Показать по автору "Саливончик, Ю. Н."

Сейчас показывают 1 - 2 из 2
  • Эскиз недоступен
    Элемент
  • Эскиз недоступен
    Элемент
    Нейросетевой подход к классификации технического состояния зубчатых передач в составе многовальных приводов на основе анализа акустического сигнала
    (БарГУ, 2025) Парфиевич, А. Н.; Сокол, В. А.; Саливончик, Ю. Н.; Parfievich, A. N.; Sokol, V. A.; Salivonchik, Yu. N.
    В статье представлен нейросетевой подход к диагностике состояния зубчатых передач в составе многовальных приводов на основе анализа акустического сигнала. Предложена комплексная система, объединяющая аппаратно-программный комплекс для регистрации и обработки акустических сигналов и многослойную нейронную сеть с элементами самоорганизующейся карты Кохонена для классификации состояний. В ходе экспериментов исследовались пять состояний зубчатого колеса: от эталонного до полного отсутствия зуба, включая промежуточные дефекты (25 % длины зуба отсутствует, 50 % длины зуба отсутствует, 75 % длины зуба отсутствует). Для каждого состояния проведено по 25 измерений, сформирован обучающий набор из 125 примеров с 60 диагностическими признаками, извлеченными из спектра сигнала. Признаки включают амплитуды низкочастотных составляющих, кратных частоте вращения валов, частот зацепления и их боковых полос. Сеть была обучена с использованием размеченных данных, а её архитектура позволила эффективно кластеризовать и классифицировать состояния. Экспериментальные результаты показали высокую общую точность классификации - 92,2 %. Наилучшие результаты достигнуты для промежуточных дефектов (100 %), несколько ниже - для эталонного состояния и полного отсутствия зуба. Выявлено, что недостаточная однородность обучающей выборки для крайних состояний влияет на точность. Работа демонстрирует эффективность применения нейронных сетей с самоорганизацией для автоматизации диагностики, повышения достоверности и оперативности выявления дефектов в сложных механических системах. The article presents a neural network approach to diagnosing the condition of gear pairs within multi-shaft drives based on acoustic signal analysis. A comprehensive system is proposed, combining hardware and software for the registration and processing of acoustic signals with a multi-layer neural network featuring elements of a self-organizing Kohonen map for state classification. During the experiments, five states of the gear were investigated: from the benchmark condition to complete tooth loss, including intermediate defects (25 %, 50 % and 75 % of tooth length missing). For each state, 25 measurements were taken, creating a training set of 125 examples with 60 diagnostic features extracted from the signal spectrum. The features include amplitudes of low-frequency components, multiples of the shaft rotation frequency, engagement frequencies, and their sidebands. The network was trained using labeled data, and its architecture allowed for effective clustering and classification of states. Experimental results showed a high overall classification accuracy of 92.2 %. The best results were achieved for intermediate defects (100 %), while slightly lower accuracy was noted for the benchmark condition and complete tooth loss. It was found that insufficient homogeneity of the training sample for extreme states affects accuracy. This work demonstrates the effectiveness of using self-organizing neural networks for automating diagnostics, enhancing reliability, and improving the promptness of defect detection in complex mechanical systems.