Бул изилдөө айлануучу машиналардагы бузулууларды диагностикалоо өзгөчө ызы-чуулуу чөйрөдө жана окутуу үлгүлөрү аз болгондо эмне үчүн татаалдашарын карайт. Изилдөөдө сунушталган ыкма бөлүкчөлөр тобун оптималдаштыруу, башкача айтканда Particle Swarm Optimization (PSO) менен жөнгө салынган RBF өзөктүү каскаддык токой, башкача айтканда Kernelized Cascade Forest (KCForest) модели. Максат — вибрация сигналдарынан алынган жыштык өзгөчөлүктөрүн колдонуп, кеме желдеткичи сыяктуу айлануучу машиналарда нормалдуу иштөө, желдеткич канатынын тең салмаксыздыгы, мотор негизинин бошошу жана желдеткичтин кыпчылып калуусу сыяктуу абалдарды айырмалоо.

Изилдөөдө колдонулган маалыматтар үч фазалуу асинхрондук мотор менен иштеген кеме желдеткичинин сыноо түзүлүшүнөн алынган вибрация сигналдарына негизделет. Сигналдар адегенде Тез Фурье өзгөртүүсү, башкача айтканда Fast Fourier Transform (FFT) аркылуу жыштык доменине өткөрүлгөн, андан соң ар башка классификаторлордун иштеши бирдей өзгөчөлүк векторлорунда салыштырылган. Сунушталган KCForest ыкмасы ызы-чуусуз сыноо чөйрөсүндө %98,05 тактыкка жеткен; 20 dB сигнал-ызы-чуу катышындагы Гаусстук ак ызы-чуу шартында тесттик тактык %97,10 деп билдирилген. Бул ызы-чуусуз шартка салыштырмалуу болгону 0,95 пунктка төмөндөө дегенди билдирет.

Изилдөөнүн маанилүү жагы жогорку тактыкты гана билдирүүсүндө эмес. Изилдөө салттуу туш келди токой жана каскаддык токой түзүлүштөрү ызы-чуу шартында кантип начарлай турганын, өзөктүк маппинг жана PSO менен жөнгө салынган параметрлер бул начарлоону кантип азайтышы мүмкүн экенин көрсөтүүгө аракет кылат. Бирок бул жыйынтыктар рецензиядан өтө элек preprint изилдөөгө жана белгилүү бир кеме желдеткичи сыноо түзүлүшүнө негизделген. Ошондуктан ыкма үмүттүү көрүнгөнү менен, бардык айлануучу машиналарда сөзсүз ийгилик берет деп кабыл алынбашы керек.

Изилдөөнүн негизги көйгөйү эмнеде?

Айлануучу машиналар — желдеткичтер, насостор, моторлор, турбиналар, генераторлор, кеменин көмөкчү системалары жана өнөр жай өндүрүш линияларындагы көптөгөн жабдуулардын өзөгүндө турат. Бул машиналардагы кичине бузулуу да убакыт өтүшү менен чоңоюп, энергия жоготуусуна, өндүрүштүн токтошуна, коопсуздук коркунучуна же кымбат тейлөө процесстерине алып келиши мүмкүн. Ошондуктан бузулууну эрте аныктоо техникалык маселе гана эмес, эксплуатациялык коопсуздук жана тейлөө чыгымы жагынан да критикалык мааниге ээ.

Бул изилдөө көңүл бурган көйгөй мындай: Айлануучу машиналардан алынган вибрация сигналдары бузулуу тууралуу абдан баалуу маалымат алып жүрөт, бирок бул сигналдар дайыма таза, туруктуу жана оңой бөлүнчү эмес. Реалдуу иштөө чөйрөсүндө вибрация маалыматтары ызы-чуу, сенсор каталары, айлана-чөйрө таасири, өзгөрмө жүк, механикалык боштук жана ар башка бузулуу түрлөрүнүн окшош издеринен улам татаал болуп калат. Мындай учурда машиналык үйрөнүү модели жөн гана “маалыматты жаттап алган” түзүлүш болсо, чыныгы бузулуу үлгүсүн эмес, ызы-чуунун изин үйрөнүп алышы мүмкүн.

Изилдөө өзгөчө эки кыйынчылыкка көңүл бурат:

• Ызы-чуу шартында туруктуу бузулуу айырмасы: Вибрация сигналына тышкы бузгуч компоненттер кошулганда моделдин классификациялык ийгилиги тез төмөндөшү мүмкүн.
• Аз үлгү менен үйрөнүү: Өнөр жайда ар бир бузулуу түрү үчүн өтө чоң маалымат топтомун чогултуу дайыма мүмкүн эмес. Айрым бузулуулар сейрек кездешет, айрымдарын эксперименттик түрдө жаратуу кымбат же кооптуу.

Бул эки көйгөй чогуу келгенде бузулууну диагностикалоо кыйындайт. Мисалы, желдеткич канатынын тең салмаксыздыгы менен мотор негизинин бошошу вибрация сигналында айрым окшош жыштык компоненттерин жаратышы мүмкүн. Анын үстүнө ызы-чуу кошулса, моделге бул эки абалды айырмалоо дагы кыйын болот. Изилдөө сунуштаган KCForest ыкмасы дал ушул аралаш чек араларды жакшыраак бөлүүгө багытталган.

Бул көйгөй эмне үчүн маанилүү?

Салттуу тейлөө ыкмасында машина же белгилүү аралыкта текшерилет, же бузулуу айкын болгондон кийин кийлигишүү жасалат. Бирок заманбап өнөр жайда максат — бузулуу чоңоюп кеткенге чейин эрте эскертүү чыгаруу. Бул ыкма адатта абалды көзөмөлдөө (condition monitoring) жана божомолдоочу тейлөө (predictive maintenance) аталыштары менен каралат.

Вибрация талдоосу бул тармакта кеңири колдонулат, анткени айлануучу бөлүктөгү тең салмаксыздык, боштук, сүрүлүү, кыпчылуу же резонанс таасири көп учурда вибрация сигналына түшөт. Адамдын кулагы мотордогу “бөтөн үндү” кээде сезгендей, вибрация сенсорлору да машинанын механикалык жүрүм-турумундагы өзгөрүүнү сандык түрдө кармай алат. Бирок адамдын интуитивдүү сезген белгисин инженердик системада ишенимдүү чечимге айлантуу үчүн сигналды туура өзгөчөлүктөргө бөлүп, бекем классификатор менен чечмелөө керек.

Бул изилдөөнүн мааниси ушул жерде көрүнөт: Изилдөө кеме желдеткичи сыяктуу практикалык айлануучу машина түзүлүшүндө ызы-чууга жана аз маалыматка туруктуураак классификатор түзүлүшүн сунуштайт. Деңиз колдонмолорунда желдеткичтер, моторлор жана көмөкчү айлануучу жабдуулар кеменин коопсуздугу жана системанын үзгүлтүксүздүгү үчүн маанилүү. Бирок изилдөөнүн жыйынтыктары бардык кеме машиналарына түз колдонулган талаа далили катары эмес, белгилүү сыноо түзүлүшүндө алынган эксперименттик текшерүү катары окулушу керек.

Изилдөө адабиятта же колдонмодо кайсы боштукту толтурат?

Изилдөөдө сүрөттөлгөн адабияттык боштук — классикалык классификаторлор жана айрым ансамблдик үйрөнүү ыкмалары ызы-чуулуу жана аз үлгүлүү шарттарда чектелүү болушу. Туш келди токой (Random Forest, RF) көп чечим дарагын бириктирип, бир чечим дарагына караганда туруктуураак натыйжа бере алат. Бирок RF татаал вибрация сигналдарындагы терең жана катмарлуу түзүлүштү дайыма жетиштүү чагылдыра бербейт.

Каскаддык токой (Cascade Forest, CForest) болсо бир нече токой катмарын удаалаш колдонуп, тереңирээк өкүлчүлүк үйрөнүүгө аракет кылат. Бир катмардын чыгарган класс ыктымалдыктары кийинки катмарга кошумча маалымат катары өткөрүлөт. Бул алгач күчтүү идеядай көрүнөт, анткени модель чийки өзгөчөлүктөрдү гана эмес, мурунку катмардын “бул үлгү кайсы класска жакыныраак?” деген маалыматын да колдонот. Бирок изилдөө баса белгилеген көйгөй мындай: Эгер биринчи катмар ызы-чуу себептүү туура эмес ыктымалдык бөлүштүрүүсүн чыгарса, бул ката кийинки катмарларга өтүп, чоңоюшу мүмкүн. Башкача айтканда, каскаддык түзүлүш кээде туура маалыматты тереңдеткендин ордуна ызы-чууга байланышкан катаны да тереңдетиши мүмкүн.

Сунушталган KCForest бул боштукту эки курал менен толтурууга аракет кылат:

• RBF өзөктүк маппинг: Вибрация өзгөчөлүктөрүн сызыктуу эмес окшоштук мейкиндигинде кайра көрсөтүп, аралашкан класстарды бөлүнүктүүрөөк кылууга багытталат.
• PSO менен параметрлерди оптималдаштыруу: Өзөк функциясынын сезимтал параметрлерин кол менен тандоонун ордуна бөлүкчөлөр тобун оптималдаштыруу аркылуу издейт.

Ушул жагынан изилдөө “жаңы классификаторду сынадык” деп гана койбостон, CForest түзүлүшүндөгү ката өткөрүү жана аз үлгүдөгү морттук көйгөйлөрүн азайткан архитектура сунуштайт.

Туш келди токойдун негизги логикасы жана Gini формуласы

Изилдөөдө адегенде туш келди токой алгоритминин негизи түшүндүрүлөт. Туш келди токой көп чечим дарагын бириктирет. Ар бир дарак окутуу маалыматтарынын ар башка үлгүсү жана өзгөчөлүктөрдүн ар башка ички топтому менен үйрөтүлөт. Ошентип бир дарактын ашыкча үйрөнүү коркунучу азайтылат. Классификация учурунда дарактардын чечимдери бирге бааланат.

Чечим дарактарындагы түйүн бөлүү критерийлеринин бири Gini индекси. Изилдөөдө берилген формула:

\[ Gini(M)=1-\sum_{k=1}^{K}p_k^2 \]

Бул жерде M — тиешелүү түйүндөгү үлгүлөр топтому; K — класстардын саны; p_k — M топтомундагы k классына тиешелүү үлгүлөрдүн үлүшү. Gini мааниси кичирейген сайын түйүн “тазараак” деп эсептелет. Башкача айтканда, түйүндөгү үлгүлөрдүн көбү бир эле класска таандык болсо, Gini төмөн болот.

Күнүмдүк мисал менен карасак, ичинде кызыл шарлар гана бар куту абдан тартиптүү жана таза куту. Ичинде кызыл, көк, жашыл жана сары шарлар аралашкан куту болсо белгисизирээк. Gini индекси чечим дарагына ушул белгисиздикти азайткан бөлүүлөрдү тандоого жардам берет. Айлануучу машинанын бузулуусун диагностикалоодо бул “шарлар” нормалдуу иштөө, желдеткич тең салмаксыздыгы, мотор боштугу жана желдеткич кыпчылуусу сыяктуу класстар.

Каскаддык токой эмне үчүн өзү эле жетишсиз болушу мүмкүн?

Cascade Forest түзүлүшүндө ар бир катмар өзүнөн мурдагы катмардан келген класс ыктымалдыктарын жаңы өзгөчөлүк катары колдонот. Изилдөөдө баштапкы өзгөчөлүк вектору төмөнкүдөй аныкталат:

\[ x^{(0)} \in \mathbb{R}^{d} \]

Бул жерде x^{(0)} — алдын ала иштетүү жана FFTден кийин алынган баштапкы өзгөчөлүк вектору; d — жыштык домениндеги өзгөчөлүктөрдүн өлчөмү. Башкача айтканда, вибрация сигналынын убакыттагы чийки өзгөрүүсү алынып, жыштык компоненттерине бөлүнөт жана модель түшүнө ала турган сандык векторго айландырылат.

Каскаддык катмарлардагы киргизүү изилдөөдө төмөнкүдөй берилет:

\[ x^{(l)}=[x^{(0)},p^{(l-1)}] \]

Бул жерде x^{(l)} — l-катмардын киргизүүсү; x^{(0)} — баштапкы физикалык өзгөчөлүктөр; p^{(l-1)} — мурунку катмар чыгарган класс ыктымалдыктарынын вектору. Бул түзүлүш баштапкы вибрация маалыматын жоготпой, мурунку катмардын чечмелөөсүн да моделге кошот.

Бул логика күчтүү, бирок ызы-чуулуу чөйрөдө кооптуу. Себеби мурунку катмар туура эмес ыктымалдык чыгарса, кийинки катмар бул катаны да “өзгөчөлүк” катары пайдаланат. Изилдөө сынга алган нерсе ушул: Каскаддык түзүлүштө ызы-чууну чыпкалоо механизми жетиштүү болбосо, каталар катмарлар арасында өткөрүлөт.

KCForestтин негизги идеясы: Өзөктүк маппинг менен класстарды көбүрөөк ажыратуу

Сунушталган KCForest модели CForest түзүлүшүнө өзөктүк маппинг механизмин кошот. Изилдөөдө өзөктүк маппингдин жалпы идеясы төмөнкү формула менен берилет:

\[ \phi:\mathbb{R}^{d}\rightarrow H \]

Бул жерде \(\phi\) — маалыматты баштапкы d өлчөмдүү өзгөчөлүк мейкиндигинен жогорку өлчөмдүү Hilbert мейкиндигине көмүскө түрдө өткөргөн функция. H — ушул жаңы жогорку өлчөмдүү өкүлчүлүк мейкиндиги. Бул өзгөртүүнүн максаты — баштапкы мейкиндикте бири-бирине аралашып көрүнгөн бузулуу класстарын жаңы мейкиндикте көбүрөөк бөлүнө турган абалга келтирүү.

Муну күнүмдүк мисал менен мындай элестетүүгө болот: Эки башка бузулуу түрү эки өлчөмдүү графикте бири-биринин үстүнө түшүп калды дейли. Графикке бир гана бурчтан карасаңыз класстар аралаш көрүнөт. Бирок маалыматты башка бурчтан, жогорку өлчөмдүү өкүлчүлүктө караганда класстардын ортосунда бөлүүгө мүмкүн болгон түзүлүш көрүнүшү мүмкүн. Өзөк ыкмасы маалыматка ушул “башка бурчтан кароо” мүмкүнчүлүгүн математикалык түрдө берет.

RBF өзөгү эмне кылат?

Изилдөөдө колдонулган өзөк функциясы RBF, башкача айтканда Radial Basis Function өзөгү. Жалпы формула:

\[ K(x,z)=\exp(-\gamma \|x-z\|^2) \]

Бул жерде x жана z — салыштырылган эки өзгөчөлүк вектору. \(\|x-z\|^2\) — бул эки вектордун ортосундагы квадраттык Евклид аралыгы. \(\gamma\) — өзөктүн кеңдик параметри жана окшоштук аралык өскөн сайын канчалык тез азаярын аныктайт. \(\exp\) — экспоненциалдык функция.

Бул формуланын практикалык мааниси мындай: Эки вибрация үлгүсү бири-бирине өтө окшош болсо RBF мааниси жогору, алыстаганда төмөн болот. Ошентип модель айрым жыштык маанилерине гана эмес, үлгү класстын борборуна канчалык окшош экенине да карайт. Ызы-чуу шартында бул маанилүү, анткени туш келди ызы-чуу майда термелүүлөрдү жаратат, бирок бузулууга тиешелүү негизги үлгү туура масштаб тандалганда туруктуураак көрсөтүлүшү мүмкүн.

Изилдөөдө колдонулган атайын RBF өзгөчөлүк формуласы

Изилдөөдө RBF өзөк өзгөчөлүктөрү үлгүлөрдүн класс борборлоруна чейинки аралыгы боюнча эсептелет. Берилген атайын формула:

\[ K_{i,c}=\omega \cdot \exp\left(-\gamma \cdot \frac{d^2_{i,c}}{\max(d^2)} \cdot 10\right) \]

Бул формулада \(K_{i,c}\) — i номердүү үлгүнүн c номердүү класс борборуна карата өзөктүк окшоштук мааниси. \(\omega\) — өзөк өзгөчөлүгүнүн салмагы, башкача айтканда жаңы өзөк өзгөчөлүктөрү моделге канчалык күчтүү салым кошорун жөнгө салат. \(\gamma\) — RBF кеңдик параметри. \(d^2_{i,c}\) — i үлгүсүнүн өзгөчөлүк вектору менен c классынын борбордук векторунун ортосундагы квадраттык Евклид аралыгы. Изилдөөдө бул аралык төмөнкүдөй түшүндүрүлөт:

\[ d^2_{i,c}=\|X_i-C_c\|^2 \]

Бул жерде \(X_i\) — i номердүү үлгүнүн өзгөчөлүк вектору; \(C_c\) — c классынын борбордук вектору. \(\max(d^2)\) мүчөсү аралык маанилерин масштабдоо үчүн колдонулат. Формуладагы 10 көбөйткүчү экспоненциалдык функцияны эсептөөдө сандык туруктуулук үчүн масштабдоо фактору.

Бул формуланын машиналык бузулуу диагностикасы үчүн мааниси мындай: Модель ар бир вибрация үлгүсүнүн ар бир бузулуу классынын борборуна канчалык окшош экенин эсептейт. Мисалы, сигнал желдеткич канатынын тең салмаксыздык классынын борборуна жакыныраак болсо, анын окшоштук мааниси жогору болот. Бирок бул өзүнчө акыркы чечим эмес; KCForest бул өзөк өзгөчөлүктөрүн, баштапкы FFT өзгөчөлүктөрүн жана мурунку катмардан келген ыктымалдык векторлорун бирге баалайт.

Катмар ичиндеги жана катмарлар арасындагы өзгөчөлүктөрдү кеңейтүү

KCForestте ар бир катмарда баштапкы өзгөчөлүктөр өзөк өзгөчөлүктөрү менен кеңейтилет. Изилдөөдө бул кеңейтилген киргизүү төмөнкүдөй көрсөтүлөт:

\[ X^{(l)}_{aug}=[X^{(l)},K^{(l)}] \]

Бул жерде \(X^{(l)}_{aug}\) — l-катмардагы кеңейтилген өзгөчөлүк матрицасы. \(X^{(l)}\) — ошол катмарга келген учурдагы өзгөчөлүктөр; \(K^{(l)}\) — ошол катмарда эсептелген өзөк өзгөчөлүктөрү.

Изилдөөдө ар бир катмарда эки туш келди токой жана эки толук туш келди дарактар токою колдонулары айтылат. Бул ар башка токойлордун ар бири класстар үчүн ыктымалдык бөлүштүрүүсүн чыгарат. Бир катмардагы M ички токойдун орточо ыктымалдык жыйынтыгы төмөнкү формула менен көрсөтүлөт:

\[ P^{(l)}=\frac{1}{M}\sum_{m=1}^{M}P_m^{(l)} \]

Бул жерде \(P^{(l)}\) — l-катмардын орточо класс ыктымалдыгы; M — ички токойлордун саны; \(P_m^{(l)}\) — m номердүү токойдун l-катмарда чыгарган класс ыктымалдык вектору. Орточолоштуруу бир моделдин кокустук катасын азайтууга жардам берет.

Мындан тышкары катмардагы бардык токойлордун ыктымалдык жыйынтыктары бириктирилип, төмөнкүдөй кеңейтилген ыктымалдык матрицасы түзүлөт:

\[ P^{(l)}_{layer}=[P_1,P_2,\ldots,P_F] \]

Бул жерде F — тиешелүү катмардагы токойлордун саны. Бул түзүлүш моделге бир эле вибрация үлгүсүн ар башка токойлор кандай баалаганын бирге колдонууга мүмкүнчүлүк берет. Демек, чечим бир дарактын же бир токойдун жыйынтыгына гана калтырылбайт.

Эрте токтотуу механизми эмне үчүн керек?

Каскаддык моделдерде катмар санын дайыма көбөйтүү сөзсүз жакшы натыйжа бербейт. Катмарлар ашыкча көбөйсө, модель чыныгы бузулуу үлгүсүнүн ордуна окутуу маалыматтарына гана тиешелүү кокустук деталдарды үйрөнүп алышы мүмкүн. Бул ашыкча үйрөнүү коркунучун күчөтөт.

Ошондуктан изилдөөдө валидациялык ийгиликке негизделген эрте токтотуу механизми колдонулат. Абстракттуу токтотуу шарты төмөнкүдөй берилген:

\[ Acc^{(l)}\leq \max_{k

Бул жерде \(Acc^{(l)}\) — l-катмардын валидация тактыгы; \(\max_{k болсо мурунку катмарлардын арасында алынган эң жогорку валидация тактыгын билдирет. Эгер жаңы катмар мурдагы эң жакшы көрсөткүчтү жакшыртпаса, каскаддык өсүү токтотулат. Бул модель керексиз тереңдеп кетпеши үчүн колдонулат.

PSO бул жерде эмнени оптималдаштырат?

Изилдөөдө PSO RBF өзөк механизминде критикалык болгон үч параметрди оптималдаштыруу үчүн колдонулат:

• \(\gamma\): RBF өзөгүнүн кеңдик параметри. Окшоштук аралык менен канчалык тез азаярын аныктайт.
• \(\omega\): Өзөк өзгөчөлүктөрүнүн жалпы салмагы. Бул өзгөчөлүктөрдүн моделге кошкон салымынын деңгээлин жөнгө салат.
• \(c_w\): Класс борборунун салмак коэффициенти. Класс борборлорунун масштабдалышы аркылуу чечим чек араларынын формасына таасир берет.

PSOну күнүмдүк мисал менен рельефтин үстүндө эң жакшы чекитти издеп жүргөн кичинекей куштар тобуна окшоштурууга болот. Ар бир бөлүкчө мүмкүн болгон параметр комбинациясын билдирет. Бөлүкчөлөр өздөрүнүн мурда тапкан жакшы абалын жана бүт топ тапкан эң жакшы абалды эске алып кыймылдайт. Ошентип параметр мейкиндигинде жогорку тактык берген жөндөөлөр изделет.

Изилдөөдө PSO издөөсү 20 dB SNR деңгээлиндеги Гаусстук ак ызы-чуу шартында жүргүзүлгөн. Бөлүкчөлөрдүн саны 10. Параметр аралыктары \(\gamma\) үчүн [0,5, 8], \(\omega\) үчүн [0,5, 4] жана \(c_w\) үчүн [0,8, 1,5] деп аныкталган. Инерция салмагы итерациялар бою 0,8 маанисинен 0,4 маанисине төмөндөтүлгөн. Когнитивдик коэффициент жана социалдык үйрөнүү коэффициенти 1,5 катары колдонулган.

Үч өлчөмдүү PSO оптимизация графигинде эң жакшы чечим болжол менен \(\gamma=1{,}654\), \(\omega=1{,}022\), \(c_w=0{,}988\) жана ылайыктуулук мааниси 0,9475 экени көрсөтүлөт. Бул маанилер модель ызы-чуулуу шартта класстарды бөлүп туруучу өзөк масштабын тапканын көрсөтүүгө багытталган.

Эксперименттик түзүлүш жана бузулуу түрлөрү

Изилдөөдө сыноо объектиси үч фазалуу асинхрондук мотор менен айдалган кеме желдеткичи. Желдеткич моторунун техникалык көрсөткүчтөрү: 380 V номиналдык чыңалуу, 4,6 A номиналдык ток, 1,1 kW номиналдык кубат, 50 Hz номиналдык жыштык жана 1400 айл/мин номиналдык айлануу ылдамдыгы.

Төрт иштөө абалы изилденген:

• f1: Нормалдуу абал
• f2: Желдеткич канатынын тең салмаксыздык бузулуусу
• f3: Мотор негизинин бошошу
• f4: Желдеткичтин кыпчылып калуусу

Вибрация маалыматтары магниттик соргучтуу сенсор менен чогултулган. Сенсордун сезимталдыгы 10,20 mV/g, bias чыңалуусу 12,40 V жана үлгүлөө жыштыгы 1652 Hz деп берилген. Ар бир сигнал тобунун үлгүлөө мөөнөтү 2 секунд. Ар бир сыноо үчүн 20 маалымат топтому чогултулуп, желдеткичтин ар бир абалы үчүн 50 сыноо жасалган жана жалпысынан 4000 сыноо маалыматы алынган. Сыноолордун ортосунда 5 мүнөт тыныгуу берилип, жабдуунун температурасы турукташтырылган жана айлана-чөйрөнүн таасирин көзөмөлдөө максат кылынган.

FFT менен вибрация сигналынан жыштык өзгөчөлүктөрүн алуу

Изилдөөдө бардык классификаторлор үчүн бирдей өзгөчөлүк вектору колдонулган. Бул маанилүү, анткени ар башка алгоритмдерди салыштыруу үчүн моделге берилген маалымат бирдей болушу керек. Вибрация сигналдары убакыт доменинен жыштык доменине FFT аркылуу өткөрүлгөн. Терс жыштык компоненттери алынып салынган, FFT амплитудалык спектри өзгөчөлүк катары тандалып, min-max нормалдаштыруу колдонулган.

FFTнин бул жердеги мааниси мындай: Убакыт домениндеги вибрация сигналы машинанын убакыт боюнча кантип термелгенин көрсөтөт. Жыштык домени болсо бул термелүү кайсы жыштыктарда топтолгонун көрсөтөт. Бузулуу диагностикасында бул өтө баалуу, анткени ар башка бузулуулар ар башка жыштык компоненттерин күчөтүп же энергияны башка жыштык зоналарына жылдырышы мүмкүн.

Графиктерде жана сүрөттөрдө көрсөтүлгөн физикалык айырмачылыктар

Изилдөөдө мотордун ар башка абалдарына тиешелүү вибрация сигналдары жана спектр графиктери салыштырылат. Нормалдуу f1 абалында вибрация амплитудасы туруктуураак көрүнөт. Желдеткич канатынын тең салмаксыздыгы жана мотор негизинин бошошу учурунда мезгилдүү сокку өзгөчөлүктөрү айкыныраак болот. Желдеткич кыпчылган f4 абалында болсо үзгүлтүксүз жогорку жыштыктагы вибрация үлгүсү көрүнөт.

Спектр натыйжалары бузулуу түрлөрүнүн физикалык айырмасын ачыгыраак көрсөтөт. Нормалдуу f1 абалында негизги жыштык чокусу 576,50 Hz тегерегинде, жалпы энергия көбүрөөк топтолгон жана спектралдык энтропия төмөн экени айтылат. Бул машинанын туруктуу жана жөнгө салынган иштешин көрсөтөт. Желдеткич канатынын тең салмаксыздыгы болгон f2де негизги жыштык 518,00 Hzге төмөндөп, төмөн жыштык энергиясы жана спектралдык энтропия өсөт. Бул тең салмаксыз масса бөлүштүрүлүшү төмөн жыштыктагы вибрацияны күчөтүшү менен шайкеш.

Мотор негизинин бошошу болгон f3тө негизги жыштык 518,50 Hz деп берилген жана вибрация энергиясы жогорку жыштык зонасына жылганы айтылат. Бул бош структуралык байланыштар жогорку жыштыктагы резонансты жаратышы менен байланыштуу. Желдеткич кыпчылган f4 абалында негизги жыштык 568,50 Hz; жалпы энергия жана спектралдык энтропия орточо деңгээлде. Бул аба агымынын тоскоолдугу же кыпчылууга тиешелүү өзгөчө вибрация үлгүсүн көрсөтөт.

Бул графиктер түз жарыяланбаса да, изилдөөнүн негизги идеясын түшүнүү үчүн маанилүү: Модель кокустук сандар менен иштебейт; чыныгы механикалык жүрүм-турумдун жыштык домениндеги издерин үйрөнүүгө аракет кылат. Башкача айтканда, классификаторго берилген FFT өзгөчөлүктөрү бузулуулардын физикалык таасирлеринен алынган сигналдар.

Ызы-чуу сыноосу эмнени көрсөтөт?

Изилдөөдө Гаусстук ак ызы-чуу кошулуп, 20 dB SNR деңгээлиндеги ызы-чуулуу чөйрө түзүлгөн. Ызы-чуу амплитудасы баштапкы сигнал амплитудасынын болжол менен %10 бөлүгү экени айтылган. Бул сыноонун максаты — модель таза лабораториялык сигналдарда гана эмес, бузулган сигнал шартында да иштейби же жокпу текшерүү.

Ызы-чуу кошуу сигналдын үстүнө кокустук термелүүлөрдү кошуу сыяктуу. Эгер модель таза маалыматта ийгиликтүү болуп, ызы-чууда кыйраса, өнөр жай колдонмосу үчүн чектелүү болуп калат. KCForestтин негизги дооматы — RBF өзөктүк маппинг жана PSO менен оптималдаштырылган параметрлер аркылуу бул ызы-чуу таасирин жакшыраак басаңдата алат.

Натыйжалар эмнени айтат?

Ызы-чуусуз шартта KCForestтин валидация тактыгы %98,75, тесттик тактыгы %98,05 деп берилген. Ошол эле шартта CForestтин тесттик тактыгы %98,25 болуп, KCForestтен бир аз жогору. RF болсо %98,05 тесттик тактык менен KCForestке тең натыйжа көрсөткөн. Ошондуктан жыйынтыкты так мындай окуу керек: Таза маалымат шартында KCForest жалгыз өзү ачык эң жогорку тесттик тактыкты берген эмес; CForest жана RF сыяктуу токойго негизделген ыкмалар да өтө күчтүү иштеген.

Бирок ызы-чуулуу чөйрөдө абал өзгөрөт. 20 dB SNR ызы-чуу астында KCForestтин тесттик тактыгы %97,10 деңгээлине төмөндөйт. Бул ызы-чуусуз абалга салыштырмалуу болгону 0,95 пунктка түшүү. CForestтин тесттик тактыгы ошол эле ызы-чуу шартында %94,85 деңгээлине төмөндөйт. RFтин тесттик тактыгы %90,15 деңгээлине түшөт. Бул KCForest айрыкча токойго негизделген салыштыруу моделдерине караганда ызы-чуу шартында туруктуураак калганын көрсөтөт.

Бул жерде дагы бир маанилүү деталды көз жаздымда калтырбоо керек: Ызы-чуулуу чөйрөнүн таблицасында KELM модели %97,90 тесттик тактык менен KCForestтен жогорку натыйжа көрсөткөн. ELM да %97,00 менен KCForestке абдан жакын. Ошондуктан изилдөө “бардык алгоритмдердин ичинде бардык шартта абсолюттук эң жакшы — KCForest” деп окулбашы керек. Туурараак билдирүү мындай: KCForest өзгөчө каскаддык токой жана туш келди токой үй-бүлөсү менен салыштырганда ызы-чууга туруктуулук жана аз үлгүдөгү туруктуулук жагынан байкаларлык артыкчылык көрсөткөн; KELM сыяктуу өзөккө негизделген башка моделдер да ызы-чуулуу тестте күчтүү жыйынтык берген.

Аз үлгүлүү эксперименттер эмнени көрсөтөт?

Изилдөөнүн эң маанилүү бөлүктөрүнүн бири окутуу үлгүлөрү азайтылган эксперимент. Эксперимент 20 dB ызы-чуулуу чөйрөдө жүргүзүлгөн. Окутуу топтомунун ар башка үлүштөрү колдонулуп, моделдер аз маалымат менен кандай иштээри текшерилген. Окутуу үлгүлөрүнүн катышы %10 деңгээлинен %50 деңгээлине чейин 5 пункттук кадам менен көбөйтүлгөн.

KCForest окутуу үлгүлөрү абдан аз болгондо да салыштырмалуу жогорку тактыкты сактаган. Болгону %10 окутуу үлгүсү, башкача айтканда изилдөөдө көрсөтүлгөндөй 80 окутуу үлгүсү колдонулганда, KCForestтин валидация тактыгы %92,00 жана тесттик тактыгы %90,25 деп билдирилген. Ошол эле шартта CForestтин тесттик тактыгы %76,15. Бул айырма өзөктөштүрүлгөн катмар түзүлүшү аз маалымат жана ызы-чуу айкалышканда салттуу каскаддык токойго караганда туруктуураак чечим чек араларын түзө алганын көрсөтөт.

Окутуу үлгүсүнүн катышы %20 деңгээлине чыкканда KCForestтин валидация тактыгы %94,17, тесттик тактыгы %94,05 болот. %45 окутуу үлгүсү деңгээлинде KCForest ызы-чуулуу тест топтомунда %95,60 менен билдирилген эң жогорку мааниге жетет. Ал эми CForest ошол эле аймактарда көбүрөөк термелген натыйжа көрсөткөнү айтылат.

Бул натыйжалардын практикалык мааниси мындай: Өнөр жайда ар бир бузулуу үчүн көп мисал чогултуу мүмкүн болбогондо, аз үлгү менен туруктуу иштеген моделдер баалуу. KCForestтин класс борборлоруна карата өзөк окшоштугун эсептөөсү аз маалыматта класстар аралык аралыкты ачыгыраак кылууга жардам берген болушу мүмкүн. Бирок бул интерпретация изилдөөнүн эксперимент шарттары менен гана чектелет; башка машиналар, сенсорлор жана бузулуу түрлөрү үчүн кайра текшерүү талап кылынат.

Адашуу матрицасы эмнени көрсөтөт?

Изилдөөдө KCForest үчүн ызы-чуусуз жана ызы-чуулуу тест шарттарында адашуу матрицасы берилген. Адашуу матрицасы модель кайсы чыныгы класстарды кайсы болжолдонгон класстар менен чаташтырганын көрсөтөт. Мындай графиктер жалпы тактыктан көбүрөөк маалымат берет, анткени жалпы тактык жогору болгону менен айрым бузулуу түрлөрү башкаларына караганда көбүрөөк чаташышы мүмкүн.

Ызы-чуусуз шартта модель жалпысынан туура классификация жасайт. Нормалдуу f1 абалындагы айрым үлгүлөр f2, f3 жана f4 менен чаташкан. f2 классы кыйла так бөлүнгөн. f3 классында айрым үлгүлөр f1 менен чаташкан. f4 классы болсо ызы-чуусуз шартта ачык туура таанылган.

Ызы-чуулуу шартта эң көңүл бурарлык чаташуу f3 классында. Мотор негизинин бошошу болгон f3 үлгүлөрүнүн бир бөлүгү f1, башкача айтканда нормалдуу абал катары божомолдонгон. Бул маанилүү, анткени жалпы тактык жогору болсо да, бошошу нормалдуу абал менен чаташтыруу тейлөө коопсуздугу үчүн коркунучтуу. Изилдөө KCForest ызы-чууга туруктуу экенин көрсөткөнү менен, f3 классындагы бул чаташуу модель толук катасыз эмес экенин ачык көрсөтөт.

Күчтүү жактары

• Ызы-чууга туруктуулук: KCForest 20 dB ызы-чуу шартында тесттик тактыгын болгону 0,95 пункт жоготкон.
• Аз үлгүдөгү иштөө: %10 окутуу үлгүсү менен да %90,25 тесттик тактык билдирилген.
• Физикалык өзгөчөлүктөргө негизделүү: Модель чийки маалыматтан туш келди өзгөчөлүктөрдүн ордуна FFT менен алынган жыштык домениндеги маалыматты колдонот.
• Өзөккө негизделген бөлүү: RBF окшоштуктары класс борборлору боюнча көбүрөөк ажыратуучу өзгөчөлүктөрдү жаратууну көздөйт.
• Ыңгайлашкан модель тереңдиги: Эрте токтотуу механизми керексиз катмар өсүшүн жана ашыкча үйрөнүү коркунучун азайтууга багытталган.
• Параметр оптимизациясы: RBF параметрлери PSO менен глобалдуу изделет; бул параметрлерди кол менен тандоого караганда системалуу ыкма.

Чектөөлөр

• Рецензия абалы: Изилдөө рецензиядан өтө элек preprint. Ошондуктан жыйынтыктар этият окулушу керек.
• Бир сыноо түзүлүшү: Эксперимент белгилүү бир кеме желдеткичи жана төрт иштөө абалы боюнча жүргүзүлгөн. Натыйжаларды бардык айлануучу машиналарга түз жалпылоого болбойт.
• Симуляцияланган бузулуу шарттары: Изилдөө желдеткичтин бузулууларын сыноо түзүлүшүндө түзүлгөн абалдар аркылуу карайт; узак мөөнөттүү реалдуу талаа колдонмосунун далили жок.
• Ызы-чуу модели чектелүү: Ызы-чуу сыноосу 20 dB Гаусстук ак ызы-чуу менен жүргүзүлгөн. Чыныгы өнөр жайдагы ызы-чуу дайыма ушундай модельге дал келбейт.
• KELM салыштыруусу: Ызы-чуулуу тестте KELM %97,90 тактык менен KCForestтен жогору жыйынтык берген. Бул KCForest бардык салыштырууда абсолюттук лидер эмес экенин көрсөтөт.
• f3 чаташуусу: Ызы-чуулуу адашуу матрицасында мотор негизинин бошошу үлгүлөрүнүн бир бөлүгү нормалдуу абал менен чаташкан.

Изилдөө эмнени айтат, эмнени айтпайт?

Изилдөө мындай дейт: PSO менен оптималдаштырылган RBF өзөктүк маппинг каскаддык токой түзүлүшүнө кошулганда, айлануучу машиналардын вибрация сигналдарында ызы-чуу жана аз үлгү шартында туруктуураак бузулуу классификациясын камсыз кылышы мүмкүн. Айрыкча CForest жана RF сыяктуу токойго негизделген моделдерге караганда ызы-чуу шартында иштөө сапаты азыраак төмөндөгөн.

Изилдөө мындай дебейт: Бул ыкма бардык айлануучу машиналарда, бардык сенсор жайгашууларында, бардык ызы-чуу түрүндө жана реалдуу талаа шартында сөзсүз ошол эле ийгиликти берет деп айтпайт. Ошондой эле ыкма коммерциялык тейлөө системаларында түз колдонууга даяр экенин же кеме машиналарында коопсуздук кепилдигин берерин далилдебейт. Табылгалар сыноо түзүлүшү, маалымат топтому, төрт бузулуу классы, FFT өзгөчөлүктөрү жана тандалган салыштыруу алгоритмдери менен чектелет.

Өткөн, азыркы жана келечек жагынан мааниси

Өткөндө бузулуу диагностикасы көбүнчө эксперттик тажрыйбага, босого маанилерге жана жөнөкөй статистикалык өзгөчөлүктөргө таянган. Бул ыкмалар айрым ачык бузулууларда иштесе да, татаал шарттарда жетишсиз болушу мүмкүн. Машиналык үйрөнүү ыкмалары ушул боштукту толтуруу үчүн өнүккөн, бирок алар да ызы-чуу жана аз маалымат көйгөйлөрүнө туш болот.

Бүгүн өнөр жай ишканаларында, кемелерде жана энергетикалык системаларда сенсор маалыматтары көбөйүүдө. Бирок маалыматтын көп болушу дайыма сапаттуу белгиленген бузулуу маалыматтары көп дегенди билдирбейт. Өзгөчө сейрек бузулуулар үчүн мисал саны аз болушу мүмкүн. Ошондуктан аз маалымат менен иштеп, ызы-чууга туруштук бере алган ыкмалар практикалык мааниге ээ.

Келечекте мындай ыкмалар божомолдоочу тейлөө системаларында акылдуу эрте эскертүү механизмдерине салым кошушу мүмкүн. Мисалы, кеме желдеткичинин вибрация үлгүсү акырындык менен нормалдуу абалдан өзгөрсө, система тейлөө тобуна муну эрте билдире алат. Бирок бул үчүн модель ар башка кемелерде, моторлордо, сенсор жайгашууларында, жүктөрдө жана узак мөөнөттүү талаа маалыматтарында текшерилиши керек.

Изилдөөнүн Ыкмасы жана Табылгалары

Техникалык ыкманын агымы

1. Маалымат чогултуу: Үч фазалуу асинхрондук мотор менен иштеген кеме желдеткичтен вибрация маалыматтары чогултулган.
2. Бузулуу класстары: Нормалдуу абал, желдеткич канатынын тең салмаксыздыгы, мотор негизинин бошошу жана желдеткичтин кыпчылып калуусу болуп төрт класс аныкталган.
3. Сигналды иштетүү: Убакыт домениндеги вибрация сигналдары FFT менен жыштык доменине өткөрүлгөн.
4. Өзгөчөлүк тандоо: FFT амплитудалык спектри өзгөчөлүк катары колдонулуп, терс жыштык компоненттери алынып салынган.
5. Нормалдаштыруу: Min-max нормалдаштыруу менен ар башка жыштык компоненттерин салыштыруу жеңилдетилген.
6. Маалыматты бөлүү: Маалымат окутуу, валидация жана тест топтомдоруна бөлүнгөн. Окутуу топтому %20, валидация топтому %30, тест топтому %50 катары колдонулган.
7. PSO оптимизациясы: RBF өзөгүнүн \(\gamma\), \(\omega\) жана \(c_w\) параметрлери бөлүкчөлөр тобун оптималдаштыруу менен изделген.
8. KCForestти үйрөтүү: Ар бир катмарда эки туш келди токой жана эки толук туш келди токой колдонулган.
9. Катмарлар аралык өткөрүү: Баштапкы FFT өзгөчөлүктөрү, RBF өзөк өзгөчөлүктөрү жана мурунку катмардын класс ыктымалдыктары бириктирилген.
10. Эрте токтотуу: Валидация көрсөткүчү өспөгөндө каскаддык түзүлүш токтотулган.
11. Салыштыруу: KCForest CForest, GNB, CART, RF, ELM, KELM жана DELM менен салыштырылган.

Эксперименттик маалымат жана өлчөө маалыматы

Бузулуу класстары жана жыштык домениндеги байкоолор

PSO жана RBF параметрлери

Ызы-чуусуз чөйрөдөгү классификатор тактыктары

Бул таблица KCForest таза чөйрөдө күчтүү экенин көрсөтөт, бирок CForestтин тесттик тактыгы %98,25 менен бир аз жогору жана RF да KCForest менен бирдей тесттик тактыкка жеткен. Демек, KCForestтин негизги салымы таза чөйрөдөгү абсолюттук үстөмдүк эмес, ызы-чуу жана аз үлгү шартындагы туруктуулукта көрүнөт.

20 dB ызы-чуулуу чөйрөдөгү классификатор тактыктары

Ызы-чуулуу чөйрөнүн таблицасы KCForest өзгөчө CForest жана RFге караганда азыраак начарлаганын көрсөтөт. KCForestтин ызы-чуусуз тесттик тактыгы %98,05 болсо, ызы-чуулуу тесттик тактыгы %97,10. Бул 0,95 пунктка түшүү моделдин ызы-чууга туруктуу калганын көрсөтөт. CForestтин төмөндөөсү 3,40 пункт, RFтин төмөндөөсү болсо 7,90 пункт. CART жана GNB ызы-чуу астында байкаларлык начарлаган.

Бирок KELMдин ызы-чуулуу тесттик тактыгы %97,90 жана бул KCForestтин %97,10 натыйжасынан жогору. Ошондуктан KCForest өзгөчө токойго негизделген ыкмалардын ичинде ызы-чууга туруктуулук жагынан күчтүү көрүнөт, бирок салыштырылган бардык алгоритмдердин ар бир метрикасында жалгыз эң жогорку жыйынтык берген эмес.

Аз үлгүдөгү табылгалар

Бул натыйжалар KCForest аз үлгү жана ызы-чуу бириккенде салттуу каскаддык токой түзүлүшүнө караганда туруктуураак экенин көрсөтөт. Изилдөөнүн чечмелөөсү боюнча, өзөктөштүрүлгөн аралык катмарлар класстар аралык бөлүштүрүү боштугун кеңейтип, чечим дарактарына ишенимдүүрөөк бөлүү чекиттерин табууга жардам берет.

Натыйжалардын күнүмдүк жашоого жана өнөр жайга таасири

Бул изилдөөнүн күнүмдүк жашоого кыйыр таасири бузулууларды эрте аныктоо менен байланыштуу. Кемедеги желдеткич, өндүрүш ишканасындагы мотор же энергетикалык системадагы айлануучу жабдуу күтүлбөгөн жерден бузулса, машина гана токтоп калбайт; коопсуздук, убакыт, чыгым жана операциялык үзгүлтүксүздүк да жабыркайт. Вибрация маалыматтарынан бузулууну аныктаган туруктуураак моделдер тейлөө топторуна туура убакта кийлигишүүгө жардам бере алат.

Өнөр жай жагынан мындай модель өзгөчө сенсор маалыматы бар, бирок белгиленген бузулуу үлгүлөрү аз жерлерде баалуу болушу мүмкүн. Мисалы, ар бир ишканада миңдеген нормалдуу иштөө үлгүлөрү болушу мүмкүн, бирок желдеткич кыпчылуусу же мотор негизинин бошошу сыяктуу бузулуулар аз гана катталат. KCForestтин аз үлгү шартындагы көрсөткүчү ушул жагынан маанилүү.

Ошентсе да изилдөө реалдуу өндүрүш ишканасында же чыныгы кеменин машина бөлмөсүндө узак мөөнөттүү талаа колдонмосунун далилин сунуштабайт. Ошондуктан ыкма потенциалдуу акылдуу тейлөө ыкмасы катары бааланып, коопсуздук критикалык системаларда колдонулганга чейин ар башка жабдууларда, жүк шарттарында жана реалдуу ызы-чуу чөйрөсүндө текшерилиши керек.

Булак жана Ыкма Жөнүндө Эскертүү

Бул макала Qinming Tan, Duankai Li, Jiawei Jiang жана KunXiang Ge даярдаган “Fault Diagnosis Method for Rotating Machinery Based on Particle Swarm Optimization-Driven Kernelized Cascade Forest” аттуу изилдөөгө негизделген. Изилдөө SSRNде сунушталган preprint изилдөө макаласы. Текстте ачык түрдө “This preprint research paper has not been peer reviewed” деп жазылгандыктан, рецензиядан өтө элек.

Мазмунда сүрөттөлгөн ыкма изилдөөдө берилген KCForest модели, PSO оптимизациясы, RBF өзөктүк маппинг, FFTге негизделген вибрация өзгөчөлүктөрү, кеме желдеткичинин сыноо түзүлүшү, төрт бузулуу классы жана салыштырма классификатор натыйжаларына негизделет. Изилдөөдө жок коммерциялык ийгилик, абсолюттук талаа ийгилиги, коопсуздук кепилдиги же бардык айлануучу машиналарга жалпылоочу дооматтар кошулган жок.

Изилдөө эксперименттик сыноо түзүлүшүндө жүргүзүлгөн. Колдонулган маалыматтар үч фазалуу асинхрондук мотор менен иштеген кеме желдеткичтен чогултулган вибрация сигналдары. Ызы-чууга туруктуулук үчүн 20 dB SNR деңгээлиндеги Гаусстук ак ызы-чуу колдонулган. Бул чыныгы өнөр жай ызы-чуусунун бардык түрүн билдирбейт. Ошондой эле изилдөө реалдуу кеменин машина бөлмөсүндө узак мөөнөттүү талаа текшерүүсүн бергенин айтпайт.

Preprint мүнөзүнөн улам жыйынтыктар этият окулушу керек. KCForest модели айрыкча ызы-чуу жана аз окутуу үлгүсү шартында үмүттүү натыйжа берген, бирок ар башка жабдуу түрлөрү, сенсор жайгашуулары, бузулуу класстары жана реалдуу талаа шарттарында кошумча текшерүү талап кылынат.