ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2024. №12

УДК: 534.6.08

ПРОЕКЦИОННЫЙ МЕТОД ОПРЕДЕЛЕНИЯ

АНОМАЛЬНЫХ ДАТЧИКОВ В ЗАДАЧАХ ВИБРОАКУСТИКИ

Н.А. Кутузов, А.А. Родионов

Институт прикладной физики им. А.В. Гапонова-Грехова РАН,

603950, Нижний Новгород, ул. Ульянова, 46

Статья поступила в редакцию 20 августа 2024 г.

Аннотация. В виброакустических задачах распространенной проблемой при проведении измерений с использованием набора вибродатчиков является отсутствие точной модели сигнала на приемниках. Подобная неопределенность может привести к деградации алгоритмов обработки и неправильному решению обратной задачи. Также из-за неисправности вибродатчики могут выдавать некорректный результат, ухудшая качество измерений. На практике поиск таких аномальных датчиков представляет отдельную нетривиальную задачу. В настоящей работе для ее решения предложен оригинальный метод, относящийся к проекционным алгоритмам. Показано, что предложенный подход позволяет обнаруживать аномальные приемники различного типа. Главной особенностью метода является совмещение численной конечно-элементной модели исследуемого объекта и экспериментальных данных. Эффективность предложенного метода продемонстрирована в задаче локализации виброисточников. Новый метод может быть использован и в других приложениях, где решение обратной задачи происходит с использованием численной или аналитической модели.

Ключевые слова: проекционные методы, локализация источников, отбор датчиков, шумы и вибрации.

Финансирование: работа выполнена в рамках госзадания №FFUF-2024-0040.

Автор для переписки: Кутузов Никита Анатольевич, nik-kutuzov@yandex.ru

Литература

1. Petyt M. Introduction to finite element vibration analysis. – Cambridge university press,2010. https://doi.org/10.1017/CBO9780511761195

2. Pastor M., Binda M., Harčarik T. Modal assurance criterion // Procedia Engineering. – 2012. – Т. 48. – С. 543-548. https://doi.org/10.1016/j.proeng.2012.09.551

3. Lee E.T., Eun H.C. Optimal sensor placements using modified Fisher information matrix and effective information algorithm // International Journal of Distributed Sensor Networks. – 2021. – Т. 17. – №. 6. https://doi.org/10.1177/15501477211023022

4. Heo G., Wang M.L., Satpathi D. Optimal transducer placement for health monitoring of long span bridge // Soil dynamics and earthquake engineering. – 1997. – Т. 16. – №. 7-8. – С. 495-502. https://doi.org/10.1016/S0267-7261(97)00010-9

5. Teh H.Y., Kempa-Liehr A.W., Wang K.I.K. Sensor data quality: A systematic review // Journal of Big Data. – 2020. – Т. 7. – №. 1. – С. 11. https://doi.org/10.1186/s40537-020-0285-1

6. Hotelling H. Analysis of a complex of statistical variables into principal components // Journal of educational psychology. – 1933. – Т. 24. – №. 6. – С. 417. https://doi.org/10.1037/h0071325

7. De Boe P., Golinval J.C. Principal component analysis of a piezosensor array for damage localization // Structural health monitoring. – 2003. – Т. 2. – №. 2. – С. 137-144. https://doi.org/10.1177/1475921703002002005

8. Golub G.H., Van Loan C.F. Matrix computations. – JHU press, 2013. https://doi.org/10.1137/1.9781421407944

9. Pirra M. et al. PCA algorithm for detection, localisation and evolution of damages in gearbox bearings // Journal of Physics: Conference Series. – IOP Publishing, 2011. – Т. 305. – №. 1. https://doi.org/10.1088/1742-6596/305/1/012019

10. Tibaduiza D. et al. A sensor fault detection methodology applied to piezoelectric active systems in structural health monitoring applications // IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2016. – Т. 138. – №. 1. https://doi.org/10.1088/1757-899X/138/1/012016

11. Dunia R. et al. Use of principal component analysis for sensor fault identification // Computers & Chemical Engineering. – 1996. – Т. 20. – С. S713-S718. https://doi.org/10.1016/0098-1354(96)00128-7

12. Xu C., Zhao S., Liu F. Sensor fault detection and diagnosis in the presence of outliers // Neurocomputing. – 2019. – Т. 349. – С. 156-163. https://doi.org/10.1016/j.neucom.2019.01.025

13. Abu-Mahfouz I. Drilling wear detection and classification using vibration signals and artificial neural network // International Journal of Machine Tools and Manufacture. – 2003. – Т. 43. – №. 7. – С. 707-720. https://doi.org/10.1016/S0890-6955(03)00023-3

14. Zonzini F. et al. Machine learning meets compressed sensing in vibration-based monitoring // Sensors. – 2022. – Т. 22. – №. 6. – С. 2229. https://doi.org/10.3390/s22062229

15. Zhu K., San Wong Y., Hong G.S. Wavelet analysis of sensor signals for tool condition monitoring: A review and some new results // International Journal of Machine Tools and Manufacture. – 2009. – Т. 49. – №. 7-8. – С. 537-553. https://doi.org/10.1016/j.ijmachtools.2009.02.003

16. Diez A. et al. A clustering approach for structural health monitoring on bridges // Journal of Civil Structural Health Monitoring. – 2016. – Т. 6. – С. 429-445.

https://doi.org/10.1007/s13349-016-0160-0

17. Žvokelj M., Zupan S., Prebil I. Multivariate and multiscale monitoring of large-size low-speed bearings using ensemble empirical mode decomposition method combined with principal component analysis // Mechanical Systems and Signal Processing. – 2010. – Т. 24. – №. 4. – С. 1049-1067. https://doi.org/10.1016/j.ymssp.2009.09.002

18. Kutuzov N.A. et al. Study of the possibility of localizing multiple vibration sources in a mechanoacoustic system with a large number of degrees of freedom // Acoustical Physics. – 2020. – Т. 66. – С. 313-319. https://doi.org/10.1134/S1063771020030033

19. Kutuzov N.A., Rodionov A.A., Stulenkov A.V. Localization of Multiple Vibration Sources Using a Modified MUSIC Algorithm // Physics of Wave Phenomena. – 2024. – Т. 32. – №. 1. – С. 56-66. https://doi.org/10.3103/S1541308X24010059

20. Goutaudier D., Osmond G., Gendre D. Impact localization on a composite fuselage with a sparse network of accelerometers // Comptes Rendus. Mécanique. – 2020. – Т. 348. – №. 3. – С. 191-209. https://doi.org/10.5802/crmeca.12

21. Turek G., Kuperman W.A. Applications of matched-field processing to structural vibration problems // The Journal of the Acoustical Society of America. – 1997. – Т. 101. – №. 3. – С. 1430-1440 https://doi.org/10.1121/1.418168

22. Луковский М.А., Матвеев А.М. Сравнительный анализ методов калибровки каналов сигналов антенн моноимпульсной радиолокации // Журнал радиоэлектроники. – 2022. – №. 6. https://doi.org/10.30898/1684-1719.2022.6.5

23. Valle S., Li W., Qin S.J. Selection of the number of principal components: the variance of the reconstruction error criterion with a comparison to other methods // Industrial & Engineering Chemistry Research. – 1999. – Т. 38. – №. 11. – С. 4389-4401. https://doi.org/10.1021/ie990110i

24. Leys C. et al. Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median // Journal of experimental social psychology. – 2013. – Т. 49. – №. 4. – С. 764-766. https://doi.org/10.1016/j.jesp.2013.03.013

25. Suvorov A.S., Sokov E.M., V’yushkina I.A. Regular algorithm for the automatic refinement of the spectral characteristics of acoustic finite element models // Acoustical Physics. – 2016. – Т. 62. – С. 593-599. https://doi.org/10.1134/S1063771016050171

26. DeVore R. A., Temlyakov V.N. Some remarks on greedy algorithms // Advances in computational Mathematics. – 1996. – Т. 5. – №. 1. – С. 173-187. https://doi.org/10.1007/BF02124742

27. Dumitrescu B. Sparse total least squares: analysis and greedy algorithms // Linear Algebra and its Applications. – 2013. – Т. 438. – №. 6. – С. 2661-2674. https://doi.org/10.1016/j.laa.2012.10.032

Для цитирования:

Кутузов Н.А., Родионов А.А. Проекционный метод определения аномальных датчиков в задачах виброакустики // Журнал радиоэлектроники. – 2024. – №. 12. https://doi.org/10.30898/1684-1719.2024.12.8