Вибродиагностика технического состояния машинного оборудования методом обеляющего фильтра

Грушин, Владимир Алексеевич

Вибродиагностика технического состояния машинного оборудования методом обеляющего фильтра тема автореферата и диссертации по механике, 01.02.06 ВАК РФ

Грушин, Владимир Алексеевич АВТОР

кандидата технических наук УЧЕНАЯ СТЕПЕНЬ

Нижний Новгород МЕСТО ЗАЩИТЫ

2006 ГОД ЗАЩИТЫ

01.02.06 КОД ВАК РФ

Диссертация по механике на тему «Вибродиагностика технического состояния машинного оборудования методом обеляющего фильтра»

Автореферат диссертации на тему "Вибродиагностика технического состояния машинного оборудования методом обеляющего фильтра"

(о

На правах рукописи

ГРУШИН Владимир Алексеевич

ВИБРОДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ МАШИННОГО ОБОРУДОВАНИЯ МЕТОДОМ ОБЕЛЯЮЩЕГО ФИЛЬТРА

Специальность: 01. 02. 06 — Динамика, прочность машин, приборов и

аппаратуры

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Нижний Новгород 2006

Работа выполнена в Нижегородском государственном лингвистическом университете им. Н. А. Добролюбова.

Научный руководитель:

Доктор технических наук,

профессор В. В. Савченко

Официальные оппоненты:

Доктор физико-математических

наук Д. Т. Чекмарёв

Кандидат технических наук, доц. А. Н. Дербасов

Ведущая организация: Нижегородский филиал института машиноведения РАН им. А. А. Благонравова.

Защита диссертации состоится 4 октября 2006 г. в 15 часов на заседании диссертационного совета Д212.165.08 при Нижегородском государственном техническом университете по адресу: 603600, г. Н.Новгород, ГСП-41, ул. Минина 24, ауд.1258.

С диссертацией можно ознакомиться в библиотеке Нижегородского государственного технического университета. Автореферат разослан_

Ваш отзыв на автореферат, заверенный печатью, просим направлять на имя учёного секретаря совета.

Учёный секретарь диссертационного совета,

доктор технических наук, профессор ^-^^оно^

А. Н. Попов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Работа сложных машин и механизмов .в промышленности, на транспорте, в повседневной жизни. неразрывно связана с эффектом вибраций, интенсивность и характер которых проявляются разным образом в зависимости от технического состояния оборудования. Поэтому, анализируя вибрации тем или иным методом, можно без вывода оборудования из рабочего режима, т.е. без демонтажа или без разборки, получить достаточно полную и достоверную информацию о его текущем состоянии и зарождающихся в нем неисправностях. Проводя такой анализ периодически, можно, исходя из динамики изменений вибраций во времени, спрогнозировать остаточный рабочий ресурс задолго (недели, месяцы) до выхода оборудования из строя. Своевременное выявление зарождающихся неисправностей и прогноз их развития являются двумя основными задачами технической диагностики.

Существующая концепция вибродиагностики машинного оборудования предполагает решение 2-х взаимосвязанных задач: оценки текущего технического состояния по результатам измерений спектрального состава вибросигнала контролируемого оборудования и прогнозирования его остаточного рабочего ресурса по данным нескольких последовательных виброизмерений. При этом нередко в роли экспертной или решающей системы применяется компьютерная программа, основу которой составляет модуль преобразования Фурье. Проблема состоит в том, что очень часто на практике, за исключением, может быть, стендовых или испытательных систем, результаты

нескольких измерений оказываются несопоставимыми друг с другом ввиду принципиальной неоднородности вибросигналов во времени. Простой пример: система технического обслуживания транспортных средств, где в интервалах между, любыми двумя последовательными циклами технического осмотра (недели и месяцы) практически не удается выдержать стабильными исходные условия и характеристики виброизмерений по каждой конкретной единице подвижного состава. Еще один важный фактор - проблема нестабильности вибрационных характеристик в процессе выработки рабочего ресурса оборудования.

При учете перечисленных факторов формируемая на основе преобразования Фурье база вибродиагностических данных оказывается недостаточно информативной и по этой причине непригодной для анализа и прогнозирования технического состояния контролируемого оборудования. Как результат, сама концепция вибродиагностики не выглядит привлекательной как неспособная привести к сколько-нибудь существенному практическому эффекту. По-видимому, именно этим обстоятельством объясняется тот общеизвестный факт, что подавляющее большинство производственных предприятий как в нашей стране, так и за рубежом, до настоящего времени никак не используют методы вибродиагностики или используют их в очень узких пределах.

- К числу наиболее перспективных направлений исследований в области вибродиагностики, в котором в значительной мере преодолено большинство из перечисленных выше проблем, можно отнести теоретико-информационный подход и критерий минимакса энтропии, принадлежащий проф. В. В. Савченко. В соответствие с данным подходом при анализе вибросигналов применяется универсальная авторегрессионная модеоь (АР-модель) процесса вибраций и метод обеляющего фильтра (МОФ). Благодаря АР-модели удалось одновременно решить как проблему нормирования вибросигналов в процессе диагностики, так и проблему

раннего обнаружения слабых, зарождающихся неисправностей. Представленная диссертация посвящена исследованию возможностей данного подхода в задачах вибродиагностики более высокого уровня и, прежде всего, в задаче идентификации неисправностей.

Целью диссертационной работы является повышение качества обнаружения и идентификации неисправностей в задачах вибродиагностики машинного оборудования на основе метода обеляющего фильтра.

Основные задачи. В процессе достижения цели были поставлены и рассмотрены следующие задачи:

1. Обзор известных методов диагностики неисправностей механизмов и машин на основе спектрального анализа и обоснование метода обеляющего фильтра (МОФ).

2. Разработка алгоритма одновременного обнаружения - оценивания разладки случайного сигнала вибраций на основе МОФ.

3. Исследование алгоритма обнаружения-оценивания разладки вибросигнала и анализ его эффективности.

4. Разработка и исследование компьютерной программы (математической модели) для различения и оценивания неисправностей механизмов и машин на основе МОФ.

Методы исследований. При решении поставленных задач были использованы методы теории вероятностей и математической статистики, теории информации, спектрального анализа, математического моделирования в лабораторных и натурных условиях с применением разработанной по алгоритму обнаружения-оценивания разладки случайного процесса по МОФ компьютерной программы, методы ускоренных стендовых испытаний на усталость и испытаний автомобилей в условиях полигона.

Научная новизна работы состоит в следующих полученных результатах;

1. В обнаружении и идентификации разладки случайного сигнала вибраций методом обеляющего фильтра, дающего однозначный ответ на вопрос о наличии существенного отклонения статистических характеристик вибросигнала.

2. В создании синтезированного алгоритма одновременного обнаружения-оценивания разладки вибросигнала на основе метода обеляющего фильтра, позволяющего одновременно с обнаружением неисправности идентифицировать её, исследовании данного алгоритма и его характеристик с анализом эффективности.

3. В доказательстве применимости алгоритма обнаружения-оценивания разладки вибросигнала к задачам вибродиагностики различных механизмов и машин по коротким выборкам наблюдений, в том числе к диагностике неисправностей, связанных с усталостной долговечностью деталей.

Практическая ценность работы состоит в том, что полученные результаты могут быть использованы для:

1. Анализа и обнаружения разладок случайных процессов и их идентификации как при вибродиагностике неисправностей механизмов и машин, так и в других областях человеческой деятельности - медицинской диагностике, экономике и т. п.

2. Решения задач текущего контроля деталей на производстве в процессе изготовления, испытаний (приёмки), и в составе готового изделия, а также контроля за технологическими процессами, что в конечном итоге приведёт к повышению качества выпускаемых изделий.

3. Оптимизации графиков планово - предупредительного ремонта и технического обслуживания машин и оборудования.

4. Прогнозирования технического состояния механизмов и машин путём выявления зарождающихся неисправностей задолго до выхода их из строя.

5. Экспресс - диагностики и мониторинга машин и механизмов в процессе эксплуатации, без вывода из рабочего режима.

6. Автоматизации процессов диагностики оборудования, работы в автономных системах диагностики (без участия человека).

7. Диагностики в составе интеллектуализированных и интеллектуальных вычислительных систем.

Основные положения, выносимые на защиту:

1. По сравнению с . классическими системами фильтрового спектрального анализа МОФ характеризуется более высоким качеством определения неисправностей за счёт высокой разрешающей способности метода на коротких интервалах стационарности анализируемых сигналов.

2. Благодаря применению МОФ удалось решить задачу раннего обнаружения зарождающихся неисправностей с одновременной идентификацией обнаруженных неисправностей.

3. Диагностика по МОФ основана на авторегрессионной модели процесса вибраций, что при анализе по короткой выборке данных позволяет в конечном итоге минимизировать время анализа и проводить диагностику на обычных ПК в реальном масштабе времени. Это даёт возможность построения автоматизированных вибродиагностических приборов и систем, а также включение, их в цепь обратной связи систем управления разного уровня.

Реализация результатов работы.

Минимума информационного рассогласования (МИР)», и была поддержана грантом № 96-10-2.2-21 «Разработка и внедрение новой технологии технической приемки, осмотра и обслуживания транспортных средств на основе современной техники вибродиагностики неисправностей».

Результаты работы используются в практике испытания рессор и деталей автомобиля на долговечность в УКЭР ОАО «ГАЗ».

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на 12 научно - технических конференциях и симпозиумах разного уровня: Региональной научно — технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ, 1996; Региональной научно - технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ, 1997; Региональной научно - технической конференции, посвященной 50-летию НГТУ». Нижний Новгород: НГТУ, 1997; Научно - технической конференции «Проблемы машиноведения». Нижний Новгород: Нижегородский филиал Института машиноведения РАН, 1997; Научно - технической конференции ФРК. Нижний Новгород: НГТУ, 1997; XXV международной школе - семинаре РАН «Анализ и синтез нелинейных механических колебательных систем». С-Петербург, 1997; Всероссийской школе - семинаре по нелинейным методам исследований. Уфа, 1997; XII симпозиуме «Динамика виброударных систем». Звенигород, 1998; Мини- симпозиуме «Методы теории информации в решении инженерно-физических проблем». Нижегородский филиал Института машиноведения РАН, 1998; 1 Всероссийской научно — технической конференции «Компьютерные технологии в науке, проектировании и производстве». Нижний Новгород: НГТУ, 1999; V Всероссийской научно - технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ, 2000.

Международной научно — технической конференции «Авто НН 02» Нижний Новгород: НГТУ, 2002.

Публикации. Результаты исследований опубликованы в 18 печатных работах: 6 статей в научных журналах и сборниках, 1 авторском свидетельстве, 11 материалах и тезисах докладов, которые доложены на научно-технических конференциях разного уровня:

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка использованных литературных источников из 82 наименований на 8 страницах, оглавления и приложений на 3 страницах. Объём работы - 153 страницы, из них 139 страниц основного текста, который включает в себя 44 рисунка и 5 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, рассмотрены существующие методы вибродиашостики машин и механизмов. Особое внимание уделено спектральным методам, обладающим высокой чувствительностью. Так как процесс вибраций машин является случайным процессом, рассмотрены методы анализа случайных вибросигналов и поставлена задача нахождения разладки или значимых различий в их характеристиках. Показано, что наиболее привлекательной с точки зрения диагностики является авторегрессионная модель вибраций в диагностике динамических систем, а из числа наиболее перспективных методов анализа — вариационный подход, в котором используется критерий минимакса энтропии и дано обобщение информационного критерия максимума энтропии В. В. Савченко. Здесь же рассмотрена идея метода обеляющего фильтр (МОФ), в котором основным диагностическим признаком служит диапазон частот, в котором обнаружена разладка случайного сигнала вибраций, т. е. значимых

изменений вибросигнала до и после возникновения неисправности машинного оборудования.

Определены цель диссертационной работы, решаемые задачи и методы исследований, научная новизна полученных результатов и их практическая ценность. Приведены данные о практическом использовании полученных результатов, апробации и авторских публикациях, структуре, объёме и кратком содержании работы по главам.

В заключениях к главам кратко сформулированы основные результаты и выводы.

В главе 1 рассмотрена задача обнаружения разладки случайного процесса сигнала вибраций, в частности рассмотрена подробно представленная задача при одномодельном подходе как наиболее общая из задач по обнаружению разладки с минимальными априорными данными о входном сигнале. При этом моделью вибросигнала служит гауссовский авторегрессионный случайеый процесс некоторого фиксированного порядка М > 1. Необходимо установить факт изменения статистических свойств наблюдаемого случайного процесса в период между измерениями. В терминах проверки статистических гипотез задача обнаружения разладки состоит в проверке простой гипотезы

Н0: Р=ГЧ(ц,ЛГ„) против сложной альтернативы

Н, : Р = 1Ч(ц,ЛГ),.йГ*ЛГв. Здесь N ( ц, К ) - нормальный закон распределения, заданный п - вектором средних значений ц и ( п х п ) - матрицей автоковариаций К. Очевидно, что исходная матрица параметров 60 = К0, а начиная с момента времени ^ свойства процесса изменяются неизвестным образом: в1 = К.

Поскольку изменение параметра ц не повлечет за собой изменения формы кривой нормального распределения, а приведет лишь к ее сдвигу, в дальнейшем без нарушения общности формулировки задачи примем ц = О,

то есть будем полагать исследуемый процесс центрированным. Критическую область в пространстве исходов R" определим в соответствии с асимптотически оптимальным критерием отношения правдоподобия исходя из правила: : .

ln[suppei(X)/pe0(X)]> с. . (1.1)

Здесь peí (X ) , pGo (X ) - две функции правдоподобия, записанные для гипотез IIо и Hi соответственно; sup(.) обозначает верхнюю границу функционала Pqi(X) на множестве допустимых значений матрицы параметров 0. При этом критический или пороговый уровень с0 = const устанавливается постоянным, традиционно исходя из заданной вероятности ложной тревоги - ошибки первого рода

а(с0) = а = const.

Решение принимается в пользу гипотезы Н), когда значение решающей статистики попадает в критическую область, что соответствует

Л(Х)>Ло ,

где Х0 = Const - некоторый пороговый уровень, однозначно заданный в соответствии с выбранным уровнем значимости - вероятностью отвергнуть пулевую гипотезу, в то время как она верна:

Данные выражения определяют наилучший в смысле критерия отношения правдоподобия (1.1) алгоритм обнаружения разладки случайного сигнала вибраций X по его корреляционным характеристикам.

Предложенное решение поставленной задачи в частотной области предполагает применение линейного фильтра, инверсного формирующему с коэффициентом передачи, пропорциональным выборочной оценке спектральной плотности мощности. Кроме того, для корректного сравнения получаемых по коэффициентам фильтра спектральных оценок порождающий входной сигнал типа «белый шум» нормируется по

дисперсии к некоторому уровню о02 = const. Рассмотрены основные известные варианты критериев оценки эффективности алгоритмов обнаружения разладки и приведён синтез цифрового алгоритма с использованием метода Берга, который позволяет непосредственно получать оценки авторегрессионных параметров K0(jf) (АР-коэффициенты). Алгоритм обнаружения разладки случайного сигнала вибраций X в частотной области при этом будет иметь вид:

<г;2*Ох{/)\К0иЛ[гс1/>Ао ,

— г

или

? GAfil^Ajfi^df^X, , .

где решающая статистика Л1=а^Л0, Gx(f) — выборочная оценка спектральной плотности мощности вибросигнала, сто2 - дисперсия порождающего шума,/- частота.

Здесь . все возможные изменения статистических свойств наблюдаемого случайного процесса X связаны со структурными изменениями формирующего фильтра по сравнению с его исходной моделью К (jf)> что в достаточной мере точно отражает реальный

механизм возникновения разладок.

Показано, что наиболее эффективным в предлагаемом методе является применение фильтра решетчатой структуры, который обладает рядом существенных преимуществ и особенно подходит для адаптивной фильтрации.,

На рис. 1.1 приведён пример возникновения узкополосной разладки вибросигнала'по МОФ с центральной частотой 3600 Гц при проведении виброиспытаний кузова автомобиля ГАЗ-ЗП1 в ОАО «ГАЗ»: кривая 1 -при постановке на стенд, кривая 2 - после четырёх недель испытаний. Причина дефект контактной сварки кузова автомобиля.

Рис. 1

В главе 2 рассмотрена задача распознавания (или идентификации) разладок случайного вибросигнала. Рассмотрен известный алгоритм на базе многоальтернативного распознавания разладки, получивший

впоследствии название метода обеляющего фильтра. Алгоритм реализуется по схеме, состоящей из К обеляющих фильтров, настроенных на соответствующую определённой неисправности сцепку спектральной плотности мощности в паре с измерителем дисперсии на выходе обеляющего фильтра. Решение выдаётся в пользу одной из гипотез неисправности по номеру канала, имеющего минимальную дисперсию. Однако проблема состоит в том, что в задаче диагностики практически невозможно заранее определить точные параметры набора используемых здесь фильтров (по числу различных типов неисправностей). В связи с этим был синтезирован алгоритм одновременного обнаружения-оценивания разладки случайного сигнала вибраций, являющийся квазиоптимальным по отношению к исходному. При этом искомый алгоритм обнаружения-оценивания разладки нормального случайного процесса вибросигнала в 1-м частотном канале будет иметь вид

4(*) = <Ш)/е0Ш>4и- а)

где ^¡(х) — решающая статистика; О0(£) - спектральная оценка опорного сигнала в 1 - ом диапазоне анализа; Ох(£) - спектральная оценка контрольного сигнала в 1 — ом диапазоне анализа; Хо - установленный порог срабатывания. Идентификация неисправности производится по номеру г* канала, в котором обнаружена разладка случайного процесса. При этом порог определяется заданной вероятностью ложной тревоги ао.. Синтезированный алгоритм реализуется по схеме с одним обеляющим фильтром (рис. 2), настроенном на оценку спектральной плотности

Пороговый уровень X

Рис. 2

мощности исправного оборудования (в отсутствие разладки). Частотный диапазон анализа после обеляющего фильтра ОФ разделяется на N каналов полосовыми частотными фильтрами ПФ1 - ПФЛГ. В каждом канале оценивается дисперсия шумового сигнала а2) - а2Л, и после прохождения установленного порога в пороговых устройствах ПУ1 — ПУТУ в решающем

устройстве РУ выносится решение о наличии той или иной диагностируемой неисправности. При этом алгоритм (I) в анализируемом частотном канале приводится к решающей статистике вида

Л,(х)£ / [<7,(/() /(?„(/,)] <Г = =■ Г*.,

Л-1

где £ - £¡.1 - частотный диапазон анализа вибраций; о2 - дисперсия шума на выходе обеляющего фильтра. При условии нормировки по уровню порождающего шума о02 = 1, получаем простой алгоритм обнаружения разладки по схеме рис. 3:

Д о,2 >Л , г = , (2)

где X, — установленный порог срабатывания порогового устройства.

Предложенная схема обработки сигнала менее критична к настройкам обеляющего фильтра и позволяет проводить одновременно обнаружение и оценивание разладки в анализируемом случайном сигнале вибраций, а также диагностировать сложные неисправности механизмов и машин, вызывающие разладку сразу в нескольких частотных каналах. При рассмотрении эффективности исходного и предложенного алгоритмов время обработки по предложенному алгоритму обнаружения-оценивания

разладки примерно в р раз больше (Лг — число частотных каналов, р —

порядок обеляющего фильтра), что можно рассматривать как плату за универсальность предложенного алгоритма. Однако такое увеличение времени обработки не вносит существенных ограничений на условия применения предложенного алгоритма, так как быстродействие современной вычислительной техники (персональных компьютеров) позволяет вести диагностику оборудования в реальном масштабе времени.

Алгоритм (2) более удобен в работе в составе автоматизированных систем диагностики, так как при его реализации не требуется

непосредственного использования спектральных оценок, получаемых по коэффициентам авторегрессии. Алгоритм (1) более нагляден и также использовался при проведении и иллюстрации дальнейших исследований.

В главе 3 приведены результаты экспериментальных исследований предложенного алгоритма обнаружения — оценивания разладки вибросигнала с применением метода математического моделирования и с помощью физического макета — механического редуктора с электроприводом. Так на рис. 3 и рис 4 приведены полученные по результатам исследований семейства кривых обнаружения разладки в зависимости от ее относительной интенсивности яРг=^4р2/2сто2 и различных объемов выборки п =100, п =200 и п =500 при заданной доверительной вероятности ошибки 1-го рода в канале а = 0,1 и а = 0,01. Из графиков видно, что для надежного обнаружения разладки с вероятностью Б = 0,8, относительная интенсивность qp2 должна быть равна 0,17-0,18 при объеме выборки п = 100. При увеличении объема выборки вероятность правильного обнаружения разладки увеличивается.

1,0

0,8 0,6

0,4 0,2

а=0,1

4-1-I-

0,1 0,2 0,3 0,4

Рис. 3

Рис.4

Таким образом, предложенный алгоритм позволяет надежно обнаружить и оценить разладку случайного процесса вибраций на уровне не ниже -10 дБ относительно средней мощности анализируемого процесса.

ГГпи уприиггрини пи^ппум о ^ ЛЯ! плплтщтй »тпоАШ лйичтгч^лиип - 1 - 1---------------------------г*---- - г---—

разладки сокращается до-13 дБ.

При проведении физического эксперимента в конструкцию шестерёнчатого редуктора были внесены неисправности, отображение которых в спектре вибросигнала трудно рассчитать исходя из его конструктивных особенностей. Так незначительное ослабление крепления деталей панели корпуса редуктора проявилось в виде разладки вибросигнала в диапазоне частот 1300 — 1900 Гц, а ослабление крепления подшипников шестерён - в диапазонах 1500-1600 Гц и 3000—3400 Гц.

Полученные результаты исследований подтверждают перспективность метода обеляющего фильтра и использования

предложенного алгоритма для диагностики неисправностей сложных механизмов и машин.

В главе 4 приведены результаты исследований применения метода обеляющего фильтра в диагностике сложного машинного оборудования на примерах диагностики технического состояния колёсно-моторных блоков электропоездов, грузопассажирских лифтов и узлов автомобилей. Зарождение и развитие неисправностей колёсно-моторных блоков электропоездов наблюдалось за 2 — 3 месяца до выхода их из строя, что в конечном итоге позволило оптимизировать график их планово-предупредительного ремонта и значительно снизить количество внеплановых ремонтов, а регулярная еженедельная диагностика лебёдки лифта позволила отследить качество технического обслуживания лифтов механиками.

За время проведения исследований были идентифицированы следующие неисправности, соответствующие разладкам вибросигнала, которые помещены в таблице 1.

Табл. 1

Идентификация неисправностей по результатам диагностики

Неисправности колёсно-моторных блоков электропоездов Неисправности лебёдки пассажирских лифтов

Диапазон частот, Гц Неисправность Диапазон частот, Гц Неисправность

100-200 Обрыв болтов кордовой муфты 1550- 1650 Подшипник червячного вала в районе штурвала

500-600 Износ зубчатой передачи редуктора ' 900- 1000 Износ червячной пары редуктора

1200 - 1300 Неравномерная затяжка болтов редуктора -2100-2200 Состояние смазки редуктора

Предложена методика оценки неисправностей рессор автомобиля, связанных со старением металла рессоры под нагрузкой и экспресс — методика определения ресурса рессор в условиях эксплуатации автомобиля.

По результатам эксперимента была получена эмпирическая формула определения текущей усталости рессоры по коэффициенту к:

к = Л^"',

где - энергия низкочастотной части спектра мощности вибраций рессоры по МОФ, N2 — энергия высокочастотной части того же спектра. По величине коэффициента к определяется оценка величины рабочего ресурса рессоры при эксплуатации автомобиля. Так для рессор автомобиля ГАЗ-3110 начальная величина коэффициента составляет 20 — 50 единиц, а в конце срока эксплуатации доходит до 1100 — 1200 единиц.

В заключении сформулированы основные результаты работы и выводы по результатам исследований.

В приложении к диссертации помещены:

- Акты внеплановых осмотров и вскрытия механизмов лифтов;

- Заключение о применении НИР в практике испытаний рессор автомобиля в УКЭР ОАО «ГАЗ».

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате работы над диссертацией были исследованы функциональные возможности и характеристики нового метода вибродиагностики с применением обеляющего фильтра. Результаты исследований и их практическая реализация позволяют говорить о достижении поставленной цели диссертационной работы, т. е. о повышении качества обнаружения и идентификации неисправностей в

задачах вибродиагностики машинного оборудования. При этом при реализации поставленных задач были получены следующие результаты:

1 Проведён обзор известных методов диагностики неисправностей механизмов и машин на основе спектрального анализа и дано обоснование метода обеляющего фильтра (МОФ).

2 Рассмотрена задача обнаружения разладки случайного процесса (СП) методом обеляющего фильтра, решение которой даёт ответ на вопрос о наличии существенного отклонения статистических характеристик СП вибраций.

3 Разработан новый алгоритм одновременного обнаружения-оценивания разладки случайного процесса вибраций на основе МОФ.

4 Проведено исследование предложенного алгоритма обнаружения-оценивания разладки на модели АР- процесса.

5 Разработана и исследована компьютерная программа для различения и оценивания неисправностей механизмов и машин на основе МОФ.

6 Проведены физические эксперименты по изучению возможностей диагностики неисправностей механизмов и машин с помощью предложенного метода.

7. Рассмотрены примеры применения МОФ для диагностики конкретных видов механизмов и машин, подтверждающие высокую эффективность диагностики с применением этого метода.

На основании полученных результатов можно сделать следующие

выводы:

1. Применение метода обеляющего фильтра (МОФ) в задачах вибродиагностики позволяет надёжно обнаружить неисправности различных' классов механизмов и машин. По сравнению с классическими системами фильтрового спектрального анализа МОФ характеризуется более высоким качеством определения

неисправностей за счёт высокой разрешающей способности метода на коротких интервалах стационарности анализируемых сигналов.

. 2. Благодаря применению МОФ удалось решить задачу раннего обнаружения зарождающихся неисправностей с одновременной идентификацией обнаруженных неисправностей.

3. Диагностика по МОФ основана на авторегрессионной модели процесса вибраций, что при анализе по короткой выборке данных позволяет в конечном итоге минимизировать время анализа и проводить диагностику на обычных ПК в реальном масштабе времени. Это даёт возможность построения автоматизированных вибродиагностических приборов и систем, а также включения их в цепь обратной связи систем управления разного уровня.

4. Именно в авторегрессионной модели вибросигнала и вытекающей из неё идеи нормировки по средней мощности порождающего шума заключается главное преимущество предложенной и исследованной в диссертации системы диагностики: высокая достоверность обнаружения и качество диагностики неисправностей на ранней стадии их зарождения.

5. Наибольший практический эффект от выполненной разработки можно получить в системах и производствах с периодическим техническим обслуживанием и ремонтом оборудования за счёт существенных изменений графика планово - предупредительного ремонта и его оптимизации с учётом обнаружения и диагностики зарождающихся неисправностей.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Грушин В. А., Кротов И.Д., Кусакин А. М., Дашков В. Г., Абрамычев Л. Н., Вязанкин С. Д. Система телемеханики. / АС № 1174958 от 22. 04. 85г., - 4 С.

2. Грушин В. А., Кротов И. Д., Ломакин Д. В., Скрипилёв Н. В. Оценка помехоустойчивости системы передачи телемеханических сигналов. // В сб. «Методы и устройства обработки сигналов в радиотехнических системах». Горький: ГПИ им. А. А. Жданова, 1987. - С. 26-31.

3. Савченко В. В., Акатьев Д. Ю., Грушин В. А. Автоматизированная вибродиагностическая система. // Вестник Верхне-Волжского отделения Академии технологических наук РФ. Серия: Высокие технологии в радиоэлектронике. №1(2). — Нижний Новгород: 1996. - С. 59-62.

4. Савченко В.В., Акатьев Д. Ю., Грушин В. А., Фомичёв Е. А. Автоматизированный виброизмерительный комплекс. // Тезисы докладов региональной научно-технической конференции «Методы и средства измерений физических величин». Н.Новгород: НГТУ, 1996. — С. 74.

5. Акатьев Д. Ю., Грушин В. А., Шкулёв А. А. Моделирование разладки случайного процесса в частотной области. // Тезисы докладов региональной научно-технической конференции, посвященной 50-летию НГТУ. Н.Новгород: НГТУ, 1997.

6. Савченко В.В. , Грушин В. А., Казачек Н. Е. Определение усталостной долговечности рессор по информационному критерию минимакса энтропии. / Тезисы докладов региональной научно-технической конференции «Методы и средства измерений физических величин». Н. Новгород: «Интелсервис», 1997. - С. 99.

7. Савченко В.В., Акатьев Д. Ю., Грушин В. А. Казачек Н. Е., Оценка разладки случайного процесса в частотной области // Обозрение

прикладной и промышленной математики: Тезисы докладов, Т.4, вып.З.

-М.: 1997. -С. 401-402.

8. Савченко В.В., Акатьев Д. Ю., Грушин В. А., Донченко В. К. Обнаружение-оценивание разладки случайного процесса на основе спектрального анализа. // Тезисы докладов научно-технической конференции ФРК. Н.Новгород: НГТУ, 1997.

9. Грушин В. А., Казачек H. Е. Определение усталостной долговечности рессор по методу обеляющего фильтра. // Материалы XXV международной школы-семинара РАН «Анализ и синтез нелинейных механических колебательных систем». Тезисы докладов. - С-Петербург:

1997.

10. Грушин В. А., Казачек H. Е. Определение усталостной долговечности рессор автомобиля по критерию минимакса энтропии. // Тезисы докладов Всероссийской школы-семинара по нелинейным методам исследований. - Уфа: 1997.

11. Грушин В. А., Казачек H. Е. Исследование усталостной долговечности рессор методом адаптивного моделирования // Динамика виброударных (сильно нелинейных) систем: Тезисы докладов на XII симпозиуме. - М.:

1998. - С. 86-87.

12. Грушин В. А., Казачек H. Е. Прогнозирование усталостной долговечности автомобильных рессор с применением метода обеляющего фильтра (сообщение). /Проблемы машиностроения и надёжности машин. № 1, 1998. - С. 107-110.

13. Gruschin V. A., Kazachok N. Е., Investigation of Springs Fatigue Limit of a Car by Adaptable Modellung Method. / The dynamics of vibroimpact (strongly nonlinear) systems: Abstracts in the XII symposium. - M.: 1998. -C. 87-88.

14. Грушин В. A. Обнаружение и идентификация разладки случайного процесса методом обеляющего фильтра. // Тез. докл. 1 Всероссийской

научно-технической конференции «Компьютерные технологии в науке, проектировании и производстве». Ч. 13. - Н.Новгород: НГТУ, 1999. - С.

28.

15. Савченко В. В., Грушин В. А. Распознавание виброакустических сигналов по методу обеляющего фильтра. // Тезисы докладов V Всероссийской научно-технической конференции «Методы и средства измерений физических величин». Ч.З. - Н.Новгород: НГТУ, 2000. - С. 15.

16. Савченко В.В. , Грушин В. А., Казачёк Н. Е. Определение усталостной долговечности рессор по информационному критерию минимакса энтропии. // Проблемы машиностроения и надёжности машин. № 1, 2000. -С. 47-51.

17. Грушин В. А. Обнаружение-оценивание разладки случайного процесса на основе спектрального анализа. // Автометрия, №6, 2000. - С. 117-120.

18. Грушин В.А., Кузьмин H.A. Оценка технического состояния рессор автомобиля. / Материалы международной научно-технической конференции. В сб. АВТО НН 02. Проблемы транспортных и технологических комплексов. - Нижний Новгород: изд-во НГТУ, 2002. -С. 294-296.

Лицензия ПД № 18-0062 от 20.12.2000

—п..

Подписано к печати 22.06.06 Формат 60x90 Тираж 100 экз._Заказ_

Печ.л. 1,5 Цена договорная_

Типография НГЛУ им. Н.А.Добролюбова 603155, Н.Новгород, ул. Минина, 31а

Содержание диссертации автор исследовательской работы: кандидата технических наук, Грушин, Владимир Алексеевич

ВВЕДЕНИЕ

Работа сложных машин и механизмов в промышленности, на транспорте, в повседневной жизни неразрывно связана с эффектом вибраций, интенсивность и характер которых проявляются разным образом в зависимости от технического состояния оборудования. Поэтому, анализируя вибрации тем или иным методом, можно без вывода оборудования из рабочего режима, т.е. без демонтажа или без разборки, получить достаточно полную и достоверную информацию о его текущем состоянии и зарождающихся в нем неисправностях. Проводя такой анализ периодически, можно, исходя из динамики изменений вибраций во времени, спрогнозировать остаточный рабочий ресурс задолго (недели, месяцы) до выхода оборудования из строя. Своевременное выявление зарождающихся неисправностей и прогноз их развития являются двумя основными задачами технической диагностики (ТД)

Существующая концепция вибродиагностики сложного машинного оборудования предполагает решение 2-х взаимосвязанных задач: оценки текущего технического состояния по результатам измерений спектрального состава вибросигнала контролируемого оборудования и прогнозирования его остаточного рабочего ресурса по данным нескольких последовательных виброизмерений [1,53]. При этом в роли экспертной или решающей системы применяется компьютерная программа, основу которой составляет модуль быстрого преобразования Фурье (БПФ). Проблема состоит в том, что очень часто на практике, за исключением, может быть, стендовых или испытательных систем, результаты нескольких БПФ оказываются несопоставимыми друг с другом ввиду принципиальной неоднородности вибросигналов во времени. Простой пример: система технического обслуживания транспортных средств, где в интервалах между любыми двумя последовательными циклами технического осмотра (недели и месяцы) практически не удается выдержать стабильными исходные условия и характеристики виброизмерений по каждой конкретной единице подвижного состава. Еще один важный фактор - проблема нестабильности виброхаракгеристик в процессе выработки рабочего ресурса оборудования.

При учете перечисленных факторов формируемая на основе БПФ база вибродиагностических данных оказывается недостаточно информативной и по этой причине непригодной для анализа и прогнозирования технического состояния контролируемого оборудования. Как результат, сама концепция вибродиагностики не выглядит привлекательной как неспособная привести к сколько-нибудь существенному практическому эффекту. По-видимому , именно этим обстоятельством объясняется тот общеизвестный факт , что подавляющее большинство производственных предприятий как в нашей стране, так и за рубежом, до настоящего времени никак не используют методы вибродиагностики или используют их в очень узких пределах.

В настоящее время для исследования динамических явлений и дальнейшей практической реализации результатов исследований широко используются методы моделирования, идентификации, диагностики [2, 3, 80]. Для изучения динамических свойств объектов машиностроения наряду и совместно с аналитическими, широко применяются экспериментальные методы исследования. Создание и дальнейшее развитие приборных средств, электронных вычислительных и управляющих машин и их программного обеспечения позволили качественно изменить подход к изучению и анализу наблюдаемых вибраций как сигналов, возникающих в механических колебательных системах, с позиций теории случайных процессов. Практические вопросы оценивания свойств наблюдаемых вибрационных сигналов и испытуемых колебательных систем являются главными и первоопределяюпщми независимо от используемого метода анализа. К числу основных задач исследований отнесено выявление природы, характера, уровня, частотных свойств, взаимосвязи вибрационных сигналов, а также выявление нелинейных, статистических свойств, основных резонансов, демпфирования, собственных форм колебаний и других характеристик колебательных систем при известном и неизвестном входном воздействии [4].

Для решения задач разработки модели колебательной системы, определения режимов эксплуатации оборудования без потери устойчивости, снижения виброактивности и повышения динамического качества машин и механизмов в ряде случаев может оказаться достаточным установление природы колебательного процесса. При этом используется условная классификация колебаний по их природе на свободные, вынужденные, автоколебания и параметрические. Кроме перечисленных выше колебаний возможны также их комбинации.

При анализе сложных физических систем, имеющих большое число степеней свободы и описывающихся дифференциальными уравнениями больших порядков, возникают не только вычислительные трудности, но в большей степени трудности, связанные с невозможностью задания в таких системах точных значений необходимого числа начальных данных. Количественное увеличение степеней свободы системы приводит к появлению статистических закономерностей в описании системы [5].

В общем случае колебательные процессы в машинах и механизмах содержат одновременно как детерминированную, так и случайную компоненту. Различный характер процессов отражает и объясняет принципиально разные особенности физического взаимодействия механических колебаний с другими явлениями и процессами, происходящими в машинах и механизмах. Важность решения задачи по выявлению характера исследуемых колебаний можно пояснить на примере оценивания уровня наблюдаемых колебательных процессов по известному среднему квадрэтическому значению а [б]. Если имеют место детерминированные моногармонические колебания, то соответствующая величина их пикового (амплитудного) значения составит -У2<т, если же измеряемые колебания являются случайным нормальным процессом, то величина их пикового уровня, как это принято считать на практике, будет равна 3<г.

Для выявления характера процесса может использоваться корреляционная функция Щх), полностью затухающая с увеличением времени сдвига при случайном, и продолжающая осциллировать при детерминированном характере процесса. О характере процесса можно судить также на основании анализа его закона распределения. Форма графиков плотности распределения вероятностей значения суммы гармонического и случайного процессов будет определяться величиной отношения амплитуды регулярной составляющей процесса к среднему квадратическому отклонению случайной компоненты, которые принято называть коэффициентом регулярности [7]. Коэффициент регулярности влияет главным образом на положение вершины кривой закона распределения.

Широко применяемый метод огибающей вибросигнала или метод детектирования [80] обладает малой чувствительностью и находит применение для анализа медленно меняющихся процессов - относительных смещений деталей машин, биений, колебаний на частотах вращения ротора двигателя и основных узлов механизмов, дефектов изготовления и монтажа и т. п.

При описании колебательного процесса как функции, изменяющейся во времени, важное значение имеет скорость этого изменения, т. е. частота процесса, которая во многих случаях является более информативной независимой переменной, чем время.

При прямом фильтровом методе получения спектра вибраций для качественного анализа требуется большое количество узкополосных фильтров, обеспечивающих необходимую разрешающую способность при диагностике неисправностей. Кроме того, уменьшение полосы пропускания при фильтрации приводит к увеличению времени анализа входного сигнала [10].

Для преобразования исходной записи процесса из временной формы в частотную используется либо разложение исходного колебательного процесса по различным ортогональным системам функций [8], либо его интегральное преобразование [9].

Выбор наиболее рациональной ортогональной системы функций зависит от цели, преследуемой при разложении исходного сложного сигнала в ряд. Среди разнообразных задач, требующих разложения сложного сигнала, наиболее важными являются: точное разложение на простейшие ортогональные функции и приближенное разложение (апроксимация) сигналов, когда требуется свести к минимуму число членов ряда. При первой постановке задачи наибольшее распространение получила ортогональная система основных тригонометрических функций - синусов и косинусов, т. е. ряд Фурье. Это объясняется в первую очередь тем, что моногармоническое колебание (отдельный член ряда) является простейшим и наиболее распространенным видом колебаний в природе. Моногармоническое колебание - единственная функция времени, сохраняющая свою форму при прохождении колебания через любую линейную систему (с постоянными параметрами). Изменяется лишь амплитуда и фаза колебания. Данное разложение позволяет использовать традиционные методы, подробно разработанные для анализа воздействия гармонических колебаний на линейные системы. В случае приближенного разложения колебаний применяются разнообразные ортогональные системы функций: полиномы Чебышева, Эрмита, Лагерра, Лежандраи др. [10].

Другой способ представления процессов связан с использованием интегральных преобразований. Линейное интегральное преобразование процесса Х(/) в общем виде определяется следующим образом [4]:

Оно переводит непрерывную функцию Д/) в непрерывную функцию Д9). Интегральные преобразования часто применяются тогда, когда функция Д0) по виду проще, чем Х(Г). Его свойства определяются ядром г{и 6).

Интегральные преобразования удобно использовать для записи зависимости выходного процесса от входного, при нахождении огибающих узкополосных сигналов, при определении распределения энергии сигналов по частотам и т. п. Обычно используются интегральные преобразования Фурье, Лапласа, Гильберта.

Получение и изучение индивидуальных частотных компонент называют спектральным (частотным, гармоническим, Фурье) анализом. Оба подхода к представлению колебательных процессов являются равноправными, однако имеют свои особенности.

При разложении в ряд Фурье часть записи колебательного процесса, выбранная для анализа, принимается за период (или за целое число таких периодов), а вся запись предполагается состоящей из повторений этого отрезка в обе стороны от анализируемого интервала. Результирующий спектр -дискретный и соответствует членам разложения в ряд Фурье с частотами, определяемыми через выбранную длительность основного периода. Каждая линия дискретного спектра представляет собой отдельную гармоническую компоненту. Такие условия выполняются только для периодических колебаний.

Интегральное преобразование Фурье предполагает, что процесс имеет нулевые значения вне исследуемого интервала. Результирующий спектр -непрерывный, и его форма соответствует огибающей разложения в ряд Фурье. Интенсивный пик непрерывного спектра может быть обусловлен группой компонент с непрерывными частотами.

Ни одно из предположений - повторяющиеся или нулевые значения вне анализируемого отрезка времени - не является строго коррекшым. В обоих случаях эти предположения приводят к тем большим погрешностям, чем меньше анализируемый отрезок процесса. Оба подхода при спектральном анализе случайных колебаний дают случайный (неустойчивый) спектр, когда нельзя пренебречь его статистической изменчивостью. В этом случае спектральный анализ на основе интегрального преобразования открывает пути получения спектральной плотности исследуемого процесса как статистически достоверной оценки его спектра.

С помощью частотного спектра в системах «ротационная машина -конструкция» можно распознать [79]:

- колебания, обусловленные разбалансировкой ротора. Основная частота в этом случае равна частоте вращения; может присутствовать множество гармоник. Определённые способы обработки сигналов позволяют выделить эти гармоники, т. е. рассчитать составляющие разложения в ряд Фурье колебаний, основная частота которых равна частоте вращения. В этих способах используются сигналы, задающие частоту вращения и вырабатываемые детектором, прикреплённым к ротору;

- колебания, обусловленные зубчатой передачей;

- колебания, вызванные электромагнитными эффектами (100 Гц для машин переменного тока, генерирующих напряжение с частотой 50 Гц);

- колебания, возбуждаемые качением шариков подшипника;

- колебания, связанные с эффектами вихревых следов в жидкостях и газах в турбомапшнах;

- колебания, обусловленные дефектами центровки подшипников ротора;

- колебания креплений, вызванные нестабильностью вращения ротора (их частота обычно лежит в интервале 0,3 - 0,5 Л^, где Ы0 - частота вращения).

В последнее время в задачах исследования процессов модуляции колебаний и выделения комбинационных частот находит применение гомоморфная обработка информации, связанная с определением кепстра процесса [78]. Чтобы получить кепстр процесса х(1), логарифмируется спектральная плотность этого процесса (производится «выбеливание» спектра, уменьшающее разницу его пиковых значений), а затем результат подвергается преобразованию Фурье:

С(г) = ъО{/)со*гф <¡{24) где х - величина, обратно пропорциональная периодичности чередования спектральных составляющих. В полученной функции выделяются максимумы, характеризующие кратные частота в спектре исходного процесса. Абсцисса максимума соответствует величине, обратно пропорциональной расстоянию между кратными гармониками в спектре.

Кепстры способствуют эффективной идентификации местных дефектов и повреждений элементов машин [60]. Кепстры могут использоваться для выделения гармоник, идентификации отдельных семейств гармоник и для изоляции боковых полос, которые часто затрудняют идентификацию или вследствие того, что они расположены близко друг к другу, или потому, что несколько семейств боковых полос представлено вместе. К преимуществам кепстров также относится возможность их применения с целью уменьшения объёма данных, так как семействам боковых полос в спектрах соответствуют дискретные линии в кепстр ах.

Высокой эффективностью выявления характера процесса обладает метод получения его спектральной плотности с различной величиной разрешения по частоте [11]. Если пик на графике спектральной плотности вызван моногармоническим процессом, то ширина этого пика всегда будет равна величине разрешения спектра по частоте, а его высота возрастать прямо пропорционально уменьшению величины разрешения по частоте. Если же пик на спектре обусловлен случайным узкополосным колебательным процессом, то форма графика спектральной плотности, полученная при различном разрешении, не изменится. Спектральная плотность пропорциональна средней мощности процесса, отнесенной к единице частотного диапазона при заданной частоте и, как неслучайная его оценка, является непрерывной функцией частоты. Для классификации случайного процесса относительно произвольного момента времени используется свойство инвариантности статистических характеристик. Все статистические характеристики стационарного случайного процесса инвариантны по отношению к моменту времени и служат удобной моделью реальных процессов, свойства которых достаточно медленно изменяются во времени. Стационарный процесс называют эргодическим, если его статистические характеристики, полученные усреднением по ансамблю, с вероятностью, равной единице, равны тем же характеристикам, полученным усреднением по времени на бесконечно большом интервале наблюдений. При нарушении этого условия колебательный процесс будет неэргодическшл.

Большой класс нестационарных случайных колебательных процессов, у которых хотя бы одна статистическая характеристика зависит от времени, можно представить в виде: Хш (/) + (В .2) где хст (*) - стационарный случайный процесс; Дх(*) - проявившаяся на интервале наблюдения разладка случайного процесса, обусловленная проявлением нестационарности; - неслучайная функция времени, принимающая два значения: = 1 - разладка на интервале наблюдения имеет место, и = 0 - нет разладки, т. е. характеристики случайного процесса на интервале наблюдения не изменились.

Проблема обнаружения разладки случайного процесса впервые была поставлена в ряде основополагающих работ [12 - 15] в конце 50-х годов. К настоящему времени она превратилась в интенсивно развивающееся направление математической статистики, которое находит широкое применение в таких важных областях как геофизика, медицинская и техническая диагностика, контроль технологических процессов, обработка сигналов и т. д.

Строгий качественный подход к задаче скорейшего обнаружения разладки случайного процесса был впервые разработан и изложен в работах А. Н. Ширяева [13,14], в которых были получены оптимальные алгоритмы для нахождения разладки случайного процесса при нарушении его стационарности.

За рубежом впервые эта проблема рассматривалась для случая обнаружения изменения распределения последовательности независимой случайной величины Е. С. Пейджем, К. Кемпом и другими авторами [15 -17].

Задача обнаружения разладки была исследована для скалярного, а затем обобщена на векторный случай, представления сигнала в авторегрессионных (АР) процессах в рамках "одномо дельного" и "двумодельного" подходов [12]. Первый из них не учитывает никакой информации при формировании гипотезы о модели после изменения. При этом подходе необходимо обнаруживать факт значимого отклонения от модели до изменения. "Двумодельный" подход в действительности представляет собой упрощение критерия обобщенного отношения правдоподобия, в котором содержится максимизация по моменту изменения и параметрам модели после изменения. Здесь важна идея сравнения модели, оцененной по "длинному временному окну", соответствующей сигналу до изменения, с моделью, оцененной по "короткому временному окну", соответствующей сигналу после возможного изменения.

Бейрэм [18] развил метод измерения расстояния между моделями и, следовательно, определения меры обнаружимости и различимости разладок различных типов.

В работах Дж. Бокса, Г. Дженкинса [19], И. В. Никифорова [20] были заложены основы автоматического обнаружения разладок во временной области, в частности, при приеме сейсмических сигналов.

В работе А.Г.Тартаковского [21] получены оптимальные байесовские алгоритмы обнаружения-оценивания разладки случайных последовательностей в предположении, что наблюдения независимы как до, так и после разладки, и разладка происходит с вероятностью, меньшей единицы. Приведен пример обнаружения-оценивания гауссовского сигнала с неизвестным моментом появления. Найдены также достаточные статистики в задаче последовательного обнаружения.

В последние годы особый интерес исследователей привлекают нетрадиционные методы обнаружения разладок для многомерных зависимых последовательностей, описываемых следующими параметрическими моделями: авторегрессионной (АР) моделью, моделью скользящего среднего (СС), и комбинированной моделью авторегрессии - скользящего среднего (АР-СС), а также динамико-стохастических моделей, где выходная переменная наблюдается в аддитивном шуме. Объясняется это прежде всего тем, что такие математические модели адекватно описывают наблюдаемые сигналы при анализе вибраций в машиностроении, сейсмограмм в геофизике, электрокардиограмм в медицине ит. д. [12,17,19,22].

При построении АР модели центрированный дискретный процесса Д/), / = 1, 2,. представляется в виде линейной комбинации прошлых значений этого же процесса и некоторого возмущающего члена:

Х1 = Ф,хи + Ф2хи2 +. + ФР х,р+ а,, (В.З) где коэффициенты Ф/, Ф2,., Фр предполагаются неизменными во времени, а последовательность аг имеет нулевое математическое ожидание и конечную дисперсию (Та

Другим типом модели является модель СС, в которой Д/) линейно зависит от конечного числа <? последующих значений последовательности аь т. е.

Х1 - 61аи + в2а^2 +. + вя ан. (В.4)

Для достижения большей гибкости при построении модели для исследуемых процессов целесообразно включать в модель и члены скользящего среднего, и авторегрессионные члены. Это приводит к смешанной АР-СС модели:

Х1 - Ф1хи + Ф2х^2 +. + ФрХ^р = а, - в1а^} + в2а^2 +. + вч ан. (В.5)

В общем случае спектральная плотность для АР-СС модели запишется в следующем виде:

0(П = М<Т где Д/ - интервал дискретизации. При этом коэффициенты АР-части модели позволяют достаточно полно и точно описать пики спектра, а С С-части -впадины спектра.

Было разработано также множество других подходов к задаче нахождения разладки и диагностики динамических систем. Так, в работе Ч. М. Гаджиева [23] рассматривается задача диагностирования динамических систем по обновляющей последовательности фильтра Калмана. Бурно продолжают развиваться исследования этого вопроса в частотной области, в частности, по коротким выборкам наблюдений. Задача нахождения разладок в частотной области подробно рассмотрена и получила дальнейшее развитие в работах В. В. Савченко [24 - 27].

Для построения модели может быть использован информационный \ принцип, в частности, максимизация энтропии процесса, для которого известны отдельные значения корреляционной функции. Такой подход приводит к построению АР-модели Л/-го порядка, коэффициенты которой могут быть определены одним из известных способов [22]. В работе [25] из числа наиболее перспективных методов спектрального анализа рассмотрен вариационный подход, в котором выведен критерии минимакса энтропии и дано обобщение информационного критерия максимума энтропии. Полученные результаты являются обобщением на многомерный случай выводов ранее проведенного исследования [26, 27] по обоснованию ) вариационного принципа минимакса энтропии для задач спектрального анализа. Вместе с тем, они вполне согласуются с рядом существующих результатов в области многомерного анализа [28]. Tai; одноканальный вариант предложенной оценки А», = О, для всех т <N, ( где {Ä™} -совокупность множителей Лагранжа, N - объем выборки наблюдений) даёт известную оценку спектра по методу линейного предсказания. При Я = o„'2/N имеем оценку максимального правдоподобия.

Представляет интерес попытка создания строгой концепции оптимальных выводов по спектральным характеристикам случайных сигналов на основе универсального теоретико-информационного подхода [29]. Общий подход к указанной проблеме изложен в работах В. В. Савченко [30, 31], в которых поставлена и решена задача оптимального многоальтернативного различения случайных гауссовских сигналов конечного объема N на основе предварительного оценивания по выборке их спектральных плотностей мощности. Идеи работ [24 - 31] получили свое дальнейшее развитие в предлагаемом ниже методе обеляющего фильтра (МОФ) применительно к задаче вибродиагностики технического состояния машинного оборудования. Согласно МОФ основным диагностическим признаком служит диапазон частот, в котором обнаружена разладка случайного процесса вибраций, т. е. значимых изменений процесса до и после возникновения неисправности машинного оборудования.

Основой метода служит идея декорреляции (автокомпенсации) случайного процесса вибраций путём вычитания регулярных составляющих источника по модели этого источника, получившей название компенсационной модели. При идентичности входного процесса и компенсационной модели с выхода устройства снимается нескомпенсированный остаток входного процесса в виде «белого» шума с дисперсией CF2«**, иногда называемым порождающим шумом. Рассмотрим работу декоррелягора на примере функциональной схемы, представленной на рис. В.1. Здесь U0(t) - комплексная огибающая входного процесса; Uk(t) - комплексная огибающая модели входного сигнала (компенсационная составляющая); W(t) - выходная переменная вычислительного устройства В У (весовые коэффициенты); и(0 -комплексная огибающая выходного процесса. и(1)=и0(1) + \У(1)ик(1) (В .7) ик(О = схи0(1) (В.8) и(0 = и0(1) + W(t) а и0(0 = и0(О (1 + а \У(1)), где а=0(9)ехрВ1))(е)],

Рис.В.

0(0) - масштабный коэффициент, г}>(8) - разность фаз основного и компенсационного каналов.

Считаем, что произведение ширины спектра сигнала и0(0 и временного сдвига сигнала ик(1) много меньше единицы и моделью (В.8) не учитывается. Не будем учитывать также фильтрующие свойства основного и компенсационного каналов, считая их линейными и идентичными. Их включение в систему не вызывает существенного изменения процесса компенсации.

При полной компенсации источника случайного процесса (СП) на выходе схемы будет наблюдаться процесс и(1) в виде «белого» шума со спектральной интенсивностью —> 0 (т. н. некомпенсированный остаток), поэтому вектор весовых коэффициентов ЧУ© можно наши из решения уравнения и0(1) + ^У(Оик(1) =0. При этом = -1/ а = СЧв) ехр О ф(0)] (В .9)

- оптимальный вектор весовых коэффициентов.

Параметр 6 для основного и компенсационного каналов должен совпадать

0О=0ю иначе мы не получим полной компенсации на выходе схемы. Поскольку в0 заранее неизвестно, то система сама должна вести поиск оптимального значения вектора весовых коэффициентов т. е. система должна быть адаптивной и автоматически поддерживать оптимальный режим своего функционирования в непредсказуемо изменяющихся условиях. В задачах радиолокации такие устройства, использующиеся в частности для защиты импульсных РЛС от непрерывной помехи, направление на источник которой не совпадает с направлением на обнаруженную цель, получили название автокомпенсаторов [32 - 34].

Свойство самонастройки системы создаётся путём введения в её состав вычислительного устройства (В У), которое вырабатывает оптимальный вектор весовых коэффициентов W(t). Случайность входного процесса и собственных шумов системы порождают необходимость применять статистические критерии оптимальности [35] работы устройства настройки весовых коэффициентов и алгоритмов работа В У. В качестве признака оптимальности можно принять факт достижения минимума дисперсии выходного процесса и© [32].

Задача синтеза модели самонастройки состоит в отыскании такой зависимости величины от величин и и и» которая бы обеспечила в , стационарном режиме достижение минимума математического ожидания квадрата модуля комплексной огибающей выходного процесса М (| U(t)21). Представив весовой коэффициент двумя квадратурными составляющими

W(t) = wc(t)+jw5(t), (В .10) будем рассматривать введённый показатель качества работы автокомпенсатора функцией этих переменных

M(|U(t)2|) = f[wc(t),w,(t)]. (В.11)

Он может быть представлен в виде поверхности в трёхмерном пространстве, имеющей один минимум в точке с координатами Woc и Wos, являющимися квадратурами оптимального весового коэффициента, рис. В.2.

Рис. В.

Поиск значений Woc и w0, может выполняться одним из известных методов настройки, таких как методы Ньютона и наискорейшего спуска, основанные на оценке градиента и вычислении разности оцениваемых значений рабочей функции, или методом наименьших квадратов, приводящим систему к минимуму рабочей функции [36 ,37], или с помощью других методов.

Для того, чтобы дисперсия выходного процесса автокомпенсатора монотонно уменьшалась во время автонастройки, в любой момент времени должно выполняться неравенство dW( | U(t) |2 /dt < 0.

Полная производная dW/dt = (BM/dwc )/д Wc/at + (dM/dw, )fdwjdt будет постоянно иметь отрицательные значения, если выполняются равенства dwc / dt=- р, ЗМ ( | U(t) 12)ldwc, (В.12) dws/dt=-^aM(|u(t)|2)/aws, (B.i3) где M - символ математического ожидания, ¡l - некоторый положительный коэффициент пропорциональности. Продифференцировав (В. 10) по времени и заменив в полученном выражении производные по формулам (В.12) и (В. 13), получим уравнение dW/dt = -цgradM ( | U |2), (В.14) в котором gradM(|u|)2 = aM(|u|2)/dwc +j ЗМ ( | U12)/dws.

В точке с координатами w0c и Wos выполняется условие grad M ( | U |2) = 0, что ведёт к равенству dW/dt = 0 и прекращению изменений весовых коэффициентов и окончанию настройки системы. Однако уравнение (В. 14) ещё не определяет принципа действия ВУ, т. к. в реальной системе М( | U(t) |2) никогда не известно.

Практический алгоритм работы В У можно получить, заменив математическое ожидание квадрата модуля комплексной огибающей U(t) её статистической оценкой. Простейшей оценкой математического ожидания случайной величины | U(t) |2, не требующей затрат времени на её вычисление, является сама эта величина:

U(t)|2=M(|U(t)|2) + U(t) (В.15) где U(t) - ошибка оценивания, представляющая собой центрированную случайную величину. Заменив M (|U(t)|2) величиной |U(t)|2 в (В. 14) находим уравнение dW/dt = -цgrad |U(t)|\ (В.16) которое должно решать ВУ. Подставив (В.8) и (В. 10) в (В.7) находим следующее равенство: U |2 = | и„ |2 {1+1 а |2 (we +ws )2 +2 ЛфК +ws )] ), которое после подстановки в формулу gradM ( I и | )2=э ( | и 12)/awc + j а ( | и 12)/aws, приводит после элементарных её преобразований к результату с помощью которого уравнение (В. 16) приводится к окончательному виду где ик*(0 - функция, комплексно сопряжённая с . Объединяя последнее уравнение с (В .7) получаем математическую модель процесса самонастройки и(1) = и0(^(1)ик(1), ащгудл=-2р.и(0 ик*(0. (в .17)

Из (В. 17) следует, что весовые коэффициенты не будут изменяться в стационарном режиме только при условии Щ) = 0. В реальной системе это никогда не возможно по причине независимости собственных шумов в основном и компенсационном каналах, а также по причине несоответствия выбранной додели источнику^случайного процесса. Т. е. в установившемся режиме весовые коэффициенты не будут оставаться постоянными, а будут флюктуировать вблизи оптимального значения. Чем меньше дисперсия собственных шумов и больше соответствие выбранной модели источнику случайного процесса, тем меньше дисперсия выходного процесса устройства, т. е. выше степень компенсации процесса на входе системы.

Для исключения возможной флюктуации коэффициентов \У(1) можно провести их усреднение во времени: где N - объём массива коэффициентов Щ/) за время усреднения, к - порядок модели сигнала (количество коэффициентов в схеме).

Настроив таким образом схему автокомпенсатора, получим вектор коэффициентов W(t), соответствующий входному процессу и0(О и применённой нами модели источника случайного процесса и^) с выходным сигналом Щ) в виде белого шума с дисперсией о2^ о » уровень которого будет определяться соответствием применяемой модели и входного процесса.

Полученный вектор коэффициентов автокомпенсатора будем считать оптимальным для и0(О, а дисперсию ст2вьк о - имеющей минимальное значение из всех возможных.

Рассмотренную схему автокомпенсатора можно использовать для определения вектора коэффициентов входного процесса, подключив компенсационный канал также ко входу устройства и настраивая схему на входной процесс, например, по критерию минимума дисперсии шумового остатка на выходе автокомпенсатора. Полученный таким образом вектор коэффициентов будет однозначно соответствовать входному процессу с точностью, определяемой N. и его можно считать моделью входного случайного процесса порядка N. Любое изменение в характеристиках процесса на входе непосредственно найдёт отражение в векторе коэффициентов автокомпенсатора Однако напрямую полученные коэффициенты сравнивать невозможно, поскольку при незначительном изменении случайного процесса на входе устройства вектор коэффициентов в значительной мере перенастраивается [22, 36]. Задачу различения двух случайных процессов в виде нахождения разладки или значимых различий в их характеристиках можно решить перейдя, например, в частотную область [24 - 27], используя сравнение спектральных оценок, полученных по векторам коэффициентов автокомпенсатора.

Идеи работ В. В. Савченко [24 - 31] получили своё дальнейшее развитие в предлагаемом ниже методе обеляющего фильтра применительно к задаче вибродиагностики технического состояния сложного машинного оборудования. В диссертации широко использованы разработанные В. В. Савченко идеи применения спектральных оценок для анализа гауссовских случайных процессов (СП), различения и идентификации СП в частотной области с помощью определения разладки СП от постановки задач, синтеза и анализа до результатов практического применения.

Целью диссертационной работы является повышение качества обнаружения и идентификации неисправностей в задачах вибродиагностики на основе метода обеляющего фильтра.

В процессе достижения цели были поставлены и рассмотрены следующие задачи:

2. Разработка алгоритма одновременного обнаружения - оценивания разладки случайного процесса вибраций на основе МОФ.

3. Исследование алгоритма обнаружения-оценивания разладки случайного процесса и анализ его эффективности.

Научная новизна работы состоит в следующих полученных результатах:

Практическая ценность работы состоит в том, что полученные результаты могут быть использованы для:

2. Решения задач текущего контроля деталей на производстве в процессе изготовления, испытаний (приёмки), и в составе готового изделия, а также контроля технологических процессов, что в конечном итоге приведёт к повышению качества выпускаемых изделий.

4. Прогнозирования технического состояния,механизмов и машин путём выявления зарождающихся неисправностей задолго до выхода их из строя.

7. Диагностики в составе интеллекгуализированных и интеллектуальных вычислительных систем.

Реализация результатов работы.

Диссертационная работа выполнена в рамках открытого плана НИР кафедры Математики и информатики НГЛУ по новому научному направлению «Статистическая обработка сигналов на основе критерия Минимума информационного рассогласования (МИР)», и была поддержана грантом № 96-10-2.2-21 «Разработка и внедрение новой технологии технической приемки, осмотра и обслуживания транспортных средств на основе современной техники вибродиагностики неисправностей».

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на 12 научно - технических конференциях и симпозиумах разного уровня: Региональной научно - технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ. 1996; Региональной научно - технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ. 1997; Региональной научно - технической конференции, посвященной 50-летию НГТУ. ». Нижний Новгород: НГТУ. 1997; Научно - технической конференции «Проблемы машиноведения». Нижний Новгород: Нижегородский филиал Института машиноведения РАН, 1997; Научно -технической конференции ФРК. Нижний Новгород: НГТУ. 1997; XXV международной школе - семинаре РАН «Анализ и синтез нелинейных механических колебательных систем». С-Петербург, 1997; Всероссийской школе - семинаре по нелинейным методам исследований. Уфа, 1997; XII симпозиуме «Динамика виброударных систем». Звенигород, 1998; Мини-симпозиуме «Методы теории информации в решении инженерно-физических проблем». Нижегородский филиал Института машиноведения РАН, 1998; 1 Всероссийской научно - технической конференции «Компьютерные технологии в науке, проектировании и производстве». Нижний Новгород: НГТУ, 1999; V Всероссийской научно - технической конференции «Методы и средства измерений физических величин». Нижний Новгород: НГТУ, 2000; Международной научно - технической конференции «Авто НН 02» Нижний Новгород: НГТУ, 2002.

Публикации. Результаты исследований опубликованы в 18 печатных работах: б статей в научных журналах и сборниках, 1 авторском свидетельстве, 11 материалах и тезисах докладов, которые доложены на научно-технических конференциях разного уровня.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка использованных литературных источников из 82 наименований на 7 страницах, оглавления и приложений на 3 страницах. Объём работы - 151 страница, из них 138 страниц основного текста, который включает в себя 44 рисунка и 5 таблиц.

Краткое содержание работы.

Введение диссертация по механике, на тему "Вибродиагностика технического состояния машинного оборудования методом обеляющего фильтра"

авторских публикациях, структуре, объёме и кратком содержании работы по главам.

В заключениях к главам кратко сформулированы основные результаты и выводы.

В главе 1 рассмотрена задача обнаружения разладки случайного процесса вибраций. Рассмотрена подробно представленная задача при одномодельном подходе как наиболее общая из задач по обнаружению разладки с минимальными априорными данными о входном процессе. Диагностическим признаком при идентификации неисправностей по методу обеляющего фильтра является диапазон частот оценки виброхарактеристики (спектральной оценки), в котором обнаружена разладка случайного процесса вибраций.

Предложенное решение обнаружения разладки в частотной области предполагает применение линейного фильтра, инверсного формирующему с коэффициентом передачи, пропорциональным выборочной оценке спектральной плотности мощности. Кроме того, для корректного сравнения получаемых по коэффициентам фильтра спектральных оценок порождающий процесс типа «белый шум» нормируется по дисперсии к некоторому уровню Оо = const. Рассмотрены основные известные варианты критериев оценки эффективности алгоритмов обнаружения разладки и приведён синтез цифрового алгоритма с использованием метода Берга, который позволяет непосредственно получать оценки авторегрессионных параметров. Показано, что наиболее эффективным в предлагаемом методе является применение фильтра решетчатой структуры, который обладает рядом существенных преимуществ и особенно подходит для адаптивной фильтрации.

В главе 2 рассмотрена задача распознавания (или идентификации) разладок случайного вибропроцесса. Рассмотрен известный алгоритм на базе многоальтернативного распознавания разладки, получивший впоследствии название метода обеляющего фильтра. Принцип алгоритма реализуется по схеме, состоящей из Я обеляющих фильтров, настроенных на соответствующую определённой неисправности оценку спектральной плотности мощности в паре с измерителем дисперсии на выходе обеляющего фильтра. Решение выдаётся в пользу одной из гипотез по номеру канала, имеющего минимальную дисперсию. Однако проблема состоит в том, что в задаче диагностики практически невозможно заранее определить точные параметры набора используемых здесь фильтров (по числу различных типов неисправностей). В связи с этим был синтезирован алгоритм одновременного обнаружения-оценивания разладки случайного процесса вибраций, являющийся квазиоптимальным по отношению к исходному. Он реализуется по схеме с одним обеляющим фильтром, настроенным на оценку спектральной плотности мощности исправного оборудования (в отсутствие разладки). Частотный диапазон анализа после обеляющего фильтра разделяется на N каналов полосовыми частотными фильтрами. В каждом канале оценивается дисперсия шумового сигнала, и после прохождения установленного порога в решающем устройстве выносится решение о наличии той или иной диагностируемой неисправности. Предложенная схема обработки сигнала менее критична к настройкам обеляющего фильтра и позволяет проводить одновременно обнаружение и оценивание разладки в анализируемом случайном процессе, а также диагностировать сложные неисправности, вызывающие разладку сразу в нескольких частотных каналах. При рассмотрении эффективности исходного и предложенного алгоритмов время обработки по предложенному алгоритму обнаружения-оценивания разладки

N1 случайного процесса примерно в р раз больше (¿V - число частотных каналов, р - порядок обеляющего фильтра), что можно рассматривать как плату за универсальность предложенного алгоритма.

В главе 3 приведены результаты экспериментальных исследований предложенного алгоритма обнаружения - оценивания разладки случайного процесса с применением метода математического моделирования и с помощью физического эксперимента. По результатам исследований получены семейства кривых обнаружения разладки в зависимости от ее относительной ч ч ч интенсивности qp =Ц, /2сг0 и различных объемов выборки п =100, п =200 и п =500 при заданной доверительной вероятности ошибки 1-го рода в канале а = 0,1 или а = 0,01.

При проведении физического эксперимента в конструкцию шестерёнчатого редуктора были внесены неисправности, отражение которых в спектре вибросигнала трудно рассчитать исходя из его конструктивных особенностей. Так незначительное ослабление крепления деталей панели корпуса редуктора проявилось в виде разладки вибросигнала в диапазоне частот 1300 - 1900 Гц, а ослабление крепления подшипников шестерён - в диапазонах 1500 -1600 Гц и 3000 - 3400 Гц.

Полученные результаты исследований подтверждают перспективность использования предложенного алгоритма дня диагностики неисправностей сложных механизмов и машин.

В главе 4 приведены результаты исследований применения метода обеляющего фильтра в диагностике сложного машинного оборудования на примерах диагностики технического состояния колёсно-моторных блоков электропоездов, грузопассажирских лифтов и узлов автомобилей. Так зарождение и развитие неисправностей колёсно-моторных блоков электропоездов наблюдалось за 2 - 3 месяца до выхода их из строя, что в конечном итоге позволило оптимизировать график планово-предупредительного ремонта КМБ и значительно снизить количество их внеплановых ремонтов, а регулярная еженедельная диагностика лебёдки лифта позволила отследить качество технического обслуживания лифтов механиками.

Предложена методика оценки неисправностей рессор автомобиля, связанных со старением металла рессоры под нагрузкой и экспресс - методика определения ресурса рессор в условиях эксплуатации автомобиля.

По результатам эксперимента была получена эмпирическая формула определения текущей усталости рессоры по коэффициенту к. где N1 - энергия низкочастотной части спектра мощности вибраций рессоры по МОФ, N2 - энергия высокочастотной части того же спектра. По величине коэффициента к надёжно определяется величина рабочего ресурса рессоры при эксплуатации автомобиля. Так для рессор автомобиля ГАЗ-3110 начальная величина коэффициента составляет 20 - 50 единиц, а в конце срока эксплуатации доходит до 1100 - 1200 единиц.

В заключении сформулированы основные результаты работа и выводы по результатам исследований.

В конце диссертации помещены список использованной литературы и оглавление диссертации.

В приложении к диссертации даны:

- Акты внеплановых осмотров и вскрытия механизмов лифтов;

- Заключение о применении НИР в практике испытаний рессор автомобиля в УКЭР ОАО «ГАЗ».

Заключение диссертации по теме "Динамика, прочность машин, приборов и аппаратуры"

ЗАКЛЮЧЕНИЕ

В результате работы над диссертацией были исследованы функциональные возможности и характеристики нового метода вибродиагностики с применением нового метода спектрального анализа -метода обеляющего фильтра. Результаты исследований и их практическая реализация позволяют говорить о достижении поставленной цели диссертационной работы, т. е. о повышении качества обнаружения и идентификации неисправностей в задачах вибродиагностики сложного машинного оборудования. При этом при реализации поставленных задач были получены следующие результаты:

1. Проведён обзор известных методов диагностики неисправностей механизмов и машин на основе, спектрального анализа и обоснование метода обеляющего фильтра (МОФ).

2. Проведён анализ задачи обнаружения разладки случайного процесса (СП) методом обеляющего фильтра, решение которой однозначно даёт ответ на вопрос о наличии существенного отклонения статистических характеристик случайного процесса.

3. Разработан алгоритм одновременного обнаружения-оценивания разладки случайного процесса вибраций на основе МОФ.

4. Проведено всестороннее исследование предложенного алгоритма обнаружения-оценивания разладки случайного процесса и анализ его эффективности.

5. Разработана и исследована компьютерная программа (математическая модель) для различения и оценивания неисправностей механизмов и машин на основе МОФ.

6. Проведены физические эксперименты по изучению возможностей диагностики неисправностей механизмов и машин с помощью предложенного метода.

7. Разработана автоматизированная вибродиагностическая система (АВДС) в основе которой лежит алгоритм обнаружения - оценивания разладки случайного процесса вибраций по методу ОФ

8. Рассмотрены варианты применения АВДС для диагностики конкретных видов механизмов и машин, подтверждающие высокую эффективность диагностики с применением метода ОФ.

На основании полученных результатов можно сделать следующие выводы.

1. Применение метода обеляющего фильтра (МОФ) в задачах вибродиагностики позволяет надёжно обнаружить неисправности различных классов механизмов и машин. По сравнению с классическими системами фильтрового спектрального анализа МОФ характеризуется более высоким качеством определения неисправностей за счёт высокой разрешающей способности метода на коротких интервалах стационарности анализируемых сигналов.

3. Диагностика по МОФ основана на авторегрессионной модели процесса вибраций, что при анализе по короткой выборке данных позволяет в конечном итоге минимизировать время анализа и проводить диагностику на обычных Ж в реальном масштабе времени. Это даёт возможность построения автоматизированных вибродиагностических приборов и систем, а также включение их в цепь обратной связи систем управления разного уровня.

4. Именно в авторегрессионной модели вибросигнала и вытекающей из неё идеи его нормировки по средней мощности порождающего шума заключается главное преимущество предложенной и исследованной в диссертации АВДС: высокая достоверность обнаружения и качество диагностики неисправностей на ранней стадии их зарождения.

Полученные в диссертационной работе результаты могут быть использованы для:

2. Решения задач текущего контроля деталей на производстве в процессе изготовления, испытаний (приёмки) и в составе готового изделия, а также контроля технологических процессов, что в конечном итоге приведёт к повышению качества выпускаемых изделий.

3. Оптимизации графиков планово- предупредительного ремонта и технического обслуживания машин и оборудования.

7. Диагностики в составе интеллекту ализированных и интеллектуальных вычислительных систем.

Список источников диссертации и автореферата по механике, кандидата технических наук, Грушин, Владимир Алексеевич, Нижний Новгород

1. Савченко В. В., Акатьев Д. Ю., Груншн В. А Автоматизированная вибродиагностическая система. // Вестник Верхне-Волжского отделения Академии технологических наук РФ. Серия: Высокие технологии в радиоэлектронике. №1(2). Нижний Новгород: 1996, - С. 59-62.

2. Грушин В. А., Захаров А М., Кротов И. Д. Дискретный имитатор радиолокационного сигнала. // Труды ГПИ им. А. А. Жданова. «Некоторые вопросы повышения помехоустойчивости радиотехнических устройств», т. 30, выпуск 16, Горький: 1974, - С. 9-11.

3. Гаскаров Д. В. Интеллектуальные информационные системы. М.: Высшая Школа, 2003.

4. Вибрации в технике. Справочник. М.: Машиностроение, тт.1 - 6, 1978 -1981.

5. Левин Б. Р. Теория случайных процессов и ее применение в радиотехнике. -М.: Советское Радио, 1960.

6. Савченко В. В. Теория вероятностей. Конспект лекций. Нижний Новгород: НГТУ, 1997.

7. Тихонов В. И. Статистическая радиотехника.- М.: Радио и связь, 1982.

8. Задирака В.К. Теория вычисления преобразования Фурье. Киев: Наукова думка, 1983.

9. Коноваленко И.Н., Кузнецов Н.Ю., Шуренков В.М. Случайные процессы. Справочник. Киев: Наукова думка, 1983.

10. Гоноровский И. С. Радиотехнические цепи и сигналы. М.: Советское радио, 1977.

11. П.Бендет Дж., Пирсол А. Измерение и анализ случайных процессов. М.: Мир, 1974.

12. Обнаружение изменения свойств сигналов и динамических систем. / Под ред. М. Бассвиль, А. Банвениста. М.: Мир, 1989.

13. Ширяев А. H. Задача скорейшего обнаружения нарушения стационарного режима. Докл. АН СССР. т. 138, №5,1961, С. 1039 -1042.

14. Ширяев А. Н. Некоторые точные формулы в задаче о "разладке". // Теория вероятностей и ее применения, №10, вып. 2, 1965. С. 380 - 385.

15. Page Е. S. A Test for a Change in Occurring at an Unknown Point, ibid, 43,1955, -P. 523-527.

16. Адапгивные системы. IIТИИЭР, т. 64, №8, 1976.

17. Кей С. М. Марпл C.JI. Современные методы спектрального анализа. // ТИИЭР, 69, №11,1981. С. 549.

18. Вaram Y, Information, Consistent Estimation and Dynamic Sistem Identification. Ph. D. Thesis. MIT, Nov. 1976.

19. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление, -М.: Мир, 1974, вып. 1, 2.

20. Никифоров И. В. Последовательное обнаружение изменения свойств временных рядов. -М.: Наука, 1983.

21. Тартаковский А.Г. // Радиотехника и электроника. Т.34, №2,1989. С. 142

22. Марпл СЛ. Цифровой спектральный анализ и его приложения. М.: Мир, 1990.

23. Гаджиев Ч. М. Диагностирование динамических систем по обновляющей последовательности фильтра Калмана. // Автометрия, № 1, 1992. С. 180182.

24. Савченко В. В. Обнаружение и прогнозирование разладки случайного процесса на основе спектрального оценивания. // Автометрия, №2, 1996.

25. Савченко В. В. Вариационный принцип в задаче многоканального спектрального анализа. // Радиоэлектроника, №11,1988.

26. Савченко В.В. Вариационный принцип в задачах спектрального оценивания и имитации мешающих отражений. // Радиотехника и электроника. Т.34, №1, 1989. С. 68.

27. Савченко В.В. Рекуррентный метод параллельного спектрального анализа. // Автоматика и телемеханика. №10,1988. С. 101

28. Маккелан Дж.Х. // ТИИЭР, Т.70, №9,1982. С. 139.

29. Куль бак С. Теория информации и статистика. М.: Наука, 1967.

30. Савченко В.В. Различение случайных сигналов в частотной области. // Радиотехника и электроника. Т.42, №4,1997. С. 478.

31. Савченко В.В. Принцип минимакса энтропии в задаче многомерного спектрального анализа. // Радиотехника и электроника. Т.35, №8, 1990. С. 912

32. Полов К.П. Функциональное моделирование радиотехнических систем и устройств на ЦВМ.-Горький: 1989.

33. Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1981.

34. Обработка сигналов в многоканальных РЛС./Под ред. А.П.Лукошкина. -М.: Радио и связь, 1983.

35. Савченко В. В., Грушин В. А. Актуальные главы высшей математики. Конспект лекций и планы семинарских занятий. Нижний Новгород: НГЛУ им. Н. А. Добролюбова, 2003.

36. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989.

37. Адаптивные фильтры. / Под ред. К.Ф. Н. Коуэна и П. М. Гранта. М.: Мир, 1988.

38. Савченко В. В. Обнаружение разладки случайного процесса по данным последовательных наблюдений. // Вестник Верхне-Волжского отделения Академии технологических наук РФ. Серия: Высокие технологии в радиоэлектронике. №1(2). Нижний Новгород: 1996.

39. Левин Б.Р. Теоретические основы статистической радиотехники. Кн.2. М.: Сов. Радио. 1975.

40. Савченко В. В. Теоретико-информационное обоснование спектральных оценок минимакса энтропии. //Изв. Вузов. Радиофизика. Т. 36, №11,1993.

41. Грушин В. А. Обнаружение-оценивание разладки случайного процесса на основе спектрального анализа. // Автометрия, №6, 2000. С. 117-120.

42. Леман Э. Проверка статистических гипотез. М.: Наука, 1964.

43. Савченко В.В. Адаптивные методы нелинейного спектрального оценивания на основе принципа ММЭ. / Дисс. доктора техн. Наук. г. Н. Новгород: НГТУ, 1993.

44. Пугачёв В. С. Теория вероятностей и математическая статистика. М.: Наука, 1979.

45. Акатьев Д. Ю., Групшн В. А., Шкулёв А. А. Моделирование разладки случайного процесса в частотной области. // Тезисы доклада региональной научно-технической конференции, посвященной 50-летию НГТУ. Н.Новгород: изд-во НГТУ, 1997.

46. Берг Дж., Люньерг Д. Оценивание ковариационных матриц заданной структуры. // ТИИЭР, т. 70, №9,1982.

47. Обнаружение-оценивание разладки случайного процесса на основе спектрального анализа. / Савченко В.В., Акатьев Д. Ю., Групшн В. А, Донченко В. К.: тез. докл. науч.-техн. конф. ФРК. Н.Новгород: изд-во НГТУ, 1997.

48. Савченко В.В. Тестирование спектральных оценок по выборке. // Радиофизика. Изв. Вузов, т. 40, №4,1997.

49. Трояновский В.М. Информационно-управляющие системы и прикладная теория случайных процессов. М.: «Гелиос АРВ», 2004.

50. Грушин В. А. Обнаружение и идентификация разладки случайного процесса методом обеляющего филыра. //«Компьютерные технологии в науке, проектировании и производстве»: тез. докл. 1 Всерос. науч.-техн. конф. Ч. 13. -Н.Новгород: изд-воНГТУ, 1999.-С. 28.

51. Добрынин С.А. и др. Методы автоматизированного исследования вибраций машин. М.: "Машиностроение", 1987.

52. Савченко В.В. Автоматизированная вибродиагностическая система. Основы теории. Нижний Новгород: изд-во НГТУ, 1995.

53. ЛИ.Рожков. Контроль и коммутация оборудования в системах передачи данных. М.: CP, 1979.

54. Книга повреждений и неисправностей локомотивов, моторвагонного подвижного состава и их оборудования. Нижний Новгород: Локомотивное депо Горький - Московский, 1995 - 1996.

55. Акатьев Д. Ю., Грушин В. А. "Исследование изменений в техническом состоянии редуктора, проявляющихся в виде неисправностей в узлах кордовой муфты колесно-моторного блока железнодорожного вагона". Отчёт по НИР. Н. Новгород: НГТУ, 1996.

56. Аппаратура для акустики, электроакустики, виброметрии, фотометрии, исследований тепловых условий и газов, анализа сигналов и медицинскойдиагностики. Краткий каталог 1989/1990. Брюль и Къер. Нзрум, Дания. 1989.

57. Савченко В.В. , Груншн В. А. Применение метода мишшакса энтропии в диагностике технического состояния механизмов грузопассажирских лифтов. Отчёт по НИР. Н. Новгород: НГТУ, 1996.

58. Каталог деталей и сборочных единиц на пассажирские лифты с автоматическими раздвижными дверями г/п 320 кг со скоростью движения кабины до 0,71 м/с. М.: МЖКХ РСФСР, 1989.

59. Груншн В. А., Кротов И.Д., Кусакин А. М., Лашков В. Г., Абрамычев Л. Н., Вязанкин С. Д. Система телемеханики. / АС № 1174958 от 22.04.85г.

60. Савченко В.В., Акатьев Д.Ю., Коспонпн А.Н. Экспериментальное исследование метода минимакса энтропии. / Радиоэлектроника, № 1,1991.

61. Грушин В. А., Казачёк Н. Е. Метод ММЭ в оценке усталости рессор автомобиля. Отчёт по НИР. / НГТУ Инв. № 0298.0003013, № Гос. Регистрации 0198.0003413. -Н. Новгород: 1998, - 18 С.

62. Савченко В.В. , Грушин В. А., Казачёк Н. Е. Определение усталостной долговечности рессор по информационному критерию минимакса энтропии. // Проблемы машиностроения и надёжности машин. № 1, 2000, С. 47-51:

63. Грушин В. А., Казачёк Н. Е. Прогнозирование усталостной долговечности автомобильных рессор с применением метода обеляющего фильтра (сообщение). //Проблемы) машиностроения и надёжности машин. № 1, 1998. -С. 107-110.

64. Казачек Н.Е. Оценка усталостной долговечности рессор автомобиля с учётом фреттинг-износа. Диссертация на соискание учёной степени кандидата технических наук. Новгород: НГТУ, 2000.

65. Шетулов ДМ. О некоторых поверхностных эффектах при усталости металлов. // Физико-химическая механика материалов. №2,1971.

66. Грушин В. А., Казачёк Н. Е. Определение усталостной долговечности рессор по методу обеляющего фильтра. // «Анализ и синтез нелинейных механических колебательных систем»: тез. докл. XXV международн. школы-семинара РАН. С-Петербург: 1997.

67. Групшн В. А., Казачёк Н. Е. Определение усталостной долговечности рессор автомобиля по критерию минимакса энтропии: тез. докл. Всероссийской школы-семинара по нелинейным методам исследований. Уфа-1997.

68. Gruschin V. A., Kazachok N. Е., Investigation of Springs Fatigue Limit of a Car by Adaptable Modellung Method. / The dynamics of vibroimpact (strongly nonlinear) systems: Abstracts in the XII symposium. M.: 1998. - C. 87-88.

69. Грушин В.А., Кузьмин H.A. Оценка технического состояния рессор автомобиля. / Материалы международн. науч.-техн. конф. В сб. АВТО НН 02. Проблемы транспортных и технологических комплексов. Н. Новгород: изд-во НГТУ, 2002. - С. 294-296.

70. Савченко В. В., Савченко А. В. Принцип минимального информационного рассогласования в задаче распознавания дискретных объектов. // Радиоэлектроника. Изв. вузов. №3, 2005.

71. Савченко В. В. Автоматическое распознавание речи на основе критерия МИР и метода обеляющего фильтра. // Радиоэлектроника. Изв. вузов. №3, 2005.

72. Ф. Э. Багощкий и др. Виброакустическая диагностика зарождающихсядефектов. М.: «Наука», 1984.

73. Ж. Макс Методы и техника обработки сигналов при физическихизмерениях. В 2-х томах. М.: «Мир», 1983.

74. Генкин М. Д., Соколова А. Г. Виброакустическая диагностика машин и механизмов. М.: «Машиностроение», 1987.

75. Оценка разладки случайного процесса в частотной области / Савченко В.В., Акатьев Д. КХ, Грушин В. А. Казачёк Н. Е., // Обозрение прикладной и промьпшгенной математики: тез. докл., Т.4, вып.З. -М.: 1997, С. 401-402.

76. Грушин В. А., Казачёк Н. Е. Исследование усталостной долговечности рессор методом адаптивного моделирования // Динамика виброударных (сильно нелинейных) систем: тез. докл. на XII симпозиуме. М.: 1998, - С. 861. ОГЛАВЛЕНИЕ1. Введение 2

77. Глава 1. Задача обнаружения разладки случайного процесса вибраций

78. Постановка задачи обнаружения разладки вибросигнала 29

79. Метод обеляющего фильтра в задачах диагностики и анализа случайных вибросигналов 36

80. Анализ эффективности обнаружения разладки по методу обеляющег фильтра 41

81. Синтез цифрового алгоритма обработки данных 441. Краткие выводы главы 1 52

82. Глава 2. Задача распознавания (или идентификация) разладок случайного процесса

83. Задача многоальтернативного распознавания разладки54

84. Распознавание (идентификация) разладки случайного процесса на основе алгоритма одновременного обнаружения- оценивания61

85. Анализ эффективности алгоритма обнаружения-оценивания разладки случайного процесса 691. Краткие выводы главы 2 75

86. Глава 3. Экспериментальные исследования

87. Программа эксперимента и математическое моделирование78

88. Проведение лабораторных физических экспериментов 95

89. Краткие выводы главы 3 102

90. Глава 4. Вибродиагностика сложного машинного оборудования с использованием метода обеляющего фильтра

91. Вибро диагностика машинного оборудования 106

92. Диагностика состояния колёсно-моторных блоков электропоездов 110

93. Диагностика технического состояния грузопассажирских лифтов 117

94. Диагностика технического состояния узлов автомобиля 122

95. Краткие выводы главы 4 1321. Заключение 137