Нижегородский государственный технический университет им. Р. Е. Алексеева и компания «ЕМГ» получили патент на способ мультипараметрической диагностики и прогнозирования технического состояния станочного оборудования с использованием нейросетевых моделей и адаптивного цифрового двойника. Этот способ переводит промышленное оборудование на обслуживание по фактической работоспособности: он отслеживает сразу несколько групп параметров, самостоятельно дообучается и прогнозирует остаточный ресурс каждого узла.
Такой подход может применяться для контроля подшипников, шпиндельных узлов, валов, редукторов и коробок скоростей, муфт, зубчатых и ременных передач, электродвигателей, шариковых винтовых передач, направляющих и других узлов станка.
Сегодня обслуживание промышленной техники, как правило, идет по двум сценариям. Это ремонт после поломки, который оборачивается простоями, либо плановая замена узлов по регламенту, при которой нередко меняют еще работоспособные детали. Оба подхода увеличивают издержки.
Существующие системы мониторинга и диагностики ориентированы на отдельные параметры: контроль вибрации, температуры, загрузки станков, учет простоев, защиту станка или анализ технологического процесса. Запатентованный вузом способ развивает комплексный подход, объединяя данные различных датчиков, цифровой паспорт оборудования и адаптивную модель его технического статуса.
Ученые подчеркивают, что цифровой двойник — не трехмерная картинка станка, а модель его текущих характеристик, объединяющая все сведения. Перед эксплуатацией формируется так называемый цифровой паспорт, куда вносят данные о станке, узлах, режимах работы, границах допустимых значений и эталонных траекториях параметров, полученных на исправном оборудовании. Далее модель регулярно получает текущие данные от датчиков и сравнивает их с ожидаемым поведением техники. Поэтому «здоровое» состояние определяется не абстрактной нормой, а набором признаков, характерным для конкретного станка.
Отличительная особенность решения — углубленная проверка механических узлов станка по совокупности виброакустических, тахометрических, электрических, температурных и дискретных сигналов на основе нейросетевых подходов. Новое решение объединяет эти данные в единую картину, сопоставляет с цифровым паспортом станка и его расчетной моделью, адаптируется к установке, учитывает режимы работы и историю измерений. Модульная архитектура позволяет настраивать датчики под требования конкретного объекта.
Задача системы не заменить инженера, а дать ему более полную информацию: выявить нетипичное изменение характеристик, зафиксировать событие, оценить динамику его развития и помочь выбрать дальнейшие действия — дополнительную диагностику, планирование ремонта или проверку по регламенту.
При этом нейросетевая модель дообучается на основе данных цифрового двойника — без остановки оборудования и без участия оператора. Это позволяет учитывать индивидуальные особенности конкретного станка и изменение его показателей в течение жизненного цикла. Алгоритм прогнозирует время до достижения пороговых значений, а при их достижении передает сигнал во внешние системы предприятия (возможна интеграция с ЧПУ, АСУ ТП, SCADA и другими).
Ожидаемый эффект — снижение риска внеплановых остановок и обоснованное планирование ремонтов. Наиболее заметный результат можно ожидать на предприятиях с высокой стоимостью простоя и интенсивным режимом работы: это машиностроение, металлообработка и производство компонентов. Конкретный экономический эффект оценят после пилотного внедрения.
«Следующий этап — переход от диагностики в контрольных режимах к оценке состояния станка в процессе резания. Для этого требуется синхронизировать вибродиагностику с параметрами обработки, током, температурой и частотой вращения. В дальнейшем подход может использоваться для оценки состояния режущего инструмента, выявления признаков износа и подготовки рекомендаций по корректировке режимов обработки», — говорят разработчики.
Авторы изобретения — сотрудники университета М. В. Желонкин, С. А. Манцеров, М. С. Аносов, Д. А. Шатагин, Н. С. Клочкова, А. А. Баевский, А. Н. Асташкин, И. Ю. Шубаев. По их словам, сам принцип объединения данных датчиков, цифрового паспорта, расчетной модели и прогноза изменения величин применим не только к станкам. Он может быть востребован для редукторов, насосов, электроприводов, испытательных стендов, транспортных систем и другого оборудования, но для каждого класса машин нужна отдельная настройка.
Проект реализуется в рамках программы Минобрнауки России «Приоритет-2030» (национальный проект «Молодежь и дети»).
