Класифікація технічного стану підшипника кочення за скалярними індикаторами методом опорних векторів

Abstract

UA: Проблематика: потреба в класифікації технічного стану підшипників кочення методами машинного навчання для зменшення впливу людського фактору та скорочення тривалості діагностування; Мета дослідження: визначення прийнятної комбінації скалярних індикаторів для забезпечення бінарної класифікації з високою точністю; Методика реалізації: для зареєстрованого сигналу справного підшипника кочення буксового вузла рухомого складу й підшипника з пошкодженим роликом розраховувались чотири скалярні індикатори: середньоквадратичне значення вібрації, хрест-фактор, коефіцієнт асиметрії та коефіцієнт ексцесу, які групувались у відповідні набори даних й використовувались для навчання за методом опорних векторів; Результати дослідження: розрахована точність навчання для чотирьох наборів даних із двома різними предикторами в кожній; Висновки: зважаючи на специфіку поведінки середньоквадратичного значення вібрації та коефіцієнту ексцесу, вдалося у відповідних комбінаціях досягти 100 % точності навчання за методом опорних векторів.

EN: Background: the necessity to classify the technical condition of rolling bearings by machine learning methods to reduce the influence of the human factor and to reduce the duration of diagnostics; Objective: determining an acceptable combination of scalar indicators to provide high accuracy of the binary classification; Methods: for the acquired signals of the fault free axle-bearing of rolling stock and the bearing with the damaged roller, four scalar indicators were calculated: root mean square, crest factor, asymmetry and kurtosis, which were grouped into the corresponding datasets and used for training the support vector machines; Results: learning accuracy was calculated for the four datasets with two different predictors in each dataset; Conclusions: the properties of the behavior of the root mean square and kurtosis of vibration were taken into account, and it was possible to achieve 100 % accuracy of learning the support vector machines in the corresponding combinations of the scalar indicators.