Классификация сигналов виброускорения при различных усилиях затяжки болтовых соединений
DOI:
https://doi.org/10.22213/2413-1172-2025-3-42-52Ключевые слова:
резьбовые соединения, спектр Фурье, вейвлет-преобразование, динамическая трансформация временной шкалы, фрактальная размерность, виброускорение, машинное обучениеАннотация
В работе рассматривается применение параметров временной близости и вейвлет-преобразования в сочетании с фрактальными и спектральными характеристиками для классификации сигналов виброускорения, возникающих при различных уровнях затяжки болтовых соединений. Актуальность работы определяется необходимостью совершенствования методов контроля затяжки крепежных соединений на всех этапах жизненного цикла объектов - от проектирования и создания до эксплуатации, важностью надежной работы болтовых соединений, для которых требуется регулярная проверка состояния, и развитием современных методов обработки сигналов на основе машинного обучения, открывающего новые возможности для автоматизации процессов диагностики. Исследование направлено на выявление взаимосвязей между характеристиками вибрационных сигналов и моментом усилия затяжки, что позволяет разработать более точные алгоритмы мониторинга технического состояния соединений. Для сигналов виброускорения вычислялись характеристики близости с использованием динамической трансформации временной шкалы, частоты и амплитуды спектра Фурье, параметры спектральной плотности мощности по Уэлчу, спектральные дескрипторы для оконного преобразования Фурье, фрактальная размерность Хигучи, детрендированные флуктуации, параметры вейвлет-преобразования. Особое внимание уделено поиску набора признаков малой размерности, включающего характеристики различной природы. Такой подход позволяет выявлять как локальные особенности сигналов (с помощью вейвлет-преобразования), так и их глобальные структурные свойства (посредством фрактального анализа). Использование вейвлет-преобразования позволяет проводить анализ временных изменений сигналов, что способствует выявлению ключевых особенностей в динамике данных. Для каждой модели вычислялись наиболее важные признаки. Результаты демонстрируют возможность формирования диагностически значимых наборов признаков для оценки напряженного состояния соединений, могут быть обобщены и адаптированы для мониторинга технического состояния различных объектов.Библиографические ссылки
Сухарев Е. М. Применение методов машинного обучения для анализа зависимости сигналов виброускорения от усилий затяжки болтовых соединений // Вестник ИжГТУ имени М. Т. Калашникова. 2024. Т. 27, № 3. С. 79-85. DOI: 10.22213/2413-1172-2024- 3-79-85
Jing Lin, Liangsheng Qu (2000), Feature extraction based on morlet wavelet and its application for mechanical fault diagnosis. Journal of Sound and Vibration, vol. 234, iss. 1, pp. 135-148. DOI: 10.1006/jsvi.2000. 2864
Беляев А. А., Кононов Д. П., Кротов С. В. Проблемы диагностики современных тепловозных двигателей // Бюллетень результатов научных исследований. 2024. Вып. 1. С. 7-20. DOI: 10.20295/2223-9987-2024-01-7-20
Qarib H. and Adeli H. (2016) A comparative study of signal processing methods for structural health monitoring. Journal of Vibroengineering, vol. 18, no. 4, pp. 2186-2204. DOI: 10.21595/jve.2016.17218
Amezquita-Sanchez J.P., Adeli H. (2016) Signal Processing Techniques for Vibration-Based Health Monitoring of Smart Structures. Archives of Computational Methods in Engineering, vol. 23, pp. 1-15. DOI: 10.1007/s11831-014-9135-7
Ahmed Silik, Mohammad Noori, Wael A. Altabey, Ramin Ghiasi, Zhishen Wu. (2021) Comparative Analysis of Wavelet Transform for Time-Frequency Analysis and Transient Localization in Structural Health Monitoring, Structural Durabilityand Health Monitoring, vol. 15, iss. 1, pp. 1-22. DOI: 10.32604/sdhm.2021.012751
Gang Wang, Carlos Lopez-Molina, Guillermo Vidal-Diez de Ulzurrun, Bernard De Baets (2019) Noise-robust line detection using normalized and adaptive second-order anisotropic Gaussian kernels. Signal Processing, vol. 160, pp. 252-262. DOI: https://doi.org/10.1016/j.sigpro.2019.02.027
Guo T., Zhang T., Lim E., López-Benítez M., Ma F., Yu L. (2022) A Review of Wavelet Analysis and Its Applications: Challenges and Opportunitie. IEEE Access, vol. 10, pp. 58869-58903. DOI: 10.1109/ACCESS.2022.3179517
Гусев Г., Епин В., Цветков Р., Шестаков А. К вопросу о развитии методов измерения вибрации строительных конструкций // Вестник Пермского федерального исследовательского центра. 2023. № 4. C. 32-40. DOI: 10.7242/2658-705X/2023.4.3
Chen J., Lin C., Peng D. and Ge H. (2020) Fault Diagnosis of Rotating Machinery: A Review and Bibliometric Analysis. IEEE Access, vol. 8, pp. 224985-225003. DOI: 10.1109/ACCESS.2020.3043743
Chatterjee P. (2015). Wavelet Analysis in Civil Engineering (1st ed.). CRC Press. DOI: 10.1201/b18057
Методы обработки сигналов акселерометров на железнодорожном транспорте с использованием вейвлет-преобразования / А. М. Боронахин, А. В. Большакова, Д. М. Клионский, Д. Ю. Ларионов, Р. В. Шалымов // Известия высших учебных заведений России. Радиоэлектроника. 2024. Т. 27, № 1. С. 6-16. DOI: https://doi.org/10.32603/1993-8985-2024-27-1-6-16
Mallat S. (1999) A Wavelet Tour of Signal Processing, Cambridge University Press, New York, 1999. DOI: 10.1016/B978-0-12-374370-1.X0001-8
Agathiyan A., Fataf N.A.A., Gowrisanka A. (2023) Explicit relation between Fourier transform and fractal dimension of fractal interpolation functions. European Physical Journal Special Topics, vol. 232, pp. 1077-1091. DOI: 10.1140/epjs/s11734-023-00779-8
Gowrisankar A., Banerjee S. (2023) Framework of fractals in data analysis: theory and interpretation. European Physical Journal Special Topics, no. 232, pp. 965-967. DOI: 10.1140/epjs/s11734-023-00890-w
Yutao Liu, Yong-An Zhang, Ming Zeng, Jie Zhao (2024) A novel distance measure based on dynamic time warping to improve time series classification. Information Sciences, vol. 656, p. 119921. DOI: 10.1016/j.ins. 2023.119921
Shifaz A., Pelletier C., Petitjean F., Geofrey I. (2023) Elastic similarity and distance measures for multivariate time series. Knowledge and Information Systems, no. 65, pp. 2665-2698. DOI: 10.1007/s10115-023-01835-4
Kate R.J. (2016) Using dynamic time warping distances as features for improved time series classification. Data Mining and Knowledge Discovery, 30, pp. 283-312. DOI: 10.1007/s10618-015-0418-x
Goncharov A.V., Strijov V.V. (2018) Analysis of Dissimilarity Set Between Time Series.Computational Mathematics and Modeling, 29, pp. 359-366. DOI: 10.1007/s10598-018-9415-4
Brøns M., Thomsen J.J., Sah S.M., Tcherniak D., Fidlin A. (2021) 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
Barbara Zaparoli Cunha, Christophe Droz, Abdel-Malek Zine, Stéphane Foulard, Mohamed Ichchou (2023) A review of machine learning methods applied to structural dynamics and vibroacoustic. Mechanical Systems and Signal Processing, vol. 200, p. 110535. DOI: 10.1016/j.ymssp.2023.110535
Namkyoung Lee, Joohyun Woo, Sungryul Kim (2024) A deep reinforcement learning ensemble for maintenance scheduling in offshore wind farms. Applied Energy, vo. 377, part A, p. 124431. DOI: 10.1016/j.apenergy.2024.124431
Xiaofeng Dong, Zhuo Miao, Yuchao Li, Huan Zhou, Wenqian Li (2024) One data-driven vibration acceleration prediction method for offshore wind turbine structures based on extreme gradient boosting. Ocean Engineering, vol. 307, p. 118176. DOI: 10.1016/j.oceaneng.2024.118176
Mendonça M.O.K., Apolinário I.F., Diniz P.S.R. (2024) Introduction to signal processing and machine learning theory. Signal Processiing and Machine Learning Theory, pp. 1-34. DOI: 10.1016/b978-0-32-391772-8.00007-7
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Евгений Михайлович Сухарев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
