Обнаружение неисправностей судовых технических средств на основе новых методов интеллектуального анализа данных

Выполнено исследование эффективности преобразования Гильберта – Хуанга для анализа виброакустических сигналов, поступающих от датчиков, устанавливаемых на судовых технических средствах для диагностики их состояния (на примере обработки виброакустических сигналов от подшипников качения). Проведен критический анализ недостатков классических методов частотно-временного анализа, в частности преобразования Фурье, неприменимого для нестационарных процессов, и распределения Вигнера – Вайля, подверженного искажению. В качестве альтернативы рассмотрен метод преобразования Гильберта – Хуанга. Основное внимание уделено первому этапу метода эмпирической модовой декомпозиции. Приведено детальное описание стандартного алгоритма модовой декомпозиции, суть которого заключается в последовательном разложении исходного сигнала на интермодальные функции, каждая из которых представляет собой моночастотную компоненту. Для преодоления известных недостатков стандартного алгоритма эмпирической модовой декомпозиции, таких как чувствительность к уровню шума и явление модового смешения, в работе предложена и апробирована его модифицированная версия, построенная на основе ансамблевой эмпирической модовой декомпозиции с усовершенствованной процедурой симметричного расширения для подавления граничных эффектов. Экспериментальное исследование проведено с использованием открытой базы реальных данных виброакустических сигналов подшипников качения с искусственно созданными дефектами. Показано, что применение модифицированного алгоритма приводит к формированию гильбертова спектра с более высокой разрешающей способностью, что выражается в снижении энтропии спектра. Выполнено количественное сравнение показателя четкости гильбертого спектра для рассматриваемых алгоритмов, на основе которого продемонстрирована эффективность применения модифицированного ансамблевой эмпирической модовой декомпозиции с преобразованием Гильберта – Хуанга за счет способности к выделению и четкой частотно-временной локализации информативных признаков дефектов, таких как частота повторения импульсов, что существенно повышает достоверность диагностических выводов и подтверждает перспективность метода для внедрения в системы мониторинга технического состояния. Полученные результаты демонстрируют высокий потенциал применения преобразования Гильберта – Хуанга совместно с предложенным модифицированным методом ансамблевой эмпирической модовой декомпозиции для точной диагностики типа дефекта и оценки его временной динамики, что является основой для построения систем диагностики судовых технических средств. 

1. Makshanov A. V. A new approach to identifying the local structure of multidimensional chaotic time series / A. V. Makshanov, A. E. Zhuravlev, L. N. Tyndykar // Journal of Physics: Conference Series. — 2021. — Vol. 2142. — Is. 1. — Pp. 012011. DOI: 10.1088/1742-6596/2142/1/012011.

2. Yusupov R. M. Evaluation of Statistical Forecast Method Efficiency in the Conditions of Dynamic Chaos / R. M. Yusupov, A. A. Musaev, D. A. Grigoriev // 2021 IV International Conference on Control in Technical Systems (CTS) — 2021. — С. 178–180. DOI: 10.1109/CTS53513.2021.9562780.

3. Makshanov A. Analyzing and forecasting financial series with singular spectral analysis / A. Makshanov, A. Musaev, D. Grigoriev // Dependence Modeling. — 2022. — Vol. 10. — Is. 1. — Pp. 215–224. DOI: doi:10.1515/demo-2022-0112.

4. Musaev A. Statistical Analysis of Current Financial Instrument Quotes in the Conditions of Market Chaos / A. Musaev, A. Makshanov, D. Grigoriev // Mathematics. — 2022. — Vol. 10. — Is. 4. DOI: 10.3390/math10040587.

5. Макшанов А. В. Алгоритмы анализа виброакустических сигналов на основе моделей нестационарности и нелинейности / А. В. Макшанов, В. А. Колесник, Д. В. Быков, Л. Н. Тындыкарь // Морской вестник. — 2023. — № 2(86). — С. 38–42. — EDN YCKKZZ.

6. Тындыкарь Л. Н. Комбинированный алгоритм оценивания динамики статистик хаотичности временных рядов измерений / Л. Н. Тындыкарь // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. — 2025. — № 3. — С. 18–28. DOI: 10.24143/2072-9502-2025-3-18-28. — EDN ZCUPLO.

7. Егоров В. В. Декомпозиция на эмпирические моды: тематический обзор (часть 1) / В. В. Егоров, Д. М. Клионский // Цифровая обработка сигналов. — 2025. — № 1. — С. 47–58. — EDN WIYADP.

8. Егоров В. В. Декомпозиция на эмпирические моды: тематический обзор (часть 2) / В. В. Егоров, Д. М. Клионский // Цифровая обработка сигналов. — 2025. — № 2. — С. 40–49. — EDN IXKOBI.

9. Николаев К. А. Сравнительный анализ возможностей и точностных характеристик преобразований Фурье и Гильберта-Хуанга при измерении параметров радиолокационных сигналов / К. А. Николаев, О. А. Николаев, С. Л. Чукалин // Морская радиоэлектроника. — 2025. — № 2(92). — С. 52–55. — EDN PNYZQM. 2025 год. Том 17. №6

10. Колесников Ю. Д. Моделирование сигнальных откликов от БПЛА при использовании доплеровской РЛС и их спектральный анализ / Ю. Д. Колесников, А. Н. Заливин, В. В. Александров, Н. В. Федорова // Экономика. Информатика. — 2025. — Т. 52. — № 2. — С. 413–420. DOI: 10.52575/2687-0932-2025-52-2-413-420. — EDN QSEFSL.

11. Строгонова Л. Б. К вопросу выбора методов математической обработки сигналов, применяемых в системе реабилитации с биологической обратной связью в условиях измененной гравитации / Л. Б. Строгонова, М. С. Баранов, Ю. А. Васин // Научно-технический вестник Поволжья. — 2024. — № 3. — С. 59–61. — EDN PSJQOC.

12. Вознесенский А. С. Частотно-временной анализ сигналов с использованием алгоритмов EMD, ITD и VMD / А. С. Вознесенский, М. Ю. Шестопалов, Д. В. Миненков [и др.] // Инженерный вестник Дона. — 2024. — № 10(118). — С. 15–35. — EDN HSLXAC.

13. Глухов В. А. Комплексная обработка данных лидарной съемки морских акваторий / В. А. Глухов, Ю. А. Гольдин, Г. В. Жегулин, М. А. Родионов // Фундаментальная и прикладная гидрофизика. — 2022. — Т. 15. — № 3. — С. 27–42. DOI: 10.59887/fpg/26nu-3hte-3n48. — EDN DCRZFG.

14. Мурзагулов Д. А. Подход к обнаружению аномалий в технологических сигналах с применением преобразования Гильберта – Хуанга / Д. А. Мурзагулов, А. В. Замятин, О. В. Романович // Автометрия. — 2021. — Т. 57. — № 1. — С. 31–41. DOI: 10.15372/AUT20210104. — EDN WUWWLI.

15. Аиша Х. Контроль и определение параметров сварной низкоуглеродистой стали E6013 с помощью ультразвукового контроля и преобразования Гильберта – Хуанга / Х. Аиша, М. Газанфар Али, М. Р. Х. Тарик [и др.] // Дефектоскопия. — 2021. — № 5. — С. 64–70. DOI: 10.31857/S0130308221050080. — EDN WPKKTU.

16. Алимурадов А. К. Методы обработки речевых сигналов и система обнаружения и классификации критических эмоциональных состояний человека в экстремальных условиях: диссертация на соискание ученой степени доктора технических наук / А. К. Алимурадов. — Пенза: Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования «Пензенский Государственный Университет», 2023. — EDN JLGODK.

17. Huang N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N-C. Yen, C. C. Tung, H. H. Liu // Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 1998. — Vol. 454. — Is. 1971. — Pp. 903–995. DOI: 10.1098/rspa.1998.0193.

18. Кан Ш.Ч. анализ нестационарных сигналов на основе преобразования Гильберта – Хуанга / Ш.Ч. Кан, А. В. Микулович, В. И. Микулович // Информатика. — 2010. — Т. 2(26). — С. 25–35.

19. Хотский Р. Р. Диагностика неисправностей судовых поршневых компрессоров с использованием преобразования Гильберта – Хуанга / Р. Р. Хотский, А. В. Макшанов, А. В. Бураков, Л. Н. Тындыкарь // Морской вестник. — 2025. — № 1(93). — С. 71–75. — EDN JVLHQR.

20. Lei Y. A review on empirical mode decomposition in fault diagnosis of rotating machinery / Y. Lei, J. Lin, Z. He, M. J. Zuo // Mechanical Systems and Signal Processing. — 2013. — Vol. 35. — Is. 1. — Pp. 108–126. DOI: 10.1016/j.ymssp.2012.09.015.

21. Ту Л. А. Анализ частотно-временных сигналов при диагностике неисправностей оборудования / Л. А. Ту, А. А. Жиленков // Оборонный комплекс научно-техническому прогрессу России. — 2020. — № 4(148). — С. 50–53. — EDN PYCJHY.

22. Распутин Д. Л. Планирование эксперимента для оценки эффективности алгоритмов определения дефектов асинхронного двигателя / Д. Л. Распутин, А. Д. Булдыско // Электроэнергетика глазами молодежи — 2024 : Материалы XIV Международной научно-технической конференции: в 2 т., Ставрополь, 01–04 октября 2024 года. — Ставрополь: Северо-Кавказский федеральный университет, 2024. — С. 191–194. — EDN QVOAXL.

23. Wu Z. Ensemble empirical mode decomposition: a noise-assisted data analysis method / Z. Wu, N. E. Huang // Advances in Adaptive Data Analysis. — 2009. — Vol. 1. — Is. 1. — Pp. 1–41. DOI: 10.1142/S1793536909000047.

24. Case Western Reserve University Bearing Data Center Website. Seeded Fault Test Data [Электронный ресурс] — Режим доступа: https://engineering.case.edu/bearingdatacenter. (Дата обращения: 10.10.2025).