Содержание к диссертации
Введение
1. Обзор методов акустического контроля, применямых при построении систем диагностирования в различных отраслях промышленности 8
1.1. Виброакустические методы диагностирования 10
1.2. Акустикоэмиссионный метод 18
1.3. Ультразвуковые методы контроля и диагностирования 20
1.4. Методы и алгоритмы, используемые при обработке диагностических сигналов 22
1.5. Постановка задачи исследования 24
2. Исследование подшипника качения как источника возмущений с учетом упругих и диссипативных свойств контактов тел качения 26
2.1. Характеристика основных источников возмущений подшипника 28
2.2. Характеристика модели подшипника, основные допущения, методика исследования 31
2.3. Оценка частотных характеристик полученных при моделировании подшипника 40
2.4. Исследования спектрального состава возмущений от дефектов в подшипнике 44
2.5. Исследование влияния основных геометрических размеров подшипника на спектральный состав
возмущений от его дефектов 50
3. Исследование динамических свойств буксового узла электропоезда 56
3.1. Исследование взаимосвязи ускорений корпуса буксы с видом возмущений от дефектов подшипника 56
3.2. Исследование изменения частотных характеристик буксы в зависимости от её конструкции 62
3.3. Исследование влияния частотных характеристик корпуса буксы на выбор места установки вибродатчиков при диагностических работах 67
3.4. Исследование влияния способа установки корпуса буксы, при проведении диагностических работ, на её частотные свойства 72
4. Исследование динамических свойств редуктора электропоезда ЭД4 81
4.1. Исследование взаимосвязи ускорений корпуса редуктора с видом возмущений от дефектов подшипника 81
4.2. Исследование влияния частотных характеристик корпуса редуктора на выбор места установки вибродатчиков при диагностических работах 87
5. Методика исследования вибросигналов колесно-редукторных блоков электроподвижного состава 91
5.1. Краткий обзор и классификация нейронных сетей 93
5.2. Обучение нейронных сетей 103
5.3. Построение нейронной сети для анализа вибросигнала 107
Заключение 115
Список используемой литературы 117
- Методы и алгоритмы, используемые при обработке диагностических сигналов
- Оценка частотных характеристик полученных при моделировании подшипника
- Исследование изменения частотных характеристик буксы в зависимости от её конструкции
- Исследование влияния частотных характеристик корпуса редуктора на выбор места установки вибродатчиков при диагностических работах
Введение к работе
Разработке и усовершенствованию виброакустических неразрушающих методов контроля, были посвящены научные труды таких отечественных и зарубежных ученых: Айрапетов Э.Л., Барков А.В., Пархоменко П.П., Биргер А.И., Балицкий Ф.Я. Клюев П.П., Браун С, Датнер Б., Коллакот Р. В решение данной проблемы внесли существенный вклад ученые транспортной науки: Исаев И.П., Павлович Е.С., Рахматуллин М.Д., Четвергов В.А., Гиоев З.Г., Осяев А.Т., Рамлов В.А., Киселев В.И., Авилов В.Д., Просвиров Ю.Е., Лакин И.К., Глущенко А.Д., Юшко В.И., Вавилов В.Ф., Беленький А.Д.
Тем не менее, развитие вычислительной техники, появления новых алгоритмов многокритериальной оптимизации и классификации, программ комплексного нелинейного анализа конструкций, позволяет изучать процессы зарождения и развития дефектов различных узлов, в условиях взаимодействия с окружающими элементами.
Основной проблемой диссертации является повышение достоверности диагностирования подшипниковых узлов электроподвижного состава.
Предмет исследования подшипниковый узел во взаимодействии с корпусными конструкциями.
Цели и задачи исследования. Повышение достоверности диагноза при диагностировании подшипников качения электроподвижного состава. Поставленная цель достигается решением следующих задач:
- разработка математической модели подшипника качения с учетом колебаний элементов подшипника;
- получение диагностической информации на основе изучения колебаний модели подшипника с дефектами; — изучение влияния на собственные частоты колебаний подшипников качения колебаний корпусов букс и тягового редуктора;
- применение математического аппарата нейронных сетей для автоматизации процесса обучения диагностической системы с последующим использованием при постановке диагноза большего объема информации.
Методика исследования. Исследования выполнены на основе методов компьютерного моделирования, математической статистики, математического анализа. Для выполнения исследований методами математической статистики и математического анализа использовались пакеты прикладных программ - Statistica 6.0, Statistica Neural Networks, MathCad, WinPos, Microsoft Excel. Компьютерное моделирование физических явлений проводилось при помощи пакетов MSC.Patran-Nastran и MSC.Adams.
Построение геометрических моделей узлов и деталей электроподвижного состава проводилось в среде Solidworks. Эксперименты проводились на испытательном стенде, находящемся на кафедре «Электрическая тяга» МИИТа, депо «Перерва» Московской железной дороги.
Актуальность работы обусловлена тем, что в настоящее время разработка и усовершенствование виброакустических и неразрушающих методов контроля механической части занимает особое место в сфере повышение надежности и безопасности электроподвижного состава. Своевременное обнаружение зарождающегося дефекта, поможет избежать возникновению аварийной ситуации, следствием которой может быть потеря жизни пассажиров и обслуживающего персонала на фоне больших экономических потерь.
Научная новизна диссертации :
- применение в исследовании подшипников математической модели, учитывающей колебания всех частей подшипника в зазорах, дефекты на дорожках качения, контактные взаимодействия элементов; - исследование взаимодействия колебаний от возмущений вызываемыми дефектами подшипников с собственными колебаниями корпусных конструкций;
- разработка нейросетевых моделей для повышения достоверности постановки диагноза технического состояния подшипниковых узлов.
Эмпирическую базу диссертации составляют полученные при стендовых испытаниях спектральные характеристики вибраций колесно-редукторных блоков электропоезда типа ЭР, используемые для создания и проверки работоспособности системы распознавания дефектов на основе нейросетевых технологий, записи вибраций подшипников качения на стенде в лаборатории кафедры «Электрическая тяга» МИИТа.
Практическое значение работы :
- установлены номера основных гармоник, частотные полосы характеризующих спектры вибраций подшипников при различных дефектах;
- определены места крепления датчиков ускорений на корпусах букс, редукторов электропоездов и скорости вращения подшипниковых валов, для получения наибольшей чувствительности при регистрации вибраций от дефектного подшипника;
- разработана и «обучена» на основании экспериментальных данных модель нейросетевого комплекса для автоматизации процесса анализа спектров вибрации при постановке диагноза технического состояния колесно-редукторных блоков электропоездов.
Апробация работы. Материалы диссертации докладывались на:
научном семинаре кафедры «Электрическая тяга» МИИТа, научно практических конференциях «Наука - Транспорту» (Москва, 2003, 2004 г.г.).
Разработанные в диссертации положения были использованы при составлении инструкций по стендовой диагностике букс электропоездов ЭР2 и ЭР2Т. Структура диссертации. Диссертационная работа состоит из 167 страниц и заключает в себе следующие разделы: введение, пять глав, заключение, список литературы и четыре приложения.
Методы и алгоритмы, используемые при обработке диагностических сигналов
Выбор метода вибродиагностики зависит от структурного, функционального и вибрационного состояний объекта.
Структурное состояние характеризуется совокупностью свойств конструкции: геометрией элементов и взаимосвязями между ними. Это состояние объекта отражается в основном периодическими колебательными процессами.
По порядку гармоник вибрации можно идентифицировать ее источники: амплитуды этих гармоник характеризуют распределение энергии, связанное с состоянием объекта. При развитии дефекта энергия колебаний увеличивается.
Вибрационное состояние определяется совокупностью вибрационных характеристик объекта и является следствием структурного и функционального состояний и динамических свойств объекта. Даже при нормальном структурном и функциональном состояниях вибрационное состояние может быть неудовлетворительным из-за резонансных эффектов и паразитных колебаний [47].
Одними из перспективных являются методы, основанные на динамических изменениях в объекте, к простейшим из которых относят изменение знака, скорости и характера процессов. Эти признаки отражают развитие дефекта во времени, что позволяет делать прогноз на будущее состояние объекта и его работоспособности.
Алгоритм анализа корреляционно-спектральных характеристик вибросигнала включает в себя: дискретизацию непрерывного вибросигнала, цифровую фильтрацию, вычисление информативных параметров и определение технического состояния объекта. Программа, моделирующая объект, позволяет имитировать сигналы как исправного, так и неисправного механизмов [1]. Моделирование процесса измерения параметров вибрации также состоит из организующей программы и двух подпрограмм.
Организующая программа осуществляет ввод заданного числа элементов анализируемого случайного процесса и центрирует его. Первая подпрограмма формирует массив экстремумов, вторая - осуществляет разложение процесса по отдельным массивам и вычисляет спектральные коэффициенты.
Для контроля приработки трущихся поверхностей эффективным является метод сличения спектров вибрации. Суть этого метода состоит в том, что регистрируют виброакустические характеристики в области контролируемых трущихся поверхностей, регистрируют временную реализацию вибрации, регистрируют спектр амплитуд, распределенных по частоте, и разброс амплитуд, а в качестве параметров характеристик определяют сужение спектра, уменьшение амплитуды и моменты стабилизации спектра и разброса [15,19].
Появление во временных реализациях и спектрах дополнительных составляющих указывает на неисправность объекта, появление трещин, задиров и других дефектов. Этот метод позволяет определить характер возникающего дефекта объекта в процессе эксплуатации.
Одним из эффективных методов исследований вибрационных процессов, а также качества функционирования систем является моделирование механической конструкции объекта. При построении моделей определяют основные связи между элементами объекта и присущие ему закономерности. Общими по степени формализации и удобными для исследования являются математические модели. 1.5. Постановка задачи исследования Используемый частотный диапазон сигналов определяет методики диагностирования и связан с характером выявляемых дефектов (вид и размеры).
Из практики эксплуатации подшипников качения на электроподвижном составе, установлено, что сколы величиной свыше 5 мм (дефекты классифицируются как крупные) приводят к резкому росту динамических нагрузок на элементы подшипников, приводящих к последующему их разрушению. Такие дефекты при вращении валов на подшипниках создают вибрации в диапазоне от 50 до 1000Гц в зависимости от частот вращения вала.
Этот частотный диапазон определяет вибрационный метод диагностирования, или как его называют на практике, виброакустический.
Метод виброакустической диагностики обладает большой информативностью, так как процессы, анализируемые им, являются результатом кинематического взаимодействия множества деталей. Спектральные методы обработки информации при виброакустической диагностике, позволяют получить большой объем информации о дефектах (амплитуды спектров, полосы частот, значения частотных полос). При этом для повышения достоверности используют не только прямые спектры (полученные по текущим значениям сигналов), но и спектры огибающей сигнала. При спектральных методах обработки дефекты определяются по максимальным значениям составляющих в спектре, которые соответствуют частотам от колебаний, возбужденных различными дефектами. Однако имеются трудности в идентификации частотных составляющих спектров соответствующих разным неисправностям. Это вызвано тем, что для идентификации спектральных составляющих используют расчетные значения частот, полученных по формулам, выведенным для упрощенной кинематической модели. Поскольку на практике датчики виброизмерительной аппаратуры устанавливают на корпусные конструкции, а не на сам подшипник, то для достоверной оценки параметров колебательных процессов элементов подшипника необходимо учитывать резонансные свойства корпусов. Для повышения достоверности диагноза при диагностировании подшипников качения электроподвижного состава необходимо решение следующих задач: получение дополнительной диагностической информации на основе изучения колебаний модели подшипника с дефектами; исследование взаимодействия колебаний элементов подшипников от возмущений, вызываемых их дефектами с собственными колебаниями корпусных конструкций; автоматизация процесса постановки диагноза по спектрам вибрации на основе применения нейросетевых моделей.
Оценка частотных характеристик полученных при моделировании подшипника
В результате исследования было установлено, что для повышения достоверности постановки диагноза необходимо: — анализировать спектры вибраций в найденных частотных диапазонах; — учитывать собственных колебания корпусных конструкций; А для этого надо анализировать спектры в широком диапазоне частот. Для автоматизации анализа спектров вибраций предложен метод, использующий нейросетевые модели. Термин «нейронные сети» сформировался в 40-е годы 20 века, в среде исследователей, изучавших принципы организации и функционирования биологических нейронных сетей. Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого головного мозга. Адаптируемые и обучаемые они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий [2].
Элементарным преобразователем в данных сетях является искусственный нейрон, или просто нейрон, названный так по аналогии с биологическим прототипом. В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Набор нейронов соединенных между собой и представляет собой искусственную нейронную сеть. Некоторые входы нейронов помечены как некоторые входы сети, а некоторые выходы - как внешние выходы сети. Подавая набор чисел на входы сети, мы получаем какой-то набор цифр на выходе сети. Таким образом, работа нейросети состоит в преобразовании входного вектора X в выходной вектор Y. Основное отличие такого математического аппарата как нейронная сеть от других методов обработки информации, заключается в том, что нейронная сеть имеет возможность «обучения».
Данными, которые подаются на входы такой модели сети, является совокупность вибросигналов объекта диагностирования. Регистрируемые вибросигналы являются следствием структурно - функционального состояния и динамических свойств объекта. На основе вибросигналов от заведомо неисправных узлов создается «обучающее» множество. После «обучения» модель нейронной сети способна «различать» дефектные узлы, а созданная математической структура преставляет собой систему диагностирования технического состояния колесно-редукторных блоков электропоездов. 5.1. Краткий обзор и классификация нейронных сетей
Элементарным преобразователем искусственных нейронных сетей (ИНС) является искусственный нейрон (рисунок 5.). В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи, - вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента -выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона [24]. s — результат суммирования; х — компонент входного вектора (входной сигнал, i=l... п); у — выходной сигнал нейрона; п — число входов нейрона; f(s)— нелинейное преобразование (функция активации или передаточная функция). Согласно классической теореме Колмогорова любая непрерывная функция от п переменных F(xl, х2,... хп) может быть представлена в виде: так и целым. Во многих практических задачах входы, веса и смещения могут принимать лишь некоторые фиксированные значения. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими. Таким образом, нейрон полностью описывается своими весами 6), и передаточной функцией f(s). Получив набор чисел (вектор) х{в качестве входов, нейрон выдает некоторое число у на выходе. Описанный вычислительный элемент можно считать упрощенной математической моделью биологических нейронов - клеток, из которых состоит нервная система человека и животных. Чтобы подчеркнуть различие нейронов биологических и математических, вторые иногда называют нейропоподобными элементами или формальными нейронами [2,24]. На входной сигнал s нелинейный преобразователь отвечает выходным сигналом, f(s), который представляет собой выход нейрона у. Примеры активационных функций представлены в таблице 5.1. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция, или сигмоид (то есть функция S-образного вида):
Оценка частотных характеристик полученных при моделировании подшипника
Математически процесс обучения можно описать следующим образом. В процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию F = G(X). Если архитектура сети задана, то вид функции G определяется значениями синаптических весов и смещений сети. Пусть решением некоторой задачи является функция У = F(X), заданная парами входных- выходных данных (XI, У1), (Х2, У2),..., (Xn, Wn), для которых Ук = F(Xk) (к = 1, 2,..., N) [38,49].
Обучение состоит в поиске (синтезе) функций G, близкой к F при учете некоторой функции ошибки Е (рисунок 5.5).
Если выбрано множество обучающих примеров-пар (Xk,Yk), где k=l,2,...,N и способ вычисления функции ошибки Е, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность, при этом, поскольку функция Е может иметь произвольный вид, обучение в общем случае -многоэкстремальная задача оптимизации.
Для решения этой задачи могут быть использованы следующие (итерационные) алгоритмы: - алгоритмы локальной оптимизации с вычислением частных производных первого порядка — градиентный алгоритм; методы с одномерной и двумерной оптимизацией целевой функции в направлении антиградиента; - алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка — метод Ньютона, методом оптимизации с разреженными матрицами Гессе, квазиньютоновские методы, метод Гаусса—Ньютона, метод Левенберга—Марквардта; - стохастические алгоритмы оптимизации — поиск в случайном направлении, имитация отжига, метод Монте-Карло (численный метод статистических испытаний); - алгоритмы глобальной оптимизации (задачи глобальной оптимизации решаются с помощью перебора значений переменных, от которых зависит целевая функция) [38]. Наиболее часто используется алгоритм обратного распространения, идея которого заключается в следующем. Итеративный градиентный алгоритм обучения, используется с целью минимизации среднеквадратичного отклонения текущего выхода от желаемого выхода в многослойных нейронных сетях. Алгоритм обратного распространения используется для обучения многослойных нейронных сетей с последовательными связями (рисунок 5.3), нейроны в таких сетях делятся на группы с общим входным сигналом — слои, при этом на каждый нейрон первого слоя подаются все элементы внешнего входного сигнала, а все выходы нейронов q-ro слоя подаются на каждый нейрон слоя (q+І). Нейроны выполняют взвешенное (с синаптическими весами) суммирование элементов входных сигналов; к данной сумме прибавляется смещение нейрона. Над полученным результатом затем выполняется нелинейное преобразование с помощью активационной функции. Значение функции активации есть выход нейрона. [24,49] В многослойных сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, неизвестны, и персептрон с тремя и более слоями уже невозможно обучить, руководствуясь только величинами ошибок на выходах ИНС. Наиболее приемлемым вариантом обучения в таких условиях оказался градиентный метод поиска минимума функции ошибки с рассмотрением сигналов ошибки от выходов ИНС к ее входам, то есть в направлении, обратном прямому распространению сигналов в обычном режиме работы. Этот алгоритм обучения НС получил название процедуры обратного распространения. В данном алгоритме функция ошибки представляет собой сумму квадратов рассогласования (ошибки) желаемого выхода сети и реального. При вычислении элементов вектора градиента использован своеобразный вид производных функций активации сигмоидального типа. Алгоритм действует циклически (итеративно), и его циклы принято называть эпохами. На каждой эпохе на вход сети поочередно подаются все обучающие наблюдения, выходные значения сети сравниваются с целевыми значениями и вычисляется ошибка. Значения ошибки, а также градиента поверхности ошибок используются для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться (пользователь может сам выбрать нужное условие остановки). Таким образом, алгоритм согласно которому проводилось обучение моделей нейронных сетей в данной работе имеет следующий вид : - весам сети присваиваются небольшие начальные значения. - выбирается очередная обучающая пара (X, Y) из обучающего множества; вектор X подается на вход сети. - вычисляется выход сети. - вычисляется разность между требуемым (целевым, Y) и реальным (вычисленным) выходом сети. - веса сети корректируются так, чтобы минимизировать ошибку (сначала веса выходного слоя, затем, с использованием правила дифференцирования сложной функции). - шаги со 2-го по 5-й повторяются для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемой величины.
Исследование влияния частотных характеристик корпуса редуктора на выбор места установки вибродатчиков при диагностических работах
Значения амплитуд спектров вибрации, полученные от неисправных и бездефектных колесно-редукторных блоков, использовались для обучения модели сети каждого канала.
Для автоматизированного проектирования модели нейронной сети использовался пакет программ Statistica 6.0, Statistica Neural Network. Поскольку регистрация вибросигнала производилась при помощи четырех датчиков, то для каждого канала была создана индивидуальная нейронная сеть.
При анализе амплитуд спектров вибрации колесно-редукторных блоков работа нейронных сетей сводится к решению задачи классификации (отнесение каждого наблюдения к одному из нескольких классов). Исходя из этого был определен тип проектируемых сетей - многослойный персептрон.
На этапе предварительной обработки обучающего множества, состоящего из значений амплитуд составляющих спектров вибраций, отбирались характерные для обучающего множества значения амплитуд спектров вибрации (обработка генетическим алгоритмом). Данный алгорим использовался для нахождения оптимального набора входных переменных путем построения битовых масок, обозначающих, какие из переменных следует оставить на входе, а какие удалить. Этот метод реализован в пакете «STATISTICA» и служил этапом построения модели, на котором отбирались характерные для данного множества переменные, которые затем использовались для построения аналитической модели. Значения частот соответствующие значениям амплитуд спектров вибрации, отобранным по генетическому алгоритму, указаны на рисунках сетей при входных элементах (рисунки Г.1-Г.4.).
Задача по отбору данных, сводиться к задаче классификации (отнесение наблюдения к одному из нескольких, заранее известных классов), следовательно работа сети сводится к отбору определенного класса в том случае, если значение соответствующего выходного элемента выше порога принятия, а всех остальных выходных элементов - ниже порога отвержения. Если же данное условие не выполнено, класс не определяется ( Метод І-из-N).
Схема действия алгоритма определения класса в пакете ST Neural Networks [38 ]: выбирается элемент с наивысшим выходным сигналом, если его выходной сигнал выше или равен порогу принятия, а выходные сигналы всех остальных элементов ниже порога отвержения, то в качестве ответа выдаётся класс, определяемый этим элементом.
Графические изображения полученных, по такому принципу, моделей сетей приведены в приложении Г на рисунках Г.1-Г.4.
Работоспособность составленных моделей нейросетей была проверена по значениям амплитуд составляющих спектров вибраций контрольного редукторного блока, (таблица Г.11), не участвующего в обучении сети, но с заранее известным дефектом - ослабление болтов крепления корпуса редуктора. Разработанные модели нейронных сетей для сигналов от датчиков установленных на болте крышки малой шестерни и на корпусе редуктора, указали на дефект - ослабление болтов крепления корпуса редуктора в контрольном редукторе.
После проверки работоспособности, построенные модели сетей использовались для оценки технического состояния двадцати пяти редукторных блоков по значениям спектров вибросигнала, которые не использовались в обучении моделей (таблицы Г.5-Г.9). В результате обработки данных по спектрам вибраций были выявлен дефект одного из колесно-редукторных блоков - ослабление крепежных болтов венца большого зубчатого колеса (таблица Г. 10).
Таким образом была разработана, «обучена» и проверена модель нейросетевого комплекса для диагностирования технического состояния колесно-редукторных блоков электропоездов.
Выполнен анализ существующих методов диагностического контроля механического оборудования, основанных на измерении параметров колебательных процессов как диагностических признаков. Установлено, что по уровню информативности диагностических признаков виброакустический метод является наилучшим методом контроля крупных дефектов подшипников качения для электроподвижного состава.
2. Установлено что, основным недостатком существующих вибродиагностических методов, используемых в эксплуатации, является трудности идентификации дефектов по соответствующим им частотным составляющим в спектре вибраций, полученных по сигналам, зарегистрированным на корпусах подшипниковых узлов, а не на подшипнике.
3. Показано, что для изучения характера движения элементов подшипника с дефектами как нелинейной динамической системы со ста двадцатью шестью степенями свободы эффективен метод, основанный на компьютерном моделировании движения элементов подшипника как трехмерных твердых тел с нелинейными связями между ними.
4. Разработана методика моделирования для программного комплекса MSC.Adams двух типов подшипников: 42726 (буксовый подшипник) и 92518 (подшипника узла малого зубчатого колеса тягового редуктор) с наиболее часто встречающимися дефектами.
