WO2022167853A1 - Способ и устройство для виброакустического анализа промышленного оборудования - Google Patents

Способ и устройство для виброакустического анализа промышленного оборудования Download PDF

Info

Publication number
WO2022167853A1
WO2022167853A1 PCT/IB2021/056223 IB2021056223W WO2022167853A1 WO 2022167853 A1 WO2022167853 A1 WO 2022167853A1 IB 2021056223 W IB2021056223 W IB 2021056223W WO 2022167853 A1 WO2022167853 A1 WO 2022167853A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
equipment
machine learning
vibration
sensors
Prior art date
Application number
PCT/IB2021/056223
Other languages
English (en)
French (fr)
Inventor
Александр СМЕТАНКИН
Original Assignee
Закрытое Акционерное Общество "Нейротекнолоджийос"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from RU2021102562A external-priority patent/RU2783860C2/ru
Application filed by Закрытое Акционерное Общество "Нейротекнолоджийос" filed Critical Закрытое Акционерное Общество "Нейротекнолоджийос"
Priority to EP21924518.0A priority Critical patent/EP4290204A1/en
Publication of WO2022167853A1 publication Critical patent/WO2022167853A1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Definitions

  • the proposed technical solution relates to systems for vibration and / or acoustic control of industrial equipment operating modes, in particular, rotation mechanisms using machine learning technology.
  • a significant part of industrial equipment contains rotating parts such as rotors, turbine shafts, bearings and similar mechanisms and parts as main or auxiliary elements. All of them, to one degree or another, are subject to wear, which during the operation of the equipment can cause unwanted vibration or acoustic vibrations that propagate throughout the equipment and into the environment.
  • Some types of fluctuations indicate serious malfunctions in the operation of the equipment, for example, the imminent failure of some parts, especially bearings of various types. This can lead to premature failure of the equipment itself, thereby damaging the production process. Vibration and acoustic analysis allows you to detect a malfunction at an early stage of its development.
  • vibration and acoustic patterns are a normal part of equipment operation due to the presence of many moving parts and mechanisms.
  • a change in the vibroacoustic signature of the equipment may be associated with the transition from one normal operation mode of the equipment to another, caused, for example, by a change in the shaft rotation speed. Therefore, systems and methods are needed to analyze the operating modes of the equipment in order to identify modes that are potentially dangerous for the normal operation of the equipment.
  • the invention relates to measuring devices, namely to devices for monitoring the technical condition of an object.
  • the device consists of a housing that includes a monitoring module on a board with a microcontroller, an information storage module, an information analysis module, an information input / output module and a transceiver connected to external auxiliary equipment, a current sensor, a voltage sensor and a measuring head housing with sensors installed on its housing temperature, noise and vibration.
  • the invention relates to the monitoring of a device having a moving part, in particular a rotating part, the device comprising: a control module configured to receive a vibration signal of the device, equipped with a sensor connected to the device providing the spectrum of the vibration signal, pre-processing spectrum to determine base frequencies and spur frequencies, where base frequencies are frequencies whose peak power corresponds to the device's natural frequencies or fault frequencies, and spur frequencies correspond to other frequencies. Then, base frequencies and side frequencies are processed, separately applying one-class classification to the base frequencies and side frequencies, combine the results of one-class classifications, thereby obtaining a classification signal that represents a confidence level of 1, and output a decision support signal based on the classification signal, this support signal decision indicates the error status of the monitored device.
  • the invention is also not without drawbacks, including the inability to receive information about the sound accompaniment of the operation of the equipment, since it is known that the sound corresponding to any defect appears in the early stages of equipment damage, before the moment when it is possible to fix deviations in the level of vibrations that occur. inherent in this type of defect.
  • the disadvantages also include the requirement to know the frequency of failure, which is a disadvantage when trying to detect defects previously unknown.
  • the invention discloses methods and systems for analyzing an engine imbalance condition.
  • the method includes receiving data from vibration sensors from a plurality of locations distributed throughout the engine and surrounding engine support structure, inputting said data into an inverse neural network model.
  • the model establishes a relationship between the vibration data and the motor imbalance condition and outputs diagnostic information indicating the motor imbalance condition.
  • the method includes processing the vibration data with a Fast Fourier Transform to extract the desired vibration data once per revolution before being fed into the inverse neural network model.
  • the disadvantages of this technical solution include the lack of mention of the possibility of retraining the neural network in real time, as well as the need to install multiple sensors and the lack of analysis of acoustic signals.
  • the current level of technology does not contain information about devices and methods that solve the problem of creating a manufacturable and reliable device and its method of operation, which make it possible to improve the ability to recognize abnormal and potentially emergency modes of operation of industrial equipment with rotating parts, which will reduce the failure rate due to early detection faults, reduce downtime and avoid costly repairs to key pieces of equipment.
  • An additional technical result is the portability of the device, which allows expanding the scope of its application.
  • a device for vibroacoustic analysis of equipment containing rotating parts is characterized by the presence of at least one sensor for obtaining vibration data, data processing means with the possibility of obtaining and extracting from data received from sensors on the modes of operation of the equipment, at least one sensor for obtaining data on acoustic vibrations and machine learning tools associated with data processing tools for recognizing and / or remembering the operating modes of the equipment.
  • the device is characterized in that it is provided with at least one sensor for obtaining data on acoustic vibrations and machine learning tools associated with data processing means for recognizing and/or storing equipment operation modes.
  • the device is designed to be mounted on the equipment in such a way that the sensors capture the vibration and acoustic data of the rotating parts.
  • machine learning tools are configured to cluster data.
  • the device is provided with a power source.
  • the vibration sensor is configured to receive vibration data along three axes.
  • the vibration sensor is made in the form of an accelerometer.
  • the senor for obtaining data on acoustic vibrations is made in the form of a microphone.
  • data processing facilities are implemented as a system on a chip.
  • the extracted data are mathematically converted signals from the sensors, formed into a feature vector.
  • the device in the general case of implementation contains sensors that dynamically receive data on the vibrational and acoustic components (signature) during operation of the equipment. These devices may be, for example, as indicated in particular cases, an accelerometer and a microphone, respectively. Then the data in the form of signals in digitized form is sent to the processing means in the form of a computer system with a processor capable of analyzing, mathematical transformations of the received data and transmitting them in processed form to machine learning tools. Under the processed type of data in the context of the present invention is understood a feature vector X, consisting of components extracted by mathematical, in particular, fast Fourier transforms and wavelet transforms, from signals received from vibration and acoustic vibration sensors.
  • the feature vector incoming for analysis is recognized and checked for the condition of being known for the indicated machine learning tools. In case of uncertainty, the feature vector is recorded and then clustered. The cluster is subsequently assigned a category.
  • machine learning tools for the analysis of the feature vector built on the basis of a neuromorphic processor, allows you to quickly and dynamically analyze the feature vectors coming from the data processing tools and obtain real-time information about the equipment operation modes. This information is needed to assess the condition of the equipment and make maintenance decisions.
  • the device can be equipped with its own power supply, which allows you to create a compact solution that is energy independent from external sources, which is advisable to use as portable diagnostic equipment to check the condition of moving parts and mechanisms.
  • the device can also be used as an integral part of the equipment control system. In this case, there are no requirements for its energy autonomy and transportability. Thus, it can be integrated into the electrical circuit of said control system.
  • SoC System-on-crystal
  • Providing the device with the means of outputting information about the operation of the equipment refers to the use of various interfaces for connecting to peripheral equipment. It is proposed to use Ethernet as a standard interface. Additionally, a Wi-Fi interface can be implemented to connect to mobile devices based on Android ® and iOS ® systems.
  • the device may contain a case in which all its components are placed - this solves the problem of portability.
  • the power supply may be integral with the case, or the device may be provided with mains power.
  • the sensors in the preferred embodiment, are located inside the case to ensure portability of the device. When making sensors inside the housing, the latter can be equipped with a pin installed in the appropriate mounting hole on the equipment to provide better contact for the transmission of vibroacoustic vibrations.
  • the group of inventions also includes a method partially disclosed in the description of the device above.
  • the method of vibroacoustic analysis of equipment containing rotating parts is characterized by the following features: obtaining information about vibration and/or acoustic vibrations of rotating parts of equipment by means of data processing, mathematical processing of the obtained data with feature extraction, generation of a feature vector and transmission to machine learning tools for recognition and/or or memorization.
  • the method is characterized by the fact that machine learning tools cluster the recognized feature vectors.
  • the method is characterized by the fact that by means of machine learning clusters are assigned categories corresponding to the operating modes of the equipment
  • mathematical processing includes the extraction of features from the received data on vibration and/or acoustic vibrations by means of fast Fourier transforms, wavelet transforms, empirical mode decomposition, empirical cumulative distribution function.
  • the data received by the sensors is digitized before analysis by means of data processing.
  • the method provides the output of information about the operating modes of the equipment to the means of displaying data.
  • the specified feature vector is memorized by machine learning tools and subsequently clustered.
  • the basis of the method is a block of mathematical transformations provided by extracting features from the data coming to the processing means from sensors, further recognition of the feature vector generated from the results of these transformations in the form of a feature description of data on vibration and acoustic vibrations that changes dynamically, and clustering by means of machine learning of feature vectors into groups united by common signatures.
  • Clusters can be assigned a category that allows you to navigate in the recognized modes, and it is possible to display information, for example, about abnormal modes.
  • the extraction of features from the initial data is carried out by, in particular, fast Fourier transforms, wavelet transforms, which allow to extract the components that characterize it from the signal from the sensors.
  • the categorization of clusters is carried out in order to identify abnormal and potentially emergency modes of equipment operation.
  • the features extracted from the data coming from the sensors are obtained by mathematical transformations, including fast Fourier transforms, wavelet transforms, empirical mode decomposition, empirical cumulative distribution function. Transformation of data by the indicated methods makes it possible to highlight the key features of the signals received from the sensors, which subsequently allows, on the basis of the generated vectors, to determine the presence of an atypical operating mode in the vibroacoustic signature of the equipment.
  • the method can provide for the output of information, for example, about the abnormal operation of the equipment through an external interface to a peripheral device.
  • the latter are programmed so that the (new) feature vectors unknown from previous iterations are recorded by the specified tools and automatically determined into the corresponding clusters. If the recorded vector cannot be assigned to an existing cluster, then a new cluster is created and the specified vector is assigned to the newly created cluster. This allows you to identify new modes of operation of the equipment, which may be abnormal and lead to malfunctions of its rotating parts.
  • SoC data processing facilities
  • an indication of a composite element of the device also means an indication of the totality (set) of such elements.
  • equipment containing rotating parts means devices in which, during their operation, some parts and / or mechanisms perform rotational movement. Such devices may include equipment containing shafts, turbines, drums, threshing and crushing devices. Vibration refers to mechanical vibrations of solids in the frequency range of 1.6 - 1500 Hz, in relation to the present group of inventions, vibrations include vibrations that occur when equipment is operating with moving parts, mainly by rotation.
  • Acoustic vibrations are understood as vibrations of an elastic medium: air, solids causing the propagation of elastic waves in them in the range from 6 to 20,000 Hz.
  • Data processing means is understood as a set of software and hardware designed to receive, analyze, process, convert data, in particular, coming from vibration and acoustic vibration sensors. In general, these means can be made in the form of an electronic device equipped with a processor and memory that executes the corresponding program code. Under the extraction of information is meant the implementation of such mathematical transformations on the data received from sensors, the result of which leads to the possibility of obtaining information about the mode of operation of the equipment.
  • Machine learning means a software and hardware system that uses neural network models to recognize, record and group data from sensors subjected to mathematical transformations.
  • a feature vector is understood as a data input method for a machine learning tool, in which a vector is formed, composed of values (features) corresponding to a set of features that describe an object.
  • the object in the context of the present invention, are vibration and acoustic data obtained from sensors.
  • the values from which the vector is formed are obtained by performing mathematical transformations of the specified data.
  • memorization referring to the operation of machine learning tools, characterizes the recording and subsequent clustering of the feature vector received for analysis.
  • compositions, object or method but does not exclude the presence of other components, materials, parts, steps of the method , even if such a component, material, part, step of the method performs the same function as the specified one.
  • an electronic device that implements the vibroacoustic analysis method for detecting faults in bearings and gears of industrial equipment.
  • the device uses an unsupervised self-learning algorithm for early detection of faults in industrial equipment based on a combined algorithm for vibroacoustic analysis of signal clustering and further recognition using the NM500 neuromorphic chip.
  • the device studies data without having information about the types of failures, and when the studied modes of operation of nodes or assemblies converge to a certain number, it is assumed that the device has studied all the normal modes of operation of the equipment. Then, during operation, the distances between clusters of input processed data are compared with previously learned data (cluster centers), using the NM500 chip.
  • the device is capable of detecting anomalous new data that was previously unknown.
  • the categories (clusters) discovered and learned at the training stage are categories that can be attributed to the normal operating modes of the equipment. If during operation of the device after the completion of the learning stage, the newly formed cluster that appeared during feature recognition belongs to the category of new and unknown, this is reported to the maintenance personnel.
  • the proposed device refers to electronic devices with internal software designed to process vibration acceleration along three axes and a sound signature coming from a three-axis accelerometer and microphone located inside the case.
  • the device in accordance with the schematic diagram of the components presented on , is structurally made in a housing with dimensions of 50x50x40 mm, at the base of which a metal threaded stud is fixed, which serves for fastening on industrial equipment (screwing into equipment) through which vibration and acoustic vibrations of the controlled equipment are transmitted.
  • the housing can be made of any material that does not have significant vibration-absorbing properties.
  • the body base is made of metal.
  • An accelerometer (1) is installed inside the case, which records vibration vibration readings, a broad-spectrum microphone (2) for capturing acoustic vibrations of equipment during operation.
  • sensors are connected by electrically conductive circuits to a single-chip ZYNQ 7020 system (3) made on a printed circuit board containing the appropriate connectors for connecting peripheral equipment, in this case, sensors, and a RAM module soldered on the board (4).
  • RAM (4) can also be soldered on the board without the possibility of extraction.
  • the system (3) is connected via a cross-connector on the printed circuit board to the NM500 neuromorphic processor (5).
  • the system is powered by a built-in power supply (6) connected to the printed circuit board through the appropriate power circuit.
  • the printed circuit board also has at least one interface connector (7) for transferring processed data to other devices, such as personal computers, terminals, mobile devices. In a particular case, an Ethernet connector is installed as an interface.
  • accelerometer (1) and microphone (2) are placed outside the case.
  • either connectors for connecting cables leading from sensors must be made in the case, or the device must be equipped with components that provide wireless data transmission from sensors (1, 2) to a single-chip system (3).
  • These can be transceivers operating according to the Wi-Fi standard, Bluetooth or other similar standards.
  • it is necessary to provide for high noise immunity of data transmission protocols and the availability of own power supplies for sensors (1, 2). Otherwise, structurally, the device repeats that described in Fig. one.
  • the device in the rest of the design, can be made as , as well as , however, the difference lies in the use of the Wi-Fi/Bluetooth module (8), which can be made in the case.
  • the Wi-Fi/Bluetooth module (8), which can be made in the case.
  • this module it is possible to transmit diagnostic information about the state of the equipment in the form of, for example, error codes or insecure modes to mobile devices or terminals.
  • the device works as follows.
  • the pin of the device body is installed in the corresponding slot of the equipment being diagnosed.
  • vibration and acoustic vibrations propagating through the equipment and into the environment are captured by a three-axis accelerometer (1) and a microphone (2), digitized by the sensors themselves, or transmitted for digitization to a ZYNQ 7020 single-chip system (3) for analysis.
  • System (3) performs mathematical transformations with the received data, extracting features from them and forming a vector from the extracted features, thus compiling a feature description of the object.
  • RAM serves to execute the program, store the program being executed, as well as to store the input, output and intermediate data processed by the system (3).
  • the resulting feature vector is passed for analysis to machine learning tools - the neuromorphic processor NM500 (5), which performs feature vector recognition and its clustering.
  • the distances between the input processed data clusters are compared with the previously learned data (cluster centers) using the NM500. If the feature vector, composed of the features of the current cluster, characterizing the mode of operation of the equipment, does not match the previously learned vectors, compiled according to the same principle, a conclusion is made about the presence of a new, previously unknown mode of operation of the equipment.
  • the method according to [ Figure 4], consists of the following operations. Stage 100 - power supply and start of the algorithm (fixing the device on the equipment being diagnosed), provided that the device is mounted on the equipment.
  • initial data is entered for specific equipment; in blocks 110, 120, data is received in dynamic mode from vibration sensors, along three axes, and acoustic vibrations, respectively.
  • the initialization check is carried out - the procedure for assigning the parameters of mathematical algorithms necessary for subsequent data processing. If initialization has not been performed, then in blocks 200 ... 202, the parameters of mathematical algorithms are initialized in accordance with the initial parameters of the equipment known in step 101. By converting the data at the output of block 203, a description of the signal characteristics is obtained, which allows further analysis.
  • diagnostic information about the current mode of operation of the monitored equipment is not available until the equipment is monitored for a certain time. This is necessary to dynamically determine the upper and lower limits of the incoming signal and adjust to the characteristics of the input signal and must be performed continuously during operation of the device.
  • various mathematical transformations are performed by means of data processing, in particular, fast Fourier transforms, wavelet transforms, empirical mode decomposition, empirical cumulative distribution function to extract features from the data received for processing and generate a feature vector.
  • the generated feature vector 303 is input to block 304, where further the machine learning tools recognize and check the knownness of the specified vector 305. If the vector is known, then step 310 discards it and returns to step 303, where a new feature vector is generated. If the feature vector is unknown, then it is written by machine learning tools and at step 321 it is determined that it belongs to one of the existing clusters.
  • step 330 If the feature vector can be written to an existing cluster, then at step 330 a write is made, then a return is made to the step of obtaining a new feature vector 303. If the vector cannot be placed in an existing cluster, then at step 340 a new cluster is created, the vector is written to created cluster 341 and return to step 303.
  • Embodiments of the present invention are not limited to the above specific examples. Other forms of implementation of the technical solution may be proposed, without deviating from the meaning of the invention.
  • Embodiments of the invention may provide for the implementation of the device with remote sensors, as shown schematically in FIG. 2, 3, the implementation of a device with a Wi-Fi or Bluetooth wireless interface, the ability to install a piezoceramic ultrasound sensor to obtain an acoustic signature in the ultrasonic range.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Предложенное техническое решение относится к системам вибрационного и/или акустического контроля режимов работы промышленного оборудования, в частности, механизмов вращения с использованием технологии машинного обучения. Устройство включает датчики для получения данных о вибрации и акустических колебаниях, средства обработки данных с возможностью получения и извлечения из полученных от датчиков данных о режимах работы оборудования, и средствами машинного обучения, связанными со средствами обработки данных, для распознавания и/или запоминания режимов работы оборудования.

Description

УСТРОЙСТВО И СПОСОБ ДЛЯ ВИБРОАКУСТИЧЕСКОГО АНАЛИЗА ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ, СОДЕРЖАЩЕГО ВРАЩАЮЩИЕСЯ ЧАСТИ
Предложенное техническое решение относится к системам вибрационного и/или акустического контроля режимов работы промышленного оборудования, в частности, механизмов вращения с использованием технологии машинного обучения. Значительная часть промышленного оборудования содержит в качестве основных или вспомогательных элементов вращающиеся части, такие как роторы, валы турбин, подшипники и подобные механизмы и детали. Все они, в той или иной степени, подвержены износу, который в процессе работы оборудования может вызывать нежелательные вибрационные или акустические колебания, распространяющиеся по всему оборудованию и в окружающую среду. Некоторые виды колебаний свидетельствуют о серьезных неполадках в работе оборудования, например, о скором выходе из строя некоторых деталей, в особенности, подшипников различных видов. Это может привести к преждевременному выходу из строя самого оборудования, нанеся, тем самым, ущерб производственному процессу. Вибрационный и акустический анализ позволяет обнаружить неисправность еще на ранней стадии ее развития. В некоторых случаях он помогает определить саму причину нежелательных вибраций. Однако вибрационная и акустическая картины является нормальной частью работы оборудования по причине наличия в нем множества движущихся деталей и механизмов. Изменение виброакустической сигнатуры оборудования может быть связано с переходом от одного штатного режима работы оборудования к другому, вызванного, например, изменением скорости вращения вала. Поэтому, необходимы системы и способы, позволяющие проводить анализ режимов работы оборудования с целью выявления потенциально опасных для нормальной работы оборудования режимов.
Традиционные методы мониторинга состояния оборудования основаны на обнаружении ситуации, когда значения виброскорости или виброускорения превышают пороговые значения. Этот тип анализа требует данных, которые представляют собой как нормальные, так и аварийные режимы работы оборудования, то есть необходимы конкретные значения для определенных узлов или агрегатов. Такие данные получают расчётным путем в процессе проектирования установки или опытным путем в процессе испытаний.
В процессе поиска, среди массива технических решений, были найдены изобретения, решающие сходные технические задачи. Так, обнаружено техническое решение по патенту Российской Федерации на изобретение № 2691225 «Устройство измерения и оценки технического состояния оборудования машиностроительного комплекса» (МПК G01M 7/00, ДГТУ, РФ, з. № 2018123580, 28.06.2018, публ. 11.06.2019). Согласно описанию, изобретение относится к устройствам измерительной техники, а именно к устройствам мониторинга технического состояния объекта. Устройство состоит из корпуса, включающего модуль мониторинга на плате с микроконтроллером, модулем хранения информации, модулем анализа информации, модулем ввода/вывода информации и приемопередатчиком, соединенным с внешним вспомогательным оборудованием, датчиком тока, датчиком напряжения и корпусом измерительной головки с установленными на ее корпусе датчиками температуры, шума и вибрации.
Недостатком указанного технического решения является мобильность, что не предусматривает длительного наблюдения за состоянием оборудования, при этом требуется наличие оператора, выполняющего измерение, обработку и интерпретацию результатов измерений. Известно, что дефекты оборудования с вращающимися частями проявляются не спорадически, но на протяжении некоторого, иногда длительного, временного отрезка и, таким образом, при использовании указанного технического решения невозможно оценить развитие дефекта во времени.
Эволюционным этапом в развитии систем диагностики оборудования, является использование современных нейросетевых моделей, способных проводить глубокий анализ режимов его работы. Известно техническое решение по патенту ЕС на изобретение № 3186598 «Monitoringof a devicehaving a movablepart (контроль устройства, имеющего движущуюся часть)» (МПК G01M13/04; G05B19/4065; Siemens AG, ФРГ, з. № EP14873124A, 02.12.2014, к. 02.12.2014, публ. 05.07.2017). Согласно описанию технического решения, изобретение относится к мониторингу устройства, имеющего подвижную часть, в частности, вращающуюся часть, при этом устройство содержит: модуль управления, сконфигурированный для приема сигнала вибрации устройства, снабженный датчиком, соединенным с устройством, обеспечивающим спектр сигнала вибрации, предварительно обрабатывающим спектр, для определения базовых частот и побочных частот, при этом базовые частоты – это частоты, пиковая мощность которых соответствует собственным частотам устройства или частотам неисправности, а побочные частоты соответствуют другим частотам. Затем обрабатывают базовые частоты и побочные частоты, применяя отдельно одноклассовую классификацию к базовым частотам и побочным частотам, объединяют результаты одноклассовых классификаций, тем самым получая сигнал классификации, который представляет уровень достоверности 1, и выводят сигнал поддержки принятия решения на основе сигнала классификации, этот сигнал поддержки принятия решения указывает на состояние ошибки отслеживаемого устройства.
Впрочем, изобретение также не лишено недостатков, среди которых отсутствие возможности приема информации о звуковом сопровождении работы оборудования, так как известно, что звук, соответствующий любому дефекту, проявляется на ранних стадиях повреждения оборудования, до того момента, когда можно зафиксировать отклонения в уровне возникающих вибраций присущим этому виду дефекта. К недостаткам также можно отнести требование знать частоты неисправности, что является недостатком при попытке обнаружения дефектов ранее неизвестных.
Наиболее близким к заявляемому устройству является система по патенту США на изобретение № 7363111 «Methodsandsystemsforanalyzingengineunbalanceconditions (Способы и системы для анализа состояния разбалансировки двигателя)» (МПК G05B23/02; G01M1/38; Boeing Co, США, з. № US70843707A, 20.02.2007, к. 30.12.2003, публ. 22.04.2008). В изобретении раскрыты способы и системы анализа состояния разбалансировки двигателя. В одном варианте осуществления способ включает в себя прием данных от датчиков вибрации из множества местоположений, распределенных по двигателю и окружающей опорной конструкции двигателя, ввод указанных данных в инверсную модель нейросети. Модель устанавливает взаимосвязь между данными вибрации и состоянием разбалансировки двигателя и выводит диагностическую информацию, указывающую на состояние дисбаланса двигателя. В дополнительном варианте осуществления способ включает в себя обработку данных о вибрации по быстрому преобразованию Фурье, для извлечения искомых данных о вибрации один раз за оборот перед вводом в инверсную модель нейронной сети. Вместе с тем, к недостаткам указанного технического решения можно отнести отсутствие упоминания о возможности переобучения нейросети в реальном времени, а также необходимость установки множества датчиков и отсутствие анализа акустических сигналов.
Техническая задача
Таким образом, имеющийся уровень техники не содержит сведений об устройствах и способах, решающих проблему создания технологичного и надежного устройства и способа его работы, позволяющих улучшить возможность распознавания нештатных и потенциально аварийных режимов работы промышленного оборудования с вращающимися частями, что позволит снизить частоту отказов вследствие раннего выявления неисправности, сократит время простоя и позволит избежать дорогостоящего ремонта ключевых элементов оборудования. Дополнительным техническим результатом является портативность устройства, позволяющего расширить сферу его применения.
Решение задачи
В общем случае реализации устройство для виброакустического анализа оборудования, содержащего вращающиеся части характеризуется наличием, по меньшей мере, одного датчика для получения данных о вибрации, средств обработки данных с возможностью получения и извлечения из полученных от датчиков данных о режимах работы оборудования, по меньшей мере, одного датчика для получения данных об акустических колебаниях и средств машинного обучения, связанных со средствами обработки данных, для распознавания и/или запоминания режимов работы оборудования.
Признаками, общими с аналогом, являются наличие, по меньшей мере, одного датчика для получения данных о вибрации, средств обработки данных с возможностью получения и извлечения из полученных от датчиков данных о режимах работы оборудования.
В общем случае, устройство отличается тем, что снабжено, по меньшей мере, одним датчиком для получения данных об акустических колебаниях и средствами машинного обучения, связанными со средствами обработки данных, для распознавания и/или запоминания режимов работы оборудования.
В первом частном случае устройство выполнено с возможностью закрепления на оборудовании таким образом, что датчики улавливают вибрационные и акустические данные вращающихся частей.
В ином частном случае выполнения, средства машинного обучения выполнены с возможностью кластеризации данных.
В следующем частном случае выполнения, устройство снабжено источником питания.
В следующем частном случае выполнения, датчик вибрации выполнен с возможностью получения данных о вибрации по трем осям.
В развитие указанного частного случая, датчик вибрации выполнен в виде акселерометра.
В ином частном случае выполнения, датчик для получения данных об акустических колебаниях выполнен в виде микрофона.
В следующем частном случае, средства обработки данных выполнены в виде системы на кристалле.
Целесообразно выполнение средств машинного обучения в виде нейроморфного чипа.
В ином частном случае выполнения, извлекаемыми данными являются математически преобразованные сигналы с датчиков, сформированные в вектор признаков.
Целесообразно снабжение устройства средствами вывода информации о режимах работы оборудования.
Положительные эффекты от устройства
Устройство в общем случае реализации содержит датчики, динамически получающие данные о вибрационной и акустической компонентах (сигнатуре) при работе оборудования. Этими приборами могут быть, например, как указано в частных случаях, акселерометр и микрофон, соответственно. Затем данные в виде сигналов в оцифрованном виде поступают на средства обработки в виде компьютерной системы с процессором, способным проводить анализ, математические преобразования полученных данных и передавать их в обработанном виде средствам машинного обучения. Под обработанным видом данных контексте настоящего изобретения понимается вектор признаков X, состоящий из компонент, извлекаемых путем математических, в частности, быстрых преобразований Фурье и вейвлет преобразований, из сигналов, поступивших от датчиков вибрации и акустических колебаний. Средствами машинного обучения поступающий для анализа вектор признаков распознается и проверяется на условие известности для указанных средств машинного обучения. В случае неизвестности, вектор признаков записывается, а затем кластеризуется. Кластеру, впоследствии, присваивается категория. Использование для анализа вектора признаков средств машинного обучения, построенного на основе нейроморфного процессора, позволяет оперативно динамически проводить анализ поступающих от средств обработки данных векторов признаков и режиме реального времени получать информацию о режимах работы оборудования. Эта информация необходима для оценки состояния оборудования и принятия решений по его техническому обслуживанию.
В некоторых случаях, устройство может быть снабжено собственным источником питания, что позволяет создать компактное энергонезависимое от внешних источников решение, которое целесообразно использовать в качестве портативного диагностического оборудования для проверки состояния движущихся частей и механизмов. Вместе с тем, устройство также может быть использовано как составляющая часть системы управления оборудованием. В таком случае, требования к его энергетической автономности и транспортируемости не предъявляются. Так, оно может быть встроено в электрический контур указанной системы управления.
Использование в качестве средств обработки данных компактных компьютерных систем, в частности SoC (System-on-crystal), позволяет повысить технологичность устройства, его вычислительную эффективность и снизить стоимость изготовления.
Снабжение устройства средствами вывода информации о работе оборудования относится к использованию различных интерфейсов для присоединения к периферийному оборудованию. В качестве стандартного интерфейса предлагается использовать Ethernet. Дополнительно может быть реализован Wi-Fi интерфейс для подключения к мобильным устройствам на базе систем Android® и iOS®.
Устройство может содержать корпус, в котором размещены все его компоненты– так решается проблема портативности. Источник питания может быть выполнен заодно с корпусом или для устройства может быть обеспечено питание от сети. Датчики, в предпочтительном варианте выполнения, находятся внутри корпуса для обеспечения портативности устройства. При выполнении датчиков внутри корпуса, последний может быть снабжен шпилькой, устанавливающейся в соответствующее посадочное отверстие на оборудовании, для обеспечения лучшего контакта для передачи виброакустических колебаний.
В целом, отсутствие большого количества узлов и элементов устройства обеспечивает высокий уровень надежности.
Описание заявленного способа
В группу изобретений также входит способ, частично раскрытый при описании устройства выше. Способ виброакустического анализа оборудования, содержащего вращающиеся части, характеризуется следующими признаками: получение средствами обработки данных информации о вибрации и/или акустических колебаниях вращающихся частей оборудования, математическую обработку полученных данных с извлечением признаков, формирование вектора признаков и передачу на средства машинного обучения для распознавания и/или запоминания.
В первом частном случае, способ характеризуется тем, что средства машинного обучения кластеризуют распознанные векторы признаков.
В уточнении указанного частного случая, способ характеризуется тем, что средствами машинного обучения кластерам присваивают категории, соответствующие режимам работы оборудования
В ином частном случае, математическая обработка включает извлечение признаков из полученных данных о вибрации и/или акустических колебаниях посредством быстрых преобразований Фурье, вейвлет преобразований, эмпирическую модовую декомпозицию, эмпирическую кумулятивную функцию распределения.
В следующем частном случае, полученные датчиками данные оцифровывают перед анализом средствами обработки данных.
В четвертом частном случае, в способе обеспечивается вывод информации о режимах работы оборудования на средства отображения данных.
В ином частном случае, если средствами машинного обучения при распознавании переданного вектора признаков установлено, что если вектор признаков не изучен средствами машинного обучения, то указанный вектор признаков запоминается средствами машинного обучения и в последующем кластеризуется.
Положительные эффекты от способа
Основой способа служит блок математических преобразований обеспечивающихся путем извлечения признаков из данных, поступающих на средства обработки от датчиков, дальнейшее распознавание сформированного по результатам этих преобразований вектора признаков в виде признакового описания данных по вибрации и акустическим колебаниям, изменяющегося динамически, и кластеризация средствами машинного обучения векторов признаков в группы, объединенных общими сигнатурами. Таким образом, разумными средствами решается задача обучения и дальнейшего распознавания режимов работы оборудования. Кластерам может быть присвоена категория, позволяющая ориентироваться в распознанных режимах, и предусмотрена возможность вывода информации, например, о нештатных режимах. Как было отмечено при описании устройства, извлечение признаков из исходных данных осуществляется путем, в частности, быстрых преобразований Фурье, вейвлет-преобразований, позволяющих выделить из сигнала от датчиков характеризующие его компоненты. Категоризация кластеров осуществляется с целью выделения нештатных и потенциально аварийных режимов работы оборудования. Признаки, извлекаемые из данных, поступающих от датчиков, получают путем математических преобразований, включающих быстрые преобразования Фурье, вейвлет-преобразования, эмпирическую модовую декомпозицию, эмпирическую кумулятивную функцию распределения. Преобразования данных указанными способами позволяет выделить ключевые особенности сигналов, получаемых от датчиков, что впоследствии позволяет на основе сформированных векторов, определить, присутствие в виброакустической сигнатуре оборудования нетипичного режима функционирования.
Для того чтобы информация могла быть воспринята оператором, способом может быть предусмотрен вывод информации, например, о нештатном режиме работы оборудования через внешний интерфейс на периферийное устройство.
В процессе работы способа, на стадии, когда векторы признаков распознаются средствами машинного обучения, последние запрограммированы так, что неизвестные из предыдущих итераций (новые) векторы признаков записываются указанными средствами и автоматически определяются в соответствующие кластеры. Если же записанный вектор не может быть отнесен к существующему кластеру, то создается новый кластер и указанный вектор определяется во вновь созданный кластер. Это позволяет выявить новые режимы работы оборудования, которые могут быть нештатными и вести к неполадкам его вращающихся частей.
Предлагаемое изобретение поясняется следующими фигурами:
Фигура.1
устройство с интегрированными датчиками и внешним источником питания;
Фигура.2
устройство с вынесенными датчиками;
Фигура.3
устройство с вынесенными датчиками и внешним источником питания;
Фигура.4
[Фиг.4] блок-схема алгоритма виброакустической диагностики;
Описание позиций на чертежах
На фигурах 1-3 обозначены следующие позиции:
1 – датчик вибрации;
2 – датчик акустических колебаний;
3 – средства обработки данных (SoC);
4 – оперативная память;
5 – средства машинного обучения (нейроморфный процессор);
6 – источник питания;
7 – интерфейс;
8 –модуль Wi-Fi и/или Bluetooth;
9 – корпус.
Содержание блоков на фигуре 4 приведено в описании ниже при раскрытии частных реализаций настоящей группы изобретений в части функционирования способа.
Для понимания принципов работы и особенностей различных реализаций группы изобретений, ниже приведено описание фигур технического решения. Хотя в тексте описания подробно объясняются предпочтительные варианты реализации технического решения, необходимо понимать, что возможны и иные варианты реализации группы изобретений. Соответственно, нет необходимости в ограничении объема правовой охраны технического решения исключительно представленными реализациями и перечнями узлов и компонентов. Вместе с тем, при описании предпочтительных вариантов технического решения, для ясности понимания основных принципов изобретения специалистом, необходимо уточнить термины, применяемые в описании.
Необходимо отметить, что используемые в единственном числе в описании и формуле узлы и детали устройства также представляют собой и множественные формы, если прямо не сказано обратное. Например, указание на составной элемент устройства также означает указание на совокупность (множество) таких элементов.
Также, при описании предпочтительных вариантов выполнения, для обеспечения ясности понимания, используются специальные термины. Предполагается, что термин используется в самом широком смысле, в каком он может быть истолкован специалистами в данной области техники и включает все технические эквиваленты, используемые тем же образом и с той же целью. Так, в частности, словосочетание «оборудование, содержащее вращающиеся части» означает устройства, в составе которых при их работе некоторые детали и/или механизмы совершают вращательное движение. К таким устройствам может относиться оборудование, содержащее валы, турбины, барабаны, молотильно-дробильные устройства. Под вибрацией понимаются механические колебания твердых тел в частотном диапазоне 1,6 – 1500 Гц, применительно к настоящей группе изобретений, к вибрации относятся колебания, возникающие при работе оборудования с движущимися, преимущественно, путем вращения, частями. Под акустическими колебаниями понимают колебания упругой среды: воздуха, твердых тел вызывающих распространение в них упругих волн в диапазоне от 6 до 20 000 Гц. Под средствами обработки данных понимают совокупность программно-аппаратных средств, предназначенных для получения, анализа, обработки, преобразования данных, в частности, поступающих от датчиков вибрации и акустических колебаний. В общем виде, указанные средства могут быть выполнены в виде электронного устройства, снабженного процессором и памятью, исполняющего соответствующий программный код. Под извлечением информации понимают осуществление над полученными от датчиков данными таких математических преобразований, результат которых приводит к возможности получения информации о режиме работы оборудования. Под средствами машинного обучения понимается программно-аппаратный комплекс, использующий нейросетевые модели для распознавания, записи и группировки подвергнутых математическим преобразованиям данных от датчиков. Под кластеризацией понимают распределение заданной выборки объектов на непересекающиеся подмножества так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров отличались. Под вектором признаков понимают способ ввода данных для средства машинного обучения, при котором формируется вектор, составленный из значений (признаков) соответствующих набору признаков, описывающих объект. Объектом, в контексте настоящего изобретения, являются вибрационные и акустические данные, полученные от датчиков. Значения, из которых формируется вектор, получены путем проведения математических преобразований указанных данных. Термин запоминание, относящийся к операции средств машинного обучения характеризует запись и последующую кластеризацию поступившего для анализа вектора признаков.
Слова «состоящий», «содержащий», «включающий» означают, что, по меньшей мере, указанный компонент, элемент, часть или шаг способа присутствует в композиции, предмете или способе, но не исключает присутствие иных компонентов, материалов, частей, шагов способа, даже если такой компонент, материал, часть, шаг способа выполняет ту же функцию, что и указанный.
Материалы, из которых изготовлены различные элементы настоящей группы изобретений, указанные ниже при описании примеров конкретного выполнения системы, являются типичными, но не обязательными для применения. Указанные в настоящих примерах выполнения компоненты системы, могут быть заменены многочисленными аналогами, выполняющими ту же функцию, что и приведенные в описании примеры используемых системы и способов.
Здесь и далее описано электронное устройство, реализующее метод виброакустического анализа для выявления неисправностей подшипников и шестерен промышленного оборудования. В устройстве применен неконтролируемый алгоритм самообучения для раннего обнаружения неисправностей в промышленном оборудовании на основе объединенного алгоритма виброакустического анализа кластеризации сигналов и дальнейшего распознавания с использованием нейроморфного чипа NM500. На этапе настройки и обучения устройством изучаются данные без обладания информации о видах отказов, и когда изученные режимы функционирования узлов или агрегатов сходятся к некоторому количеству – предполагается, что устройством изучены все штатные режимы работы оборудования. Затем, во время эксплуатации, сравниваются расстояния между кластерами входных обработанных данных, с ранее изученными данными (центрами кластеров), с использованием микросхемы NM500. Если числовой вектор, составленный из особенностей текущего кластера, характеризующего режим работы оборудования, не совпадает с ранее выученными векторами, составленными по такому же принципу - делается заключения о наличии нового, не известного ранее режима работы оборудования. Таким образом, устройство способно обнаруживать аномальные новые данные, которые были неизвестны ранее. При этом делается предположение, что категории (кластеры), обнаруженные и выученные на стадии обучения, представляют собой категории, которые можно отнести к штатным режимам работы оборудования. Если при работе устройства после завершения стадии обучения, появившийся при распознавании признаков вновь сформированный кластер относится к категории новых и неизвестных, об этом сообщается обслуживающему персоналу.
Предлагаемое устройство относится к электронным устройствам с внутренним программным обеспечением, предназначенным для обработки виброускорения по трем осям и звуковой сигнатуры, поступающих от расположенных внутри корпуса трехосевого акселерометра и микрофона.
В одном из частных случаев реализации, в соответствии с принципиальной схемой компонентов, представленной на , устройство конструктивно выполнено в корпусе с размерами 50х50х40 мм в основании которого закреплена металлическая резьбовая шпилька, служащая для крепления на промышленном оборудовании (вкручивания в оборудование) через которую передается вибрационные и акустические колебания контролируемого оборудования. Корпус может быть выполнен из любого материала, не обладающего существенными вибропоглощающими свойствами. В рассматриваемом частном случае основание корпуса выполнено из металла. Внутри корпуса установлен акселерометр (1), фиксирующий показания вибрационные колебания, микрофон (2) широкого спектра для улавливания акустических колебаний оборудования в процессе работы. Указанные датчики соединены электропроводящими цепями с однокристальной системой ZYNQ 7020 (3), выполненной на печатной плате, содержащей соответствующие разъемы для подключения периферийного оборудования, в данном случае, датчиков, и распаянный на плате модуль оперативной памяти (4). Оперативная память (4) также может быть распаяна на плате без возможности извлечения. Система (3) соединена через кросс-разъем на печатной плате с нейроморфным процессором NM500 (5). Питание системы осуществляется посредством встроенного в корпус источника питания (6), подключенного к печатной плате через соответствующую цепь питания. На печатной плате также выполнен, по меньшей мере, один интерфейсный разъем (7), служащий для передачи обработанных данных на иные устройства, например, персональные компьютеры, терминалы, мобильные устройства. В частном случае, в качестве интерфейса установлен разъем Ethernet.
В ином частном случае, проиллюстрированном схематически на , акселерометр (1) и микрофон (2) вынесены за пределы корпуса. Соответственно, при такой реализации, в корпусе должны быть выполнены либо разъемы для подключения кабелей, ведущих от датчиков, либо устройство должно быть снабжено компонентами, обеспечивающими беспроводную передачу данных от датчиков (1, 2) к однокристальной системе (3). Это могут быть приемо-передатчики, работающие по стандарту Wi-Fi, Bluetooth или иных подобных стандартах. Вместе с тем, необходимо предусмотреть высокую помехозащищенность протоколов передачи данных и наличие собственных источников питания для датчиков (1, 2). В остальном, конструктивно, устройство повторяет описанное на Фиг. 1.
Далее, в другом частном случае, схематически показанном на , устройство, в остальной части конструктивного исполнение, может быть выполнено как по , так и по , однако отличие заключается в использовании модуля Wi-Fi/Bluetooth (8), который может быть выполнен в корпусе. С помощью указанного модуля можно передавать диагностическую информацию о состоянии оборудования в виде, например, кодов ошибок или небезопасных режимов на мобильные устройства или терминалы.
Устройство работает следующим образом. В частном случае выполнения, шпилька корпуса устройства устанавливается в соответствующее гнездо диагностируемого оборудования. При работе оборудования вибрационные и акустические колебания, распространяющиеся по оборудованию и в окружающую среду, улавливаются трехосевым акселерометром (1) и микрофоном (2), оцифровываются средствами самих датчиков или передаются для оцифровывания на однокристальную систему ZYNQ 7020 (3) для анализа. Система (3) проводит математические преобразования с полученными данными, извлекая из них признаки и формируя из извлеченных признаков вектор, таким образом составляя признаковое описание объекта. Оперативная память служит для выполнения программы, хранения выполняемой программы, а также для хранения входных, выходных и промежуточных данных, обрабатываемых системой (3). Полученный вектор признаков передается для анализа средствам машинного обучения – нейроморфному процессору NM500 (5), проводящего распознавание вектора признаков и его кластеризацию. Далее, сравниваются расстояния между кластерами входных обработанных данных, с ранее изученными данными (центрами кластеров), с использованием NM500. Если вектор признаков, составленный из особенностей текущего кластера, характеризующего режим работы оборудования, не совпадает с ранее выученными векторами, составленными по такому же принципу – делается заключение о наличии нового, не известного ранее режима работы оборудования.
Способ, согласно [Фиг.4], состоит из следующих операций. Этап 100 – подача питания и запуск в работу алгоритма (закрепление устройства на диагностируемом оборудовании) при условии, что устройство смонтировано на оборудовании. На этапе 101 осуществляют ввод исходных данных для конкретного оборудования, в блоках 110, 120 в динамическом режиме получают данные от датчиков вибрации, по трем осям, и акустических колебаний, соответственно. В блоке 111 осуществляется проверка выполнения инициализация – процедура присвоения параметров математических алгоритмов необходимых для последующей обработки данных. Если инициализация не была произведена, то в блоках 200…202 производится инициализация параметров математических алгоритмов в соответствии с начальными параметрами оборудования известными на шаге 101. Преобразуя данные на выходе блока 203, получают описание характеристик сигнала, что позволяет проводить дальнейший его анализ. Необходимо отметить, что диагностическая информация о текущем режиме работы контролируемого оборудования недоступна до тех пор, пока не будет выполнено наблюдение за работой оборудования в течение определенного времени. Это необходимо для динамического определения верхних и нижних границ поступающего сигнала и подстройки под характеристики входного сигнала и должно выполняться непрерывно в процессе работы устройства.
В блоках 300, …302 средствами обработки данных осуществляются различные математические преобразования, в частности быстрые преобразования Фурье, вейвлет преобразования, эмпирическая модовая декомпозиция, эмпирическая кумулятивная функция распределения для извлечения признаков из поступивших для обработки данных и формирования вектора признаков. Сформированный вектор признаков 303 поступает на вход блока 304, где далее средствами машинного обучения осуществляется распознавание и проверка известности указанного вектора 305. Если вектор известен, то этапе 310 он отбрасывается и происходит возврат на этап 303, где формируется новый вектор признаков. Если же вектор признаков неизвестен, то он записывается средствами машинного обучения и на этапе 321 определяется его принадлежность к одному из существующих кластеров. Если вектор признаков может быть записан в существующий кластер, то на этапе 330 производится запись, далее осуществляется возврат на этап получения нового вектора признаков 303. Если вектор не может быть помещен в существующий кластер, то на этапе 340 производится создание нового кластера, запись вектора в созданный кластер 341 и возврат на этап 303.
Варианты реализации настоящего изобретения не ограничиваются приведенными выше примерами конкретного выполнения. Могут быть предложены и иные формы реализации технического решения, не отдаляясь от смысла изобретения. Варианты реализации изобретения могут предусматривать исполнение устройства с выносными датчиками, как схематически показано на Фиг. 2, 3, реализация устройства с беспроводным интерфейсом Wi-Fi или Bluetooth, возможность установки пьезокерамического датчика ультразвука для получения акустической сигнатуры в ультразвуковом диапазоне.
Раскрытые выше примеры выполнения приведены с целью показать промышленную применимость устройства и дать общее впечатление о возможностях предложенного аппарата. Объем правовой охраны технического решения определяется формулой изобретения, а не представленным описанием, и все изменения, совершенные с применением эквивалентных признаков, подпадают под правовую охрану настоящего изобретения.

Claims (18)

  1. Устройство для виброакустического анализа оборудования, содержащего вращающиеся части, включающее, по меньшей мере, один датчик для получения данных о вибрации, средства обработки данных с возможностью получения и извлечения из полученных от датчиков данных о режимах работы оборудования, отличающееся тем, что снабжено, по меньшей мере, одним датчиком для получения данных об акустических колебаниях и средствами машинного обучения, связанными со средствами обработки данных, для распознавания и/или запоминания режимов работы оборудования.
  2. Устройство по п. 1, отличающееся тем, что выполнено с возможностью закрепления на оборудовании таким образом, что датчики улавливают вибрационные и акустические данные вращающихся частей.
  3. Устройство по п. 1, отличающееся тем, что средства машинного обучения выполнены с возможностью кластеризации данных.
  4. Устройство по п. 1, отличающееся тем, что снабжено источником питания.
  5. Устройство по п. 1, отличающееся тем, что датчик вибрации выполнен с возможностью получения данных о вибрации по трем осям.
  6. Устройство по п. 5, отличающееся тем, что датчик вибрации выполнен в виде акселерометра.
  7. Устройство по п. 1, отличающееся тем, что датчик для получения данных об акустических колебаниях выполнен в виде микрофона.
  8. Устройство по п. 1, отличающееся тем, что средства обработки данных выполнены в виде системы на кристалле.
  9. Устройство по п. 1, отличающееся тем, что средства машинного обучения выполнены в виде нейроморфного чипа.
  10. Устройство по п. 1, отличающееся тем, что извлекаемыми данными являются математически преобразованные сигналы с датчиков, сформированные в вектор признаков.
  11. Устройство по п. 1, отличающееся тем, что снабжено средствами вывода информации о режимах работы оборудования.
  12. Способ виброакустического анализа оборудования, содержащего вращающиеся части, включающий получение средствами обработки данных информации о вибрации и/или акустических колебаниях вращающихся частей оборудования, математическую обработку полученных данных с извлечением признаков, формирование вектора признаков и передачу на средства машинного обучения для распознавания и/или запоминания.
  13. Способ по п. 12, отличающийся тем, что средства машинного обучения кластеризуют распознанные векторы признаков.
  14. Способ по п. 13, отличающийся тем, что средствами машинного обучения кластерам присваивают категории, соответствующие режимам работы оборудования.
  15. Способ по п. 12, отличающийся тем, что математическая обработка включает извлечение признаков из полученных данных о вибрации и/или акустических колебаниях посредством быстрых преобразований Фурье, вейвлет преобразований, эмпирическую модовую декомпозицию, эмпирическую кумулятивную функцию распределения.
  16. Способ по п. 12, отличающийся тем, что полученные датчиками данные оцифровывают перед анализом средствами обработки данных.
  17. Способ по п. 12, отличающийся тем, что обеспечивает вывод информации о режимах работы оборудования на средства отображения данных.
  18. Способ по п. 12, отличающийся тем, что если средствами машинного обучения при распознавании переданного вектора признаков установлено, что если вектор признаков не изучен средствами машинного обучения, то указанный вектор признаков запоминается средствами машинного обучения и в последующем кластеризуется.
PCT/IB2021/056223 2021-02-04 2021-07-12 Способ и устройство для виброакустического анализа промышленного оборудования WO2022167853A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP21924518.0A EP4290204A1 (en) 2021-02-04 2021-07-12 Method and device for vibroacoustic analysis of industrial equipment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2021102562A RU2783860C2 (ru) 2021-02-04 Устройство и способ для виброакустического анализа промышленного оборудования, содержащего вращающиеся части
RU2021102562 2021-02-04

Publications (1)

Publication Number Publication Date
WO2022167853A1 true WO2022167853A1 (ru) 2022-08-11

Family

ID=82742029

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2021/056223 WO2022167853A1 (ru) 2021-02-04 2021-07-12 Способ и устройство для виброакустического анализа промышленного оборудования

Country Status (2)

Country Link
EP (1) EP4290204A1 (ru)
WO (1) WO2022167853A1 (ru)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363111B2 (en) 2003-12-30 2008-04-22 The Boeing Company Methods and systems for analyzing engine unbalance conditions
RU2416098C1 (ru) * 2009-09-10 2011-04-10 Федеральное государственное унитарное предприятие Омский научно-исследовательский институт приборостроения Трехосевой акселерометр
RU2575243C1 (ru) * 2014-10-01 2016-02-20 Открытое акционерное общество "Уфимское моторостроительное производственное объединение" ОАО "УМПО" Способ виброакустической диагностики технического состояния подшипников в составе газотурбинного двигателя
EP3186598A1 (en) 2014-12-02 2017-07-05 Siemens Aktiengesellschaft Monitoring of a device having a movable part
RU2691225C1 (ru) 2018-06-28 2019-06-11 федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет", (ДГТУ) Устройство измерения и оценки технического состояния оборудования машиностроительного комплекса
US20190228287A1 (en) * 2018-01-19 2019-07-25 International Business Machines Corporation Neuromorphic chip for updating precise synaptic weight values

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363111B2 (en) 2003-12-30 2008-04-22 The Boeing Company Methods and systems for analyzing engine unbalance conditions
RU2416098C1 (ru) * 2009-09-10 2011-04-10 Федеральное государственное унитарное предприятие Омский научно-исследовательский институт приборостроения Трехосевой акселерометр
RU2575243C1 (ru) * 2014-10-01 2016-02-20 Открытое акционерное общество "Уфимское моторостроительное производственное объединение" ОАО "УМПО" Способ виброакустической диагностики технического состояния подшипников в составе газотурбинного двигателя
EP3186598A1 (en) 2014-12-02 2017-07-05 Siemens Aktiengesellschaft Monitoring of a device having a movable part
US20190228287A1 (en) * 2018-01-19 2019-07-25 International Business Machines Corporation Neuromorphic chip for updating precise synaptic weight values
RU2691225C1 (ru) 2018-06-28 2019-06-11 федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет", (ДГТУ) Устройство измерения и оценки технического состояния оборудования машиностроительного комплекса

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KHUSAINOV RUSTEM MUKHAMETOVICH, URMANOV MARAT DANILOVICH, DAVLETSHINA GALIYA KAMILOVNA, ZIANGIROVA ELINA RUSLANOVNA: "SELECTION OF CUTTING MODES FOR MILLING OPERATION ACCORDING TO THE RESULTS OF VIBRO-ACOUSTIC INVESTIGATIONS", MATERIALS OF THE X INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "INNOVATIVE MACHINE-BUILDING TECHNOLOGIES, EQUIPMENT AND MATERIALS - 2019"; KAZAN. DECEMBER 5-6, 2019, 5 December 2019 (2019-12-05) - 6 December 2019 (2019-12-06), pages 171 - 174, XP009539163 *
SHATAGIN DMITRII ALEKSANDROVICH: "Povysheniye dinamicheskoy ustoychivosti protsessa rezaniya na osnove podkhodov nelineynoy dinamiki i iskusstvennogo intellekta [Increasing the dynamic stability of the cutting process based on the approaches of nonlinear dynamics and artificial intelligence]", DISSERTATSIA NA SOISKANIE UCHENOI STEPENI KANDIDATA TEKHNICHESKIKH NAUK [THESIS FOR THE DEGREE OF CANDIDATE OF TECHNICAL SCIENCES], 30 November 2017 (2017-11-30), Nizhny Novgorod., pages 1 - 159, XP009539162 *

Also Published As

Publication number Publication date
EP4290204A1 (en) 2023-12-13

Similar Documents

Publication Publication Date Title
Mohd Ghazali et al. Vibration analysis for machine monitoring and diagnosis: A systematic review
Principi et al. Unsupervised electric motor fault detection by using deep autoencoders
US20230080171A1 (en) Systems and methods for monitoring of mechanical and electrical machines
EP3685137B1 (en) System and method for automated fault diagnosis and prognosis for rotating equipment
CN107345857A (zh) 一种电主轴状态监测与故障诊断系统及其监测诊断方法
US20140324739A1 (en) Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis
US20210140851A1 (en) System and method for automatic diagnosis of power generation facility
CA2874991A1 (en) Methods and apparatuses for defect diagnosis in a mechanical system
RU2494364C2 (ru) Способ и устройство для распознавания состояния исследуемой создающей шумы машины
CN103250107A (zh) 用于设备故障检测的智能检测系统及检测方法
EP3759558B1 (en) Intelligent audio analytic apparatus (iaaa) and method for space system
CN115931319B (zh) 故障诊断方法、装置、电子设备及存储介质
CN117980707A (zh) 操作振动信号的自主辨别
CN112711850A (zh) 一种基于大数据的机组在线监测方法
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
CN113740635A (zh) 电气设备故障诊断方法、终端和多探头传感装置
WO2022167853A1 (ru) Способ и устройство для виброакустического анализа промышленного оборудования
RU2783860C2 (ru) Устройство и способ для виброакустического анализа промышленного оборудования, содержащего вращающиеся части
Jing et al. Fault diagnosis of electric impact drills based on time-varying loudness and logistic regression
CN218156504U (zh) 一种基于声振信号的便携式故障诊断仪
Liang et al. Vibration feature extraction using audio spectrum analyzer based machine learning
Ooi et al. Remote operation status tracking for manufacturing machines via sound recognition using IoT
EP3104152B1 (en) Method and controller for determining an undesired condition in an electrical drive system
Babu et al. Review on various signal processing techniques for predictive maintenance
Maldonado et al. Enhancing vibration analysis by embedded sensor data validation technologies

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21924518

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2021924518

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021924518

Country of ref document: EP

Effective date: 20230904