mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2021-9-2-78-87mireabulletin-305Research ArticleАНАЛИТИЧЕСКОЕ ПРИБОРОСТРОЕНИЕ И ТЕХНОЛОГИИANALYTICAL INSTRUMENT ENGINEERING AND TECHNOLOGYИдентификация темпоральных аномалий спектрограмм сигналов виброизмерений ротора турбогенератора с применением рекуррентного нейросетевого автоэнкодераIdentification of temporal anomalies of spectrograms of vibration measurements of a turbine generator rotor using a recurrent neural network autoencoderhttps://orcid.org/0000-0001-8826-6724КулагинВ. П.KulaginV. P.

Кулагин Владимир Петрович, д.т.н., профессор, заведующий кафедрой КБ-5 «Аппаратное, программное и математическое обеспечение вычислительных систем» Института комплексной безопасности и специального приборостроения

119454, Рос-сия, Москва, пр-т Вернадского, д. 78

ResearcherID B-1297-2014, Scopus Author ID 56912007700

Vladimir P. Kulagin, Dr. Sci. (Eng.), Professor, Head of the Department of Hardware, Software and Mathematical Support of Computer Systems, Institute of Integrated Safety and Special Instrument Engineering

78, Vernadskogo pr., Moscow, 119454

ResearcherID B-1297-2014, Scopus Author ID 56912007700

kulagin@mirea.ruhttps://orcid.org/0000-0001-6889-618XАкимовД. А.AkimovD. A.

Акимов Дмитрий Александрович,  к.т.н., старший преподаватель кафедры «Автоматические системы» Института кибернетики

119454, Москва, пр-т Вернадского, д. 78

ResearcherID U-5717-2018, Scopus Author ID 55531854400

Dmitry A. Akimov, Cand. Sci. (Eng.), Senior Teacher, Automatic Systems Department, Institute of Cybernetics

78, Vernadskogo pr., Moscow, 119454 

ResearcherID U-5717-2018, Scopus Author ID 55531854400

akimov_d@mirea.ruhttps://orcid.org/0000-0003-1320-3061ПавельевС. А.PavelyevS. A.

Павельев Сергей Александрович,  к.т.н., старший преподаватель кафедры «Автоматические системы» Института кибернетики

119454, Москва, пр-т Вернадского, д. 78

ResearcherID E-1577-2014, Scopus Author ID 56664390400

Sergey A. Pavelyev, Cand. Sci. (Eng.), Senior Teacher, Automatic Systems Department, Institute of Cybernetics

78, Vernadskogo pr., Moscow, 119454 ResearcherID E-1577-2014, Scopus Author ID 56664390400

pavelev@mirea.ruhttps://orcid.org/0000-0002-8809-8801ГурьяноваЕ. О.GuryanovaE. O.

Гурьянова Екатерина Олеговна, старший преподаватель кафедры «Автоматические системы» Института кибернетики

119454,  Москва, пр-т Вернадского, д. 78

Scopus Author ID 57216148759

Ekaterina O. Guryanova, Senior Teacher, Automatic Systems Department, Institute of Cybernetics

78, Vernadskogo pr., Moscow, 119454 

Scopus Author ID 57216148759

guryanova@mirea.ruМИРЭА – Российский технологический университетРоссияMIREA – Russian Technological UniversityRussian Federation202126042021927887Copyright © Кулагин В.П., Акимов Д.А., Павельев С.А., Гурьянова Е.О., 20212021Кулагин В.П., Акимов Д.А., Павельев С.А., Гурьянова Е.О.Kulagin V.P., Akimov D.A., Pavelyev S.A., Guryanova E.O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/305

Предлагается метод распознавания предаварийных состояний роторных установок на основе применения окна Хэмминга и перспективных методик Deep Learningв ретроспективном анализе результатов учета факторов эксплуатации турбогенератора, диагностики и контроля при критических воздействиях. Разработана программа экспериментальных исследований на модели турбоустановки с имитацией неисправностей и получения вибросигналов. Эксперимент на основе гомостатичного метода проверки сигнала окнами Хэмминга в частотной, временной и модуляционной областях и единых исходных данных позволяет определить наиболее перспективные для идентификации характеристики сигнала. Разработана методика осуществления мониторинга состояния турбогенераторов в автоматическом режиме для своевременного оповещения персонала тепловой электростанции (ТЭС) о появлении признаков предаварийных ситуаций, а также о характере неисправностей методом прогнозирования состояния предаварийной ситуации с помощью сверточных нейронных сетей с реализацией в виде рекуррентного автоэнкодера. Применяется кластеризация, и выявляются кластеры, соответствующие спектрограммам предаварийных ситуаций. Результативность применения гомостатичного метода в сочетании с корреляционным анализом основана на модели принятия решений, более подробно изложенной в других работах. Рассмотрено использование глубинных нейронных сетей при обнаружении классов признакового пространства предаварийных ситуаций на промышленных турбогенераторах. Дана методика подготовки обучающей выборки и обучения глубинной нейронной сети при классификации аномалий спектрограмм. Диагностика дефектов выполняется на основе заранее сформированных экспериментальных баз данных и обобщенных баз знаний, ставящих в соответствие повышенный уровень виброактивности с вызвавшими ее причинами. Различные дефекты активных частей турбогенератора, возникающие в процессе эксплуатации, требуют аварийного останова генератора, что является крайне нежелательным событием для станции.

A method is proposed for recognizing pre-emergency conditions of rotary installations based on the use of the Hamming window and advanced Deep Learning techniques in retrospective analysis of the results of accounting for the factors of operation of a turbine generator, diagnostics and control under critical impacts. A program of experimental studies on the model of a turbine plant with simulation of faults and receiving vibration signals has been developed. An experiment based on the homostatic method of checking the signal with Hamming windows, in the frequency, time and modulation domains and common initial data, allows one to determine the most promising signal characteristics for identification. A method has been developed for monitoring the state of turbine generators in an automatic mode for timely notification of the CHPP personnel about the appearance of signs of pre-emergency situations, as well as about the nature of faults by the method of predicting the state of a pre-emergency situation using convolutional neural networks implemented in the form of a recurrent autoencoder. Clustering is applied and clusters are identified that correspond to the spectrograms of pre-emergency situations. The effectiveness of the use of the homostatic method in combination with correlation analysis is based on the decision-making model described in more detail in other works.

нейронные сетипредиктивная аналитикаокна Хэммингапрогнозирование неисправ-ностейвибродиагностикаанализ спектрограммвибрационный стендтурбогенераторреккурентный автоэнкодерneural networkspredictive analyticsHamming windowsfault predictionvibration diagnosticsspectrogram analysisvibration standturbine generatorrecurrent autoencoderРабота выполнена в рамках гранта «Университетский» ФГБОУ ВО «МИРЭА – Российский технологический университет» по теме «Выявление неявных неисправностей ответственных роторных агрегатов с помощью анализа темпоральных аномалий спектрограмм виброизмерений» (приказ № 1953 от 27.11.2019).ReferencesSobra J., Vaimann T., Belahcen A. Mechanical vibration analysis of induction machine under dynamic rotor eccentricity. In: Proceedings of 17th International Scientific Conference on Electric Power Engineering (EPE). Prague, Czech Republic, 2016, p. 1−4. https://doi.org/10.1109/EPE.2016.7521732Sobra J., Vaimann T., Belahcen A. Mechanical vibration analysis of induction machine under dynamic rotor eccentricity. In: Proceedings of 17th International Scientific Conference on Electric Power Engineering (EPE). Prague, Czech Republic, 2016, p. 1−4. https://doi.org/10.1109/EPE.2016.7521732Boudiaf A., Djebala A., Bendjma H., Balaska A., Dahane A. A summary of vibration analysis techniques for fault detection and diagnosis in bearing. In: Proceedings of 8th International Conference on Modelling, Identification and Control (ICMIC). Algiers, Algeria, 2016, p. 37−42. https://doi.org/10.1109/ICMIC.2016.7804187Boudiaf A., Djebala A., Bendjma H., Balaska A., Dahane A. A summary of vibration analysis techniques for fault detection and diagnosis in bearing. In: Proceedings of 8th International Conference on Modelling, Identification and Control (ICMIC). Algiers, Algeria, 2016, p. 37−42. https://doi.org/10.1109/ICMIC.2016.7804187Wei Li, Mingquan Qiu, Zhencai Zhu, Bo Wu, Gongbo Zhou. Bearing fault diagnosis based on spectrum images of vibration signals. Meas. Sci. Technol.2016;27(3): Article ID 035005. https://doi.org/10.1088/0957-0233/27/3/035005Wei Li, Mingquan Qiu, Zhencai Zhu, Bo Wu, Gongbo Zhou. Bearing fault diagnosis based on spectrum images of vibration signals. Meas. Sci. Technol.2016;27(3): Article ID 035005. https://doi.org/10.1088/0957-0233/27/3/035005Serdukova L., Kuske R., Yurchenko D. Post-grazing dynamics of a vibro-impacting energy generator. J. Sound and Vibration. 2020;492: Article ID 115811. https://doi.org/10.1016/j.jsv.2020.115811Serdukova L., Kuske R., Yurchenko D. Post-grazing dynamics of a vibro-impacting energy generator. J. Sound and Vibration. 2020;492: Article ID 115811. https://doi.org/10.1016/j.jsv.2020.115811Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука; 2006. 410 с. ISBN 5-02-033789-7Okhtilev M.Yu., Sokolov B.V., Yusupov R.M. Intellektual’nye tekhnologii monitoringa i upravleniya strukturnoi dinamikoi slozhnykh tekhnicheskikh ob’’ektov (Intelligent monitoring and control technology of the structural dynamics of complex technical objects). Moscow: Nauka; 2006. 410 p. (in Russ.). ISBN 5-02-033789-7]Будадин О.Н., Каледин В.О., Кульков А.А., Пичугин А.Н. Теоретические и экспериментальные исследования возможности теплового контроля пространствен-ной конструкции из полимерного композиционного материала в процессе одноосного силового нагружения. Контроль. Диагностика. 2014;5(191):72−81. https://doi.org/10.14489/td.2014.05.pp.072-080Budadin O.N., Kaledin V.O., Kulkov A.A., Pichugin A.N., Nagaitseva N.V. Theoretical and experimental study of thermal control applicability to a 3-D polymer composite structure under uniaxial power loading. Kontrol’. Diagnostika = Testing. Diagnostics. 2014;5(191):72−81 (in Russ.). https://doi.org/10.14489/td.2014.05.pp.072-080Акимов Д.А., Работкин В.Д., Терехин И.В., Редькин О.К. Представление знаний в распределительных информационных системах промышленных предприятий. Промышленные АСУ и контроллеры. 2013;1:33−38.Akimov D.A., Rabotkin V.D., Terekhin I.V., Redkin O.K. Knowledge representation in distributed information systems industry. Promyshlennye ASU i kontrollery= Industrial Automatic Control Systems and Controllers. 2013;1:33−38 (in Russ.).]Ostroukh A., Nikonov V., Ivanova I., Sumkin K., Akimov D. Development of the contactless integrated interface of complex production lines. Journal of Artificial Intelligence (JAIR). 2014;7(1):1−12. https://dx.doi.org/10.3923/jai.2014.1.12Ostroukh A., Nikonov V., Ivanova I., Sumkin K., Akimov D. Development of the contactless integrated interface of complex production lines. Journal of Artificial Intelligence (JAIR). 2014;7(1):1−12. https://dx.doi.org/10.3923/jai.2014.1.12Akimov D., Krug P., Ostroukh A., Ivchenko V., Morozova T., Sadykov I. The Simulation Model of theAutonomous Truck Caravan in the Extreme and Non-Stationary Environment. Int. J. App. Eng. Res. 2016;11(9):6435−6440.Akimov D., Krug P., Ostroukh A., Ivchenko V., Morozova T., Sadykov I. The Simulation Model of theAutonomous Truck Caravan in the Extreme and Non-Stationary Environment. Int. J. App. Eng. Res. 2016;11(9):6435−6440.Kulagin V.P., Ivanov A.I., Kuznetsov Y.M., Chulkova G.M. Multidimensional mutual ordering of patterns using a set of pre-trained artificial neural networks. J. Phys.: Conf. Ser. 2017;803(1): Article ID 012083. https://doi.org/10.1088/1742-6596/803/1/012083Kulagin V.P., Ivanov A.I., Kuznetsov Y.M., Chulkova G.M. Multidimensional mutual ordering of patterns using a set of pre-trained artificial neural networks. J. Phys.: Conf. Ser. 2017;803(1): Article ID 012083. https://doi.org/10.1088/1742-6596/803/1/012083Kulagin V., Akimov D., Pavelyev S., Potapov D. Automated Identification of Critical Malfunctions of Aircraft Engines Based on Modified Wavelet Transform and Deep Neural Network Clustering. IOP Conf. Ser.: Materials Science and Engineering. 2020;714(1): Article ID 012014. https://doi.org/10.1088/1757-899X/714/1/012014Kulagin V., Akimov D., Pavelyev S., Potapov D. Automated Identification of Critical Malfunctions of Aircraft Engines Based on Modified Wavelet Transform and Deep Neural Network Clustering. IOP Conf. Ser.: Materials Science and Engineering. 2020;714(1): Article ID 012014. https://doi.org/10.1088/1757-899X/714/1/012014Hashish E., Miller K., Finley W., Kreitzer S. Vibration Diagnostic Challenges: Case Studies in Electric Motor Applications. IEEE Industry Applications Magazine.2017;23(4):22−34. https://doi.org/10.1109/MIAS.2016.2600718Hashish E., Miller K., Finley W., Kreitzer S. Vibration Diagnostic Challenges: Case Studies in Electric Motor Applications. IEEE Industry Applications Magazine.2017;23(4):22−34. https://doi.org/10.1109/MIAS.2016.2600718Zhou S., Qian S., Chang W., Xiao Y., Cheng Y. A Novel Bearing Multi-Fault Diagnosis Approach Based on Weighted Permutation Entropy and an Improved SVM Ensemble Classifier. Sensors. 2018;18(6):1934. https://doi.org/10.3390/s18061934Zhou S., Qian S., Chang W., Xiao Y., Cheng Y. A Novel Bearing Multi-Fault Diagnosis Approach Based on Weighted Permutation Entropy and an Improved SVM Ensemble Classifier. Sensors. 2018;18(6):1934. https://doi.org/10.3390/s18061934Arun P., Madhukumar S., Careena P. A Method for the Investigation of Bearing Vibration Based on Spectrogram Image Comparison. IOP Conf. Ser.: Materials Science and Engineering. 2017;396(1): Article ID 012044. https://doi.org/10.1088/1757-899X/396/1/012044Arun P., Madhukumar S., Careena P. A Method for the Investigation of Bearing Vibration Based on Spectrogram Image Comparison. IOP Conf. Ser.: Materials Science and Engineering. 2017;396(1): Article ID 012044. https://doi.org/10.1088/1757-899X/396/1/012044Wen L., Gao L., Li X., Wang L., Zhu J. A Jointed Signal Analysis and Convolutional Neural Network Method for Fault Diagnosis. Procedia CIRP. 2018;72:1084−1087. https://doi.org/10.1016/j.procir.2018.03.117Wen L., Gao L., Li X., Wang L., Zhu J. A Jointed Signal Analysis and Convolutional Neural Network Method for Fault Diagnosis. Procedia CIRP. 2018;72:1084−1087. https://doi.org/10.1016/j.procir.2018.03.117Jayakumar K., Thangavel S. Industrial drive fault diagnosis through vibration analysis using wavelet transform. J. Vib. Control. 2017;23(12):2003−2013. https://doi.org/10.1177%2F1077546315606602Jayakumar K., Thangavel S. Industrial drive fault diagnosis through vibration analysis using wavelet transform. J. Vib. Control. 2017;23(12):2003−2013. https://doi.org/10.1177%2F1077546315606602

The authors declare that there are no conflicts of interest present.