СУЧАСНІ ТЕХНОЛОГІЇ ВІБРАЦІЙНОЇ ДІАГНОСТИКИ ТРАНСПОРТНИХ ЗАСОБІВ І ПРОМИСЛОВИХ МЕХАНІЗМІВ
DOI:
https://doi.org/10.20998/2078-6840.2025.1.11Ключові слова:
вібрація, діагностика, моніторинг, автомобіль, валкове формування, нейрона мережа, сенсорАнотація
В роботі проведено аналіз сучасних методів вібраційної діагностики та моніторингу транспортного та промислового обладнання. Розглянуто класичні підходи на основі швидкого перетворення Фур’є та вейвлет-перетворень, а також сучасні методики, що використовують штучні нейронні мережі (CNN, MLP, WNN) для автоматичного розпізнавання та прогнозування несправностей. Приділено увагу сенсорам, методам підготовки вібраційних сигналів, їх обробці та передачі. Узагальнено переваги нейромережевих підходів у порівнянні з традиційними методами, зокрема гнучкість і здатність працювати зі складними нестаціонарними сигналами. Визначено перспективи розвитку систем моніторингу в реальному часі, гібридних методів та адаптивних моделей для підвищення надійності обладнання та зниження витрат.
Посилання
Byun E., Lee J. Image-based vibration signal measurement and calibration using 1D CNN. Transactions of theKorean Society of Mechanical Engineers, B. 2022. vol. 46. no. 8. pp. 765–772. DOI: https://doi.org/10.3795/KSME-A.2022.46.8.765.
Zhang Xiaoran, Rane Kantilal Pitambar, Kakaravada Ismail, Shabaz Mohammad. Research on vibration monitoringand fault diagnosis of rotating machinery based on internet of things technology. Nonlinear Engineering. 2021. vol.10.no. 1. pp. 245–254. DOI: https://doi.org/10.1515/nleng-2021-0019.
Patel Himanshu K., Shah Dhagash, Raghuwanshi Avani. Real time machine health monitoring and vibrationalanalysis using FFT approach. International Journal of Engineering and Advanced Technology (IJEAT). 2019. vol.8.no. 5. pp. 1–4.
Muhlisin Iip, Rusyadi Rusman. Vibration analysis on rotating machines using Fast Fourier Transform (FFT). ACMITProceedings. 2019. vol. 3. pp. 67–75. DOI: 10.33555/acmit.v3i1.28.
Wrobel R., Kazmierczak A. Wavelet Transform in Vibroacoustic Diagnostics of Combustion Engines. Engineering.2019. Vol. 11. No. 7. Pp. 395–406. DOI: 10.4236/eng.2019.117028.
Saucedo-Dorantes J. J., Delgado-Prieto M., Ortega-Redondo J. A., Osornio-Rios R. A., Romero-Troncoso R. D. J.Multiple-fault detection methodology based on vibration and current analysis applied to bearings in induction motorsand gearboxes on the kinematic chain. Shock and Vibration. 2016. Vol. 2016. 13 p. DOI: 10.1155/2016/5467643.
Fomin O. V., Gorbunov M. I., Burlutski O. V., et al. Theoretical Aspects of Applied Transport Mechanics. Part 1:monograph. Sievierodonetsk: Volodymyr Dahl East Ukrainian National University. 2019. 198 p.
Черкашин Д. В., Саєнко О. Ф., Губський С. О. Використання вібродіагностики для моніторингу та контролю технічного стану автомобільних компонентів. Вісник Національного технічного університету "ХПІ". Серія: Автомобіле- та тракторобудування. Харків: НТУ "ХПІ", 2024. № 2. С. 97–107. DOI: 10.20998/2078-6840.2024.2.10.
Inturi V., Balaji S.V., Gyanam P., Pragada B.P.V., Geetha Rajasekharan S., Pakrashi V. An integrated conditionmonitoring scheme for health state identification of a multi-stage gearbox through Hurst exponent estimates.Structural Health Monitoring. 2022. vol. 22. no. 1. pp. 730–745. DOI: 10.1177/14759217221092828.
Geng S., Chen J., Lv C. Design and application of gearbox vibration testing system. Vibroengineering Procedia.2023. vol. 52. pp. 14–20. DOI: https://doi.org/10.21595/vp.2023.23690.
Łuczak D. Machine Fault Diagnosis through Vibration Analysis: Time Series Conversion to Grayscale and RGBImages for Recognition via Convolutional Neural Networks. Energies. 2024. Vol. 17. P. 1998. Pp. 1–25. DOI:10.3390/en17091998.
Sampaio G.S., Vallim Filho A.R.d.A., da Silva L.S., da Silva L.A. Prediction of Motor Failure Time Using AnArtificial Neural Network. Sensors. 2019. Vol. 19. P. 4342. Pp. 1–17. DOI: 10.3390/s19194342.
Jia H., Zhang Q., Wei M., Sun X. Sparse Fast Fourier Transform Analysis of Aero-Engine Vibration Data. Journalof Physics: Conference Series. 2024. Vol. 2762. Pp. 1–9. DOI: 10.1088/1742-6596/2762/1/012036.
Liu, J., & Yang, X. Learning to See the Vibration: A Neural Network for Vibration Frequency Prediction. Sensors,2018, 18, 2530. DOI: 10.3390/s18082530.
Teng Z., Teng S., Zhang J., Chen G., Cui F. Structural Damage Detection Based on Real-Time Vibration Signal andConvolutional Neural Network. Appl. Sci. 2020, 10, 4720. DOI: 10.3390/app10144720.
Arora S., Venkatesh S. N., Sugumaran V., Sreelatha A. P., Mahamuni V. S. Enhancing Tire Condition Monitoringthrough Weightless Neural Networks Using MEMS-Based Vibration Signals. Journal of Engineering. 2024. Vol.2024. Article ID 1321775. Pp. 1–19. DOI: 10.1155/2024/1321775.
