Діагностика машин у мехатронних системах: методи аналізу та інтелектуальні технології
DOI:
https://doi.org/10.26906/znp.2025.64.4146Ключові слова:
діагностика машин, мехатронні системи, машинне навчання, CNN, LSTM, обробка сигналів, прогнозування стану, цифрові двійники, вібраційний аналізАнотація
У статті розглянуто сучасні підходи до діагностики машин у складі мехатронних систем із використанням методів обробки сигналів та інтелектуальних технологій машинного навчання. Проаналізовано структуру мехатронних комплексів та визначено їх специфічні особливості, що впливають на формування діагностичних моделей, зокрема високий рівень взаємозалежності між механічними, електронними та програмними компонентами. Обґрунтовано доцільність застосування гібридних діагностичних систем, у яких згорткові нейронні мережі (CNN) використовуються для автоматичного вилучення інформативних ознак із вібраційних та сенсорних даних, а рекурентні мережі типу LSTM забезпечують аналіз часової динаміки процесів та прогнозування деградаційних станів. Запропоновано узагальнену теоретичну модель діагностування, що поєднує спектральні методи попередньої обробки сигналів, багатосенсорну інтеграцію та модулі прогнозування технічного стану. Отримані результати демонструють високу ефективність інтелектуальних алгоритмів у виявленні ранніх ознак несправностей, навіть за умов шумових завад і зміни режимів роботи машин. Розроблений підхід може бути використаний у системах технічного обслуговування на промислових підприємствах для підвищення надійності та продовження ресурсу мехатронних систем.
Посилання
1. Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587. https://doi.org/10.1016/j.ymssp.2019.106587
2. Khan, S., & Yairi, T. (2018). A review on the application of deep learning in system health management. Mechanical Systems and Signal Processing, 107, 241–265. https://doi.org/10.1016/j.ymssp.2017.11.024
3. Janssens, O., Slavkovikj, V., Vervisch, B., Stockman, K., Loccufier, M., Verstockt, S., & Van de Walle, R. (2016). Convolutional neural network based fault detection for rotating machinery. Journal of Sound and Vibration, 377, 331–345. https://doi.org/10.1016/j.jsv.2016.05.027
4. Widodo, A., & Yang, B.-S. (2007). Support vector machine in machine condition monitoring and fault diagnosis. Mechanical Systems and Signal Processing, 21(6), 2560–2574. https://doi.org/10.1016/j.ymssp.2006.12.007
5. Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. https://doi.org/10.1016/j.ymssp.2018.05.050
6. Guo, L., Li, N., Jia, F., Lei, Y., & Lin, J. (2017). A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing, 240, 98–109. https://doi.org/10.1016/j.neucom.2017.02.045
7. Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
8. Zhang, X., Wang, C., & Gao, L. (2022). Digital twin-driven predictive maintenance: A review. Robotics and Computer-Integrated Manufacturing, 73, 102222. https://doi.org/10.1016/j.rcim.2021.102222
9. Barcelos, A. S., & Cardoso, A. J. M. (2021). Current-based bearing fault diagnosis using deep learning algorithms. Energies, 14(9), 2509. https://doi.org/10.3390/en14092509
10. Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157–169. https://doi.org/10.1016/j.jmsy.2018.01.006
11. Kritzinger, W., Karner, M., Traar, G., Henjes, J., & Sihn, W. (2018). Digital Twin in manufacturing: A categorical literature review. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474
12. Lu, Y., Liu, C., Wang, K. I.-K., Huang, H., & Xu, X. (2020). Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 61, 101837. https://doi.org/10.1016/j.rcim.2019.101837
13. Yin, S., Ding, S. X., Xie, X., & Luo, H. (2014). A review on basic data-driven approaches for industrial process monitoring. IEEE Transactions on Industrial Electronics, 61(11), 6418–6428. https://doi.org/10.1109/TIE.2014.2301773
14. Si, X.-S., Wang, W., Hu, C.-H., & Zhou, D.-H. (2011). Remaining useful life estimation – A review on the statistical data driven approaches. European Journal of Operational Research, 213(1), 1–14. https://doi.org/10.1016/j.ejor.2010.11.018
15. Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сергій Орищенко, Віктор Орищенко
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
