Россия
Россия
Россия
Цель: Разработка объективного подхода к определению наиболее эффективных вейвлетов для конкретных типов вибрационных сигналов дизельных двигателей на основе количественных критериев с возможностью последующего применения в системах диагностики тепловозов. Исследование направлено на создание универсальной методики сравнительной оценки различных вейвлетов, что является важным шагом в развитии современных методов вибродиагностики. Методы: Экспериментальное получение вибрационных сигналов с помощью трехпозиционного датчика на дизельном двигателе, последующая обработка данных с применением вейвлет-пакетного преобразования в среде программирования Python. Проведена оценка эффективности 35 различных вейвлетов из семейств Добеши, Коифлеты, Биортогональные, Обратные биортогональные, Симлеты и Хаар по двум объективным критериям: минимальной среднеквадратичной ошибке (MSE) реконструкции и максимальной спектральной энергии сигнала. Сравнительный анализ проводился с использованием специально разработанного алгоритма ранжирования и отбора оптимальных вейвлетов на основе параллельной оценки по обоим критериям. Результаты: Представлена универсальная методика выбора оптимальной материнской вейвлет-функции для анализа вибрационных сигналов дизельных двигателей. Установлено, что для исследуемого сигнала оптимальными по обоим критериям являются вейвлеты bior3.3, bior3.5 и bior3.7, обеспечивающие наилучший баланс между точностью реконструкции и сохранением энергетических характеристик. Полученные результаты позволяют количественно обосновать выбор вейвлета для конкретного типа сигнала, что повышает достоверность диагностики. Практическая значимость: Разработанная методика позволяет объективно выбирать оптимальные материнские вейвлеты для вейвлет-пакетного преобразования вибросигналов, что повышает эффективность вибродиагностики дизельных двигателей тепловозов и позволяет совершенствовать существующие интеллектуальные системы мониторинга технического состояния с возможностью раннего обнаружения неисправностей и прогнозирования остаточного ресурса.
Дизельный двигатель, вибродиагностика, вейвлет-преобразование, вейвлет-пакет, среднеквадратичная ошибка, спектральная энергия, декомпозиция сигнала.
1. Малла С. Вэйвлеты в обработке сигналов. — М.: Мир, 2005. — 671 с.
2. Добеши И. Десять лекций по вейвлетам. — Ижевск: РХД, 2001. — 464 с.
3. Lee G. R. PyWavelets: A Python package for wavelet analysis / G. R. Lee, R. Gommers, F. Wasilewski, K. Wohlfahrt et al. // Journal of Open Source Software. — 2019. — Vol. 4(36). — P. 1237. — DOI:https://doi.org/10.21105/joss.01237.
4. Воробьев В. И. Теория и практика вейвлет-преобразования / В. И. Воробьев, В. Г. Грибунин. — СПб.: ВУС, 1999. — 204 с.
5. Можаров Г. П. Сравнительный анализ адаптивных алгоритмов вейвлет-пакетов / Г. П. Можаров // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия «Приборостроение». — 2016. — № 1(106). — С. 75–88.
6. Kewei O. Adaptive Multi-Scale Wavelet Neural Network for Time Series Classification / O. Kewei, H. Yi, Z. Shilin, Z. Ye // Information an International Interdisciplinary Journal. — 2021. — Т. 12. — Iss. 6. — P. 252. — DOI:https://doi.org/10.3390/INFO12060252.
7. Yu H. AdaWaveNet: Adaptive Wavelet Network for Time Series Analysis / H. Yu, G. Peikun, S. Akane // arXiv preprint arXiv:2405.11124. — 2024. — DOI: 10.48550/ arXiv.2405.11124.
8. Wolter M. Adaptive wavelet pooling for convolutional neural networks / M. Wolter, J. Garcke // Proceedings of Machine Learning Research. — 2021. — Vol. 130. — Pp. 1–12.
9. Oppenheim A. V. Discrete-Time Signal Processing / A. V. Oppenheim, R. W. Schafer. — 3rd ed. — Prentice Hall, 2009. — 1144 p.
10. Antonini M. Image coding using wavelet transform / M. Antonini, M. Barlaud, P. Mathieu, I. Daubechies // IEEE Transactions on Image Processing. — 1992. — Vol. 1. — Iss. 2. — Pp. 205–220.
11. Oppenheim A. V. Discrete-Time Signal Processing / A. V. Oppenheim, R. W. Schafer. — 3rd ed. — Prentice Hall, 2009. — 1144 p.
12. Грачев В. В. Диагностирование электронного оборудования локомотива с использованием интеллектуальных классификаторов / В. В. Грачев, М. В. Федотов, А. В. Грищенко и др. // Eltrans 2023: сборник трудов XI Международного симпозиума, Санкт-Петербург, 31 мая — 2 июня 2023 года / Петербургский государственный университет путей сообщения Императора Александра I. — Санкт-Петербург: ООО «ИПК «НП-Принт», 2023. — С. 134–145.
