Впровадження передової методики аналізу вібрації для прогнозного обслуговування обертових машин

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.323894

Ключові слова:

прогнозне обслуговування, машинне навчання, аналіз вібрації, обертові машини, несправності підшипників

Анотація

Це дослідження зосереджено на прогнозованому технічному обслуговуванні обертового обладнання – основного активу в таких галузях, як виробництво, виробництво енергії та транспорт. Проблема, яка розглядається, полягає в частій появі невиявлених несправностей, таких як дефекти підшипників і вигин вала, які можуть призвести до неочікуваних простоїв і значних витрат на технічне обслуговування через обмеження традиційних методів діагностики в складних, шумних середовищах. Для подолання цих проблем було розроблено інтегровану структуру, яка поєднує передові методи вібраційного аналізу (включаючи вейвлет-перетворення та пошук відповідності) із набором найсучасніших моделей машинного навчання, включаючи Random Forest, Support Vector Machine, Gradient Boosting, Convolutional Neural Network і Long Short-Term Memory (LSTM). Цей інноваційний підхід, який характеризується надійним виділенням ознак і можливостями моделювання на основі даних, забезпечує точність виявлення несправностей до 97 %, що відрізняє його від звичайних рішень. Результати демонструють, що підвищена точність і надійність запропонованої інфраструктури ефективно вирішує давні проблеми, пов’язані з неповним виявленням несправностей і простоями в процесах обслуговування. Забезпечуючи масштабоване, стійке до шума рішення, дослідження сприяє розвитку промислових систем завдяки значному скороченню операційних накладних витрат і часу простою, таким чином підтримуючи основні бізнес-операції на максимальній продуктивності

Біографії авторів

Gulsim Rysbayeva, S.Seifullin Kazakh Agrotechnical Research University

PhD

Department of Operation of Electrical Equipment

Anara Umurzakova, S.Seifullin Kazakh Agrotechnical Research University

PhD, Senior Lecturer

Department of Operation of Electrical Equipment

Mohammed Alanesi, Guilin University of Electronic Technology

PhD, Associate Professor

Department of Intelligent Manufacturing Engineering

Посилання

  1. Kumar, P., Hati, A. S. (2020). Review on Machine Learning Algorithm Based Fault Detection in Induction Motors. Archives of Computational Methods in Engineering, 28 (3), 1929–1940. https://doi.org/10.1007/s11831-020-09446-w
  2. Lei, Y., Jia, F., Lin, J., Xing, S., Ding, S. X. (2016). An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data. IEEE Transactions on Industrial Electronics, 63 (5), 3137–3147. https://doi.org/10.1109/tie.2016.2519325
  3. Shao, S.-Y., Sun, W.-J., Yan, R.-Q., Wang, P., Gao, R. X. (2017). A Deep Learning Approach for Fault Diagnosis of Induction Motors in Manufacturing. Chinese Journal of Mechanical Engineering, 30 (6), 1347–1356. https://doi.org/10.1007/s10033-017-0189-y
  4. Samiullah, M., Ali, H., Zahoor, S., Ali, A. (2024). Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing. arXiv. https://doi.org/10.48550/arXiv.2401.15417
  5. Shao, H., Jiang, H., Zhang, X., Niu, M. (2015). Rolling bearing fault diagnosis using an optimization deep belief network. Measurement Science and Technology, 26 (11), 115002. https://doi.org/10.1088/0957-0233/26/11/115002
  6. Bahgat, B. H., Elhay, E. A., Elkholy, M. M. (2024). Advanced fault detection technique of three phase induction motor: comprehensive review. Discover Electronics, 1 (1). https://doi.org/10.1007/s44291-024-00012-3 3
  7. Gawde, S., Patil, S., Kumar, S., Kamat, P., Kotecha, K., Abraham, A. (2023). Multi-fault diagnosis of Industrial Rotating Machines using Data-driven approach: A review of two decades of research. Engineering Applications of Artificial Intelligence, 123, 106139. https://doi.org/10.1016/j.engappai.2023.106139
  8. Chevtchenko, S. F., Santos, Monalisa. C. M. dos, Vieira, Diego. M., Mota, Ricardo. L., Rocha, E., Cruz, Bruna. V. et al. (2023). Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data. Proceeding of the 33rd European Safety and Reliability Conference, 3173–3180. https://doi.org/10.3850/978-981-18-8071-1_p578-cd
  9. Srinivasan, B., Srinivasan, R., Natarajan, B., Agarwal, D., Shashank, S., Anbalagan, S. (2025). Active Foundational Models for Fault Diagnosis of Electrical Motors. https://doi.org/10.2139/ssrn.5101043
  10. Hoang, D.-T., Kang, H.-J. (2019). Rolling element bearing fault diagnosis using convolutional neural network and vibration image. Cognitive Systems Research, 53, 42–50. https://doi.org/10.1016/j.cogsys.2018.03.002
  11. Qi, G., Zhu, Z., Erqinhu, K., Chen, Y., Chai, Y., Sun, J. (2018). Fault-diagnosis for reciprocating compressors using big data and machine learning. Simulation Modelling Practice and Theory, 80, 104–127. https://doi.org/10.1016/j.simpat.2017.10.005
  12. Tian, Y., Fu, M., Wu, F. (2015). Steel plates fault diagnosis on the basis of support vector machines. Neurocomputing, 151, 296–303. https://doi.org/10.1016/j.neucom.2014.09.036
  13. Santos, P., Villa, L., Reñones, A., Bustillo, A., Maudes, J. (2015). An SVM-Based Solution for Fault Detection in Wind Turbines. Sensors, 15 (3), 5627–5648. https://doi.org/10.3390/s150305627
  14. Wong, P. K., Yang, Z., Vong, C. M., Zhong, J. (2014). Real-time fault diagnosis for gas turbine generator systems using extreme learning machine. Neurocomputing, 128, 249–257. https://doi.org/10.1016/j.neucom.2013.03.059
Впровадження передової методики аналізу вібрації для прогнозного обслуговування обертових машин

##submission.downloads##

Опубліковано

2025-02-28

Як цитувати

Rysbayeva, G., Umurzakova, A., & Alanesi, M. (2025). Впровадження передової методики аналізу вібрації для прогнозного обслуговування обертових машин. Eastern-European Journal of Enterprise Technologies, 1(9 (133), 69–79. https://doi.org/10.15587/1729-4061.2025.323894

Номер

Том 1 № 9 (133) (2025): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2025 Gulsim Rysbayeva, Anara Umurzakova, Mohammed Alanesi

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.