Ефективність діагностики стану підшипників котіння в режимі реального часу

Автор(и)

  • Тетяна Барашкова Кафедра технології машинобудування Вірумааського коледжу Талліннського технічного університету, вул. Järveküla tee, 75, 30322, Кохтла-Ярве, Естонія
  • Вероніка Широкова Кафедра технології машинобудування Вірумааського коледжу Талліннського технічного університету, вул. Järveküla tee, 75, 30322, Кохтла-Ярве, Естонія

DOI:

https://doi.org/10.24027/2306-7039.4.2022.276322

Ключові слова:

діагностика підшипників; режим реального часу; вимірювання вібрації; часовий сигнал; еталон

Анотація

Одним з елементів управління складною технологічною системою є інформаційно-вимірювальна мережа, суттєву частину якої представлено вимірювальними перетворювачами. Через конструктивні особливості давачі виявляються ненадійними елементами інформаційно-вимірювальної системи. Спотворення в показах давачів впливають на якість управління технічної системи. Потрібно враховувати ці спотворення. Особливо важливу роль відіграє цей факт при оцінюванні ефективності діагностики стану підшипників котіння в режимі реального часу. Для оцінювання швидкодії автоматичної обробки даних було створено програму для користувачів, сумісну з MatLab r2022b. Одночасно передавалися дані з двох давачів пришвидшення в базу даних мережі з наступним передаванням інформації через канал зв’язку Ethernet. Доведено, що ефективність діагностики деталей машин значною мірою залежить від динаміки роботи інформаційно-вимірювальної системи та оперативного виявлення змін у роботі цієї системи. В експериментах було вирішено пряму задачу діагностики деталей машин на прикладі несправних підшипників котіння; зроблено оцінку впливу обчислювальної потужності використовуваного обладнання, швидкодії, практичної реалізованості мережевих алгоритмів автоматичної обробки даних у режимі реального часу. В результаті проведених експериментів і розрахунків можна зробити висновок, що ефективність моніторингу стану механічних вузлів у режимі реального часу залежить від швидкості передавання даних, від чутливості давачів пришвидшення, від обсягу пам’яті запам’ятовувальних пристроїв. Інтервал між даними не має суттєвого впливу на точність моніторингу. Чисельне диференціювання сигналів може бути використано для виявлення окремих ознак несправностей механічних вузлів. Часові та частотні сигнали можуть бути взяті за прототипи еталонів дефектів механічних вузлів. Для перевірки функціональних можливостей діагностичного обладнання може бути використано представлену методику.

Посилання

Zhang H., Ge B., Han B. Real-Time Motor Fault Diagnosis Based on TCN and Attention. Machines, 2022, vol. 10(4), 249. https://doi.org/10.3390/machines10040249

Hajnayeb A., Shirazi K. H., Aghaamiri R. Vibration Measurement for crack and rub detection in rotors. Metrology and Measurement Systems, 2020, vol. 27, no. 1, pp. 65–80. doi: https://doi.org/10.24425/mms.2020.131719

Tetter V.Yu., Tetter A.Yu. Method of implementation signals for testing vibro-diagnostic equipment of rolling stock. Journal of Transsib Railway Studies, 2016, vol. 4(28), pp. 46–52.

Ermishyn S.N. Possibilities for creating virtual standards. Measurement Techniques, 2002, 45, 10.

Tetter V.Yu., Tetter A.Yu. Diagnostirovaniye podvizhnogo sostava i yego svyaz s napravleniyem tsifrovizatsii zheleznykh dorog [Diagnosis of a rolling stock and its connection with the direction of digitalization of railways]. Natsionalnyye prioritety Rossii, 2018, vol. 3(30), pp. 87–93 (in Russian).

Luo H., Bo L., Peng C., Hou D. An Improved Convolutional-Neural-Network-Based Fault Diagnosis Method for the Rotor–Journal Bearings System. Machines, 2022, 10, 503. https://doi.org/10.3390/machines10070503

Kudelina K., Baraškova T., Shirokova V., Vaimann T., Rassõlkin A. Fault Detecting Accuracy of Mechanical Damages in Rolling Bearings. Machines, 2022, vol. 10(2), 86. https://doi.org/10.3390/machines10020086

Wang L., Zhuang M., Yuan K. Active Control Method for Rotor Eccentric Vibration of High-Speed Motor Based on Least Squares Support Vector Machine. Machines 2022, vol. 10(11), 1094. https://doi.org/10.3390/machines10111094

Averyanov A., Aheleroff S., Polzer J., Xu X. Digitising a Machine Tool for Smart Factories. Machines, 2022, vol. 10(11), 1093. doi: https://doi.org/10.3390/machines10111093

Liu C., Fang Y., Wu Y., Fan Z. A Digital Observer-Based Repetitive Learning Composite Control Method for Large Range Piezo-Driven Nanopositioning Systems. Machines, 2022, vol. 10(11), 1092. https://doi.org/10.3390/machines10111092

##submission.downloads##

Опубліковано

2022-12-29

Номер

Розділ

Статті