Vibration Diagnostic Methods from Methodsof Obtaining Data to Processing It Using Modern Means

Cover Page

Cite item

Full Text

Abstract

Today, one of the main directions of industrial development is the digitalization of production processes. In order to achieve high production rates, the reliability of production equipment is necessary; more and more advanced means of its self-diagnosis are being developed. Thus, self-diagnosis, combined with a high level of automated analytics, makes it possible to predict a malfunction with a high degree of probability, warn about the timing of its occurrence and methods of preventive elimination. This article discusses existing methods of vibration diagnostics, including those that appeared during the fourth industrial revolution, namely in the conditions of widespread and high-quality application of machine learning systems, neural networks and artificial intelligence. Methods for collecting primary information about vibration and methods for analyzing data using the above algorithms are described. The results of experimental applications of various analytical mechanisms developed to determine the type of defects in parts rotating under mechanical load are considered, and the advantages and disadvantages of each method are listed. The purpose of the review is to determine the existing methods of vibration diagnostics, determine their properties and compare them. As a result of the analysis, it was found that the most developing direction in the field of vibration signal research is a combination of wavelet transformation and neural network learning.

About the authors

Anton O. Zhuravlev

RUDN University

Email: 1142220875@rudn.ru
ORCID iD: 0009-0002-2900-6767
SPIN-code: 4134-6061

Postgraduate student of the Department of Mechanics and Control Processes, Academy of Engineering

Moscow, Russia

Alexey O. Polyakov

RUDN University

Email: 1032220919@rudn.ru
ORCID iD: 0009-0001-5511-7551

Master’s student of the Department of Mechanics and Control Processes, Academy of Engineering

Moscow, Russia

Denis A. Andrikov

RUDN University; Bauman Moscow State Technical University

Author for correspondence.
Email: andrikovdenis@mail.ru
ORCID iD: 0000-0003-0359-0897
SPIN-code: 8247-7310

Candidate of Technical Sciences, Associate Professor of the Department of Mechanics and Control Processes, Academy of Engineering, RUDN University; Associate Professor of the Department of Automatic Control Systems, Bauman Moscow State Technical University

Moscow, Russia

References

  1. Tutsenko KO, Narkevich AN, Rossiev DA, Ipatiuk OV, Avdeev SM. Application of computer technologies for diagnostics of heart and lung diseases based on auscultation data. Doctor and information technologies. 2022;(2):12–21. (In Russ.) https://doi.org/10.25881/18110193_2022_2_12
  2. Balitsky FYa, Genkin MD, Ivanova MA, Sokolo-va AG, Khomyakov EI. Modern methods and means of vibration diagnostics of machines and structures. Int. center of scientific and technical information, IMASH named after A.A. Blagonravov, USSR Academy of Sciences. Moscow; 1990;(25). 115 p. (In Russ.)
  3. Kalinov AP, Bratash OV. Analysis of methods of vibration diagnostics of asynchronous motors. Power engineering. News of higher educational institutions and energy associations of the CIS. 2012;5(5). (In Russ.)
  4. Myntsov AA. Application of the envelope method for diagnostics of mechanical components of equipment. Vibration diagnostics. Diagnostics. (In Russ.) URL: http://www.vibration.ru/pmodmuo/pmodmuo.shtml
  5. Rosenberg GSh, Madorsky EZ, Golub ES. et al. Vibration diagnostics. Rosenberg GSh. (ed.). SPb: EIPK; 2003. (In Russ.)
  6. Max J. Methods and techniques of signal process-ing in physical measurements. Moscow: Mir Publ.; 1983. (In Russ.)
  7. Shirman A, Soloviev A. Practical vibration diagnostics and monitoring of the condition of mechanical equipment. Moscow: Spektr-inzhenering Publ.; 1996. (In Russ.)
  8. Klyuev VV. Non-destructive testing: Handbook in 7 volumes. Klyuev VV. (ed.). Vol. 7: In 2 books. Book 2: Vibrodiagnostics. Moscow: Mashinostroenie Publ.; 2005. (In Russ.)
  9. Hudson D. Statistics for physicists. Moscow: Mir Publ.; 1970. (In Russ.)
  10. Lei Y, He Z, Zi Y, Hu Q. Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs. Mechanical Systems and Signal Processing. 2007;21(5):2280–2294. https://doi.org/10.1016/j.ymssp.2006.11.003
  11. Yu J. Local and Nonlocal Preserving Projection for Bearing Defect Classification and Performance Assess-ment. IEEE Transactions on Industrial Electronics. 2012;59(5):2363–2376. https://doi.org/10.1109/TIE.2011.2167893
  12. Amar M, Gondal I, Wilson C. Vibration Spectrum Imaging: A Novel Bearing Fault Classification Approach. IEEE Transactions on Industrial Electronics. 2015;62(1):494–502. https://doi.org/10.1109/TIE.2014.2327555
  13. Liu J, Wang W, Golnaraghi F. An Enhanced Diagnostic Scheme for Bearing Condition Monitoring. IEEE Transactions on Instrumentation and Measurement. 2010;59(2):309–321. https://doi.org/10.1109/TIM.2009.2023814
  14. Lei Y, Jia F, Lin J, Xing S, Ding SX. An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data. IEEE Trans-actions on Industrial Electronics. 2016;63(5):3137–3147. https://doi.org/10.1109/TIE.2016.2519325
  15. Han D, Liang K, Shi P. Intelligent fault diagnosis of rotating machinery based on deep learning with feature selection. Journal of Low Frequency Noise, Vibration and Active Control. May 2019;39(4). https://doi.org/10.1177/1461348419849279
  16. Silver D. et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016;529(7587):484–489. https://doi.org/10.1038/nature16961
  17. Koronovskii AA, Khramov AE. Continuous wavelet analysis and its applications. Moscow: Fizmatlit Publ.; 2003. (In Russ.)
  18. Huitao C, Shuangxi J, Xianhui W, Zhiyang W. Fault diagnosis of wind turbine gearbox based on wavelet neural network. Journal of Low Frequency Noise, Vibration and Active Control, Aug. 2018;37(4): 977–986. https://doi.org/10.1177/1461348418795376
  19. Gareev A. et al. Improved Fault Diagnosis in Hydraulic Systems with Gated Convolutional Autoencoder and Partially Simulated Data. Sensors. 2021;21(13). https://doi.org/10.3390/s21134410
  20. Lin C-L, Liang J-W, Huang Y-M, Huang S-C.A novel model-based unbalance monitoring and prognostics for rotor-bearing systems. Advances in Mechanical Engi-neering. 2023https://doi.org/10.1177/16878132221148019
  21. Muszynska A. Vibrational diagnostics of rotating machinery malfunctions illustrated by basic mathematical models of the rotor system. Rotordynamics. CRC Press; 2005.
  22. Podkletnov SG. Application of Fourier transform and wavelet transform methods for vibration diagnostics of the technical condition of tunnel escalators. LETI Trans-actions on Electrical Engineering & Computer Science. 2023;16(5):4–32. (In Russ.) https://doi.org/10.32603/2071-8985-2023-16-5-24-32
  23. Hadroug N, Iratni A, Hafaifa A, Colak I. Intelli-gent faults diagnostics of turbine vibration’s via Fourier transform and neuro-fuzzy systems with wavelets ex-ploitation. Smart Science. 2023;12:155–184. (In Russ.) https://doi.org/10.1080/16168658.2021.1915451

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».