Построение нейросетевого классификатора дефектов насосного оборудования хлебопекарных производств на основе симулированных вибрационных спектров

А.А. Полетаев; А.Е. Яблоков

Авторы

А.А. Полетаев https://orcid.org/0009-0007-3046-6214 Российский биотехнологический университет, 125080, Москва, Волоколамское шоссе, д. 11
А.Е. Яблоков https://orcid.org/0000-0003-1489-8256 Российский биотехнологический университет, 125080, Москва, Волоколамское шоссе, д. 11

EDN: ETYLIO

Как цитировать

ГОСТ Полетаев А., Яблоков А. Построение нейросетевого классификатора дефектов насосного оборудования хлебопекарных производств на основе симулированных вибрационных спектров // Хлебопечение России. 2025. Т. 69. № 3-4. С. 45-56.

APA Полетаев, А. & Яблоков, А. (2025). Построение нейросетевого классификатора дефектов насосного оборудования хлебопекарных производств на основе симулированных вибрационных спектров. Хлебопечение России, 69(3-4), 45-56.

Аннотация

В статье рассматривается метод построения нейросетевого классификатора технических состояний насосного оборудования, используемого в технологических процессах хлебопекарных производств. Исходные данные для анализа были получены с реальных подшипниковых узлов, после чего проведено имитационное моделирование типовых дефектов, включая трещины на обойме, износ ролика, повреждение сепаратора и дисбаланс ротора. В результате симуляции сформирован набор усредненных спектров виброускорения и виброскорости, отражающих характеристики как исправных, так и дефектных состояний. На основе полученных данных была обучена искусственная нейронная сеть в среде MATLAB с использованием инструментария nnstart. Архитектура сети включает один скрытый слой с 20 нейронами и выход с пятью классами состояния. Для обучения применен алгоритм масштабированного сопряженного градиента и функция потерь типа кросс-энтропии. Проведена оценка точности классификации, анализ матриц ошибок и графиков обучения. Полученные результаты подтверждают эффективность нейросетевого подхода к диагностике насосных агрегатов, а также демонстрируют потенциал использования симулированных спектров в качестве обучающих данных. Методика может быть применена при разработке интеллектуальных систем предиктивного технического обслуживания.

Ключевые слова

вибродиагностика насосное оборудование нейросетевая классификация хлебопекарное производство подшипниковые узлы имитационное моделирование спектральный анализ

Библиографические ссылки

Брякин И.В., Бочкарев И.В. Измерительное устройство для систем технической вибродиагностки энергетического оборудования // Известия высших учебных заведений. Проблемы энергетики. 2023. Т. 25. № 2. С. 137–152.

Букирев А.С., Савченко А.Ю., Яцечко М.И., Малышев В.А. Система диагностики технического состояния комплекса бортового оборудования воздушного судна на основе интеллектуальных информационных технологий // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 1(28).

Герике П.Б., Герике Б.Л. Разработка системы единых диагностических критериев для оценки технического состояния горных машин и оборудования по параметрам механических колебаний // Инновации в топливно-энергетическом комплексе и машиностроении (ТЭК-2022): мат. III Межд. науч.-прак. конф. (19-21 апреля 2022 г., Кемерово). Кемерово: Кузбасский государственный технический университет им. Т.Ф. Горбачева, 2022. С. 206-213.

ГОСТ 30576-98. Вибрация. Насосы центробежные питательные тепловых электростанций. Нормы вибрации и общие требования к проведению измерений. М.: Изд-во стандартов, 2000.

ГОСТ 31350-2007. Вибрация. Вентиляторы промышленные. Требования к производимой вибрации и качеству балансировки. М.: Стандартинформ, 2008.

ГОСТ Р ИСО 13374-3-2015. Контроль состояния и диагностика машин. Обработка, передача и предоставление данных. Ч. 3. Передача данных. М.: Стандартинформ, 2018. 12 с.

ГОСТ IEC 60034-14-2014. Машины электрические вращающиеся. Часть 14. Механическая вибрация некоторых видов машин с высотами вала 56 мм и более. Измерения, оценка и пределы жесткости вибраций. М.: Стандартинформ, 2015. 16 с.

Закирничная М.М., Палладина Я.А. Выявление основных неисправностей центробежных насосных агрегатов с помощью колориметрического показателя амплитуды на основании моделирования вейвлет-картин // Электротехнические и информационные комплексы и системы. 2024. Т. 20. № 3. С. 98-106.

Ишметьев Е.Н., Чистяков Д.В., Панов А.Н. Системы виброзащиты, виброконтроля и вибродиагностики промышленного оборудования // Электротехнические системы и комплексы. 2019. № 1(42). С. 67-73.

Колобов А.Б. Вибродиагностика: теория и практика: учебное пособие. 2-е изд. М.: Вологда: Инфра-Инженерия, 2024. 252 с.

Левин В.М., Хальясмаа А.И., Ахьеев Д.С., Манусов В.З. Применение методов искусственного интеллекта в задачах технической диагностики электрооборудования электрических систем. Новосибирск: Новосибирский государственный технический университет, 2020. 446 с.

Никитин Ю.Р., Трефилов С.А., Лекомцев П.В. Интеллектуальные мехатронные системы. Прогнозирование остаточного ресурса: Учебное пособие. Москва: Ай Пи Ар Медиа, 2023. 99 с.

Панина О.В., Завалько Н.А., Еремин С.Г. Разработка нейронных сетей для анализа вибрационных сигналов горного оборудования и предупреждения аварийных ситуаций // Горная промышленность. 2025. № 2. С. 97-104.

Пивень В.В., Сызранцев В.Н., Челомбитко С.И. Вибрационная диагностика роторного оборудования: учебное пособие. Тюмень: Тюменский индустриальный университет, 2021. 80 с.

Полетаев А.А., Яблоков А.Е. Нейросетевой метод технической диагностики оборудования по спектрам виброскорости и виброускорений // Известия Тульского государственного университета. Технические науки. 2024. № 5. С. 476-481.

Сафиуллин Р.А., Янгиров И.Ф. Исследование вибрации асинхронного электродвигателя // Электротехнические и информационные комплексы и системы. 2021. Т. 17. № 2. С. 41-54.

Семенов П.В., Севостьянов А.Ю. Особенности вибродиагностики при контроле технического состояния авиационного поршневого двигателя (обзор) // Вестник Уфимского государственного авиационного технического университета. 2021. Т. 25. № 3(93). С. 72-79.

Щербатов И.А., Салов И.В. Прогнозирование технического состояния оборудования методами машинного обучения на примере подшипника паровой турбины // Вестник Казанского государственного энергетического университета. 2024. Т. 16. № 4(64). С. 25-37.

Яблоков А.Е. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: дис. ... д-ра техн. наук. М., 2022. 377 с.

Яблоков А.Е., Латышев М.А., Благовещенский И.Г. Разработка интеллектуальной системы технического мониторинга оборудования с использованием универсального датчика на базе микроконтроллера STM32 // Научно-технический вестник Поволжья. 2024. № 10. С. 143-146.

Яблоков А.Е., Латышев М.А., Шилина В.Д., Полетаев А.А. Технологии ИНС в задаче спектральной вибродиагностики оборудования хлебопекарного производства // Хлебопечение России. 2024. Т. 68. № 3. С. 16-25.

Яблоков А.Е. Вибродиагностика основного технологического оборудования размольного отделения мельницы: дис. ... канд. техн. наук. М., 2001. 183 с.

Czech P. Vibration diagnosis of car motor engines // Acta technica corviniensis – Bulletin of engineering. 2010. Fascicule 1. Vol. III. pp. 37-42.

Kelly S. Graham. Advanced Vibration Analysis (Dekker Mechanical Engineering). 2013. 637 p.

Xue X., Dong Y., Wu X. Motion Induced Eddy Current Sensor for Non-Intrusive Vibration Measurement // IEEE Sensors Journal, 2020, vol. 20, no. 2, pp. 735-744.

Yang Z., Wang S., Hong J., Li J. Analysis of electromagnetic exciting force and vibration of rotating armature permanent magnet synchronous motor // Journal of engineering. 2018, no. 17, pp. 1903-1908.

Построение нейросетевого классификатора дефектов насосного оборудования хлебопекарных производств на основе симулированных вибрационных спектров

Авторы

Как цитировать

Аннотация

Ключевые слова

Библиографические ссылки

Выпуск

Раздел

Метрики

Машиночитаемые метаданные

Похожие статьи