ЭлБиб

46 / 56

44 ХРАНЕНИЕ и ПЕРЕРАБОТКА СЕЛЬХОЗСЫРЬЯ • № 6 • 2015
Нейросетевые технологии в задаче мониторинга
машин комбикормового производства
Ключевые слова
вибрационная диагностика; молотковая дробилка;
нейронные сети; техническая диагностика.
Реферат
Методами технического диагностирования определяют неисправнос-
ти машин во время эксплуатации. Диагностика позволяет оптимизи-
ровать техническое обслуживание оборудования комбикормового
производства, сократить затраты на эксплуатацию. Цель исследова-
ний, проводимых в МГУПП, —повышение точности и эффективнос-
ти методов диагностирования машин путем использования нейрон-
ных сетей для анализа диагностической информации. Исследования
проведены в течение года на комбикормовом заводеОАО«Болшево-
Хлебопродукт» (Московская обл.) для шести молотковых дробилок
А1‑ДМР. Вибрация подшипниковых узлов машин измерялась в вер-
тикальном направлении с помощью прибора «Корсар+» (ПВФ Виб-
роЦентр). Одновременно определялось техническое состояние
машин приборными методами и методом экспертных оценок. Задача
классификации технического состояния машины решена методом
нейросетевого анализа данных в программе «Statistika 6». Исходной
информацией для построения нейронной сети служили значения
амплитуд 1/3 октавного спектра вибрации подшипниковых узлов.
Сеть обучена распознаванию четырех технических состояний —
«норма», «дисбаланс ротора», «дефекты муфты» и «дефекты под-
шипников». В результате исследований найдена лучшая сеть– трех-
слойный персептронМП 7:7‑8‑4:1. Наиболее значимой диагностичес-
кой информацией являются значения амплитуд 1/3 октавного спект-
ра со средними частотами: 315 Гц, 100, 650, 500, 200, 50 и 40 Гц.
Проверка на контрольных выборках показала уровень правильной
классификации 1,000, ошибку обучения 0,000005. Полученная ней-
ронная сеть может использоваться для определения технического
состояния молотковых дробилок А1‑ДМР по значениям амплитуд 1/3
октавного спектра вибрации. Результаты исследований будут исполь-
зованы для создания стационарной системы технической диагности-
ки молотковых дробилок.
Автор
Яблоков Александр Евгеньевич, канд. техн. наук
Московский государственный университет пищевых производств,
125080, Москва, Волоколамское шоссе, д. 11,
Neural Network Technology in the Problem
of Monitoring Machines Formula-feed Production
Key words
vibration diagnostics; hammer crusher; neural networks; technical
diagnostics.
Abstract
Methods of technical diagnostics detects a fault during machine
operation. Diagnostics allows you to optimize the maintenance of
equipment formula-feed production, reduce operating costs. The aim
of research carried out in MGUPP is to increase the accuracy and
efficiency of methods of diagnosing machines. Investigations were
carried out during the year to feed mill JSC "Bolshevo-Hleboprod-
ucts" (Moscow Region) for six hammer crushers A1‑DMR. Bearing
vibration in the vertical direction was measured by an instrument in
"Corsair+" (PVF VibroCentre). At the same time was determined the
technical condition of the machine with the help of devices and expert
evaluations. The problem of classification of technical condition of
the machine is solved by a neural network in the program
"Statistiсa 6". Background information for the construction of the net-
work are the amplitudes of 1/3 octave spectrum of vibration of bear-
ing assemblies. Network trained to recognize four technical states —
"hard-working", "rotor unbalance", "clutch defects" and "bearing
defects." A result of researches found the best Network — three-
layer perceptron MP 7: 7‑8‑4: 1. The most important diagnostic infor-
mation are the values of the amplitudes of the 1/3 octave spectrum
with average frequencies: 315 Hz, 100, 650, 500, 200, 50 and 40 Hz.
Checking on the control samples showed levels of correct classifica-
tion of 1.000, an error learning 0.000005. The resulting neural net-
work can be used to determine the technical condition of hammer
mills A1‑DMR amplitude value at 1/3 octave spectrum of vibration.
Research results will be used to create a stationary system of techni-
cal diagnostics hammer crushers.
Authors
Yablokov Alexandr Evgenievich, Candidate of Technical Science
Moscow State University of Food Production
11 Volokolamskoe shosse, Moscow, 125080, Russia,
твенные и технические науки. — 2014. — №1 (69). —
С. 136–138.
3. ГОСТ 13379–2009 Контроль состояния и диагностика
машин. Руководство по интерпретации данных и методам
диагностирования. —М.: Стандартинформ, 2010.
4. Круглов, В. В. Нечеткая логика и искусственные нейрон‑
ные сети/В. В. Круглов, М.И. Дли, Р.Ю. Голубов. — М.:
Физматлит, 2001.
5. Галушкин, А. И. Нейронные сети. Основы теории
/А.И. Галушкин. — М.: Горячая линия — Телеком, 2012.
6. Нейронные сети. STATISTICA Neural Networks: методоло‑
гия и технологии современного анализа данных/под ред.
В.П. Боровикова. — 2‑е изд. перераб. и доп. — М.: Горя‑
чая линия — Телеком, 2008.
plant equipment]. Estestvennye i tekhnicheskie nauki, 2014,
no. 1 (69), pp. 136–138. (In Russ.)
3. GOST 13379–2009 Condition monitoring and diagnostics of
machines. Guide to interpretation of data and methods of
diagnosis. Moscow, Standartinform, 2010.
4. Kruglov V. V., Dli M. I., Golubov R. Yu. Nechetkaya logika i
iskusstvennye neironnye seti [Fuzzy logic and artificial neural
networks]. Moscow, Fizmatlit Publ., 2001.
5. Galushkin A. I. Neironnye seti. Osnovy teorii [Neural networks.
Fundamentals of the theory]. Moscow, Goryachaya liniya —
Telekom, 2012.
6. Borovikov V. P., ed. Neironnye seti. STATISTICA Neural Net-
works: metodologiya i tekhnologii sovremennogo analiza dannykh
[Neural networks. STATISTICA Neural Networks: Methodo­
logy and technology of modern data analysis]. 2nd ed. Moscow,
Goryachaya liniya — Telekom, 2008.
Электронная Научная СельскоХозяйственная Библиотека