Ученые Тольяттинского государственного университета (ТГУ) разработали метод для измерения износа машинных деталей в процессе их эксплуатации. Эта инновация позволит осуществлять своевременные ремонты и снизить затраты на простой техники. 
«Исследователи из ТГУ создали метод акустической диагностики, который повышает вероятность выявления критического износа деталей на 45% по сравнению с существующими решениями. Система, использующая алгоритмы машинного обучения, анализирует акустические сигналы работающего механизма и заранее информирует о возможной поломке»,— отметили в вузе.
По данным университета, ученые обучили компьютер распознавать в посторонних звуках при работе механизмов первые признаки повреждения деталей. Разработанный метод позволяет оценивать состояние деталей скольжения: подшипников, втулок, направляющих и прочих. Компьютер анализирует ультразвуковые сигналы, исходящие от трущихся поверхностей, проводит спектральный и кластерный анализ. Применяются алгоритмы машинного обучения, аналогичные тем, что используются для распознавания лиц, речи или классификации изображений.
«Обычные акустические методы диагностики измеряют только уровень громкости шума. Наш алгоритм одновременно анализирует несколько параметров ультразвуковых сигналов, благодаря чему способен различать, когда механизм функционирует исправно, а когда появляются первые признаки повреждений. Мы не просто фиксируем шум — мы понимаем, что именно происходит в узле трения и каково текущее состояние износа»,— пояснил ведущий научный сотрудник научно-исследовательского института прогрессивных технологий, профессор кафедры «Прикладная механика и инженерная графика» ТГУ Игорь Растегаев.
В отличие от традиционных методов диагностики, которые требуют остановки, разборки и простоя оборудования на период ремонта, предложенный способ позволяет оценивать исправность механизма во время его работы. Ученые разбили непрерывный звуковой поток работы механизма на тысячи коротких фрагментов, для каждого из которых рассчитали десятки параметров: амплитуду, энергию, частотный спектр, скорость изменения сигнала. Похожие фрагменты алгоритм сгруппировал в кластеры. Это дало возможность определить уровень износа механизмов — от начальной стадии до угрозы катастрофического разрушения. Эксперименты продемонстрировали, что вероятность выявления опасного режима работы механизма при использовании нового метода выше на 45% в сравнении с традиционными.
В вузе уверены, что разработка может быть применима в различных областях — от тяжелого машиностроения и энергетики до автомобильного транспорта. Для промышленности это шанс планировать ремонты без экстренных остановок и заменять детали строго по необходимости, экономя средства на простоях. Результаты исследования были изложены в статье, опубликованной в международном рецензируемом научном журнале Journal of Friction and Wear.
Фото: hi-tech.mail.ru