Идентификация темпоральных аномалий спектрограмм сигналов виброизмерений ротора турбогенератора с применением рекуррентного нейросетевого автоэнкодера

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.

1. Sobra 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.2016.7521732

2. Boudiaf 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.2016.7804187

3. Wei 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/10.1088/0957-0233/27/3/035005

4. Serdukova 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.2020.115811

5. Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука; 2006. 410 с. ISBN 5-02-033789-7

6. 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.072-080

7. Акимов 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.

8. 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.2014.1.12

9. 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.

10. 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/10.1088/1742-6596/803/1/012083

11. Kulagin 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/714/1/012014

12. Hashish 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.2016.2600718

13. Zhou 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/s18061934

14. Arun 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/396/1/012044

15. Wen 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.2018.03.117

16. Jayakumar 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