Шибаков В.Г., Исавнин А.Г., Малныч А.А.

Камская государственная инженерно-экономическая академия,

Набережные Челны, Россия.

УДК 658.588.2

Модели для определения сроков отказа узлов и деталей кузнечно-штамповочных машин

Анализ многочисленных исследований, связанных с оценкой надежности оборудования показал, что при интенсивной эксплуатации его годовая производительность к концу срока службы снижается в 1,5 – 2 раза по сравнению с первоначальной. При этом аварийные отказы оборудования повышаются в 2 – 3 раза.

Эксплуатация любой детали машины предполагает воздействие на нее большого количества различных факторов, которые вызывают ухудшение во времени ее технического состояния, что приводит к отказу работы оборудования. При прогнозировании сроков отказа работы оборудования возможно использование различных математических моделей. Наиболее совершенные прогнозные модели предполагают учет различных факторов, влияющих на изменение технического состояния детали в процессе ее эксплуатации, при этом ресурс детали измеряется в единицах времени (часы, сутки). К основным факторам, определяющим характер изменения технического состояния детали можно отнести вариацию прочностных характеристик ее материала и геометрических размеров штампуемой детали, условия эксплуатации, рабочие нагрузки. Кроме них, необходимо выделить такие факторы как: соблюдение условий технологического процесса, качество технического обслуживания и ремонта и другие. Случайный характер рассмотренных факторов приводит к случайному характеру изменения технического состояния и сроков отказа.

Для решения задач прогнозирования сроков отказа различными исследователями было предложено множество моделей, отличающихся видом исходной информации, методами ее анализа и формой представления результатов [1 - 6]. Анализ рассмотренных моделей позволяет выделить ряд подобных свойств, что позволяет разработать их классификацию применительно к КШМ. Любая из представленных моделей в таблице 1 выполняется в два этапа. На первом определяются параметры к прогнозированию, а на втором – непосредственно осуществляется процедура прогнозирования.

Таблица 1 – Классификация прогнозируемых моделей

Тип модели	Исходная информация	Срок выполнения прогноза
Ресурсная	Данные о сроках ремонтов	Начало эксплуатации детали
Силовая	Прочностные и геометрические характеристики детали, статистика технологических нагрузок	Конец периода наблюдения
Диагностическая	Данные диагностик	Срок последней диагностики
Экспертная	Экспертная оценка ресурсов деталей	Начало эксплуатации детали

В общем случае выражение для определения прогнозируемого срока отказа () деталей и узлов оборудования выглядит следующем образом [7]:

(1)

где – срок начала упреждения прогноза, соответствующий сроку начала эксплуатации детали;

– детерминированное значение использованной части ресурса детали (продолжительность эксплуатации) на начало срока выполнения прогноза;

– прогнозная оценка остаточного ресурса детали.

В зависимости от типа используемой модели и факторов, влияющих на данную модель, слагаемые выражения 1 будут меняться. Исходя из случайного характера факторов, влияющих на изменение технического состояния деталей, следовательно и сроков их отказа, можно считать, что наиболее приемлемым является описание , так как в реальный момент времени . Используя закон распределения для , значение будет определяться для заданной вероятности безотказной работы , с учетом вида закона распределения остаточного ресурса и его параметров – математического ожидания и коэффициентов вариации[7]:

(2)

Параметры , и могут быть определены на основе анализа различной исходной информации: статистика аварийных и плановых ремонтов, статистика диагностик, экспертная оценка ресурса, статистика технологических нагрузок, статистика испытаний и т.д. В зависимости от вида исходной информации применяется собственный математический аппарат, который учитывает специфику этой информации [8]. Результатом обработки информации являются входные параметры для прогнозирования. Поэтому справедливо будет назвать анализ исходной информации, результатом которого является получение параметров к прогнозированию процедурой параметризации. Таким образом, для прогнозирования сроков отказа можно использовать типовую прогнозную модель, параметрами которой являются, и вне зависимости от вида исходной информации.

Ресурсная параметризирующая модель базируется на использовании статистической информации о сроках проведенных ремонтов – «Статистика ремонтов», соответственно входной информацией будут сроки проведения ремонтов и оценка технического состояния. Применив методы математической статистики и теорию вероятности, данная модель позволит получить значения параметров , и для потока ресурсов. В общем виде данную модель можно представить:

(3)

где – сроки проведения ремонтов детали по ее предыдущим реализациям;

– оценка технического состояния детали на момент осуществления ее ремонта.

Выражение 1 для ресурсной модели, с учетом того, что в этой модели не целесообразно разделять и , а параметры , и определяются из их совместного анализа, примет вид:

(4)

где

Сроком начало эксплуатации будет считаться срок последнего ремонта.

Силовая параметризирующая модель применяет в своем математическом аппарате данные о технологическом процессе и конструкции машины, с целью определения нагрузок на деталь, так как именно от нагрузки напрямую зависит износ деталей. Входной информацией будет являться статистика производственных программ и физические характеристики исследуемой детали. Производственная программа представляет собой совокупность статистических данных о виде и объеме продукции, особенностях её обработки и усилие на которых производилась данная обработка. Главной ее особенностью является математическое описание процесса накопления повреждений и использование данных о физических характеристиках в исследуемой детали. В общем виде такую модель можно представить как:

(5)

где – особенности производственной программы, характеризующие нагрузки , действующие на эксплуатируемую деталь за интервал времени ; – геометрические характеристики детали; – прочностные характеристики детали; – статистика данных о нагрузках по предыдущим реализациям.

В этой модели определяется отдельно и является детерминированной величиной определяемой расчетным путем. Значение описывается законом распределения , и . В данной модели сроком начала упреждения прогноза принимается срок последнего ремонта.

Выражение для определения прогнозируемого срока отказа работы () детали будет иметь вид как выражение (1).

Диагностическая параметризирующая модель представляет собой математический аппарат, использующий в процессе своего функционирования данные о сроках и результатах проведенных диагностик. Особенность этой модели заключается в получении значения остаточного ресурса детали на основании данных о текущем техническом состоянии. Совокупность исходных данных для этой модели представлена как «Статистика диагностик» Эту модель можно представить выражением:

(6)

где – значение диагностируемого параметра для эксплуатируемой детали в момент времени ; – статистика данных диагностик по предыдущим реализациям.

В данной модели определяется только значение , которые описывается законом распределения , и . Сроком начала упреждения прогноза принимается срок последней диагностики. А выражение 1 примет вид:

(7)

Экспертная параметризирующая модель наиболее простая из всех параметризирующих моделей. Точность параметров зависит от квалификации и опыта эксперта. Ее параметры определяются на основании экспертных оценок ресурса детали, выдаваемых механиком цеха. Использование данной модели рационально на ранней стадии эксплуатации оборудования, когда нет достаточного количества статистической информации о ремонтах и техническом обслуживании оборудования или для деталей которые не являются дорогостоящими и ответственными в работе оборудования. Эту модель можно выразить как:

(8)

где – экспертная оценка максимального ресурса исследуемой детали;

– экспертная оценка минимального ресурса исследуемой детали.

Так же как и в статистической модели, в ней и не разделяются и , и определяются из их совместного анализа, выражение 4. В данной модели сроком начала упреждения прогноза принимается срок последнего ремонта.

Таким образом, рассмотрев четыре наиболее приемлемые модели для определения прогнозируемого срока отказа () деталей и узлов КШМ, можно сделать вывод, что каждая из них имеет свой подход к определению срока отказа, но при этом используются одни те же параметры , и . Этот факт позволяет производить сравнительный анализ эффективности использования данных моделей, а также позволяет им быть взаимозаменяемыми и дополняемыми друг друга. Каждой из моделей соответствует собственное значение технических характеристик: точность прогноза, финансовые затраты на прогнозирование, простота использования и т.д. Поэтому именно ремонтные службы предприятия, в зависимости от квалификации своих кадров, финансовой стороны и других факторов определяют, какую модель использовать при прогнозировании сроков отказов работы детали. Известно, что каждая модель имеет свои преимущества и недостатки. Экспертная модель требует минимальных финансовых затрат, но требует человека высокой квалификации и при этом не обеспечивает высокой точности прогнозирования. Прочностная и ресурсная модель полностью построена на расчетах, которые не учитывают таких факторов как нарушение технологического процесса, перегрузка и т.д., что приводит к уменьшению срока безотказной работы детали, а иногда и к аварийным остановкам оборудования. Самой эффективной является диагностическая модель, она же и самая дорогая, при этом она обеспечивает наивысшую точность в прогнозировании сроков отказа работы детали из всех представленных моделей.

Совокупность представленных параметризирующих моделей можно объединить в рамках единой экспертной системы прогнозирования. При использовании такой системы важно узлы и детали классифицировать на 4 группы, соответствующие данным моделям. Взаимодействие ресурсной, силовой, диагностической и экспертной модели для определения сроков отказа деталей КШМ в общей цепочке обслуживания оборудования ремонтными бригадами можно представить на рисунке 1.

Рисунок 1 – Система прогнозирования сроков отказа узлов и деталей КШМ

Использование этой системы позволит не только определить срок отказа детали, но и проследить развитие дефекта. Это возможно благодаря использованию диагностической модели, которая позволяет отслеживать состояние детали в реальный момент времени и прогнозировать развитие дефектов. Для этого анализируются тренды, представляющие собой зависимость диагностических симптомов от времени. Симптом характеризуется разницей между фактическим и эталонным значениями диагностических параметров [9]. (9)

Существует два основных вида прогнозирования состояния объектов диагностики. Первый – по тренду, построенному в результате аппроксимации ретроспективных данных диагностических симптомов с дальнейшей экстраполяцией аппроксимирующей функции, рисунок 2, а. Второй вид прогнозирования – по заранее известному тренду, построенному с момента начала нормальной работы однотипных узлов и деталей КШМ до полного их выхода из строя, т.е. по всему жизненному циклу, рисунок 2, б [9-11].

а) б)

Рисунок 2 – Тренды: а – тенденция развития диагностического симптома во времени, построенная по ретроспективным данным с дальнейшей экстраполяцией аппроксимирующей зависимости (∙ – экспериментально полученные данные); б – зависимость изменения диагностического симптома от времени, построенная с момента нормальной работы машины до выхода её из строя.

При использовании тренда, рисунок 2,а необходимо знать предельное значение диагностического симптома и фактическое кривой тренда. Остаточный ресурс можно оценить с помощью приближений, количество таких приближений будет зависеть от степени монотонности кривой. Точкой не возврата (ремонта) определяется при пересечении тренда с линией, характеризующей предельное значение диагностического симптома . Для тренда под рисунком 2,б остаточный ресурс в первом приближении может быть оценен как разность времени , соответствующего предельному значению диагностического симптома , и времени , соответствующего значению диагностического симптома на момент измерения диагностического параметра.

Построение тренда основывается на накопленной статистике о текущем техническом состоянии, полученной в результате проведенных диагностик. Для решения задачи прогнозирования срока отказа накопленная статистика по каждой проведенной диагностике преобразуется с целью представления ее в виде функции: (10)

где – значение симптома на момент времени , соответствующий сроку последней диагностики.

При формировании функции (10), для каждой - ой точки статистики используется выражение [12]:

(11)

где – дата отказа; – дата проведения - ой диагностики.

После преобразования получаем статистику оценки остаточного ресурса, характеризующую зависимость изменения от текущего технического состояния. Используя значение по каждой диагностике, соответствующее началу эксплуатации , и применив аппарат математической статистики, определяем параметры: закон распределения остаточного ресурса и коэффициент вариации .

Последующая обработка статистики позволяет получить функцию для определения тренда остаточного ресурса детали в зависимости от :

(12)

Таким образом, в результате обработки статистики оценки остаточного ресурса получаем значения параметров: , и , необходимых при прогнозировании.

Процесс прогнозирования осуществляется в 4 этапа:

1. Определяется математическое ожидание остаточного ресурса из выражения (2.12), используя оценку технического состояния ;

2. Определяется остаточный ресурс из выражения 2;

3. Осуществляется прогноз срока отказа , используя выражение 7.

4. Определяется точка не возврата (ремонта)

В зависимости от метода технической диагностики, для определения диагностического симптома используются различные диагностические параметры. Выбор определенного метода зависит от многих параметров. В данной работе был проведен морфологический анализ, рассматривались различные диагностические параметры [13 - 16]: силовые, тепловые, виброакустические параметры движения, электрические параметры, мощность, расход, точностные, КПД, геометрические, наличие продуктов износа и пр., результаты которого представлены в таблице 2.

Таблица 2 – Морфологический анализ при выборе методов технического диагностирования

Задачи, универсальность и обеспеченность диагностирования	Метод технического диагностирования
	Вибрационная диагностика	Ультразвуковая дефектоскопия	Тензометрия	Температурная диагностика	Акустическая эмиссия
Определение диагностических характеристик при проектировании	+	–	+	+	–
Наличие нормативных оценочных характеристик	+	–	+	+	–
Диагноз неразрушающими методами	+	+	+	+	+
Диагноз без специальных остановов оборудования	+	–	–	+	–
Наработка многоуровневой оценки ТС оборудования	+	–	+	–	–
Применимость при свидетельствовании продления ресурса	+	+	+	–	–
Трендовая диагностика	+	+	+	–	–
Диагностический мониторинг	+	+	+	+	+
Опыт применения в смежных отраслях	+	+	–	+	–
Возможность диагноза разнотипного оборудования	+	–	–	–	–
Оперативность	+	+	–	+	–
Экономичность	+	+	–	+	–

Анализ научных работ и практических исследований в области диагностики показал, что большой объем диагностической информации содержится в акустическом или гидродинамическом шуме и вибрации – это их общий уровень, уровни в определенных полосах частот, соотношения между этими уровнями, амплитуды и т.д. Таким образом, именно сигналы вибрации и шума в наибольшей степени удовлетворяют требованию, предъявляемому к диагностическим сигналам для решения задач технической диагностики и прогноза состояния машин, что подтверждается результатами, изложенными в таблице 2.

Вывод. В процессе разработки системы прогнозирования сроков отказа деталей КШМ были предложены модели и их практическая значимость для проведения ремонтных работ. Морфологический анализ позволил выделить сигнал который является наиболее информативным в процессе диагностирования. Вне зависимости от вида исходной информации (данные о ремонтах, диагностиках, технологического процесса, объема выпускаемой продукции, прочностных и геометрических характеристиках детали и т.д.), используемой для определения параметров прогнозной модели процедура прогнозирования сроков отказа использует одни и те же исходные параметры для всех моделей. Это в свою очередь позволяет использовать модели как единое целое, а эффективность заключается в экономии денежных средств и времени, а также в повышении точности прогнозирования сроков отказа узлов и деталей.

Список литературы

1. Болотин В.В. Прогнозирование ресурса машин и конструкций. - М.: Машиностроение, 1984. – 312 с.

2. Дружинин Г.В. Надежность автоматизированных систем. - М.: Энергия, 1977. – 536 с.

3. Капур К., Ламберсон Л. Надежность и проектирование систем. – М.: 1980. – 604 с.

4. Кинематика и долговечность подшипников качения машин и приборов / Под ред. П.И. Ящерицина. – М.: Наука и техника, 1977. – 176с.

5. Кугель Р.В. Испытания на надежность машин и их элементов. М.: Машиностроение, 1982. – 181 с.

6. Проников А.С. Надежность машин. – М.: Машиностроение, 1978.

7. Ченцов Н.А., Ченцова Н.С. Прогнозирование сроков отказа металлургического оборудования. Металлургия и горнорудная промышленность – 1994. Вып. №3 – 75-77 с.

8. Анисимов М.И, Кудинов О.В., Украинцев Б.П. Ремонт и монтаж кузнечно-прессового оборудования. – М.: Машиностроение, 1973. – 624 с.

9. Баркова Н.А. Введение в виброакустическую диагностику роторных машин и оборудования: Учебное пособие. – СПб.: Изд. Центр СПбГМТУ, 2003. – 160 с.

10. Малныч А.А., Клочков Е.Ю. Автоматизированная структура взаимодействий служб в технологическом процессе. Электронный сборник трудов конференции «Студенческая весна 2007: технологии обработки давлением» Москва, МГТУ им. Н.Э.Баумана Зарегистрирован В ФГУП НТЦ «Информрегистр» №0320700599.

11. Шибаков В.Г., Малныч А.А., Клочков Е.Ю. Алгоритм программы записи виброаукустического сигнала снимаемого с кузнечно-прессового оборудования и прогнозирование его работы. Прогрессивные технологии и оборудование при обработке материалов давлением: научные труды Всероссийского Совещания обработчиков давлением. Ульяновск, УлГТУ – 2007. 9-13 с. – 92 с.: ил.

12. Ченцов Н.А., Ручко В.Н, Сулейманов С.Л. Использование данных диагностики при прогнозировании срока отказа деталей механического оборудования. Прогрессивные технологии и системы машиностроения. Международный сб. научных трудов. Донецк, ДонГТУ – 1999. Вып. №7. – 191-197 с.

13. Калявин В.П., Мозгалевский А.В. Технические средства диагностирования. – Л.: «Судостроение», 1984. 208 с.

14. Колот Р.А. Диагностика повреждений.: Перевод с английского. Под ред. П.Г. Бабаевского. – М.: «Мир», 1989. – 516 с.

15. Рудаков П.И., Сафонов И.В. Обработка сигналов и изображений. MATLAB. – М.: «ДИАЛОГ-МИФИ», 2000. 416 с.

16. Клюев В.В. и др. Техническое средство диагностирования. Справочник. – М.: «Машиностроение», 1989. – 671 с.