Управление и автоматизированный мониторинг электромеханических систем ленточных конвейеров

В последние годы растет интерес к методам прогнозирования и управления состоянием оборудования, основанным на анализе данных о его работе. Эти методы позволяют выявлять отклонения от номинального режима, определять стадии деградации и прогнозировать остаточный ресурс. Полученные результаты применяются для поддержки решений в рамках прогностического обслуживания, при котором операции по техническому уходу планируются с учетом текущего состояния и особенностей оборудования [1-3].

По сравнению с другими стратегиями технического обслуживания, прогностическое обслуживание позволяет планировать вмешательства в оптимальные сроки, избегая как преждевременных, так и запоздалых действий. Однако его широкое внедрение сдерживается техническими трудностями реализации [4-6].

В данной статье особое внимание уделяется трем ключевым аспектам:

• 1.    Выбор оптимальной модели для прогнозирования;

• 2.    Балансировка между точностью модели, её надежностью и требованиями к вычислительным ресурсам;

• 3.    Обеспечение актуальности модели за счет постоянного обновления на основе данных с физических объектов.

Несмотря на растущую популярность концепции прогностического обслуживания, успешные её внедрения в промышленности пока единичны. Исследователи подчёркивают важность дальнейшего изучения этой области, в частности, вопросов качества данных и выбора подходящих алгоритмов прогнозирования [7-9].

Исследование выполнено на примере упаковочного производства, где изогнутая конвейерная лента используется для автоматизации процессов наполнения и упаковки пластиковых пакетов. Основная цель состояла в снижении числа отказов ленты и предотвращении их возникновения, поскольку остановка оборудования для ремонта приводит к значительным затратам [10-12]. Рассматриваются два основных типа неисправностей: разрыв петель, соединяющих ленту с цепью, и провисание цепи, способное вызвать сбои в раб оте системы [13-15].

ПРОГНОСТИЧЕСКОЕ ОБСЛУЖИВАНИЕ В ПРОМЫШЛЕННЫХ УСЛОВИЯХ

Ключевым этапом реализации прогностического обслуживания является выбор модели прогнозирования. Согласно литературе, выделяют три основных подхода. Первый из них базируется на анализе данных и построении моделей для оценки состояния оборудования. Он не требует глубокого знания физики процесса и отличается низкими вычислительными затратами, но нуждается в большом объёме исторических данных и периодическом обновлении. Этот метод успешно применяется для прогнозирования износа и продления срока службы оборудования, особенно при использовании глубокого обучения для анализа вибраций [16-18].

Второй подход опирается на физические модели, использующие математические методы для оценки состояния системы и прогнозирования отказов. Он требует глубокого понимания процессов и больших вычислительных ресурсов, но менее зависим от объёма данных и позволяет определять трудноизмеримые параметры.

Третий, гибридный подход сочетает физические модели и анализ данных, обеспечивая более точные прогнозы за счёт интеграции разных методов. Часто реализуется на основе цифрового двойника, объединяющего алгоритмы анализа и модели деградации.

На базе этих подходов разработаны системы прогностического обслуживания конвейерных лент, включая решения с интеллектуальными датчиками и ПЛК для контроля вибраций, а также системы с автоматическим переходом в безопасный режим при аномалиях. В отличие от них, предлагаемое решение использует «сырые» данные датчиков для повышения точности прогнозов.

Анализ проблем конвейерных лент показывает, что основные неисправности обычно связаны с вибрационными явлениями, которые могут вызывать серьезные нарушения производственного процесса. Основными причинами вибрации являются:

• .    деформации ленты и колебания скорости движения;

• .    проблемы монтажа и сборки;

• .    провисание приводной цепи;

• .    разрывы соединений между цепью и лентой.

Для решения указанных проблем разработано множество методов, включая системы мониторинга вибраций, формирующие графики обслуживания на основе фактического состояния оборудования. Существующие решения обеспечивают хорошую точность прогнозирования, но требуют глубоких знаний о динамике вибрационных процессов. Предлагаемый подход снижает эти требования: модель автоматически преобразует данные датчиков в диагностическую информацию без необходимости детального анализа вибраций.

Наибольшая эффективность прогностического обслуживания достигается при постоянной синхронизации физических и цифровых моделей с реальными производственными процессами. В этом контексте особый интерес представляет технология цифровых двойников, которая обеспечивает актуальность виртуальной копии оборудования за счёт непрерывного обновления данных и позволяет существенно повысить качество мониторинга и прогнозирования:

• .    Расширения возможностей анализа текущего состояния оборудования

• .    Повышения точности прогнозных моделей

• .    Обеспечения информационной поддержки для планирования обслуживания

• .    Совместное использование физического оборудования и его цифрового двойника создает принципиально новые возможности [19-21] для оптимизации процессов технического обслуживания, существенно повышая точность прогнозов и общую эффективность системы прогностического обслуживания.

Однако внедрение технологии цифровых двойников сопряжено с рядом вызовов [22-24]:

• 1.    Сложности сбора и обработки данных в реальном времени

• 2.    Высокие требования к вычислительным ресурсам

• 3.    Отсутствие универсальных решений для различных типов оборудования

Анализ существующих разработок показывает, что на текущем этапе отсутствуют комплексные решения, полностью соответствующие требованиям мониторинга конвейерных лент [25-27].

МЕТОДОЛОГИЯ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ СОСТОЯНИЕМ ОБОРУДОВАНИЯ

Традиционная методология прогнозирования и управления состоянием оборудования предполагает последовательное выполнение трех ключевых этапов при внедрении системы прогностического обслуживания для конвейерных лент:

• 1.    Этап мониторинга и сбора данных. На данном этапе осуществляется сбор необходимых параметров работы оборудования через систему специализированных датчиков и измерительных приборов. Собранные данные проходят предварительную обработку.

• 2.    Этап диагностики и анализа. На этом этапе выполняется: Оценка степени износа оборудования, выявление текущих и потенциальных неисправностей, анализ динамики деградационных процессов. Для реализации этих задач применяются различные методы - от статистического анализа до сложных алгоритмов машинного обучения, позволяющих прогнозировать момент выхода параметров за допустимые границы.

• 3.    Этап принятия решений. Заключительная фаза предполагает: интерпретацию результатов диагностики, разработку оптимального плана обслуживания, подготовку рекомендаций для персонала

Особое внимание уделяется наглядному представлению информации для операторов и технических специалистов с учетом принципов человеко-машинного взаимодействия. Детальная реализация каждого из этих этапов в рамках конкретного промышленного кейса будет рассмотрена в следующих разделах.

Шаг 1: наблюдение за конвейером с помощью датчиков:

• .    Система мониторинга конвейерной ленты.

• .    Экспериментальная установка включала комплексную систему датчиков, установленных на раме конвейерной ленты. Конфигурация измерительной системы состояла из:

• 1.    Датчиковый комплекс:

• 2.    Схема размещения:

. Пьезоэлектрический микрофон для акустического мониторинга.

. Набор одноосных и трехосных акселерометров.

. Фотоэлектрический датчик положения.

. Три токовых датчика для контроля электропривода.

• .    Датчики были равномерно распределены в 5 контрольных точках вдоль изгиба конвейерной траектории.

Программа испытаний включала моделирование следующих режимов работы:

• .    Нормальный режим (базовое состояние)

• .    Искусственно созданное провисание приводной цепи (1, 2 и 5 мм)

• .    Частичный и полный разъём соединительных элементов (от 1 до 12 петель)

Методика испытаний:

• .    Каждое состояние (кроме нормального) поддерживалось в течение 10 минут

• .    Нормальный режим фиксировался более 200 минут для сбора референсных данных

• .    Частота дискретизации данных составляла 51,2 кГц

• .    Данные записывались в виде минутных сегментов объёмом 588 МБ каждый

Формат данных:

• .    Каждый файл содержал 24 канала данных:

• .    23 канала - показания датчиков

• .    1 виртуальный канал «Error» (0 – норма, 1 – аварийный режим)

Большинство методов цифровой обработки сигналов основано на стратегии «разделяй и властвуй», называемой суперпозицией. При обработке сигнал разделяется на простые компоненты, каждая из которых обрабатывается индивидуально, а результат воссоединяется.

10                   20                   30                   40                   SO            time Tsi

Рис. 1. Суперпозиция, полученная в состоянии номинала (серый) и с одним удаленным контуром (черный)

Современные исследования показывают, что частота поперечных колебаний конвейерных лент обычно не превышает 200 Гц, что теоретически требует частоты дискретизации 400 Гц. В данном исследовании использована повышенная частота 51,2 кГц, обеспечившая высокую детализацию

Рис. 2. Увеличенная суперпозиция, номинальная (серый) и с удаленной петлей (черный)

Рис. 3. Суперпозиция номинального теста, исходного (серый) и повторно дискретизированного 10 000 Гц (черный)

вибрационных процессов, но существенно увеличившая объём данных (до 588 МБ на файл) и вычислительные затраты.

Анализ сигналов акселерометра выявил тонкие различия между номинальным и дефектным режимами, что подтверждает возможность диагностики по вибрационным характеристикам. Для практического применения метода потребовалась разработка процедур снижения объёма данных. Понижающая передискретизация до 10 кГц с использованием линейной интерполяции позволила сократить размер файлов почти в четыре раза без существенной потери информативности (максимальное отклонение амплитуд — не более 1,196).

Предложенный подход обеспечил эффективную обработку телеметрии и создал основу для комплексного анализа сигналов со всех датчиков.

В ходе исследования проводилась поэтапная оптимизация частоты дискретизации вибрационных сигналов конвейерной ленты. Первоначальное снижение частоты с 51 200 Гц до 10 000 Гц (рис. 4) позволило сократить объем данных с 588 МБ до 151 МБ, сохранив при этом ключевые характеристики сигналов. Однако для дальнейшего уменьшения вычислительной нагрузки была опробована более агрессивная передискретизация до 5 000 Гц.

Сравнительный анализ результатов (рис. 5) выявил существенные различия между подходами. При частоте 5 000 Гц, хотя формально соответствующей теореме Найквиста-Шеннона и обеспечивающей уменьшение объема данных до 99,5 МБ, наблюдалась значительная потеря информативности. Графическое представление (рис. 5) демонстрирует, что передискретизированный сигнал (черная кривая) теряет характерные пики и существенно искажает структуру по сравнению с оригиналом

Рис. 4. Суперпозиция исходного канала, соответствующего номинальному тесту (серый), и его повторной выборки на частоте 5000 Гц (черный)

(серая кривая). В отличие от этого, результаты передискретизации до 10 000 Гц (рис. 4) показывают хорошее соответствие исходным данным при приемлемом уменьшении их объема.

На основании проведенного анализа можно сделать вывод, что частота 10 000 Гц представляет собой оптимальный компромисс между необходимостью уменьшения объема данных и сохранением их диагностической ценности. Этот вывод подтверждается визуальным сравнением графиков (рис. 4 и рис. 5), где очевидно, что более высокая частота дискретизации лучше сохраняет ключевые особенности сигналов, важные для последующего анализа и прогнозирования состояния оборудования. Таким образом, для дальнейших исследований была выбрана частота 10 000 Гц как обеспечивающая наилучшее соотношение между производительностью системы мониторинга и точностью получаемых результатов.

Шаг 2: анализ телеметрических данных конвейера с использованием модели машинного обучения. Этот шаг касается идентификации неисправностей во время нормального функционирования конвейерной ленты, используя данные, собранные на шаге 1. В этой связи была разработана модель машинного обучения для мониторинга и прогнозирования состояния конвейерной ленты.

Основные рассматриваемые методы включают:

• 1.    Бинарную классификацию, которая позволяет разделять данные на два предопределенных класса (например, «норма» и «неисправность»). Этот подход отличается относительной простотой реализации, но ограничен в возможностях детализации состояния системы.

• 2.    Многоклассовую классификацию, расширяющую возможности бинарного подхода за счет введения дополнительных классов для более точной дифференциации различных состояний оборудования.

• 3.    Методы регрессии, использующие зависимость между входными параметрами и целевыми переменными для прогнозирования состояния системы. Эти методы особенно полезны при работе с непрерывными параметрами.

• 4.    Обнаружение аномалий – подход, основанный на определении нормального рабочего состояния системы с последующей идентификацией отклонений от этого состояния.

В ходе исследования были протестированы и сравнены несколько конкретных реализаций этих методов:

. Случайный лес (для бинарной классификации)

. Логистическая регрессия

. Линейный метод опорных векторов

. Деревья решений

Как показано на рис. 6, методы различаются по точности и вычислительной эффективности при диагностике конвейерных лент. Наилучший баланс между этими показателями демонстрируют алгоритмы случайного леса и линейного классификатора. Методы на основе рекуррентных нейронных сетей показывают высокую точность, но требуют значительных вычислительных ресурсов [11]. Их детальное изучение планируется в дальнейшем (рис. 7). При решении более сложных задач, та- ких как многоклассовая классификация или оценка степени износа, использование нейросетевых моделей может стать предпочтительным.

ОЦЕНКА И СРАВНЕНИЕ РАЗЛИЧНЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Начальный этап исследования включал обучение различных моделей машинного обучения на комбинированном наборе данных, состоящем из записей нормальной работы и шести типов неисправностей.

Процедура разделения данных выполнялась особым образом: из каждого канала измерений и для каждого рассматриваемого случая случайным образом отбиралось 20 % записей для тестовой выборки. Этот подход гарантировал репрезентативность данных и равномерное представление всех режимов работы в тестовой выборке.

Для комплексной оценки эффективности четырех различных алгоритмов (случайный лес, логистическая регрессия и деревья решений) использовались два ключевых показателя:

• 1.    Кривые рабочих характеристик приемника, наглядно демонстрирующие соотношение между долей истинно положительных и ложноположительных классификаций при различных пороговых значениях.

• 2.    Площадь под ROC-кривой (Receiver Operating Characteristic) - интегральный показатель качества классификации, где значение 1 соответствует идеальному алгоритму

AUC = - [ TPRdF ,                            (1)

где TPR (True Positive Rate) – метрика, которая используется для оценки эффективности моделей бинарной классификации;

Интегральная метрика AUC (Area Under the Curve) (2) отражает вероятность того, что модель ранжирует случайно выбранный положительный пример выше отрицательного. Для идеального классификатора AUC=1, что соответствует полному разделению классов.

Результаты сравнительного анализа представлены на рис. 6, где четко видно, как разные алгоритмы справляются с задачей различения нормального и аварийного режимов работы конвейерной ленты.

Особый интерес представляет сравнение значений AUC для разных методов, которое позволяет количественно оценить их эффективность. Как видно из рис. 5, лучшие алгоритмы достигают значений AUC, близких к 0,9-0,95, что свидетельствует об их высокой пригодности для решения поставленной задачи диагностики.

ROC Curve

00         02         04         06         08 To

False Positive Rate

Рис 5. ROC-кривая для четырех различных разработанных алгоритмов

Кроме того, для более точной оценки четырех разработанных алгоритмов для каждого алгоритма были рассчитаны следующие индексы:

• .    Оценка точности, т. е. процент правильно предсказанных случаев.

• .    Оценка полноты, т. е. процент положительных событий, правильно предсказанных по отношению к общему числу положительных событий, который представляет собой способность модели находить все положительные образцы.

• .    Оценка F1 – средневзвешенное значение точности и полноты, дающее общую оценку алгоритма.

Рассчитанные индексы для четырех алгоритмов, представленные в Таблице 1, выявили лучшую производительность, тем самым подтвердив оценку с использованием индекса AUC.

Таблица 1. Индекс алгоритмов

Индексы	Случайный лес	Логистическая регрессия	Метод опорных векторов	Деревья решений
Оценка точности	0,88	0,74	0,76	0,85
Оценка запоминания	0,89	0,86	0,63	0,84
F1 -оценка	0,88	0,79	0,68	0,84

На основании полученных результатов для продолжения исследования был выбран алгоритм «Случайный лес».

ОЦЕНКА ПРЕДЛАГАЕМОГО РЕШЕНИЯ

Экспериментальные испытания подтвердили эффективность разработанной системы мониторинга на основе цифрового двойника.

На первом этапе тестирования модель демонстрировала стабильную работу при обработке восьми номинальных и шести аварийных сценариев. Как видно на рисунке 7, система корректно идентифицировала 1,4040 6 нормальных режимов и 2,2340⁵ неисправностей, при этом допустив 8,0040⁴ ложных срабатываний и пропустив 1,37^10⁵ аварийных ситуаций. Полученные метрики (точность 0,88, полнота 0,62, F1-мера 0,74) свидетельствуют о надежности системы в условиях разнородных входных данных.

Последующее углубленное тестирование на специализированном наборе данных (рис. 6) выявило улучшение показателей до 0,83 по точности и полноте при идеальном значении F1-меры (1,00). Такой

[27]: evaluatejaodeKiaodel, X_train, y_traii, X_test, y_test)

Precision score: e.7368466245917178

Recall score: 0.618'68962820392

Fl-score: 0.6726653571853891

Accuracy score (test set)- 0.8806821366361334

Рис. 6. Код и результаты для прогнозирования нового файла

[27]: evaluatejaodeKaodel, X_train, y_train, X_test, y_test) Precision score: 0.7368466245917178

Recall score: 0.618768962820392

Fl-score: 0.6726653571853891

Accuracy score (test set); 0.8806821366361334

1еб

good                    bad

Predicted label

Рис 7. Оценка результатов второго теста (входные данные: восемь номинальных файлов и шесть файлов ошибок)

Рис. 8. Оценка результатов третьего теста (входные данные — один файл, соответствующий случаю ошибки)

результат объясняется способностью алгоритма адаптироваться к конкретным типам неисправностей при сохранении стабильности работы.

Ключевым преимуществом системы стала сбалансированность показателей - количество ложных тревог остается экономически оправданным, при этом минимизируется риск пропуска критических неисправностей. Визуализация результатов на (рис. 6 и рис. 7) наглядно демонстрирует превосходство предложенного решения перед традиционными методами мониторинга.

Третий тест направлен на оценку влияния повторной выборки на прогноз. В этом отношении входные данные модели машинного обучения не являются повторно выбранным файлом, соответствующим номинальному прогнозу случая. Результаты, представленные на рис. 8, показывают точность 98 %, что очень высоко, и, таким образом, они демонстрируют превосходное прогнозирование номинальных случаев.

ЗАКЛЮЧЕНИЕ

Экспериментальные испытания подтвердили эффективность разработанной системы мониторинга на основе цифрового двойника. Оценка проводилась по статистике прогнозов, метрикам классификации и матрицам ошибок, что позволило объективно оценить качество модели.

На первом этапе тестирования система корректно идентифицировала номинальные и аварийные сценарии (точность — 0,88, полнота — 0,62, F1-мера — 0,74). При дальнейшем тестировании показатели улучшились до 0,83, 0,83 и 1,00 соответственно, что свидетельствует о способности модели адаптироваться к разным типам неисправностей.

Среднее время прогнозирования составило 56 с при повторной выборке и 241 с без неё, что обеспечивает реализацию прогноза почти в реальном времени. Разработанная модель машинного обучения, интегрированная в цифровой двойник, продемонстрировала высокую точность и надёжность при выявлении неисправностей конвейерной ленты.