РАЗРАБОТКА И ТЕСТИРОВАНИЕ БЛОКА ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ СИСТЕМЫ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРОМЕХАНИЧЕСКОГО ОБОРУДОВАНИЯ

В работе описана система контроля технического состояния электромеханического оборудования с блоком принятия решений на основе нейронной сети. В качестве объекта контроля использовался асинхронный привод с зубчатой передачей. Принятие решений проводилось на основе комплексного анализа данных вибрации (с зубчатой передачи) и потребляемого тока асинхронным двигателем. В качестве диагностических признаков выделены виброскорость, виброускорение и ток в фазах обмотки статора приводного электродвигателя. Из выделенных диагностических признаков вычисляются коэффициенты дискретного вейвлет-преобразования (с применением материнского вейвлета Добеши, 8 уровней разложения). После чего выделяются диагностические признаки: среднеквадратические и пиковые (максимальные) значения каждого из вейвлет-коэффициентов и всего сигнала (общий уровень) по каждому диагностическому признаку. Полученное множество вейвлет-коэффициентов поступает на вход блока принятия решений. В работе приведена разработка архитектуры и программного обеспечения блока принятия решений на основе нейронной сети, а также проведено его обучение и тестирование. Нейронная сеть представляет собой 3-х-слойный персептрон с нелинейной функцией активации и алгоритмом обучения на основе обратного распространения ошибки. Каждый нейрон выходного слоя соответствует определенному техническому состоянию контролируемого объекта и указывает на вероятность этого состояния. В работе показана возможность повышения эффективности контроля технического состояния электромеханического оборудования путем использования комплексного анализа с применением интеллектуального блока принятия решений.
In work is described the monitoring system of a technical condition of the electromechanical equipment with the block of decision-making on the basis of a neural network. As an object of control was used an asynchronous gear drive. Decision making was carried out on the basis of a comprehensive analysis of the vibration data (from the gear train) and the current consumption of the induction motor. As diagnostic parameters are selected the vibration velocity, acceleration and current in the phases of the stator winding of the driving motor. From the selected diagnostic parameters are calculated discrete wavelet transform coefficients (using the Daubechies mother wavelet, 8 levels of decomposition). After that are distinguished diagnostic features: rms and peak (maximum) values of each of the wavelet coefficients and the entire signal (total level) for each diagnostic parameter. The resulting set of wavelet coefficients is fed to the input of the decision block. The paper presents the development of the architecture and software of the decision block based on the neural network, as well as its training and testing. The neural network is a 3-layer perceptron with a nonlinear activation function and a learning algorithm based on backpropagation of error. Each neuron of the output layer corresponds to a certain technical state of the monitored object and indicates the probability of this state. The paper shows the possibility of increasing the efficiency of monitoring the technical condition of electromechanical equipment through the use of complex analysis using an intelligent decision block.
№1(29) (2020)