Postgraduate student of the Department of Mechanics and Control Processes, Academy of Engineering
аспирант кафедры механики и процессов управления, инженерная академия
Master’s student of the Department of Mechanics and Control Processes, Academy of Engineering
магистрант кафедры механики и процессов управления, инженерная академия
Candidate of Technical Sciences, Associate Professor of the Department of Mechanics and Control Processes, Academy of Engineering, RUDN University; Associate Professor of the Department of Automatic Control Systems, Bauman Moscow State Technical University
кандидат технических наук, доцент кафедры механики и процессов управления, инженерная академия, Российский университет дружбы народов; доцент кафедры автоматических систем управления, Московский государственный технический университет им. Н.Э. Баумана
Today, one of the main directions of industrial development is the digitalization of production processes. In order to achieve high production rates, the reliability of production equipment is necessary; more and more advanced means of its self-diagnosis are being developed. Thus, self-diagnosis, combined with a high level of automated analytics, makes it possible to predict a malfunction with a high degree of probability, warn about the timing of its occurrence and methods of preventive elimination. This article discusses existing methods of vibration diagnostics, including those that appeared during the fourth industrial revolution, namely in the conditions of widespread and high-quality application of machine learning systems, neural networks and artificial intelligence. Methods for collecting primary information about vibration and methods for analyzing data using the above algorithms are described. The results of experimental applications of various analytical mechanisms developed to determine the type of defects in parts rotating under mechanical load are considered, and the advantages and disadvantages of each method are listed. The purpose of the review is to determine the existing methods of vibration diagnostics, determine their properties and compare them. As a result of the analysis, it was found that the most developing direction in the field of vibration signal research is a combination of wavelet transformation and neural network learning.
Сегодня одним из основных направлений развития промышленности является цифровизация производственных процессов. Для того чтобы достичь высоких показателей производства, необходима надежность производственного оборудования, разрабатываются все более совершенные средства его самодиагностики. Таким образом, самодиагностика в совокупности с высоким уровнем автоматизированной аналитики позволяет с высокой долей вероятности предсказать неисправность, предупредить о сроках ее возникновения и способах превентивного устранения. Рассмотрены существующие методы вибродиагностики, в том числе и те, которые появились в течение четвертой промышленной революции, а именно в условиях широкого распространения и качественного применения систем машинного обучения, нейросетей и искусственного интеллекта. Описаны методы сбора первичной информации о вибрации и способы аналитики данных с помощью вышеперечисленных алгоритмов. Рассмотрены результаты экспериментальных применений различных аналитических механизмов, разработанных для определения вида дефектов вращающихся под механической нагрузкой деталей, перечислены преимущества и недостатки каждого из методов. Цель обзора - определение существующих методов вибродиагностики, определение их свойств и их сравнение. В результате анализа было установлено, что наиболее развивающимся направлением в области исследования вибросигналов является сочетание вейвлет-преобразования и нейросетевого обучения.