Специалисты Тольяттинского государственного университета (ТГУ) разработали инновационный метод для оценки износа деталей машин в процессе их эксплуатации. Этот подход способствует своевременному проведению ремонтных работ и позволяет сократить расходы на простой оборудования.
Ученые ТГУ создали технологию акустической диагностики, которая на 45% эффективнее выявляет критический износ деталей по сравнению с существующими методами. Система, основанная на алгоритмах машинного обучения, анализирует акустические сигналы работающего механизма и заблаговременно предупреждает о возможных поломках.
По данным университета, исследователи научили компьютер распознавать ранние признаки износа деталей в шумах, возникающих при работе механизмов. Разработанный метод позволяет оценивать состояние деталей скольжения, таких как подшипники, втулки и направляющие. Компьютер анализирует ультразвуковые сигналы, издаваемые трущимися поверхностями, с помощью спектрального и кластерного анализа. Алгоритмы машинного обучения, аналогичные тем, что используются для распознавания лиц, речи и классификации изображений, применяются для этой цели.
«Традиционные методы акустической диагностики измеряют только громкость шума. Наш алгоритм анализирует различные параметры ультразвуковых сигналов одновременно, что позволяет определить, когда механизм работает исправно и когда появляются первые признаки износа. Мы не просто фиксируем шум – мы понимаем, что происходит в узле трения и какова степень износа», – отметил Игорь Растегаев, ведущий научный сотрудник научно-исследовательского института прогрессивных технологий и профессор кафедры «Прикладная механика и инженерная графика» ТГУ.
В отличие от классических методов диагностики, требующих остановки, разборки оборудования и простоя, предложенный подход позволяет оценивать состояние механизма в процессе его работы. Ученые разделили непрерывный звуковой поток на тысячи коротких фрагментов, для каждого из которых вычислили десятки параметров, таких как амплитуда, энергия, частотный спектр и скорость изменения сигнала. Алгоритм группирует похожие фрагменты в кластеры, что позволяет определить степень износа механизма – от начальной стадии до критического состояния. Эксперименты показали, что вероятность выявления опасного режима работы механизма с использованием нового метода на 45% выше по сравнению с традиционными методами.
В университете считают, что разработка может быть применена в различных отраслях, включая тяжелое машиностроение, энергетику и автомобильный транспорт. Для промышленности это возможность планировать ремонтные работы без срочных остановок и заменять детали по мере необходимости, что позволяет экономить средства на простоях.
Источник: ТАСС
распечатать статью
