ОЦЕНКА СОСТОЯНИЯ СМАЗКИ ПОДШИПНИКОВ КАЧЕНИЯ С ПРИМЕНЕНИЕМ АЛГОРИТМОВ КЛАССИФИКАЦИИ
Аннотация
Целью данной работы является решение проблемы внеплановых отказов подшипников каче-
ния, установленных на промышленном оборудовании, в результате их неправильного обслужива-
ния в процессе эксплуатации. Известно, что до 50% всех внеплановых простоев промышленного
оборудования происходит по причине разрушения подшипников. При этом основной причиной от-
каза подшипников являются нарушения режима смазки тел качения: избыточное и недостаточ-
ное количество смазочных материалов. Эти причины составляют до 36% от общего числа отка-
зов подшипников. В процессе эксплуатации оборудования выявить и предупредить все проблемы
со смазкой подшипников очень сложно, по причине большого разнообразия факторов, влияющих на
их возникновение. Поэтому, актуальной задачей для исследования, становится разработка авто-
матизированной рекомендательной системы для управления сервисным обслуживанием промыш-
ленного оборудования, с контролем смазки подшипниковых узлов. В работе рассматривается ме-
тод классификации состояний подшипников в зависимости от их диагностических параметров:
показателей виброскорости, виброускорения и температуры. С этой целью применяются алго-
ритмы классического машинного обучения: модели KNN, RandomForestClassifier и SVM. Для каж-
дой модели определяются гиперпараметры, позволяющие достигать максимальных результатов
во время обучения. В процессе проведения исследования выполнен анализ влияния каждого из диагно-
стических параметров – признаков на показатели работы модели классификации. Понимание, какой
показатель работы подшипника будет наиболее важным, позволит выбирать приборы контроля
состояния оборудования на производственном предприятии осознанно, для решения конкретных
производственных задач. Разработанный алгоритм позволяет качественно, с 98% точностью, про-
изводить оценку состояния смазки подшипников качения и выдавать рекомендации по проведению
своевременного сервисного обслуживания оборудования. Модель - классификатор планируется ис-
пользовать в составе комплекса по контролю за техническим состоянием оборудования, расширяя
возможности диагностики: помимо сведений о вероятности отказа оборудования и прогнозных
сроках службы, комплекс диагностики, совмещенный с предлагаемой моделью, позволит воздейст-
вовать на ходимость подшипников, путем улучшения качества их смазки.
Литература
biznesa [Combating downtime as a way to increase the economic efficiency of business], Ekonomika i
zhizn' [Economics and Life], 2021, No. 33. Available at: https://www.eg-online.ru/article/440363 (data
obrashcheniya: 16.04.2024).
2. Shets S.P., Sakalo V.I. Vliyanie smazochnogo materiala na protsessy, protekayushchie v
podshipnikakh kacheniya [The influence of lubricant on the processes occurring in rolling bearings],
Transportnoe mashinostroenie [Transport engineering], 2016, No. 2, pp. 31-35.
3. Zhang X., Glovnea R., Morales-Espejel G.E., Félix-Quiñonez A. The Effect of Working Parameters
upon Elastohydrodynamic Film Thickness Under Periodic Load Variation, Tribology Letters, 2020,
Vol. 68, No. 2, pp. 1-10.
4. Zhang Sh., Jacobs G., Vafaei S. [et al.]. CFD investigation of starvation behaviors in a grease lubricated
EHL rolling contact, Forschung im Ingenieurwesen, 2023, Vol. 87, No. 1, pp. 353-362.
5. Wandel S., Bader N., Glodowski Ja. [et al.]. Starvation and Re-lubrication in Oscillating Bearings:
Influence of Grease Parameters, Tribology Letters, 2022, Vol. 70, No. 4, pp. 1-14.
6. Drynochkin A.V., Alenina E.E., Trshkin A.G. Analiz sostoyaniya rossiyskikh predpriyatiy
podshipnikovoy podotrasli i smezhnykh otrasley promyshlennosti [Analysis of the state of Russian enterprises
in the bearing sub-industry and related industries], Izvestiya MGTU «MAMI» [News of
MSTU "MAMI"], 2012, No. 2 (14), pp. 8-13.
7. Babaev A.M., Shemyakina M.A., Lyashov M.V. Obzor klassicheskikh metodov mashinnogo
obucheniya v kontekste resheniya zadach klassifikatsii [Review of classical machine learning methods
in the context of solving classification problems], Forum molodykh uchenykh [Forum of Young Scientists],
2018, No. 11 (27), pp. 137-142.
8. Kumar Gupta K. Muzakkir S.M. A Model for Prediction of Outer Race Defects of Rolling Contact
Bearing based on Vibration Data Using Machine Learning Algorithms, Tribology in Industry, 2023,
Vol. 45, No. 4, pp. 676-685.
9. Kamiel B.P., Anjarico F., Sudarisman S. Deteksi cacat bantalan gelinding berbasis Algoritma decision
trees Dan parameter Statistik, Jurnal Rekayasa Mesin, 2023, Vol. 14, No. 3, pp. 835-844.
10. Vishwendra M. A., Salunkhe P.S., Patil Sh.V. [et al.]. A Novel Method to Classify Rolling Element
Bearing Faults Using K-Nearest Neighbor Machine Learning Algorithm, ASCE-ASME Journal of Risk
and Uncertainty in Engineering Systems, Part B: Mechanical Engineering, 2022, Vol. 8, No. 3.
11. Ul'yanov N.V., Akhmedova Sh.A. Vvedenie v analiz dannykh [Introduction to data analysis],
Aktual'nye problemy aviatsii i kosmonavtiki [Current problems of aviation and astronautics], 2022,
No. 2, pp. 357-359.
12. Yeray Mezquita, Ricardo S. Alonso, Roberto Casado-Vara, Javier Prieto & Juan Manuel Corchado.
A Review of k-NN Algorithm Based on Classical and Quantum Machine Learning, Distributed Computing
and Artificial Intelligence, Special Sessions, 17th International Conference, 2020, pp. 189-198.
13. Stryukov R.K, Shashkin A.I. O modernizatsii metoda blizhayshikh sosedey [On the modernization of
the nearest neighbors method], Vestnik VGU, seriya: sistemnyy analiz i informatsionnye tekhnologii
[Vestnik VSU, series: system analysis and information technologies], 2015, No. 1, pp. 114-120.
14. Annaeva M., Atanapesova A. Odnofaktornyy dispersionnyy analiz: metody i primenenie v statistike
[One-factor analysis of variance: methods and application in statistics], Vsemirnyy uchenyy [World
Scientist], 2023, No. 9 (1), pp. 267-271.
15. Le Minh Nhut, Le Ha Dong Quan. Study on Chiller Fault Detection and Diagnosis Method Based on
KNN Algorithm and ANOVA, International Journal of Mechanical Engineering and Robotics Research,
2023, pp. 223-230.
16. Borisov P.D., Kosolapov Yu.V. Sposob otsenki pokhozhesti programm metodami mashinnogo
obucheniya [A method for assessing the similarity of programs using machine learning methods],
Tr. Instituta sistemnogo programmirovaniya RAN [Proceedings of the Institute of System Programming
of the Russian Academy of Sciences], 2022, № 5 (34), pp. 63-75.
17. Cuentas S., Peñabaena-Niebles R., Garcia E. Support vector machine in statistical process monitoring:
a methodological and analytical review, The International Journal of Advanced Manufacturing Technology,
2017, Vol. 91, No. 1, pp. 485-500.
18. Nemat Saberi A., Belahcen A., Sobra Ja., Vaimann T. LightGBM-Based Fault Diagnosis of Rotating
Machinery Under Changing Working Conditions Using Modified Recursive Feature Elimination,
IEEE Access, 2022, Vol. 10, pp. 81910-81925.
19. Escanilla N.S., Hellerstein L., Kleiman R., Kuang Z., Shull JD, Page D. Recursive Feature Elimination
by Sensitivity Testing, 17th IEEE International Conference on Machine Learning and Applications,
2018, pp. 40-47.
20. Pyrko S.A., Mitioglo A.M., Ishmet'ev E.N. Avtonomnye izmeritel'nye moduli dlya sistem diagnostiki
elektrodvigateley [Autonomous measuring modules for electric motor diagnostic systems], Vestnik
Magnitogorskogo gosudarstvennogo tekhnicheskogo universiteta im. G.I. Nosova [Bulletin of Magnitogorsk
State Technical University named after. G.I. Nosova], 2020, Vol. 18, No. 1, pp. 80-89.
