Проблема оценки смазочного слоя
Толщина масляной пленки в подшипниках скольжения – критический параметр, определяющий режим трения и ресурс узла. Параметр λ (лямбда) – отношение минимальной толщины пленки к суммарной шероховатости поверхностей – разделяет режимы: λ > 3 означает полное гидродинамическое разделение, 1 < λ < 3 – смешанное трение с периодическим контактом, λ < 1 – граничное трение с интенсивным износом.
Традиционные методы оценки λ требуют сложных измерений электрического сопротивления контакта или емкостных датчиков, непрактичных для промышленного оборудования. Косвенные методы через температуру реагируют с запаздыванием, когда повреждение уже развивается.
SAW-измерения как источник данных
Технология поверхностных акустических волн (SAW) предоставляет богатый набор диагностических сигналов. Пьезодатчики, встроенные в корпус подшипника, излучают ультразвуковые импульсы частотой 350 кГц, распространяющиеся по скользящей поверхности через зону контакта.
Ключевые измеряемые параметры: время прохождения τ изменяется на 2-8 мкс при переходе от жидкостного трения к металлическому контакту; амплитуда A падает вдвое при смешанном трении из-за рассеяния на неровностях; модуляция Δτ с частотой вращения отражает эксцентриситет вала; интегральное значение σ характеризует энергию сигнала в заданном окне.
Дополнительно фиксируются скорость вращения v и температура T подшипника – параметры, напрямую влияющие на вязкость масла и, следовательно, на толщину пленки.
Архитектура нейронной сети
Для автоматической классификации состояния смазки применена нейронная сеть типа многослойный перцептрон (MLP) – проверенная архитектура для задач с табличными данными.
Входной слой: 4 нейрона – интегральное значение σ, модуляция времени Δτ, скорость v, температура T. Данные нормализованы по формуле (x - x_min)/(x_max - x_min) для устранения влияния разных масштабов.
Скрытые слои: два слоя с функциями активации ReLU, обеспечивающие нелинейное преобразование признаков и выявление сложных зависимостей между параметрами.
Выходной слой: 3 нейрона с softmax-активацией, дающие вероятности принадлежности к классам: λ > 3 (норма), 1 < λ < 3 (предупреждение), λ < 1 (критично).
Подготовка обучающих данных
Эталонные метки состояния получены из эластогидродинамических расчетов минимальной толщины пленки для каждой точки испытаний на стенде. Эксперименты охватывали нагрузки 10-60 МПа, скорости 0,3-4,5 м/с, температуры 40-130°C – полный спектр рабочих режимов планетарных подшипников ветрогенераторов.
Критичная проблема – дисбаланс классов. В нормальных режимах 85% времени λ > 3, лишь 5% приходится на критичный класс λ < 1. Для устранения дисбаланса применена ресемплинг-техника: увеличение представительности редких классов через копирование до выравнивания распределения 33%-33%-34%.
Общий датасет: 3,5 часа испытаний, разделенных на обучающую (2 часа, 36 режимов) и валидационную (1,5 часа, 36 режимов) выборки из разных тестовых прогонов.
Результаты обучения
После 50 эпох обучения с оптимизатором Adam сеть достигла точности 99,6% на обучающей выборке и 89,9% на валидационной – отличный результат для промышленного применения.
Матрица ошибок показывает высокую специфичность: класс λ < 1 определяется с точностью 94%, критичные ложноотрицательные срабатывания (пропуск опасного режима) составляют менее 6%. Ложноположительные тревоги (15% для класса 1 < λ < 3) безопасны – лучше перестраховаться.
Время отклика – менее 1 секунды на стационарных режимах. При резких переходах (одновременное изменение нагрузки и скорости) наблюдается кратковременная путаница на 10-20 секунд, что приемлемо для систем управления турбиной с инерцией десятков секунд.
Практическая реализация
Обученная модель интегрирована в систему мониторинга испытательного стенда. В реальном времени SAW-датчики передают данные каждую миллисекунду, агрегация в 1-секундные окна подается на вход сети.
Сценарии управления:
- λ > 3: зеленый статус, нормальная работа
- 1 < λ < 3: желтое предупреждение, запись в журнал событий
- λ < 1: красная тревога, автоматическое снижение нагрузки на 30% или остановка при сохранении более 30 секунд
Система предотвратила 3 случая критического износа за 200 часов испытаний, когда классический температурный мониторинг не среагировал.
Перспективы развития
Трансфер-обучение: адаптация модели для новых типов подшипников требует лишь 30-50 минут калибровочных данных вместо полного переобучения.
Ансамбли моделей: комбинация MLP с деревьями решений и SVM повышает надежность в пограничных случаях.
Прогнозирование: рекуррентные сети LSTM способны предсказать переход к критическому режиму за 2-5 минут до события, основываясь на тренде деградации сигнала.
Автономность: портирование модели на микроконтроллер ARM Cortex-M7 позволит создать полностью автономные смарт-подшипники с энергопитанием от вибраций.
ИИ-диагностика масляной пленки через SAW открывает эру предиктивного обслуживания крупных машин, где стоимость внеплановой остановки измеряется миллионами рублей в час.
