Система безперервного вібромоніторингу стану технологічного обладнання з машинним навчанням класифікатору

Abstract

Вібромоніторинг технологічного обладнання відрізняється наявністю нестаціонарних складні вібросигналів, які характеризуються наявністю тимчасових залежностей амплітуди, частоти, фази. У класичному машинному навчанні вже отримані дані зазвичай випадковим чином ділять на навчальний і тестовий набори. На основі навчального набору даних отримують класифікатор, а за допомогою тестового перевіряють точність цього отриманої моделі класифікатора даних. Розроблений програмний комплекс вирішує проблему ідентифікації діагностичних вібросигналів методом підбору часових рядів тестового сигналу з мінімальною близькістю на основі вейвлет-коефіцієнтів. Відбір в тестовий набір здійснюється в процесі контролю за мінімальним значенням коефіцієнта автокогерентності, який близький до нуля. Таким чином, класифікатор даних працює безперервно, збагачуючи математичну модель розпізнаванням з'являються дефектів обладнання, що залежать від великого числа випадкових чинників-умов монтажу кваліфікації обслуговуючого персоналу і т.п. Принципово новий підхід до організації ідентифікації вібрації полягає в тому, що ідентифікуються не сигнали вібромониторинга записані за певний період часу, а ідентифікація відбувається в реальному режимі часу. Це робить контроль за станом технологічного обладнання оперативним. Розроблений алгоритм аналізу дозволяє реалізувати систему безперервного вібромониторинга технологічного обладнання, підвищити точність ідентифікації діагностичних вібросигналів за рахунок використання комплексного підходу до аналізу близькості тестового сигналу.Vibration monitoring of technological equipment is characterized by the presence of unsteady complex vibration signals, which are characterized by the presence of time dependences of the amplitude, frequency, phase. In classical machine learning, data already obtained is usually randomly divided into training and test sets. Based on the training data set, a classifier is obtained, and with the help of a test one, the accuracy of this obtained data classifier model is checked. The developed software package solves the problem of identifying diagnostic vibration signals by selecting the time series of the test signal with minimal proximity based on wavelet coefficients. Selection in the test set is carried out in the control process at the minimum value of the coefficient of autocoherence, which is close to zero. Thus, the data classifier works continuously, enriching the mathematical model with recognition of emerging equipment defects, depending on a large number of random factors, installation conditions for the qualifications of staff, etc. A fundamentally new approach to organizing the identification of a vibration signal is that it is not the vibration monitoring signals recorded over a certain period of time that are identified, but the identification takes place in real time. This makes monitoring the state of technological equipment operational. The developed analysis algorithm makes it possible to implement a system of continuous vibration monitoring of technological equipment, to increase the accuracy of identification of diagnostic vibration signals through the use of an integrated approach to the analysis of the proximity of a test signal.Вибромониторинг технологического оборудования отличается наличием нестационарных сложные вибросигналов, в которые характеризуются наличием временных зависимостей амплитуды, частоты, фазы. В классическом машинном обучении уже полученные данные обычно случайным образом делят на обучающий и тестовый наборы. На основе обучающего набора данных получают классификатор, а с помощью тестового проверяют точность этого полученной модели классификатора данных. Разработанный программный комплекс решает проблему идентификации диагностических вибросигналов методом подбора временных рядов тестового сигнала с минимальной близостью на основе вейвлет коэффициентов. Отбор в тестовый набор осуществляется в процессе контроля по минимальному значению коэффициента автокогерентности, который близок к нулю. Таким образом, классификатор данных работает непрерывно, обогащая математическую модель распознанием появляющихся дефектов оборудования, зависящих от большого числа случайных факторов- условий монтажа квалификации обслуживающего персонала и т.п. Принципиально новый подход к организации идентификации вибросигнала заключается в том, что идентифицируются не сигналы вибро-мониторинга записанные за определенный период времени, а идентификация происходит в реальном режиме времени. Это делает контроль за состоянием технологического оборудования оперативным. Разработанный алгоритм анализа позволяет реализовать систему непрерывного вибромониторинга технологического оборудования, повысить точность идентификации диагностических вибросигналов за счет использования комплексного подхода к анализу близости тестового сигнала.