Details

Данная диссертация посвящена исследованию интеллектуальных методов диагностики неисправностей для повышения эксплуатационной надежности электромеханических систем, особенно подшипников качения в электродвигателях. Целью данного исследования является достижение следующих задач: изучение основных принципов вейвлет-анализа (включая вейвлет-шумоподавление, вейвлет-пакетное преобразование и непрерывное вейвлет-преобразование) и его применение в предварительной обработке вибрационных сигналов; анализ механизма и характерных частот неисправностей внутреннего кольца, наружного кольца и элементов качения подшипников качения; демонстрация необходимости использования глубокого обучения для диагностики неисправностей; разработка и моделирование системы диагностики неисправностей подшипников качения на основе вариантной модели Inceptionv1-SEnet и аугментации данных DCGAN. В данном исследовании демонстрируются преимущества использования методов глубокого обучения и расширения данных для раннего обнаружения неисправностей и предотвращения серьезных поломок. Система управления была смоделирована и смоделирована с использованием языка программирования Python. Результаты подтверждают практическую ценность предложенного метода для повышения надежности промышленных электромеханических систем.

This dissertation is devoted to the study of intelligent fault diagnosis methods for improving the operational reliability of electromechanical systems, especially rolling bearings in electric motors. The aim of this study is to: investigate the fundamental principles of wavelet analysis (including wavelet denoising, wavelet packet transform, and continuous wavelet transform) and its application in the preprocessing of vibration signals; analyze the mechanism and characteristic frequencies of inner ring, outer ring, and rolling element faults in rolling bearings; demonstrate the need for using deep learning for fault diagnosis; and develop and model a rolling bearing fault diagnosis system based on the Inceptionv1-SEnet variant model and DCGAN data augmentation. This study demonstrates the benefits of using deep learning and data augmentation methods for early fault detection and the prevention of serious failures. The control system was modeled and simulated using the Python programming language. The results confirm the practical value of the proposed method for improving the reliability of industrial electromechanical systems.