Интеллектуальные методы мониторинга состояния и прогнозирования ресурса работы редукторов

Одним из векторов развития современной металлургической промышленности является совершенствование технологического оборудования, направленное на максимальное использование автоматизированных и роботизированных комплексов с применением точных высоконагруженных приводов, обеспечивающих эффективное управление технологическим процессом. Редукторы представляют собой один из наиболее важных элементов современных промышленных систем, основное назначение которых – понижение частоты вращения и, соответственно, повышение вращающего момента ведомого вала по сравнению с ведущим валом [1]. От надежности редукторов напрямую зависит эксплуатационная устойчивость технологических комплексов в таких отраслях, как энергетика, горнодобывающая и металлургическая промышленность, транспорт, авиация, робототехника и оборонная техника.

Работа редукторов в металлургии протекает в условиях значительных нагрузок, вибрационных и температурных воздействий, что предопределяет высокую вероятность возникновения отказов. Нарушение их работоспособности приводит к непредвиденным простоям оборудования, увеличению затрат на техническое обслуживание и ремонт.

При этом традиционные стратегии обслуживания оборудования, планово-предупредительное и реактивное, не обеспечивают оптимального баланса между затратами и надежностью, а также не позволяют на 100 % обеспечить бесперебойную и качественную работу оборудования [2].

На сегодняшний день на производстве к основным методам текущего контроля состояния редуктора относят виброанализ, акустическую диагностику и тепловой контроль.

Виброанализ широко применяется для выявления основных дефектов редукторов: смещение центра масс вращающихся деталей, нарушение соосности валов, погрешности из- готовления зубчатых передач и кинематические погрешности их пересопряжения, износ и изменение геометрии зубчатых пар и ослабление крепежных элементов. Однако на сегодняшний день отсутствует единый диагностический критерий оценки состояния редукторов по параметрам вибрации, который с одинаковым успехом мог быть применен для оценки фактического состояния данного оборудования и использован для построения прогноза технического состояния [3].

Акустическая диагностика позволяет фиксировать шумы и ударные импульсы при зацеплении зубьев. Этот метод удобен для экспресс-контроля, но подвержен влиянию внешних источников звука и требует специальных условий измерений. Важным аспектом является выбор подходящего места для установки источника фиксации звука и других компонентов системы диагностики. Это должно быть место, где уровень фонового шума минимален, что даёт возможность получить наиболее чистый сигнал при работе механизма [4].

Тепловой метод применяется для регистрации локальных перегревов, связанных с недостатком смазки или повышенным трением. Метод информативен на поздних стадиях деградации, но не позволяет выявлять ранние повреждения [5].

Также стоит отметить, что приведенные методы обладают рядом ограничений:

• 1)    упор на текущее состояние оборудования без прогноза остаточного ресурса;

• 2)    зависимость от квалификации персонала, интерпретирующего данные;

• 3)    низкая устойчивость к шумам и изменяющимся условиям эксплуатации.

Таким образом, традиционные подходы нуждаются в дополнении или замене на более интеллектуальные и универсальные методы анализа.

Современное развитие методов искусственного интеллекта (ИИ), машинного обучения (ML) и глубинного обучения (DL) даёт новые возможности для мониторинга состояния редукторов. Эти методы позволяют автоматически выделять информативные признаки из временных рядов и спектральных данных без участия эксперта, выявлять нелинейные зависимости в сложных многомерных процессах и прогнозировать остаточный ресурс (RUL) на основе данных с датчиков.

Цель настоящего исследования заключается в анализе методов мониторинга состояния редукторов и прогнозирования их остаточного ресурса работы с использованием механизмов искусственного интеллекта. В рамках работы предполагается проанализировать современные интеллектуальные подходы, сопоставить точность и эффективность методов контроля, а также определить перспективы применения гибридных систем анализа работы оборудования.

Методы машинного обучения применяются для классификации и прогнозирования технического состояния на основе извлеченных признаков из сигналов вибрации, акустики или тепловых изменений. Среди наиболее эффективных алгоритмов отмечаются опорные векторы (SVM) и случайные леса (Random Forest), демонстрирующие высокую точность при ограниченном объеме данных [6, 7].

Нейросетевые методы используют сверточные и рекуррентные архитектуры. Примерами являются модели MSCNN-LSTM-CBAM-SE [8], применение селективных сверточных сетей (SKN Attention) с переносом обучения [9], а также meta-LSTM для прогноза остаточного ресурса [10]. Эти методы позволяют учитывать нелинейные зависимости в сигналах, обладают высокой устойчивостью к шуму и изменению режимов работы, обеспечивая точность выше 90–99 %.

Гибридные системы объединяют методы обработки сигналов (вариационное модовое разложение, вейвлет-анализ, тепловые признаки) с интеллектуальными классификаторами. Примеры включают комбинацию VMD, энтропийных показателей и LSTM, мульти-сенсорное объединение сигналов с оптимизацией признаков на основе алгоритма гравитационного поиска [11], а также акустическую диагностику с использованием модуляционного биспектрального анализа [12, 13].

Отдельное направление развития составляют цифровые двойники и методы доменной адаптации, позволяющие учитывать вариативность условий эксплуатации, что особенно важно для робототехники и ветроэнергетических установок [14, 15].

Применение интеллектуальных методов подтверждается широким кругом исследований. В работе [16] рассмотрена диагностика цилиндрических редукторов на основе спектральных признаков вибраций, где использование метода опорных векторов позволило достичь точности 99,73 %. В исследовании [8] предложена архитектура MSCNN-LSTM-CBAM-SE для анализа вибрационных сигналов планетарных редукторов, что обеспечило более высокую точность по сравнению с традиционными CNN и LSTM.

Работа [6] показала эффективность гибридного метода, сочетающего вариационное модовое разложение, энтропийные показатели и LSTM, при диагностике планетарных редукторов в условиях шумов и переменных скоростей. В [7] использовался метод SKN Attention совместно с глубоким переносом обучения для распознавания состояний планетарных редукторов, при этом точность достигала 92,9 % даже при изменении условий работы.

Особое внимание уделяется прогнозированию остаточного ресурса. В исследовании [17] применена комбинация meta-LSTM и стохастической модели fGPm, обеспечивающая достоверный прогноз RUL планетарных редукторов.

Для гармонических передач в работе [18] предложен метод на основе мультисенсорного объединения данных с оптимизацией признаков при помощи алгоритма гравитационного поиска и последующей классификацией с использованием SVM. Это позволило существенно повысить точность диагностики по сравнению с методами на основе одного датчика.

Анализ [19] тепловых изменений в сочетании с CNN позволил выявить износ зубчатых колес с точностью свыше 98 %. Акустические методы диагностики получили развитие в исследованиях [4, 20], где применялся модуляционный биспектральный анализ (MSB) и специализированные акустические анализаторы. Эти методы показали эффективность в определении износа зубчатых колес, подшипников и других дефектов в редукторах мотор-колес карьерных самосвалов и цилиндрических редукторах.

В работе [21] представлен анализ отказов гармонических передач в промышленных роботах, где предложены методы FMECA и Fault Tree Analysis для систематизации дефектов, а также рассмотрены перспективы применения цифровых двойников. Сводная информация по современным методам мониторинга состояния редукторов приведена в таблице.

Результаты оценки точности диагностики интеллектуальных методов мониторинга редукторов приведены на рис. 1.

Интеллектуальные методы не являются заменой традиционных, а, скорее, дополняют их. Эффективным решением видится использование гибридного подхода, в котором традиционные методы будут применяться для базового мониторинга и подтверждения данных, а искусственный интеллект позволит проводить углубленный анализ и прогноз остаточного ресурса оборудования.

Преимущества и ограничения современных методов мониторинга состояния редукторов Advantages and limitations of contemporary methods for gearbox condition monitoring

Подход	Объект контроля	Преимущества	Ограничения
ML (SVM, RF)	Вибрация, шум, температура	Работает при ограниченных наборах данных	Требуется ручной отбор признаков
CNN	Вибрация, шум	Автоматическое выделение признаков, точность до 99 %	Требуются большие обучающие выборки
LSTM/GRU	Вибрация	Прогнозирование остаточного ресурса оборудования	Зависимость от количества и объема данных
Attention-механизмы (CBAM, SE, SKN)	Вибрация, температура	Повышение точности и устойчивости, адаптивность к условиям	Вычислительная сложность
Мультисенсорные системы + GSA/SVM	Вибрация, температура	Интеграция сигналов, устранение избыточных признаков, высокая точность в мультиклассовых задачах	Сложность реализации, высокая вычислительная нагрузка
Акустическая диагностика (MSB, спектры)	Шум	Дистанционный контроль, высокая чувствительность к дефектам	Чувствительность к внешним шумам, необходимость фильтрации
Цифровые двойники	Вибрация, температура	Возможность имитации отказов	Высокая стоимость внедрения

Рис. 2. Концептуальная схема многоуровневой системы диагностики

Fig. 2. Conceptual diagram of a multi-level diagnostic system

Таким образом будет обеспечена многоуровневая система диагностики, где первый уровень – это традиционные методы, второй – интеллектуальные алгоритмы, а третий – цифровые двойники и прогнозирование RUL (рис. 2).

З л н

Мониторинг состояния и прогнозирование ресурса редукторов на основе искусственного интеллекта являются стратегическим направлением развития интеллектуального машиностроения. Современные исследования подтверждают, что использование механизмов искусственного интеллекта позволяет перейти от реактивного и планово-предупредительного обслуживания к постоянному контролю состояния оборудования.