45 / 56
43
ХРАНЕНИЕ и ПЕРЕРАБОТКА СЕЛЬХОЗСЫРЬЯ • № 6 • 2015
которомнаходитсямашина с текущимнаборомисходной
информации. В качестве входных переменных заданы
наблюдаемые значения, в качестве выходных—диагнозы.
В результате решения в системе Statistica построено 50
нейронных сетей различных архитектур. Из них отобрано
5 наиболее достоверных сетей, имеющих наименьшую
ошибку. На рис. 2. представлен результат отбора пяти
сетей с наибольшей производительностью и архитектура
лучшей сети — трехслойного персептрона МП 7:7‑8‑4:1,
которая имеет отличную производительность (уровень
правильной классификации 1,000000, ошибка обучения
0,000005).
В табл. 2 приведены наблюдаемые диагнозы (столбец
«Диагноз») и результаты предсказаний, полученные на
контрольных выборках для сетей различных архитектур.
Предсказания, полученные с помощью нейронной сети
МП7:7‑8‑4:1 (столбец «Диагноз 15»), полностьюсовпали
с наблюдаемыми, что подтверждает высокий уровень
надежности распознавания технического состояния
молотковой дробилки.
Анализ чувствительности сети показал, что наиболее
важнымипеременнымидляпостроеннойнейронной сети
являются значения амплитуд 1/3 октавного спектра со
средними частотами: 315 Гц, 100, 650, 500, 200, 50 и 40 Гц
(значения приведены в порядке убывания значимости).
Полученнаянейронная сеть сохраненаиможет исполь‑
зоваться в дальнейшем для решения задачи классифика‑
ции технического состояния молотковых дробилок по
параметрам 1/3 октавного уровня вибрации в диапазоне
частот от 5 до 1000 Гц путем ввода в программу Statistica
новых результатов измерений. Кроме того, на основе
полученной сети сгенерирован программный код на
языкеСи, которыйможно непосредственно использовать
для программирования микроконтроллера при создании
стационарной системы диагностики.
Практическая значимость исследований заключается
в повышении точности и эффективности диагностики
технического состояния машин комбикормового произ‑
водства путем использования новейших методов нели‑
нейного анализа диагностической информации.
Выводы
1. Для повышения достоверности диагнозов в задаче тех‑
нического диагностирования оборудования зернопе‑
рерабатывающегопроизводства целесообразноисполь‑
зовать новые технологии обработки диагностической
информации, в томчисле нейросетевые методыанали‑
за данных.
2. В качестве исходной информации для нейросетевой
системы диагностирования молотковой дробилки
А1‑ДМРпредложено использовать значения амплитуд
1/3 октавного спектра виброскоростиподшипниковых
узлов.
3. В ходе исследований определены наиболее значимые
частотные диапазоны спектра и найдена лучшая ней‑
ронная сеть—трехслойный персептронМП7:7‑8‑4:1.
Сеть с уровнем правильной классификации 1,000 и
ошибкойобучения 0,000005 устанавливает зависимость
между спектральным составом вибрации и типовыми
дефектами дробилки (дисбаланс ротора, дефектыпод‑
шипников, дефект муфты).
4. На основе полученной нейронной сети сгенерирован
программный код, которыйможет использоваться при
создании стационарной системы мониторинга для
молотковых дробилок типа А1‑ДМР.
Рис. 2.
Результат отбора пяти сетей с наибольшей
производительностью и архитектура сети МП 7:7‑8‑4:1
Таблица 2
Наблюдаемые диагнозы и результаты предсказаний
при использовании сетей различных архитектур
R e f e r e n c e s
1. Shirman A., Solov'ev A.
Prakticheskaya diagnostika i monitor-
ing sostoyaniya mekhanicheskogo oborudovaniya
[Practical
diagnosis and monitoring mechanical equipment]. Moscow,
1996.
2. Terekhin
S.Yu., Yablokov A.E. [Vibrodiagnostics of the fodder
Л и т е р а т у р а
1.
Ширман, А.
Практическая диагностика и мониторинг
состояния механического оборудования/А. Ширман,
А. Соловьев. —М., 1996.
2.
Терехин, С.Ю.
Вибродиагностика оборудования комби‑
кормового завода/С.Ю. Терехин, А. Е. Яблоков // Естес‑
Электронная Научная СельскоХозяйственная Библиотека