ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ СПАЙКОВОЙ НЕЙРОННОЙ СЕТИ И МЕТОДА КОНЕЧНЫХ ЭЛЕМЕНТОВ ДЛЯ ДИАГНОСТИКИ РТК
Аннотация
Одной из ключевых параметров любой современной механической системы является её вибрационные и акустические характеристики, оказывающие прямое воздействие на окр у- жающую среду и человека в процессе работы. В связи с этим, актуальной остается задача диагностики вибрационных характеристик различных сложных по структуре механических объектов, к которым можно отнести промышленные робототехнические комплексы. В силу затрудненности возможности проведения диагностирования и экспериментальной отладки новых разрабатываемых механизмов, интересным является вопрос применения современных подходов к решению задачи диагностики, в частности, с применением нейронных сетей и чи с- ленных методов. Целью данной работы стало исследование возможности совместного приме- нения спайковой нейронной сети и метода конечных элементов для оценки вибрационных х а- рактеристик на примере подшипника волнового редуктора. В работе подробно описан алг о- ритм проведения диагностики, включающий в себя этапы разработки как конечно-элементной модели исследуемой механической системы, так и разработки архитектуры нейронной сети. При этом генерация обучающего и контрольного наборов данных для нейронной сети проводи т- ся на упрощенной конечно-элементной модели, имеющей характеристики, аналогичные детали- зированной, что обеспечивается совпадением первых десяти собственных форм сборки. Наборы данных сформированы на основе расчетов численными методами с применением явной схемы интегрирования во времени упрощенной модели редуктора с несколькими типами искусственно привнесенных дефектов, аналогичных проявляющимся в процессе эксплуатации реального по д- шипника. Для анализа частотных характеристик разработана архитектура спайковой нейро н- ной сети, доработанная в дальнейшем на обучающем наборе единичных дефектов. В результа- те исследования определено, что разработанная спайковая нейронная сеть обеспечивает кла с- сификацию данных на контрольной выборке с точностью 85%, что позволяет сделать вывод о применимости предлагаемой методики определения вибросостояния механических систем с совместным использованием нейронных сетей и метода конечных элементов
Список литературы
1. Пархоменко П.П. О технической диагностике. – М.: Знание, 1969. – 90 с.
2. Челомей В.Н. и др. Вибрации в технике. Т. 5. – М.: Машиностроение, 1981. – 496 с.
3. ГОСТ Р ИСО 7919-1-99. Контроль состояния машин по результатам измерений вибрации на
вращающихся валах. Общие требования. – М.: Госстандарт.
4. Masoumi M., Alimohammadi H. An investigation into the vibration of harmonic drive systems // Frontiers
of Mechanical Engineering. – 2013. – Vol. 8. – P. 409-419.
5. Gerike B., Mokrushev A. The Detection of Defects in Rolling Bearings Based on the Analysis of
Vibroacoustic Signal // Proceedings of the 9th China- u ssia Symposium: “Coal in the 21 Century:
Mining, Intelligent Equipment and Environment Protection”. – 2018.
6. Huang D., Zong P., Jingjun G. Defect elimination in torsional harmonic reducer based on harmonic
resonance // Vibroengineering PROCEDIA. – 2019. – Vol. 28. – P. 6.
7. Raviola A., De Martin A., Guida R., Jacazio G., Mauro S., & Sorli M. Harmonic Drive Gear Failures in
Industrial Robots Applications: An Overview // PHM Society European Conference. – 2021. – Vol. 6.
8. Abdeljaber O., Avci O., Kiranyaz S., Gabbouj M., Inman D. Real-Time Vibration-Based Structural
Damage Detection Using One-Dimensional Convolutional Neural Networks // Journal of Sound and
Vibration. – 2016. – Vol. 388. – P. 154-170. – DOI: 10.1016/j.jsv.2016.10.043.
9. Abdeljaber O., Sassi S., Avci O., Kiranyaz S., Ibrahim A., Gabbouj M. Fault Detection and Severity
Identification of Ball Bearings by Online Condition Monitoring // IEEE Transactions on Industrial
Electronics. – 2018. –DOI: 10.1109/TIE.2018.2886789
10. Avci O., Abdeljaber O., Kiranyaz S., Hussein M., Gabbouj M., Inman D. A review of vibration-based
damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning
applications // Mechanical Systems and Signal Processing. – 2021. – Vol. 147.
11. Yang G., Zhong Y., Yang L., Du R. Fault Detection of Harmonic Drive Using Multiscale Convolutional
Neural Network // IEEE Transactions on Instrumentation and Measurement. – 2020.
12. Wang H., Fang K., Li, Jie, Xi, Chaofei. Analysis and experimental study on vibration characteristics of
the RV reducer // Advances in Mechanical Engineering. – 2023.
13. Костюков В.Н., Науменко А.П. Основы виброакустической диагностики и мониторинга машин.
– Омск: ОмГТУ, 2011. – 414 с.
14. Shrestha A., Mahmood A. Review of Deep Learning Algorithms and Architectures // IEEE Access.
– 2019.
15. Calude C.S., Heidari S., Sifakis J. What perceptron neural networks are (not) good for? // Information
Sciences. – 2023. – Vol. 621.
16. Yamazaki K., Vo-Ho V.-K., Bulsara D., Le N. Spiking Neural Networks and Their Applications:
A Review // Brain Sci. – 2022. – Vol. 12.
17. Бахшиев А.В., Демчева А.А. Сегментная спайковая модель нейрона // Известия вузов. ПНД.
– 2022. – Т. 30, № 3. – С. 299-310.
18. Кузьмин М.И., Тамм А.Ю., Прохоренкова И.Г. Разработка методики моделирования зубчатого
зацепления волнового редуктора с применением МКЭ // Экстремальная робототехника. – 2024.
– № 1 (34). – С. 376-386.
19. Корсаков А.М., Астапова Л.А., Бахшиев А.В. Применение сегментной спайковой модели нейро-
на со структурной адаптацией для решения задач классификации // Информатика и автоматиза-
ция. – 2022. – Т. 21, № 3. – P. 493-520.
20. Бахшиев А.В., Корсаков А.М., Астапова Л.А., Станкевич Л.А. Структурная адаптация сегментной
спайковой модели нейрона. – Институт прикладной физики Российской академии наук, 2021.
21. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization // arXiv:1412.6980 [cs]. – arXiv, 2017
