Применение методов машинного обучения для анализа зависимости сигналов виброускорения от усилий затяжки болтовых соединений

Евгений Михайлович Сухарев

doi:10.22213/2413-1172-2024-3-79-85

Авторы

Е. М. Сухарев Сибирский государственный университет путей сообщения

DOI:

https://doi.org/10.22213/2413-1172-2024-3-79-85

Ключевые слова:

резьбовые соединения, детрендированные флуктуации, фрактальная размерность, виброускорение, машинное обучение

Аннотация

Статья посвящена применению методов машинного обучения для анализа сигналов виброускорения в болтовых соединениях, возникающих при ударном воздействии. Актуальность работы обусловлена необходимостью обеспечения надежности и работоспособности болтовых соединений при нагрузках. Одним из перспективных направлений неразрушающего контроля является анализ характеристик сигналов виброускорения, изменяющихся при различных состояниях конструкций, например, при возрастании момента усилия затяжки. Это позволяет своевременно выявлять возможные дефекты и предотвращать аварийные ситуации, обеспечивая безопасность и долговечность конструкций. Проанализированы сигналы виброускорения при ударном воздействии на болтовое соединение. После расчета характеристик сигналов сформированы наборы данных, включающие значения моментов затяжки и соответствующие им рассчитанные характеристики сигналов, осуществлена корреляция момента усилий затяжки болтовых соединений и полученной совокупности параметров вибрационных сигналов. Рассчитан частотный спектр сигналов, фрактальная размерность Хигучи, детрендированные флуктуации, спектральная плотность мощности и положение пиков сигнала. Для анализа применялись модели машинного обучения, такие как деревья решений, метод ближайших соседей, метод k-средних и нейросети. Для этих методов осуществлялся поиск оптимального набора параметров, коррелирующих с моментом усилия затяжки. Основные результаты показывают, что методы машинного обучения эффективны для классификации сигналов и поиска корреляций с параметрами напряженного состояния. Они позволяют обнаруживать связь между набором характеристик сигнала и моментом усилия затяжки, что открывает возможности для более точного и надежного контроля состояния болтовых соединений. Это способствует повышению их эксплуатационной надежности и долговечности, а также снижению вероятности отказов и аварий. Применение таких методов улучшает качество мониторинга и диагностики болтовых соединений.

Биография автора

Е. М. Сухарев, Сибирский государственный университет путей сообщения

кандидат технических наук, доцент, доцент кафедры физики, электротехники, диагностики и управление в технических системах

Библиографические ссылки

Qiu S., Cui X., Ping Z., Shan N., Li Z., Bao X., Xu X. (2023) Deep Learning Techniques in Intelligent Fault Diagnosis and Prognosis for Industrial Systems: A Review. Sensors, no. 23, p. 1305. https://doi.org/10.3390/s23031305

Zou F., Zhang H., Sang S. (2021) Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM. Applied Intelligence, vol. 51, pp. 6647-6664. DOI: 10.1007/s10489-021-02229-1

Wang Haiya, Zhongqing Yu., Guo Lu. (2020) Real-time Online Fault Diagnosis of Rolling Bearings Based on KNN Algorithm. Journal of Physics: Conference Series, 1486, 032019. DOI: 10.1088/1742-6596/1486/3/032019

Gana M., Achour H., Belaid K., Chelli Z., Laghrouche M., Chaouchi A. (2022) Non-invasive intelligent monitoring system for fault detection in induction motor based on lead-free-piezoelectric sensor using ANN. Measurement Science and Technology, vol. 33. DOI: 10.1088/1361-6501/ac4b8f

Joshuva A., Sugumaran V. (2018) A machine learning approach for condition monitoring of wind turbine blade using autoregressive moving average (ARMA) features through vibration signals: a comparative study. Progress in Industrial Ecology: An International Journal, vol. 12, no. 14, pp. 14-34. DOI: 1504/PIE.2018.10016959

Altaf M., Akram T., Khan M.A., Iqbal M., Ch M.M.I., Hsu C.-H. (2022) A New Statistical Features Based Approach for Bearing Fault Diagnosis Using Vibration Signals. Sensors, vol. 22. DOI: 10.3390/s22052012

Wang L., Zhang C., Zhu J., Xu F. (2022) Fault Diagnosis of Motor Vibration Signals by Fusion of Spatiotemporal Features. Machines, vol. 10, p. 246. https://doi.org/10.3390/machines10040246

Jin Z., Han Q., Zhang K., Zhang Y. (2020) An intelligent fault diagnosis method of rolling bearings based on Welch power spectrum transformation with radial basis function neural network. Journal of Vibration and Control, no. 26(9-10), pp. 629-642. DOI: 10.1177/1077546319889859

Salim Lahmiri, Chakib Tadj, Christian Gargour, Stelios Bekiros (2022) Optimal tuning of support vector machines and k-NN algorithm by using Bayesian optimization for newborn cry signal diagnosis based on audio signal processing features, Chaos, Solitons & Fractals, vol. 167, p. 112972. DOI: 10.1016/j.chaos.2022.112972

Li J.-M., Wei H.-J., Wei, L.-D., Zhou, D.-P., Qiu Y. (2020) Extraction of Frictional Vibration Features with Multifractal Detrended Fluctuation Analysis and Friction State Recognition. Symmetry, no. 12, p. 272. DOI: 10.3390/sym12020272

Medina R., Sánchez R.-V., Cabrera D., Cerrada M., Estupiñan E., Ao W., Vásquez R.E. (2024) Scale-Fractal Detrended Fluctuation Analysis for Fault Diagnosis of a Centrifugal Pump and a Reciprocating Compressor. Sensors, 24, p. 461. DOI: 10.3390/s24020461

Agathiyan A., Nur Aisyah Abdul Fataf, Gowrisankar A. (2023) Explicit relation between Fourier transform and fractal dimension of fractal interpolation functions. The European Physical Journal Special Topics, 232:7, pp. 1077-1091. DOI: 10.1140/epjs/s11734-023-00779-8

Xue R., Liu J., Tang H. (2020) Two-Dimensional Jamming Recognition Algorithm Based on the Sevcik Fractal Dimension and Energy Concentration Property for UAV Frequency Hopping Systems. Information, no. 11, p. 520. DOI: 10.3390/info11110520

Shi C.-T. (2018) Signal Pattern Recognition Based on Fractal Features and Machine Learning. Applied Science, 8, p. 1327. DOI: 10.3390/app8081327

Setty V.A., Sharma A.S. (2015) Characterizing detrended fluctuation analysis of multifractional Brownian motion. Physica A: Statistical Mechanics and its Applications, vol. 419, pp. 698-706. DOI: 10.1016/j.physa.2014.10.016

Wanliss J. (2023) Fractal Methods in Nonequilibrium Systems. Fractal Analysis - Applications and Updates.Intech Open, Jul. 13, 2023. DOI: 10.5772/intechopen.1002058

Yang X., Xiang Y., Jiang B. (2022) On multi-fault detection of rolling bearing through probabilistic principal component analysis denoising and Higuchi fractal dimension transformation. Journal of Vibration and Control, no. 28(9-10), pp. 1214-1226. DOI: 10.1177/1077546321989527

Golmankhaneh A.K., Welch K., Tunç C. (2023) Classical mechanics on fractal curves. European Physical Journal Special Topics, vol. 232, pp. 991-999. DOI: 10.1140/epjs/s11734-023-00775-y

Gowrisankar A., Banerjee S. (2023) Framework of fractals in data analysis: theory and interpretation. European Physical Journal Special Topics, vol. 232, pp. 965-967. DOI: 10.1140/epjs/s11734-023-00890-w

Lei Li, Zhong Luo, Fayong Wu, Fengxia He, Kai Sun (2023) Frequency spectrum analysis of the rotor system with bolted joint: Numerical and experimental verification. Applied Mathematical Modelling, vol. 118, pp. 745-761. DOI: 10.1016/j.apm.2023.02.003

Brons M., Thomsen J.J., Sah S.M., Tcherniak D., Fidlin A. (2020) Estimating bolt tension from vibrations: Transient features, nonlinearity, and signal processing. Mechanical Systems and Signal Processing, 150, Article 107224. DOI: 10.1016/j.ymssp.2020.107224

Куц М. С. Экспериментальное исследование влияния усилия затяжки болтов на резонансные частоты консольно закрепленной балки // Известия высших учебных заведений. Машиностроение. 2018. № 9 (702). С. 37-43 DOI: 10.18698/0536-1044-2018-9-37-43

Неразрушающий контроль : справочник : в 8 т. / под общ. ред. В. В. Клюева. Т. 7 : в 2 кн. Кн. 2 : Вибродиагностика / Ф. Я. Балицкий, А. В. Барков, Н. А. Баркова [и др.]. - 2-е изд., испр. М. : Машиностроение, 2006. 829 с.