Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.18522/2311-3103-2024-3-92-98
Ключевые слова: classification, machine learning, Support Vector Machine (SVM) method, Random Forest Classifier (RFC), k-nearest neighbors (KNN), accuracy, bearing, lubrication, классификация, машинное обучение, метод опорных векторов SVM, случайный лес RFC, к-ближайших соседей KNN, точность, подшипник, смазка
Аннотация: Целью данной работы является решение проблемы внеплановых отказов подшипников качения, установленных на промышленном оборудовании, в результате их неправильного обслуживания в процессе эксплуатации. Известно, что до 50% всех внеплановых простоев промышленного оборудования происходит по причине разрушения подшипников. При этом основПоказать полностьюной причиной отказа подшипников являются нарушения режима смазки тел качения: избыточное и недостаточное количество смазочных материалов. Эти причины составляют до 36% от общего числа отказов подшипников. В процессе эксплуатации оборудования выявить и предупредить все проблемы со смазкой подшипников очень сложно, по причине большого разнообразия факторов, влияющих на их возникновение. Поэтому, актуальной задачей для исследования, становится разработка автоматизированной рекомендательной системы для управления сервисным обслуживанием промышленного оборудования, с контролем смазки подшипниковых узлов. В работе рассматривается метод классификации состояний подшипников в зависимости от их диагностических параметров: показателей виброскорости, виброускорения и температуры. С этой целью применяются алгоритмы классического машинного обучения: модели KNN, RandomForestClassifier и SVM. Для каждой модели определяются гиперпараметры, позволяющие достигать максимальных результатов во время обучения. В процессе проведения исследования выполнен анализ влияния каждого из диагностических параметров - признаков на показатели работы модели классификации. Понимание, какой показатель работы подшипника будет наиболее важным, позволит выбирать приборы контроля состояния оборудования на производственном предприятии осознанно, для решения конкретных производственных задач. Разработанный алгоритм позволяет качественно, с 98% точностью, производить оценку состояния смазки подшипников качения и выдавать рекомендации по проведению своевременного сервисного обслуживания оборудования. Модель - классификатор планируется использовать в составе комплекса по контролю за техническим состоянием оборудования, расширяя возможности диагностики: помимо сведений о вероятности отказа оборудования и прогнозных сроках службы, комплекс диагностики, совмещенный с предлагаемой моделью, позволит воздействовать на ходимость подшипников, путем улучшения качества их смазки. The purpose of this work is to solve the problem of unscheduled failures of rolling bearings installed on industrial equipment as a result of their improper maintenance during operation. It is known that up to 50% of all unscheduled downtime of industrial equipment occurs due to bearing failure. In this case, the main reason for bearing failures is violations of the lubrication regime of the rolling elements: excessive and insufficient quantities of lubricants. These reasons account for up to 36% of the total number of bearing failures. During equipment operation, it is very difficult to identify and prevent all problems with bearing lubrication, due to the wide variety of factors influencing their occurrence. Therefore, an urgent task for research is the development of an automated recommendation system for managing the maintenance of industrial equipment, with control of the lubrication of bearing units. The paper discusses a method for classifying the states of bearings depending on their diagnostic parameters: indicators of vibration velocity, vibration acceleration and temperature. For this purpose, classical machine learning algorithms are used: KNN, RandomForestClassifier and SVM models. For each model, hyperparameters are determined to achieve maximum results during training. In the process of conducting the study, an analysis of the influence of each of the diagnostic parameters - signs on the performance of the classification model was carried out. Understanding which indicator of bearing performance will be the most important will allow you to choose equipment condition monitoring devices at a manufacturing enterprise consciously, to solve specific production problems. The developed algorithm allows us to qualitatively, with 98% accuracy, assess the lubrication condition of rolling bearings and issue recommendations for timely maintenance of equipment. The classifier model is planned to be used as part of a complex for monitoring the technical condition of equipment, expanding diagnostic capabilities: in addition to information about the probability of equipment failure and predicted service life, the diagnostic complex, combined with the proposed model, will allow influencing the mileage of bearings by improving the quality of their lubrication.
Журнал: Известия ЮФУ. Технические науки
Выпуск журнала: №3
Номера страниц: 92-98
ISSN журнала: 19999429
Место издания: Таганрог
Издатель: Южный федеральный университет