Ученые Южно-Уральского государственного университета разработали новый метод диагностики дефектов подшипников качения, который позволяет значительно повысить точность и увеличить скорость выявления неисправности. Заместитель заведующего научно-исследовательской лаборатории Технической самодиагностики и самоконтроля приборов и систем Владимир Синицын и его молодые коллеги Ольга Ибряева, Виктория Еремеева, Мохаммад Мохаммад из ВШЭКН ЮУрГУ опубликовали этот результат в высокорейтинговом международном журнале Algorithms в начале 2025 года (https://doi.org/10.3390/a18020058 ).
Где только ни применяются подшипники качения – от авиации до станков с ЧПУ. Поэтому так важен бесконтактный способ их диагностики – не только выявления уже имеющихся дефектов, но и профилактики, предупреждения поломок.
С появлением нейросетей и технологий распознавания образов, эти методы стали применяться и к контролю за подшипниками. Акустические сигналы вибрации подшипников проходят первичную обработку, изучается спектр частот, выделяются особенности, а затем нейронная сеть классифицирует признаки и делает вывод о состоянии подшипника.
Для повышения точности данного способа диагностики обычно применяют методы глубокого обучения сложных нейросетей, что требует вычислительных и временных затрат, а также большого объема данных для обучения.
Владимир Синицын и его коллеги из ЮУрГУ предложили перед передачей сигнала нейросети обрабатывать его с помощью алгоритма LPC – линейного предиктивного кодирования. Этот метод известен и применяется в основном для распознавания человеческой речи и её синтеза на компьютере.
Алгоритм LPC легко реализовать. В результате данные, передаваемые нейросети (вектор признаков), получаются не слишком объемными – всего 50 значений. Для его обработки достаточно простой нейросети, без глубокого обучения. Это значительно ускоряет обработку сигнала.
Учёные ЮУрГУ проверили работу нового алгоритма на тестовых наборах данных – и получили практически стопроцентную точность выявления дефектов, а также преимущество в скорости вычислений по сравнению с ранее применявшейся гибридной моделью Hybrid MLP-CNN, использующей сверточные нейронные сети и многослойный перспетрон.
Остап Давыдов