефективності методів обробки вібраційних сигналів предиктивної діагностики електродвигуна

Автор(и)

  • Тарас Григорович Баган Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0002-0146-577X
  • Владислав Сергійович Темчур Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0009-0003-4715-1623
  • Валерій Павлович Бунь Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0002-4541-8334

DOI:

https://doi.org/10.15587/1729-4061.2025.320425

Ключові слова:

прогнозне технічне обслуговування, машинне навчання, вібраційний аналіз, частотний аналіз, нейронні мережі

Анотація

Об’єктом дослідження є вібраційні сигнали, які були отримані від двигунів з наявними дефектами. Проблема, яка вирішувалася у рамках даного дослідження, полягає в необхідності створення точної та надійної системи предиктивної діагностики, здатної автоматично розпізнавати несправності електродвигунів, незважаючи на вплив зовнішніх шумів, складні експлуатаційні умови та схожість характеристик сигналів різних типів дефектів.

Суть отриманих результатів полягає у створенні методики, що включає кілька етапів обробки вібраційного сигналу та використання згорткової нейронної мережі (CNN) для ідентифікації та класифікації станів двигуна. На першому етапі сигнал обробляється у часовій області, де аналізуються його основні характеристики. Потім за допомогою швидкого перетворення Фур’є (FFT) сигнал перетворюється в частотну область для виділення його спектральних компонент. Для отримання більш інформативного представлення сигналу застосовується короткочасне перетворення Фур’є (STFT), яке дозволяє отримати частотно-часову характеристику у вигляді спектрограми. Отримані спектрограми представляють вібраційний сигнал у формі, придатній для обробки згортковою нейронною мережею, яка виконує їх подальній аналіз.

Використання CNN як основного інструменту аналізу дозволило досягти високих результатів у класифікації станів двигуна. За результатами експериментів модель показала точність 100% у виявленні різних типів несправностей двигуна, включно з найскладнішими для діагностики станами. Такий високий рівень точності пояснюється здатністю нейронної мережі ефективно обробляти спектрограми та виявляти приховані закономірності у даних. Крім того, застосування STFT забезпечило збереження критично важливої часово-частотної інформації, яка не доступна при використанні тільки традиційного FFT.

Основною перевагою запропонованого підходу є його універсальність та адаптивність до різних типів двигунів і несправностей. Методика може бути використана у промислових умовах для автоматизованого моніторингу стану обладнання. Це дозволяє своєчасно виявляти несправності, запобігати аварійним ситуаціям, знижувати витрати на обслуговування та підвищувати загальну надійність обладнання. Запропонований підхід є особливо корисним у застосуваннях, де необхідна висока точність діагностики та швидке реагування на зміну стану двигуна

Біографії авторів

Тарас Григорович Баган, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Кандидат технічних наук

Кафедра автоматизації енергетичних процесів

Владислав Сергійович Темчур, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Кафедра автоматизації енергетичних процесів

Валерій Павлович Бунь, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Кандидат технічних наук

Кафедра автоматизації енергетичних процесів

Посилання

  1. Zhao, C., Gao, F. (2016). Fault Subspace Selection Approach Combined With Analysis of Relative Changes for Reconstruction Modeling and Multifault Diagnosis. IEEE Transactions on Control Systems Technology, 24 (3), 928–939. https://doi.org/10.1109/tcst.2015.2464331
  2. Gao, Z., Cecati, C., Ding, S. X. (2015). A Survey of Fault Diagnosis and Fault-Tolerant Techniques – Part I: Fault Diagnosis With Model-Based and Signal-Based Approaches. IEEE Transactions on Industrial Electronics, 62 (6), 3757–3767. https://doi.org/10.1109/tie.2015.2417501
  3. Rahman, T. A., Chek, L. W., Ramli, N. (2019). Intelligent vibration-based anomaly detection for electric motor condition monitoring. 9th Iranian Joint Congress on Fuzzy and Intelligent Systems. Available at: https://www.researchgate.net/publication/357459169_Intelligent_Vibration-based_Anomaly_Detection_for_Electric_Motor_Condition_Monitoring
  4. Tahir, M. M., Khan, A. Q., Iqbal, N., Hussain, A., Badshah, S. (2017). Enhancing Fault Classification Accuracy of Ball Bearing Using Central Tendency Based Time Domain Features. IEEE Access, 5, 72–83. https://doi.org/10.1109/access.2016.2608505
  5. El Bouharrouti, N., Morinigo-Sotelo, D., Belahcen, A. (2023). Multi-Rate Vibration Signal Analysis for Bearing Fault Detection in Induction Machines Using Supervised Learning Classifiers. Machines, 12 (1), 17. https://doi.org/10.3390/machines12010017
  6. Ahmed, H. O. A., Nandi, A. K. (2022). Vibration Image Representations for Fault Diagnosis of Rotating Machines: A Review. Machines, 10 (12), 1113. https://doi.org/10.3390/machines10121113
  7. Łuczak, D. (2024). Machine Fault Diagnosis through Vibration Analysis: Continuous Wavelet Transform with Complex Morlet Wavelet and Time–Frequency RGB Image Recognition via Convolutional Neural Network. Electronics, 13 (2), 452. https://doi.org/10.3390/electronics13020452
  8. Ullah, N., Ahmad, Z., Siddique, M. F., Im, K., Shon, D.-K., Yoon, T.-H. et al. (2023). An Intelligent Framework for Fault Diagnosis of Centrifugal Pump Leveraging Wavelet Coherence Analysis and Deep Learning. Sensors, 23 (21), 8850. https://doi.org/10.3390/s23218850
  9. Wen, L., Li, X., Gao, L., Zhang, Y. (2018). A New Convolutional Neural Network-Based Data-Driven Fault Diagnosis Method. IEEE Transactions on Industrial Electronics, 65 (7), 5990–5998. https://doi.org/10.1109/tie.2017.2774777
  10. Wang, H., Li, S., Song, L., Cui, L. (2019). A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals. Computers in Industry, 105, 182–190. https://doi.org/10.1016/j.compind.2018.12.013
  11. Kuwalek, P., Otomanski, P. (2019). The Effect of the Phenomenon of “Spectrum Leakage” on the Measurement of Power Quality Parameters. 2019 12th International Conference on Measurement. https://doi.org/10.23919/measurement47340.2019.8779957
  12. Zarei, J., Tajeddini, M. A., Karimi, H. R. (2014). Vibration analysis for bearing fault detection and classification using an intelligent filter. Mechatronics, 24 (2), 151–157. https://doi.org/10.1016/j.mechatronics.2014.01.003
  13. Temchur, V. S., Bahan, T. H. (2023). Predictive maintenance techniques using deep learning algorithms. Scientific Notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 6, 155–162. https://doi.org/10.32782/2663-5941/2023.6/23
  14. Wang, Z., Song, J. (2017). Equivalent linearization method using Gaussian mixture (GM-ELM) for nonlinear random vibration analysis. Structural Safety, 64, 9–19. https://doi.org/10.1016/j.strusafe.2016.08.005
  15. Perera, L. P., Mo, B. (2016). Data analysis on marine engine operating regions in relation to ship navigation. Ocean Engineering, 128, 163–172. https://doi.org/10.1016/j.oceaneng.2016.10.029
Визначення ефективності методів обробки вібраційних сигналів предиктивної діагностики електродвигуна

##submission.downloads##

Опубліковано

2025-02-05

Як цитувати

Баган, Т. Г., Темчур, В. С., & Бунь, В. П. (2025). Визначення ефективності методів обробки вібраційних сигналів предиктивної діагностики електродвигуна. Eastern-European Journal of Enterprise Technologies, 1(1 (133), 6–16. https://doi.org/10.15587/1729-4061.2025.320425

Номер

Том 1 № 1 (133) (2025): Виробничо-технологічні системи

Розділ

Виробничо-технологічні системи

Ліцензія

Авторське право (c) 2025 Taras Bahan, Vlad Temchur, Valerii Boun

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.