Диагностика неисправностей двигателя мостового крана: спектр вибрации и 1D-CNN

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Конфигурация обучающего набора данных: нормальный режим + три класса неисправностей (износ подшипника, обрыв стержня ротора, короткое замыкание статора), по 2000 образцов каждого класса (1024 точки/кадр), разделение 7:2:1 на обучающую/валидационную/тестовую выборки. Гиперпараметры обучения: batch=64, lr=0.001, epochs=100, оптимизатор Adam. Обучение на RTX3060 занимает около 15 минут, точность на тестовом наборе — 96,8%.

# код логического вывода model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "норма", 1: "износ подшипников", 2: "обрыв стержней ротора", 3: "короткое замыкание статора"} print(f"Диагностика: {classes[pred]} (степень уверенности: {confidence:.1%})")

Виды неисправностей и их характерные признаки

5. Ключевые аспекты реализации проекта

1. Частота дискретизации: больше — не значит лучше. Эффективная информация вибрационного сигнала двигателя сосредоточена в диапазоне до 10 кГц, поэтому частоты дискретизации 25,6 кГц вполне достаточно (в 2,56 раза выше, чем требуется по критерию Найквиста). При более высокой частоте объём данных резко возрастает, однако точность модели не только не повышается, но и снижается из-за примешивания высокочастотных шумов.

2. Место установки определяет качество данных. Разница в амплитуде сигнала между датчиком, установленным непосредственно на корпусе подшипника, и датчиком, закреплённым на боковой поверхности корпуса двигателя, может достигать 3–5 раз. После фиксации места установки не следует перемещать датчик — в противном случае смещение базовой линии приведёт к ложным срабатываниям.

3. Нормализация при колебаниях частоты вращения. Двигатель мостового крана работает с частотным регулированием скорости, частота вращения изменяется в диапазоне от 100 до 1500 об/мин. При разных частотах вращения одна и та же неисправность проявляется на разных частотах вибрации. Решение: для каждой выборки выполняется порядковый анализ (Order Tracking), при котором спектр переводится из абсолютных частот в порядковую область.

4. Не полагайтесь только на вибрацию. Комбинированная диагностика «вибрация + ток» обеспечивает примерно на 5 процентных пунктов более высокую точность, чем анализ только вибрации. Например, обрыв стержня ротора более отчётливо проявляется в сигнале тока, чем в вибрационном сигнале. Рекомендуется оснащать каждый двигатель как минимум одним датчиком тока.

5. Регулярная передача данных для обновления модели. Рекомендуется ежемесячно добавлять вновь собранные образцы нормальной работы в обучающий набор для инкрементального обучения, что позволяет модели непрерывно адаптироваться к тенденции старения оборудования.

Часто задаваемые вопросы

Заключение

Внедрение системы AI-диагностики неисправностей двигателей совместно с интеллектуальным ассистентом на базе больших языковых моделей обеспечивает наибольшую окупаемость среди всех проектов модернизации мостовых кранов. Стоимость датчиков и модуля сбора данных для одного двигателя не превышает 3000 юаней, при этом система позволяет прогнозировать неисправность за 1–3 месяца до её возникновения. В ходе эксплуатации в течение 8 месяцев на 12 мостовых кранах в одном цехе система заблаговременно выявила дефекты подшипников на 4 двигателях — без единого ложного срабатывания и без единого пропуска.

Дополнительно рекомендуем ознакомиться: технология диагностики неисправностей редуктора мостового крана — двигатель и редуктор представляют собой две неразрывные части трансмиссионной системы крана: AI-диагностика двигателя охватывает дефекты подшипников, ротора и статора на приводной стороне, тогда как диагностика редуктора охватывает зону зубчатого зацепления. Обе системы используют общую платформу промышленного компьютера и единую архитектуру сбора данных с датчиков, поэтому рекомендуется их одновременное развёртывание.

Двигатель мостового крана — причина более 30% всех отказов оборудования: износ подшипников, обрыв стержней ротора, короткое замыкание статора — любая из этих неисправностей напрямую останавливает производство. На большинстве предприятий стратегия обслуживания двигателей сводится к принципу «сломалось — заменим»: ждут, пока двигатель задымит или сработает защита, и только тогда останавливают кран. Один внеплановый простой обходится в тысячи, а иногда и десятки тысяч юаней потерь.

AI-диагностика — не новинка, но раньше она опиралась на экспертные системы (правила и пороговые значения), которые давали много ложных срабатываний и плохо адаптировались к разным условиям. За последние два года 1D-CNN (одномерная свёрточная нейронная сеть) показала впечатляющие результаты в анализе вибрационных сигналов: датчик вибрации крепится на корпус подшипника двигателя, сигнал подаётся напрямую в модель — без ручного извлечения признаков, модель сама обучается выявлять паттерны неисправностей. На один двигатель устанавливается 2–3 датчика, промышленный компьютер выполняет инференс, и одна система обслуживает 10–20 двигателей.

В этой статье — полное решение: от выбора датчика до развёртывания модели. Аппаратные затраты — 20 000–60 000 юаней (датчики + плата сбора данных + промышленный компьютер), а экономия от предотвращения одного внепланового простоя на одном двигателе окупает всё за год.

Архитектура системы диагностики двигателя крана

Система AI-диагностики двигателя состоит из четырёх уровней:

Выбор и монтаж датчиков

Датчик вибрации: рекомендуется пьезоэлектрический акселерометр типа IEPE с чувствительностью 100 мВ/g, диапазоном измерений ±50 g и частотным диапазоном 0,5–10 кГц. Места установки: корпус подшипника со стороны привода (по одному датчику в радиальном и осевом направлениях), корпус подшипника с неприводной стороны (один датчик в радиальном направлении). Крепление — болтами класса прочности M6 или на магнитном основании: магнитное основание удобно, но ограничивает верхнюю частоту (примерно 2 кГц), тогда как болтовое крепление обеспечивает работу до 10 кГц. Рекомендуется болтовое крепление: хотя монтаж занимает на 10 минут дольше, качество сигнала в высокочастотном диапазоне значительно выше.

Датчик тока: трансформатор тока клещевого типа, класс точности 0,5, диапазон измерений выбирается с коэффициентом 1,5 от номинального тока двигателя. Устанавливается на силовых кабелях трёх фаз для обнаружения гармонических изменений тока, вызванных обрывом стержней ротора.

Основные параметры датчиков:

Проектирование и обучение модели 1D-CNN

Ключевое преимущество 1D-CNN — обработка исходных вибрационных сигналов во временной области (1024 точки/кадр) без необходимости ручного извлечения признаков, такого как БПФ или вейвлет-преобразование. Архитектура сети следующая:

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Конфигурация обучающего набора данных: нормальный режим + три класса неисправностей (износ подшипника, обрыв стержня ротора, короткое замыкание статора), по 2000 образцов каждого класса (1024 точки/кадр), разделение 7:2:1 на обучающую/валидационную/тестовую выборки. Гиперпараметры обучения: batch=64, lr=0.001, epochs=100, оптимизатор Adam. Обучение на RTX3060 занимает около 15 минут, точность на тестовом наборе — 96,8%.

# код логического вывода model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "норма", 1: "износ подшипников", 2: "обрыв стержней ротора", 3: "короткое замыкание статора"} print(f"Диагностика: {classes[pred]} (степень уверенности: {confidence:.1%})")

Виды неисправностей и их характерные признаки

5. Ключевые аспекты реализации проекта

1. Частота дискретизации: больше — не значит лучше. Эффективная информация вибрационного сигнала двигателя сосредоточена в диапазоне до 10 кГц, поэтому частоты дискретизации 25,6 кГц вполне достаточно (в 2,56 раза выше, чем требуется по критерию Найквиста). При более высокой частоте объём данных резко возрастает, однако точность модели не только не повышается, но и снижается из-за примешивания высокочастотных шумов.

2. Место установки определяет качество данных. Разница в амплитуде сигнала между датчиком, установленным непосредственно на корпусе подшипника, и датчиком, закреплённым на боковой поверхности корпуса двигателя, может достигать 3–5 раз. После фиксации места установки не следует перемещать датчик — в противном случае смещение базовой линии приведёт к ложным срабатываниям.

3. Нормализация при колебаниях частоты вращения. Двигатель мостового крана работает с частотным регулированием скорости, частота вращения изменяется в диапазоне от 100 до 1500 об/мин. При разных частотах вращения одна и та же неисправность проявляется на разных частотах вибрации. Решение: для каждой выборки выполняется порядковый анализ (Order Tracking), при котором спектр переводится из абсолютных частот в порядковую область.

4. Не полагайтесь только на вибрацию. Комбинированная диагностика «вибрация + ток» обеспечивает примерно на 5 процентных пунктов более высокую точность, чем анализ только вибрации. Например, обрыв стержня ротора более отчётливо проявляется в сигнале тока, чем в вибрационном сигнале. Рекомендуется оснащать каждый двигатель как минимум одним датчиком тока.

5. Регулярная передача данных для обновления модели. Рекомендуется ежемесячно добавлять вновь собранные образцы нормальной работы в обучающий набор для инкрементального обучения, что позволяет модели непрерывно адаптироваться к тенденции старения оборудования.

Часто задаваемые вопросы

Заключение

Внедрение системы AI-диагностики неисправностей двигателей совместно с интеллектуальным ассистентом на базе больших языковых моделей обеспечивает наибольшую окупаемость среди всех проектов модернизации мостовых кранов. Стоимость датчиков и модуля сбора данных для одного двигателя не превышает 3000 рублей, при этом система позволяет прогнозировать неисправность за 1–3 месяца до её возникновения. В ходе эксплуатации в течение 8 месяцев на 12 мостовых кранах в одном цехе система заблаговременно выявила дефекты подшипников на 4 двигателях — без единого ложного срабатывания и без единого пропуска.

Дополнительно рекомендуем ознакомиться: технология диагностики неисправностей редуктора мостового крана — двигатель и редуктор представляют собой две неразрывные части трансмиссионной системы крана: AI-диагностика двигателя охватывает дефекты подшипников, ротора и статора на приводной стороне, тогда как диагностика редуктора охватывает зону зубчатого зацепления. Обе системы используют общую платформу промышленного компьютера и единую архитектуру сбора данных с датчиков, поэтому рекомендуется их одновременное развёртывание.