Ученые Физико-технического института Петрозаводского государственного университета разработали беспроводной датчик вибрации с встроенной системой анализа данных. Устройство предназначено для непрерывного контроля технического состояния оборудования горнопромышленных предприятий и раннего выявления неисправностей. Разработка прошла апробацию на камнеобрабатывающих предприятиях Республики Карелия.
Вибрационный анализ является основным методом диагностики роторного и ударного оборудования. Измерение вибрационных характеристик позволяет обнаружить износ подшипников, дисбаланс, расцентровку валов и ослабление креплений на ранней стадии — задолго до отказа оборудования. Для предприятий горнопромышленного комплекса эта задача особенно актуальна. Щековые дробилки, применяемые для измельчения горной породы, работают в условиях интенсивных ударных нагрузок. Внеплановая остановка дробилки приводит к простою всей технологической линии производства щебня. Переход от планово-предупредительного ремонта к обслуживанию по фактическому техническому состоянию (предиктивному обслуживанию) позволяет снизить число аварийных остановок и затраты на ремонт.
Вместе с тем, серийные системы вибромониторинга отличаются высокой стоимостью, что ограничивает их применение, а распространенные бюджетные решения лишь передают необработанный сигнал на внешний сервер, что требует дополнительной вычислительной инфраструктуры.
Авторы создали беспроводной узел вибрационного мониторинга, выполняющий полный цикл обработки сигнала непосредственно на устройстве с помощью так называемых периферийных вычислений. Датчик устанавливается на корпус оборудования с помощью магнита или резьбового крепления и включает: трехосевой малошумящий широкополосный МЭМС-акселерометр для диагностики подшипниковых узлов, двухъядерный микроконтроллер с модулем Wi-Fi и датчики температуры. Система обеспечивает контроль общего уровня вибрации и температуры, а также спектральный анализ сигналов вибрации и звука.
Для обеспечения непрерывной регистрации данных при ограниченных вычислительных ресурсах применена архитектура с разделением задач между ядрами микроконтроллера под управлением операционной системы реального времени. Одно ядро выделено исключительно для опроса датчиков, что исключает потерю отсчетов; второе выполняет спектральный анализ и обмен данными. Сигнал регистрируется по трем осям с частотой дискретизации 13,3 кГц, полный цикл обработки составляет около 0,66 с.
Одним из научных результатов работы стал предложенный авторами метод уточнения спектральных оценок, сочетающий логарифмически-параболическую интерполяцию пика и интерполяцию комплексного спектра. Метод позволил снизить погрешность оценки амплитуды, обусловленную дискретностью спектра, с 37 до 6,1 %. Эффективность алгоритма подтверждена численным моделированием и экспериментами на вибрационном стенде.
Передача данных осуществляется по промышленному протоколу Modbus TCP поверх Wi-Fi. Это обеспечивает интеграцию датчика в действующие автоматизированные системы управления технологическими процессами (АСУ ТП) без дополнительных шлюзов и прокладки кабельных линий. Параметры анализа и пороги сигнализации настраиваются дистанционно.
Программно-аппаратный комплекс прошел апробацию на площадках камнеобрабатывающих предприятий в г. Суоярви, пос. Кварцитный и пос. Пухта (Республика Карелия). Во всех случаях регистрация вибрационных сигналов позволила выявить проблемы в текущей эксплуатации щековых дробилок. Данные, полученные на площадке в Пухте, планируется использовать при разработке расширенного комплекса управления производственной линией щебеночного завода.
По словам авторов, разработка отличается низкой стоимостью аппаратной части, что делает возможным массовое оснащение оборудования средствами мониторинга. В отличие от систем на основе нейросетевых моделей, требующих обучения на данных о неисправностях конкретной машины, предложенный подход формирует физически интерпретируемые диагностические параметры и может применяться сразу после установки. Модульная архитектура программного обеспечения позволяет развивать функциональность устройства. В дальнейшем авторы планируют интегрировать в датчик облегченные модели машинного обучения для распознавания режимов работы оборудования и обнаружения аномалий.
