автореферат диссертации по машиностроению и машиноведению, 05.02.13, диссертация на тему:Метод технической диагностики механических систем печатных машин с использованием вейвлет-анализа

На правах рукописи

МЕТОД ТЕХНИЧЕСКОЙ ДИАГНОСТИКИ МЕХАНИЧЕСКИХ СИСТЕМ ПЕЧАТНЫХ МАШИН С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-АНАЛИЗА

Специальность 05.02.13 - машины, агрегаты и процессы (печатные средства информации)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

6 ! '!0Н /013

Москва-2013

005061083

Работа выполнена на оборудования» ФГБОУ ВПО печати имени Ивана Федорова».

кафедре «Печатного и послепечатного «Московский государственный университет

Научный руководитель:

Официальные оппоненты:

Куликов Григорий Борисович

профессор, доктор технических наук

Агеев Владимир Николаевич

профессор, доктор технических наук ФГБОУ ВПО «Московский государственный университет печати имени Ивана Федорова»

Разинкин Евгений Владимирович

кандидат технических наук ОАО «Полиграфический комплекс «Пушкинская площадь», начальник отдела технического и производственного анализа

Ведущая организация:

ЗАО «НИИПолиграфмаш»

Защита диссертации состоится 18 июня 2013 г. в 12:00 на заседании диссертационного совета Д 212.147.01 при ФГБОУ ВПО «Московский государственный университет печати имени Ивана Федорова» по адресу: 127550, г. Москва, ул. Прянишникова, д. 2а.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Московский государственный университет печати имени Ивана Федорова»

Автореферат разослан «"/¿Р» •ЛЛСХЛ. 2013 г.

Ученый секретарь

диссертационного совета Д 212.147.01 доктор технических наук, профессор • Е.Д.Климова

Общая характеристика работы Актуальность проблемы. Качество функционирования печатных машин, а, следовательно, и качество выпускаемой продукции во многом определяется их техническим состоянием, которое в первую очередь зависит от степени износа деталей механических систем печатных машин (МС ПМ).

Степень износа деталей МС ПМ может бьггь оценена системой технической диагностики оборудован:«, качество работы которой зависит нз только от точности метода выявления диагностических компонент, но и от средств идентификации состояния деталей МС ПМ. Постоянный рост производительности компьютерного оборудования, а также совершенствование программных комплексов позволяет применять более совершенные методы для решения задачи диагностики технического состояния МС ПМ.

На сегодняшний день в полиграфии используются «классические» методы диагностики технического состояния МС ПМ, отличительной особенностью которых является скорость работы и простота использования. Следует отметить, что существующие методы имеют определенные недостатки, что делает задачу поиска и адаптации новых методов, применительно к печатным машинам, актуальной.

Актуальность данной работы заключается в разработке методики диагностики, использующей современные методы информационных технологий для повышения точности определения актуального технического состояния МС ПМ, прогнозирования развития износа и возможных отказов МС ПМ.

Цель исследования. Целью диссертационной работы является разработка методики диагностики механических систем печатных машин, основанной на вейвлет-анализе в качестве способа получения диагностических признаков из вибрационного сигнала диагностируемого узла и искусственных нейронных сетях, обеспечивающих надежное распознавание состояния системы.

Задачи исследования. Данная цель определила постановку следующих

задач:

1. Обоснование применения вейвлет-анализа в качестве метода выявления диагностических признаков из исходного вибрационного сигнала;

2. Разработка метода выявления диагностических признаков из спектра вейвлет-преобразования исходного вибрационного сигнала;

3. Выбор наиболее подходящей нейросетевой модели для решения задачи технической диагностики МС ПМ;

4. Разработка метода распознавания технического состояния узлов МС ПМ посредством анализа коэффициентов вейвлет-преобразования;

5. Автоматизация процесса сбора информации для обучения нейронных сетей и процесса распознавания при помощи программных макросов, применительно к предлагаемому методу;

6. Апробация предлагаемого метода диагностики на основе сравнительного анализа с методом, основанным на использовании преобразования Фурье, в качестве способа выявления диагностических признаков;

7. Разработка алгоритма технической диагностики МС ПМ на базе вейвлет-анализа и искусственных нейронных сетей.

Методы исследования. Для решения поставленных задач использовались методы математической статистики, виброакустической диагностики, регрессионного анализа, математические методы обработки экспериментальных данных, теории распознавания образов. Вейвлет-преобразование производилось при помощи инструмента \VaveletToolbox программного комплекса МаЙаЬ, для построения искусственных нейронных сетей и регрессионного анализа применялась программа 81аизНса 10.

В диссертации решена задача разработки нового, более эффективного по сравнению с существующими, метода технической диагностики МС ПМ, основанного на применении вейвлет-анапиза в качестве способа выявления диагностических компонент из исходного вибрационного сигнала и искусственных нейронных сетей для идентификации текущего технического состояния.

Научная новизна работы заключается в следующем:

1. Разработан метод выявления диагностических признаков из спектра вейвлет-преобразования вибрационного сигнала;

2. Выбрана нейросетевая архитектура, наиболее эффективная для задач технической диагностики;

3. Разработаны автоматические алгоритмы, использующие коэффициенты вейвлет-преобразования для обучения и построения искусственных нейронных сетей;

4. Решена задача распознавания технического состояния МС ПМ с использованием ансамблей искусственных нейронных сетей, состоящих из сетей, обученных на каждом масштабе информативной области коэффициентов вейвлет-преобразования;

5. Предложена методика диагностики технического состояния МС ПМ, основанная на использовании вейвлет-преобразования и искусственных нейронных сетей.

Положения, выносимые на защиту

1. Методы выявления диагностических признаков износа из вибрационного сигнала механических систем печатных машин посредством вейвлет-анализа позволяющие точно определить масштабы, на которых коэффициенты вейвлет-преобразования наиболее информативны;

2. Автоматические алгоритмы построения и обучения искусственных нейронных сетей значительно сокращающие временные затраты на решение задачи идентификации технического состояния объекта диагностики;

3. Результаты экспериментальных исследований по распознаванию технического состояния механических систем печатных машин, показавшие высокую эффективность разработанного метода;

4. Метод диагностики технического состояния механических систем печатных машин, основанный на вейвлет-анализе и искусственных нейронных сетях, пригодный для диагностики механических систем печатных машин, подверженных механическому износу.

Практическая ценность представленной работы заключается в том, что разработанные принципы применения вейвлет-анализа в качестве метода диагностики узлов МС ПМ позволяют не только выявить зарождающийся дефект, но и локализовать дефект на поверхности детали.

Ансамбли сетей позволяют выявить связь между значениями коэффициентов вейвлет-преобразования и текущим техническим состоянием исследуемого узла МС ПМ, а также с высокой точностью спрогнозировать состояние узла в будущем.

Предложенные программные макросы позволяют автоматизировать процесс сбора данных для обучения искусственных нейронных сетей, формирование ансамблей сетей и вынесение решения задачи распознавания.

Представленный метод возможно применить как средство диагностики узлов МС ПМ в процессе эксплуатации.

Реализация и внедрение результатов работы. Разработанные модели, методики и комплекс технических средств использованы при проведении НИР на кафедре печатного и послепечатного оборудования МГУП по темам, выполненным в рамках государственного задания:

1. Г 1.5.11 «Разработка теоретических основ и метода использования нейросетевых моделей для виброакустической диагностики». 2011 г. № госрегистрации 01201158788.

Этап: «Разработка новых методов выявления информационных диагностических признаков в виброакустическом сигнале».

2. Г.2/7.1436.11. «Разработка теоретических основ и метода использования нейросетевых моделей для виброакустической диагностики». 2012 г. № госрегистрации 01201158788.

Этап: «Разработка теории и метода построения многослойных нейросетевых моделей для отдельных категорий устройств».

Апробация работы. Основные положения и результаты работы по теме диссертации докладывались на X и XV международных научно-практических конференциях «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2010 и 2013 соответственно).

Публикации. По теме диссертации опубликованы 2 научные статьи и тезисы доклада на научной конференции, из них 2 публикации в изданиях, рекомендованных ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, 6 глав, заключения, списка литературы из 180 наименований и 5 приложений. Основная часть содержит 114 страниц, 6 таблиц, 43 рисунка. Приложения занимают 33 страницы, содержат 19 таблиц и 17 рисунков.

Содержание работы

Во введении обоснована актуальность выбранной темы диссертации, определены цели и задачи исследования, отмечена научная новизна и практическая ценность работы, сформулированы положения, выносимые на защиту.

В первой главе проведен анализ исследований и публикаций, посвященных виброакустической диагностике в полиграфии и других отраслях. Рассмотрены виды неисправностей технических систем, сделан подробный анализ виброакустических методов диагностики. Показано, что в полиграфии не проводилось исследований по выявлению зависимости между параметрами спектра вейвлет-преобразования виброускорения и параметрами технического состояния исследуемого узла. Было указано, что для выявления данной зависимости наиболее эффективно применение искусственных нейронных сетей. В результате проведенного анализа была поставлена задача по разработке нового метода технической диагностики, направленного на определение текущего состояния МС ПМ.

Во второй главе приведен процесс подготовки к экспериментальным исследованиям для проверки метода диагностики МС ПМ, основанного на применении вейвлет-преобразования в качестве метода получения диагностических компонент и искусственных нейронных сетей для решения задачи распознавания технического состояния МС ПМ.

а о

Рис. 1. Макет: а — общий вид, б — место установки датчика В качестве экспериментального макета была выбрана печатная машина АБАЗТ Котауог 314, из красочного аппарата которой была удалена вся

раскатная группа для уменьшения шумов (рис. 1). Объектом исследования является зазор между подшипником накатного валика красочного аппарата и прижимной планкой гнезда подшипника. В процессе эксплуатации машины это зазор, вследствие износа, постепенно увеличивается. Изменение зазора влияет на виброактивность узла.

На рис. 2 представлена схема экспериментальной установки, которая состоит из: накатного валика (1), подшипника (2), гнезда подшипника (3), прижимной планки подшипника (4), калибровочных пластин (5), с помощью которых регулировался зазор А, датчика виброускорения (6).

Рис. 2. Схема экспериментальной установки Для исследования влияния зазора между гнездом подшипника и прижимной планкой на амплитуду вибраций накатного валика были изготовлены 4 калибровочные пластины различной толщины, с точностью до 0,01 мм.

Таблица 1

Зазоры экспериментальной установки__

Номер зазора 1 2 3 4 5

Величина зазора, мм 0 0,3 0,6 0,9 1,2

Толщины изготовленных пластин приведены в таблице 1. Зазор 1,2 мм был использован для прогнозирования развития зазора в дальнейшем.

Пластины устанавливались между гнездом подшипника и прижимной планкой, затем снимались показания вибрации с акселерометра расположенного на прижимной планке.

Вследствие того, что большинство современных печатных офсетных листовых машин работают на скоростях 10-17 тысяч оттисков в час, было решено проводить измерения на скорости, входящей в данный диапазон. Макет был разогнан до максимальной безопасной скорости работы, которая составила 204 оборота формного цилиндра в минуту.

Рис. 3. Общий вид установки для записи данных Оцифровка полученных данных проводилась с частотой дискретизации 50 кГц (общий вид установки записи данных, состоящей из: источника сигналов оцифрованных данных, двух осциллографов и блока записи данных, приведен на рис. 3), что позволило провести анализ в широком диапазоне частот. Было записано по 100 циклов на каждом зазоре. На рис. 4 представлены записи вибраций накатного валика после удара о кромку формного цилиндра при зазорах между гнездом подшипника и прижимной планкой от 0 до 1,2 мм.

Рис. 4. записи вибраций накатного валика после удара о кромку формного цилиндра при зазорах между гнездом подшипника и прижимной планкой от 0 до 1,2 мм.

После записи данных проводился статистический отсев вибрационных сигналов по правилу «3 стандартов».

В завершении второй главы приведена методика экспериментальных исследований, описывающая общий алгоритм процесса диагностики величины зазора между гнездом подшипника накатного валика и прижимной планкой. Показано, что для обучения искусственных нейронных сетей с целью решения задачи идентификации зазора достаточно использовать по 50 записей на каждый зазор.

Третья глава посвящена выявлению диагностических признаков из спектра вейвлет-преобразования исходного вибрационного сигнала.

Предварительные эксперименты показали, что для анализа исходного вибрационного сигнала наиболее важен выбор масштаба вейвлета а, нежели вида материнского вейвлета. Следовательно, для разрабатываемой методики наиболее эффективным является выбор вейвлета Хаара (haar, рис. 5), который преобразует исходный сигнал с наибольшей скоростью.

ЧЧ

t

Рис. 5. Вейвлет Хаара (haar) Материнская функция вейвлета haar задается следующим образом:

1, • 0<*<i

-1, ^ < х < 1 (1)

^0, х€ [0,1)

<К*) =

С целью формирования вектора диагностических признаков, проводилось вейвлет-преобразования исходного сигнала. Преобразование осуществлялось при помощи опции Continuous Wavelet 1-D инструмента Wavelet Toolbox программного комплекса Matlab.

На рис. 6 изображены спектры вейвлет-преобразования записи одного удара накатного валика о кромку формного цилиндра (а — без зазора, б — с зазором 1,2 мм), оси абсцисс соответствует временная реализация сигнала, оси ординат - значения масштабного коэффициента, значения коэффициентов разложения отложены на оси аппликат. Как видно на рис. 6, с увеличением зазора значительно возрастает величина коэффициентов вейвлет-преобразования.

На рис. 7 изображены коэффициенты вейвлет-преобразования исходного сигнала вейвлетом Хаара (haar) на масштабах а: 2, 10, 50, 150, 300 и 500.

а

10 б

Рис. 6. Спектры вейвлет-преобразования вейвлетом haar: а) без зазора, б) зазор 1,2 мм

На рис. 7 видно, что с увеличением масштабного коэффициента, рельеф спектра становится размытым, а коэффициенты вейвлет-преобразования на масштабах а > 50 не несут в себе полезной информации об эволюции сигнала. Следовательно, необходимо выбрать участок масштабов, на которых вейвлет-коэффициенты наиболее информативны для решения задачи технической диагностики. Для этой цели мы предлагаем использовать представление вейвлет-спектра в виде зависимости значений коэффициентов вейвлет-преобразования от величины масштабного коэффициента в момент времени.

ч

Рис. 7. Коэффициенты вейвлет-преобразования вейвлетом Хаара (haar) на масштабах а: 2,

10,50, 150, 300 и 500

О 5 10 15 20 25

Масштаб, а

Рис. 8. Зависимость коэффициентов вейвлет-преобразования вейвлетом haar от масштаба на участке а=1...25: а) без зазора, б) зазор 1,2 мм

На рис. 8 изображены зависимости коэффициентов вейвлет-преобразования от масштаба, полученные после преобразования исходных сигналов, после удара накатного валика о кромку формного цилиндра без зазора (рис. 8а) и с зазором 1,2 мм (рис. 86), вейвлетом haar на участке масштабов а = 1... 25.

На рис. 8 отчетливо видно увеличение вейвлет-коэффициентов с увеличением зазора, но эта зависимость прослеживается лишь на небольшом участке значений масштабных коэффициентов. Из представленной выше зависимости был выделен участок масштабных коэффициентов в диапазоне 26, на котором коэффициенты вейвлет-преобразования являются наиболее информативными.

В процессе исследования применения вейвлет-преобразования в качестве метода выявления диагностических признаков, из исходного вибрационного сигнала, с целью увеличения числа диагностических признаков было решено уменьшить шаг изменения масштабного коэффициента Да на участке масштабов а — 2... 6. Предварительные эксперименты показали, что оптимальным шагом изменения масштабного коэффициента является Да = 0,33, вследствие того, что увеличение данного шага приводит к потере точности распознавания, а дальнейшее уменьшение шага приводит к увеличению времени расчетов и не дает значимого прироста точности идентификации зазора.

Для всех информативных элементов, с целью проверки пригодности полученных данных для решения задачи идентификации, был задан массив зависимостей коэффициентов вейвлет-спектра от зазора. По полученным значениям составлены регрессионные модели и рассчитаны доверительные интервалы с надежностью 0,95. В качестве примера на рис. 9 и 10 представлены графики регрессий для значений коэффициентов пиков вейвлет-спектров вейвлета haar на масштабах а — 2 и а = 6.

4,0

ЭД5 33,0:

р,0 -е-1.5

0,5 О

j

/у/.//

У/

0,5 1,0 1,5 2,0 2,5 3,0 3,5 4.0 4,5 5.0 5,5 Зазор, мм

Рис. 10. График регрессии вейвлета haar на масштабе а = 6

0,5 1,0 1,5 2.0 2,5 3,0 3,5 4.0 4,5 5,0 5,5 Зазор, мм

Рис. 9. График регрессии вейвлета haar на масштабе а = 2

Как видно на рис. 9 и 10, области значений коэффициентов всех пяти зазоров не пересекаются, следовательно, статистическая обработка полученных данных методами регрессионного анализа показала пригодность полученных данных для решения задачи идентификации.

В четвертой главе представлена методика идентификации технического состояния механических узлов печатных машин при помощи искусственных нейронных сетей, которые используют в качестве входных независимых переменных коэффициенты вейвлет-преобразования исходного вибрационного сигнала, на примере идентификации зазора между гнездом подшипника накатного валика и прижимной планкой в красочном аппарате листовой офсетной машины ADAST Romayor 314.

В ходе экспериментальных исследований было выявлено, что в исследуемой методике наиболее эффективно применение сетей типа многослойный персептрон (МП), так как МП показал наилучший результат в решении задач идентификации и прогнозирования технического состояния.

Для построения искусственных нейронных сетей была подготовлена обучающая выборка, состоящая из 250 элементов: по 50 записей на каждый зазор. Каждый из 250 элементов представлял собой массив данных, состоящий из значений коэффициентов вейвлет-преобразования вибрационного сигнала удара накатного валика о кромку формного цилиндра от начала удара до момента полного затухания на 15 различных масштабах, отобранных в главе 3 (на рис. 11 приведен пример коэффициентов вейвлет-преобразования вибрационного сигнала на масштабе а = 3). В качестве выходной категориальной переменной использовался порядковый номер зазора (цифра 1 соответствовала случаю без зазора, цифра 5 — зазору 1,2 мм).

Большое количество входных переменных было выбрано для возможности проведения дальнейшего анализа чувствительности, с помощью которого можно выделить наиболее информативные участки на линии вейвлет-коэффициентов и дальнейшего повышения точности идентификации зазора.

Для сокращения трудовых и временных затрат при решении задачи идентификации зазора использовались макросы программы Statistica 10.

Распознавание зазора при помощи искусственных нейронных сетей выполнялось в два этапа: обучение искусственных нейронных сетей и вывод результата распознавания. Для этого в программе Statistica было написано два

идентификации

Задачей первого является сбор информации и обучение сетей. Для каждого из 15 масштабов макрос обучал по 100 сетей архитектуры МП, используя в качестве независимых переменных коэффициенты вейвлет-преобразования вибрационного сигнала удара накатного валика о кромку формного цилиндра, длиной 50 точек. Далее выбиралась лучшая сеть по соотношению производительность-сложность сети и сохранялась в выбранную директорию памяти ЭВМ. В итоге было сохранено 15 нейронных сетей. Пример

построенных сетей изображен на рис. 12, в таблице 2 представлены результаты обучения сети.

Задачами второго макроса является объединение сохраненных обученных сетей в параллельную структуру — ансамбль, где сети независимы друг от друга, и вывод результата идентификации зазора, полученного посредством голосования каждой сети ансамбля.

Проверка работы сформированного ансамбля сетей была проведена на новых данных, подготовленных заранее и не участвовавших в процессе обучения сетей. Ансамбль правильно распознал 96% образов, что свидетельствует о высокой степени эффективности данного метода.

Рис. 12. Архитектура сети «МП 16:16-14-17-3:1»

Таблица 2

Результат обучения сети «МП 16:16-14-17-3:1»_

Производительность обучения Контрольная производительность Ошибка обучения Контрольная ошибка

1,000000 1,000000 0,000031 0,000341

Далее была решена задача прогнозирования развития зазора, для решения которой была смоделирована зависимость изменения зазора между гнездом подшипника накатного валика и прижимной планкой от времени. При помощи функции Time Series меню Neural Networks программы Statistica 10 был построен прогноз изменения зазора, который показал близкий к исходной зависимости результат, что подтверждает практическую возможность использования искусственных нейронных сетей для прогнозирования технического состояния.

В петой главе приведены результаты апробации предлагаемого метода диагностирования посредством сравнительного анализа с методом, основанным на использовании преобразования Фурье, в качестве способа выявления диагностических признаков.

Преобразование Фурье исходных сигналов производилось с помощью программы Statistica 10. На рис. 13 приведены спектры вибраций накатного валика за один оборот формного цилиндра без зазора между гнездом

подшипника накатного валика и прижимной планкой, и при зазорах, равных 0.3 мм, 0.6 мм, 0.9 мм и 1.2 мм.

Рис. 13. Спектры вибрации накатного валика с зазорами от 0 мм до 1,2 мм на участке частот

4800-6400 Гц

Как видно на рис. 13, увеличение зазора между гнездом подшипника накатного валика и прижимной планкой приводит к резкому возрастанию уровня спектральных составляющих вибраций.

Было выявлено, что на частотах: 198 Гц, 1020 Гц, 3018 Гц и 5616 Гц происходит явное увеличения амплитуды спектра Фурье с увеличением зазора — эти частоты можно считать информативными для определения величины зазора между подшипником и прижимной планкой.

С целью использования полученного набора частот в диагностических целях необходимо выяснить их происхождение. Вследствие того, что в исследовании использовался высокочастотный пьезоакселерометр, были исключены вибрации подшипников вала, так как их резонансные частоты находятся в диапазоне 3,4-14 Гц. Определение собственных частот валика проводилось тремя способами, двумя расчетными способами: при помощи программного комплекса АРМ \УтМасЫпе 10.0 с использованием метода конечных элементов с использованием формулы расчета поперечных колебаний вала (2), и экспериментальным методом, посредством анализа спектров Фурье собственных колебаний валика. В таблице 3 приведены результаты полученных собственных частот накатного валика.

/ = А ¡Ж «

где I — длина вала, 5 — площадь поперечного сечения вала, Е1 — изгибная жесткость валика, р — плотность материала валика, р — расчетный коэффициент, равный: 4.73, 8.85, 11...

Как видно из таблицы 3, выделенные частоты являются собственными частотами колебаний накатного валика, которые возникают после удара о кромку формного цилиндра.

Далее обучались нейронные сети, которые в качестве выходной категориальной переменной использовали порядковый номер зазора, а в качестве входных непрерывных переменных — пики спектров, полученных на четырех информативных частотах. Из ста обученных мастером решений сетей, было отобрано пять лучших по соотношению контрольная ошибка — сложность сети.

Таблица 3

Результаты расчета собственных частот вала_

Частоты, полученные экспериментальным методом, Гц Частоты, полученные в АРМ \VinMachine, Гц Частоты, полученные расчетным методом, Гц

185 246,3 217,5

1040 1037,4 1176,2

2954 2916 2902,7

4248 4251,7 4053,4

Отобранные сети были объединены в ансамбль, который выводил результат распознавания посредством голосования каждой сети ансамбля. Далее полученный ансамбль решал задачу распознавания величины зазора между гнездом подшипника накатного валика и прижимной планкой, используя новые входные данные, не участвующие в обучении сетей. Ансамбль правильно распознал 94% образов.

Анализ полученных данных показал, что точность метода распознавания зазора, использующего вейвлет-анализ, не уступает точности распознавания зазора методом, использующим преобразование Фурье. А более высокая информативность вейвлет-преобразования позволяет не только диагностировать существующие дефекты, но и локализовать их во времени, что дает возможность определить положение дефекта на поверхности детали, данная перспектива повышает ценность методики в качестве аппарата для контроля технического состояния механических узлов.

В шестой главе на основании проделанной работы впервые предложен пошаговый алгоритм диагностики механических систем печатных машин с использованием вейвлет-анализа и искусственных нейронных сетей: 1. Разбиение множества состояний диагностируемого узла на классы, с присвоением каждому классу собственного категориального значения (например, зазору 0,1 мм присвоить категориальное значение 1, зазору 0,2 мм — 2, и так далее).

2. Запись необходимого числа циклов работы исследуемого узла в каждом из состояний (классов) с частотой дискретизации 40 КГц и выше (увеличение числа точек временной реализации сигнала повышает точность вейвлет-преобразования).

3. Построение вейвлет-спектров каждого цикла работы узла с использованием вейвлета haar для выявления диагностических компонент.

4. Построение и обучение искусственных нейронных сетей на основе полученных данных, где значение класса является выходной категориальной переменной, а точки временной реализации вейвлет-спектра удара с затуханием — непрерывными входными переменными. Для получения наиболее достоверного результата необходимо обучить не менее ста сетей типа МП с одним или двумя скрытыми слоями, после чего производится отбор и сохранение лучшей сети по соотношению производительность сети — контрольная ошибка. Для каждого масштаба пункт 4 проводится заново.

5. Объединение сохраненных сетей в ансамбль. Ансамбль решает задачу классификации состояния исследуемого узла посредством голосования каждой сети ансамбля. Если результат классификации ансамблем не удовлетворителен для поставленной задачи, то необходимо уменьшить шаг изменения масштабного коэффициента Д (пункт 3) и повторить пункты 4-5 заново. После достижения необходимого процента правильно классифицированных состояний системы ансамбль необходимо сохранить и использовать в дальнейшем в качестве аппарата диагностики исследуемого узла.

6. Построение прогноза развития зазора при помощи искусственных сетей.

Рис. 14. Блок-схема методики диагностики МС ПМ: 1 — акселерометр, 2 — АЦП, 3 — модуль вейвлет-анализа, 4— модуль ИНС, 5 — ансамбль сетей, 6 — модуль сохранения данных, 7 — модуль прогнозирования

На рис. 14 изображена блок-схема методики диагностики МС ПМ при помощи вейвлет-анализа и искусственных нейронных сетей. Датчики виброускорения (1) преобразуют измеряемые физические величины в заряды, вырабатываемый датчиком электрический сигнал подается на АЦП (2) и записывается в цифровом виде. Далее производится вейвлет-преобразование оцифрованного сигнала и выявление диагностических признаков в модуле вейвлет-анализа (3). Нейронные сети обучаются при помощи макроса в модуле ИНС (4), использующие в качестве непрерывных входных переменных полученные диагностические признаки. Обученные сети объединяются в ансамбль (5), выходным параметром ансамбля является распознанный зазор, значение которого сохраняется в модуле сохранения данных (6). Используя информацию о ранее сохраненных состояниях системы, модуль прогнозирования (7) строит прогноз развития дефекта.

Разработанный алгоритм и методика пригодны для диагностирования механических систем печатных машин, подверженных механическому износу.

Заключение

Результатом экспериментальных исследований стало решение задачи разработки нового метода технической диагностики узлов МС ПМ для повышения качества определения текущего технического состояния данных узлов.

В ходе выполнения диссертационной работы были получены следующие результаты:

1. Разработана методика диагностики МС ПМ при помощи вейвлет-анализа и искусственных нейронных сетей;

2. Разработан метод выявления диагностических признаков из спектра вейвлет-преобразования вибрационного сигнала узлов МС ПМ;

3. Сформулирован алгоритм технической диагностики, использование которого возможно на этапах эксплуатации и технического обслуживания узлов МС ПМ;

4. Решена задача распознавания технического состояния МС ПМ с использованием ансамблей искусственных нейронных сетей, состоящих из сетей, обученных на каждом масштабе информативной области коэффициентов вейвлет-преобразования;

5. Показано, что для решения задачи распознавания технического состояния узлов МС ПМ наиболее эффективным является использование нейросетевой модели — многослойный персептрон;

6. Проведена апробация предлагаемого метода диагностики на основе сравнительного анализа с методом, основанным на использовании преобразования Фурье, в качестве способа выявления диагностических признаков, показавшая пригодность разработанного метода для задач технической диагностики;

7. Приведено обоснование применения вейвлет-анализа в качестве метода выявления диагностических признаков из исходного вибрационного сигнала.

Публикации по теме диссертационной работы:

Публикации в ведущих рецензируемых научных изданиях, рекомендуемых ВАК:

1. Семеновых, В.Н. Методика диагностики технического состояния систем привода полиграфического оборудования с использованием вейвлет-преобразования / В.Н. Семеновых, Г.Б. Куликов // Известия высших учебных заведений. Проблемы полиграфии и издательского дела. - 2012. - № 4. - С. 32-40.

Другие публикации:

2. Семеновых, В.Н. Диагностика технических систем при помощи вейвлет-анализа / В.Н. Семеновых, Г.Б. Куликов // Исследование, разработка и применение высоких технологий в промышленности: матер. 10-й междунар. науч.- практ. конф., Санкт-Петербург, Россия / под ред. А.П. Кудинова. -СПб: Изд-во Политех, ун-та. - 2010. -т.1. - С. 177-183.

3. Семеновых, В.Н. Проблемы автоматизации диагностики механических систем привода полиграфического оборудования / В.Н. Семеновых, Г.Б. Куликов // Вестник МГУП. - 2011. -№ 1. - С. 260-269.

Подписано в печать 13.05.2013.Формат 60x84/16. Бумага офсетная. Печать на ризографе. Усл. п. л. 1.10. Тираж 100 экз. Заказ № 127. Отпечатано в УПИПК МГУП имени Ивана Федорова 127550, Москва, ул. Прянишникова, 2а

Министерство образования и науки Российской Федерации ФГБОУ ВПО «Московский государственный университет печати _имени Ивана Федорова»_

04201357671 На правах рукописи

Семеновых Владимир Николаевич

МЕТОД ТЕХНИЧЕСКОЙ ДИАГНОСТИКИ МЕХАНИЧЕСКИХ СИСТЕМ ПЕЧАТНЫХ МАШИН С ИСПОЛЬЗОВАНИЕМ

ВЕЙВ ЛЕТ-АНАЛИЗА

Специальность: 05.02.13 — «Машины, агрегаты и процессы (печатные средства информации)»

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель д.т.н., проф. Куликов Г.Б

Москва —2013

ОГЛАВЛЕНИЕ

Введение..............................................................................5

1. Состояние вопроса в области виброакустики и технической диагностики полиграфического оборудования..................................................12

1.1. Виды неисправностей технических систем...............................16

1.2. Обзор основных методов технической диагностики................19

1.3. Обзор виброакустических методов диагностики......................21

1.3.1. Спектральный анализ..............................................................22

1.3.2. Кепстральный анализ..............................................................23

1.3.3. Огибающая акустического сигнала.......................................24

1.3.4. Использование статистических характеристик случайных процессов.......................................................................................................29

1.3.5. Вейвлет-анализ.........................................................................31

1.3.5.1.Принцип вейвлет-преобразования.........................................33

1.3.5.2.Обоснованность применения вейвлет-анализа.....................36

1.4. Распознавание образов.................................................................38

1.4.1. Искусственные нейронные сети.............................................41

1.4.1.1 .Общие сведения о нейронных сетях......................................42

1.5. Выводы по главе 1........................................................................45

2. Экспериментальные исследования....................................................47

2.1. Описание экспериментального макета.......................................47

2.2. Получение исходного вибрационного сигнала..........................49

2.3. Методика экспериментальных исследований............................51

2.4. Выводы по главе 2........................................................................52

3. Методика формирования диагностических признаков МС ПМ при помощи вейвлет-анализа......................................................................................54

3.1. Выбор материнского вейвлета для решения задач технической диагностики........................................................................................................54

3.2. Выявление диагностических признаков из спектра вейвлет-преобразования исходного вибрационного сигнала......................................57

3.3. Статистическая обработка экспериментальных данных, построение регрессионных моделей................................................................62

3.4. Выводы по главе 3........................................................................63

4. Применение искусственных нейронных сетей для решения задачи идентификации зазора..........................................................................................65

4.1. Методика распознавания технического состояния МС ПМ при помощи искусственных нейронных сетей......................................................65

4.1.1. Обзор нейросетевых архитектур............................................67

4.1.1.1 .Однослойный персептрон.......................................................67

4.1.1.2.Многослойный персептрон.....................................................69

4.1.1.3.Радиально-базисные функции................................................71

4.1.1.4.Вероятностная нейронная сеть...............................................73

4.1.1.5. Сети Кохонена..........................................................................75

4.1.1.6.Выбор подходящей нейросетевой модели............................77

4.1.2. Сбор данных для решения задачи идентификации..............78

4.1.3. Использование макросов для автоматизации построения искусственных нейронных сетей в программе 81а1зоА; 81а1лБ1лса 10.........80

4.1.4. Решение задачи прогнозирования степени износа при помощи искусственных нейронных сетей...................................................82

4.2. Выводы по главе 4........................................................................83

5. Диагностика МС ПМ при помощи преобразования Фурье и искусственных нейронных сетей.........................................................................85

5.1. Преобразование Фурье исходных данных.................................85

5.2. Статистическая обработка полученных результатов, построение регрессионных моделей................................................................88

5.3. Построение нейронных сетей, использующих для решения задачи диагностики информативные компоненты, полученные после разложения исходных сигналов на ряды Фурье.............................................89

5.4. Выводы по главе 5........................................................................90

6. Алгоритм методики диагностики механических систем печатных машин с использованием вейвлет-преобразования и искусственных нейронных сетей....................................................................................................92

ЗАКЛЮЧЕНИЕ...........................................................................................95

7. ЛИТЕРАТУРА......................................................................................97

8. ПРИЛОЖЕНИЯ..................................................................................114

8.1. Приложение 1. Исходный код программного макроса для программы Statistica 10, осуществляющего обучение, отбор и сохранение нейронных сетей..............................................................................................114

8.2. Приложение 2. Исходный код программного макроса для программы Statistica 10, целью которого является объединение сетей в ансамбль и вынесение результата распознавания посредством голосования каждой сети......................................................................................................118

8.3. Приложение 3. Архитектуры и результаты обучения нейронных сетей, использующие в качестве входных переменных коэффициенты преобразования исходных сигналов вейвлетом haar........122

8.4. Приложение 4. Архитектуры и результаты обучения нейронных сетей, использующие в качестве входных переменных коэффициенты преобразования Фурье исходных сигналов.......................135

8.5. Приложение 5. Результаты распознавания ансамблями сетей входных данных...............................................................................................139

ВВЕДЕНИЕ

Актуальность проблемы. Качество функционирования печатных машин, а, следовательно, и качество выпускаемой продукции во многом определяется их техническим состоянием, которое в первую очередь зависит от степени износа деталей механических систем печатных машин (МС ПМ).

Степень износа деталей МС ПМ может быть оценена системой технической диагностики оборудования, качество работы которой зависит не только от точности метода выявления диагностических компонент, но и от средств идентификации состояния деталей МС ПМ. Постоянный рост производительности компьютерного оборудования, а также совершенствование программных комплексов позволяет применять более совершенные методы для решения задачи диагностики технического состояния МС ПМ.

На сегодняшний день в полиграфии используются «классические» методы диагностики технического состояния МС ПМ, отличительной особенностью которых является высокая скорость работы и простота использования. Следует отметить, что существующие методы имеют определенные недостатки, что делает актуальной задачу поиска и адаптации новых методов, применительно к печатным машинам.

Актуальность данной работы заключается в разработке метода диагностики, использующего современные методы информационных технологий для повышения точности определения актуального технического состояния МС ПМ, прогнозирования развития износа и возможных отказов МС ПМ.

Цель исследования. Целью диссертационной работы является разработка методики диагностики механических систем печатных машин, основанной на вейвлет-анализе в качестве способа получения диагностических признаков из вибрационного сигнала диагностируемого узла и искусственных нейронных сетях, обеспечивающих надежное распознавание состояния системы.

Задачи ИССЛбДОВаНИЯ. Данная цель определила постановку следующих задач:

1. Обоснование применения вейвлет-анализа в качестве метода выявления диагностических признаков из исходного вибрационного сигнала;

2. Разработка метода выявления диагностических признаков из спектра вейвлет-преобразования исходного вибрационного сигнала;

3. Выбор наиболее подходящей нейросетевой модели для решения задачи технической диагностики МС ПМ;

4. Разработка метода распознавания технического состояния узлов МС ПМ посредством анализа коэффициентов вейвлет-преобразования;

5. Автоматизация процесса сбора информации для обучения нейронных сетей и процесса распознавания при помощи программных макросов, применительно к предлагаемому методу;

6. Апробация предлагаемого метода диагностики на основе сравнительного анализа с методом, основанным на использовании преобразования Фурье, в качестве способа выявления диагностических признаков;

7. Разработка алгоритма технической диагностики МС ПМ на базе вейвлет-анализа и искусственных нейронных сетей.

МеТОДЫ исследования. Для решения поставленных задач использовались методы математической статистики, виброакустической диагностики, регрессионного анализа, математические методы обработки экспериментальных данных, теории распознавания образов. Вейвлет-преобразование производилось при помощи инструмента \Уауе1е1:Тоо1Ьох программного комплекса МаНаЬ, для построения искусственных нейронных сетей и регрессионного анализа применялась программа 81аЙ8Йса 10.

Научная новизна работы заключается в следующем:

1. Разработан метод выявления диагностических признаков из спектра вейвлет-преобразования вибрационного сигнала;

2. Выбрана нейросетевая архитектура, наиболее эффективная для задач технической диагностики;

3. Разработаны автоматические алгоритмы, использующие коэффициенты вейвлет-преобразования для обучения и построения искусственных нейронных сетей;

4. Решена задача распознавания технического состояния МС ПМ с использованием ансамблей искусственных нейронных сетей, состоящих из сетей, обученных на каждом масштабе информативной области коэффициентов вейвлет-преобразования;

5. Предложена методика диагностики технического состояния МС ПМ, основанная на использовании вейвлет-преобразования и искусственных нейронных сетей.

Положения, выносимые на защиту

1. Методы выявления диагностических признаков износа из вибрационного сигнала механических систем печатных машин посредством вейвлет-анализа позволяющие точно определить масштабы, на которых коэффициенты вейвлет-преобразования наиболее информативны;

2. Автоматические алгоритмы построения и обучения искусственных нейронных сетей значительно сокращающие временные затраты на решение задачи идентификации технического состояния объекта диагностики;

3. Результаты экспериментальных исследований по распознаванию технического состояния механических систем печатных машин, показавшие высокую эффективность разработанного метода;

4. Метод диагностики технического состояния механических систем печатных машин, основанный на вейвлет-анализе и искусственных нейронных сетях, пригодный для диагностики механических систем печатных машин, подверженных механическому износу.

Практическая ценность

Практическая ценность представленной работы заключается в том, что разработанные принципы применения вейвлет-анализа в качестве метода диагностики узлов МС ПМ позволяют не только выявить зарождающийся дефект, но и локализовать дефект на поверхности детали.

Ансамбли сетей позволяют выявить связь между значениями коэффициентов вейвлет-преобразования и текущим техническим состоянием исследуемого узла МС ПМ, а также спрогнозировать состояние узла в будущем с высокой точностью.

Предложенные программные макросы позволяют автоматизировать процесс сбора данных для обучения искусственных нейронных сетей, формирование ансамблей сетей и вынесение решения задачи распознавания.

Представленный метод возможно применить как средство диагностики узлов МС ПМ в процессе эксплуатации.

Реализация И внедрение результатов работы. Разработанные модели, методики и комплекс технических средств использованы при проведении НИР на кафедре печатного и послепечатного оборудования МГУ Печати имени Ивана Федорова по темам, выполненным в рамках государственного задания:

1. Г 1.5.11 «Разработка теоретических основ и метода использования нейросетевых моделей для виброакустической диагностики». 2011 г. № госрегистрации 01201158788.

Этап: «Разработка новых методов выявления информационных диагностических признаков в виброакустическом сигнале».

2. Г.2/7.1436.11. «Разработка теоретических основ и метода использования нейросетевых моделей для виброакустической диагностики». 2012 г. № госрегистрации 01201158788.

Этап: «Разработка теории и метода построения многослойных нейросетевых моделей для отдельных категорий устройств».

Апробация работы. Основные положения и результаты работы по теме диссертации докладывались на X и XV международных научно-практических конференциях «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2010 и 2013 соответственно).

Публикации. По теме диссертации опубликованы 2 научные статьи и тезисы доклада на научной конференции, из них 2 публикации в изданиях, рекомендованных ВАК.

Структура И объем работы. Диссертационная работа состоит из введения, 6 глав, заключения, списка литературы из 177 наименований и 5

приложений. Основная часть содержит 113 страниц, 6 таблиц, 43 рисунка. Приложения занимают 33 страниц, содержат 19 таблиц и 17 рисунков.

Аннотация диссертационной работы по главам

В первой главе проведен анализ состояния исследований и публикаций, посвященных виброакустической диагностике в полиграфии и других отраслях. Рассмотрены виды неисправностей технических систем. Сделан подробный анализ виброакустических методов диагностики. Предложено использование вейвлет-анализа в качестве метода получения диагностических признаков из исходного вибрационного сигнала и искусственных нейронных сетей в качестве метода идентификации зазора. Сформулированы задачи для дальнейшего исследования.

Вторая глава посвящена экспериментальным исследованиям. Приведен процесс подготовки к экспериментальным исследованиям для проверки метода диагностики МС ГТМ, основанного на применении вейвлет-преобразования в качестве метода получения диагностических компонент и искусственных нейронных сетей для решения задачи распознавания технического состояния МС ПМ. Разработан и описан экспериментальный макет, приведена методика экспериментальных исследований.

В третей главе представлены результаты применения вейвлет-преобразования в качестве аппарата для методики вибрационной диагностики элементов привода полиграфических машин на примере исследования состояния крепления подшипника накатного валика красочного аппарата офсетной печатной машины посредством анализа вибраций накатного валика в момент удара о кромку формного цилиндра. Выбран наиболее эффективный вейвлет для проведения анализа, описан метод выявления диагностических компонент из спектра вейвлет-преобразования, построены регрессионные модели, показывающие пригодность использования диагностических признаков для решения задачи идентификации.

В четвертой главе была представлена методика идентификации технического состояния механических узлов печатных машин при помощи искусственных нейронных сетей, которые используют в качестве входных независимых переменных коэффициенты вейвлет-преобразования исходного вибрационного сигнала, на примере идентификации зазора между гнездом накатного валика и прижимной планкой красочного аппарата листовой офсетной машины АОАЭТ Яотауог 314. Была выбрана архитектура искусственной нейронной сети, наиболее эффективной для решения задачи идентификации. Описаны программные макросы, позволяющие автоматизировать процесс обучения искусственных нейронных сетей и процесс идентификации технического состояния. Продемонстрирована возможность прогнозирования изменения технического состояния в будущем.

В пятой главе приведен метод диагностики, основанный на использовании преобразования Фурье, в качестве способа выявления диагностических признаков из исходного вибрационного сигнала. Были выявлены диагностические признаки из спектров Фурье входных сигналов, объяснена их природа, построены регрессионные модели, показывающие пригодность использования полученных диагностических признаков для решения задачи идентификации. Обучены искусственные нейронные сети, использующие в качестве входных независимых переменных полученные диагностические признаки. Приведен сравнительный анализ предлагаемого метода распознавания зазора, использующего вейвлет-анализ, и метода, использующего преобразование Фурье для получения диагностических признаков.

В шестой главе приведен пошаговый алгоритм и схема диагностики полиграфического оборудования с использованием вейвлет-преобразования.

В заключении приведены основные выводы по результатам диссертации.

1. Состояние вопроса в области виброакустики и технической диагностики полиграфического оборудования

Тех