Подход глубокого обучения для обнаружения отказов буровых долот на основе небольшого набора достоверных данных

Научные отчеты, том 12, Номер статьи: 9623 (2022) Цитировать эту статью

Доступы 1905 г.

4 цитаты

3 Альтметрика

Подробности о метриках

Мониторинг состояния машин имеет жизненно важное значение в обрабатывающей промышленности. Раннее обнаружение неисправных компонентов в машинах для остановки и ремонта неисправных компонентов может свести к минимуму время простоя машины. В этой статье мы представляем метод обнаружения неисправностей сверлильных машин с использованием звуков сверла в Valmet AB, компании из Сундсвалля, Швеция, которая поставляет оборудование и процессы для производства целлюлозы, бумаги и биотоплива. Набор данных тренировки включает в себя два класса: аномальные звуки и нормальные звуки. Эффективное обнаружение отказов бурения остается проблемой по следующим причинам. Форма звука бурения сложна и коротка для обнаружения. Более того, в реалистичных звуковых ландшафтах звуки и шум существуют одновременно. Кроме того, сбалансированный набор данных невелик для применения современных методов глубокого обучения. Из-за этих вышеупомянутых трудностей были применены методы увеличения звука для увеличения количества звуков в наборе данных. В этом исследовании сверточная нейронная сеть (CNN) была объединена с долговременной памятью (LSTM) для извлечения признаков из спектрограмм log-Mel и изучения глобальных представлений двух классов. В качестве функции активации предлагаемой CNN вместо ReLU использовалась выпрямленная линейная единица с утечкой (Leaky ReLU). Более того, на уровне кадра после уровня LSTM был развернут механизм внимания, чтобы обратить внимание на аномалии в звуках. В результате предложенный метод достиг общей точности 92,62% для классификации двух классов машинных звуков в наборе данных Valmet. Кроме того, обширный эксперимент с другим набором данных бурения с короткими звуками дал точность 97,47%. С несколькими классами и длительными звуками эксперимент с использованием общедоступного набора данных UrbanSound8K дает 91,45%. Обширные эксперименты с нашим набором данных, а также с общедоступными наборами данных подтверждают эффективность и надежность предлагаемого нами метода. Для воспроизведения и развертывания предлагаемой системы общедоступен репозиторий с открытым исходным кодом по адресу https://github.com/thanhtran1965/DrillFailureDetection_SciRep2022.

Системы обнаружения неисправностей сверл широко используются на заводах для предотвращения поломок оборудования. В комплект сверлильного станка входят 90 или 120 сверл для сверления тысяч маленьких отверстий на поверхности металла1. Когда буровые коронки ломаются, возникает необходимость ручного сверления и постпроизводства, что требует ресурсов и в целом дорого обходится компании. Техник по техническому обслуживанию останавливает станок каждые 10 минут, чтобы выявить сломанные сверла и заменить их перед повторным запуском сверлильного станка. Поэтому система обнаружения неисправностей буровой машины очень важна для минимизации времени простоя машины, а также затрат на техническое обслуживание.

За последнее десятилетие было проведено множество исследований по обнаружению и диагностике поломок сверла. Чой и др.2 предложили метод выделения характеристик во временной и частотной областях, названный характеристическими параметрами отказа бура (CPDF). На втором этапе многослойный перцептрон (MLP) использовался для прогнозирования отказа бурения на основе порогового значения индекса состояния бурения. Это снизит процент ошибок. Чтобы повысить точность диагностики отказа сверла, Skalle и соавт.3 предложили метод, основанный на выявлении симптомов (например, мягких образований, скоплений порезов, локального загибания). Кумар и др.4 использовали сигналы вибрации для обнаружения и классификации отказов бурения с использованием трех различных схем классификатора: искусственная нейронная сеть (ИНС), машины опорных векторов (SVM) и байесовские классификаторы. Поскольку сигналы, основанные на вибрации, часто содержат шум, потребовалось несколько методов для устранения шума и разделения источников для повышения точности обнаружения неисправностей.

В последние годы исследователи использовали анализ звука и вибрации для обнаружения и классификации неисправностей5. В результате развития глубокого обучения сверточные нейронные сети (CNN) стали использоваться для автоматического извлечения признаков для диагностики и классификации неисправностей машин, особенно сверлильных станков. Благодаря преимуществу акустического анализа перед вибрациями, Glowacz6 предложил акустический метод обнаружения неисправностей для электрических ударных дрелей и кофемолок. Эти акустические характеристики, включая среднеквадратичное значение (RMS) и метод выбора амплитуды с использованием многорасширенного фильтра (MSAF-17-MULTIEXPANDED-FILTER-14), использовались для классификации состояния неисправности по классификатору ближайшего соседа. Дополнительно для выявления неисправности электроударных дрелей необходимо определить неисправность устройства редуктора дрели, так как шестерни являются основным узлом передачи мощности. Цзин и др.7 предложили метод обнаружения неисправности электрической ударной дрели с использованием логистической регрессии на основе изменяющейся во времени громкости и акустических сигналов.