Полетаев А. А., Аспирант ФГБОУ ВО «РОСБИОТЕХ»
Москва, Россия
Poletaev A. A., Postgraduate Student ROSBIOTECH
Moscow, Russia
Яблоков А. Е., Профессор, доцент кафедры «Промышленная инженерия» ФГБОУ ВО «РОСБИОТЕХ»
Москва, Россия
Yablokov A. E., Professor, Associate Professor of the Department of Industrial Engineering ROSBIOTECH
Moscow, Russia
Сироткин Р. О., Заместитель генерального директора ФГБУ «Институт стандартизации»
Москва, Россия
Sirotkin R. O., Director Russian Standardization Institute
Moscow, Russia
Представлена информационная модель прогнозирования технического состояния приводных узлов оборудования пищевых производств на базе анализа вибрационных сигналов. Модель реализует единый конвейер: цифровая предобработка, удаление DC, нормализация, спектральная оценка методом Уэлча, окно Hann, NFFT=4096, перекрытие 50%, гибридное признаковое пространство - логарифмическая сетка спектральных амплитуд, энергии в лог-полосах, расширенная статистика, доменно-специфические агрегаты, многоклассовая нейронная классификация patternnet, trainscg и интерпретируемая интегральная оценка дефектности на основе нечеткой логики Мамдани. Эксперимент выполнен на смесителе с двухвальным рыхлителем и асинхронным электродвигателем АИР132М2У2 мощностью 11 кВт, 600 об/мин, измерительный тракт: акселерометр ДН-3М1 + АЦП L-Card E14-440D, частота дискретизации 20 кГц, контрольная точка - передний подшипник типоразмера 6308. Получена суммарная точность классификации 99,94 % на отложенной выборке при сохранении объяснимости решений через лингвистические уровни DefectLevel«Норма/Предупреждение/Крит»...
An information model for predicting the technical condition of the drive units of food production equipment based on the analysis of vibration signals is presented. The model implements a single pipeline: digital preprocessing, DC removal, normalization, Welch spectral estimation, Hann window, NFFT=4096, 50% overlap, hybrid feature space - logarithmic grid of spectral amplitudes, energies inlog bands, advanced statistics, domain-specific aggregates, multiclass neural classification patternnet, trainscg and interpreted integral estimation defects based on Mamdani's fuzzy logic. The experiment was performed on a mixer with a two-shaft ripper and an asynchronous AIR132M2U2 electric motor with a power of 11 kW, 600 rpm, measuring path: accelerometer DN-3M1 + ADC L-Card E14-440D, sampling frequency 20 kHz, control point - front bearing size 6308. The total classification accuracy of99.94 % was obtained on the deferred sample while maintaining the explainability of solutions through linguistic levels of DefectLevel "Norm/Warning/Crete." The proposed approach is consistent with GOST R ISO 20816/13374 and is focused on standardization and technical regulation practices, ensuring reproducibility of measurements and maintenance support in the production environment...
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
The authors declare that there are no conflicts of interest present.