IIS3DWB АКСЕЛЕРОМЕТРІН ПАИДАЛАНА ОТЫРЫП ӨНЕРКӘСІПТІК ЖАБДЫҚТЫҢ ДІРІЛДІ МОНИТОРИНГ ЖҮЙЕСІ

Бұл мақалада дірілді бақылау электр қозғалтқыштарындағы жасырын ақауларды анықтау құралы ретінде қарастырылады. Әзірлеудің нәтижелері апаттық өшіру қаупін азайтуға көмектеседі, осылайша жабдықтың жалпы қызмет ету мерзімін арттырады. Өнім IIS3DWB үш осьті сандық акселерометрі негізгі компонент ретінде қызмет ететін эксперименттік дірілді бақылау жүйесі ретінде ұсынылған. Ұсынылған жүйе деректерді жинау модулін (ESP32 негізінде), DSP модулін (сандық сигналды өңдеу), интерфейс компонентін (Grafana) және дерекқорды (InfluxDB) қамтиды. Әдістеменің негізгі ерекшелігі - үш өзара перпендикуляр жазықтықта анықталатын үш дірілдік компонентті жазу функциясы бар сенсорды электр қозғалтқышының корпусына бекіту. Эксперименттік зерттеулер барысында бақылау жүйесінің дәлдігі мен өнімділік көрсеткіштері, соның ішінде RMS үдеуінің салыстырмалы қателігі (< 6%), өлшеудің қайталануы, сымсыз деректерді беру кідірісі (< 15 мс), жүйенің жауап беру уақыты (< 50 мс) және беру кезіндегі пакеттердің жоғалуы (0%) белгіленді. Кең жолақты сенсорды пайдалану мойынтіректердің тозуының бастапқы кезеңдеріне тән төмен және жоғары жиілікті ақауларды деректердің минималды жоғалуымен және жүйенің жауап беру уақытымен анықтауға мүмкіндік берді.

1. Bagri, I.; T ahiry, K.; Hraiba, A.; T ouil, A.; Mousrij, A. Vibration Signal Analysis for Intelligent Rotating Machinery Diagnosis and Prognosis: A Comprehensive Systematic Literature Review. Vibration 2024, 7, 1013-1062. https://doi.org/10.3390/vibration7040054.

2. Jardine, A.K.S.; Lin, D.; Banjevic, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 2006, 20(7), 1483-1510. https://doi.org/10.1016/i.vmssp.2005.09.012

3. Randall, R.B.; Antoni, J. Rolling element bearing diagnostics - a tutorial. Mechanical Systems and Signal Processing, 2011, 25(2), 485-520. https://doi.org/10.1016/i.ymssp.2010.07.017

4. Ibrahim, Said; Go, Eun-Myeong; Iranda, Jennifer. (2024). Scalable and Secure IoT-Driven Vibration Monitoring: Advancing Predictive Maintenance in Industrial Systems. Journal of Technology Informatics and Engineering. 3. 370-381. https://doi.org/10.51903/itie.v3i3.210.

5. Tiboni, M.; Remino, C.; Bussola, R.; Amici, C. A review on vibration-based condition monitoring of rotating machinery. Applied Sciences, 2022, 12(3), 972. https://doi.org/10.3390/app12030972.

6. Kolok, P.; Hodoň, M.; Ševčík, P.; Hotz, L.; Remy, N. Low-Cost IoT-Based Predictive Maintenance Using Vibration. Sensors 2025, 25, 6610. https://doi.org/10.3390/s25216610.

7. Ayvaz, S.; Alpay, K. Predictive maintenance system for production lines in manufacturing: A machine learning approach using IoT data in real-time. Expert Systems with Applications, 2021, 173, 114598. https://doi.org/10.1016/i.eswa.2021.114598

8. Guler, Umit & Bhuiyan, Mohammad &Mamur, Hayati. (2025). Vibration-based fault detection in cooling systems. Latin America 11th International conference on scientific researches. Pp. 198 - 202.

9. Lei, Y.; Yang, B.; Jiang, X.; Jia, F.; Li, N.; Nandi, A.K. Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 2020, 138, 106587. https://doi.org/10.1016/i.ymssp.2019.106587.

10. Yan, R.; Gao, R.X.; Chen, X. Wavelets for fault diagnosis of rotary machines: A review with applications. Signal Processing, 2014, 96, 1-15. https://doi.org/10.1016/i.sigpro.2013.04.015

11. Antoni, J. Cyclic spectral analysis of rolling-element bearing signals: Facts and fictions. Journal of Sound and Vibration, 2007, 304(3-5), 497-529. https://doi.org/10.1016/i.isv.2007.02.029

12. Lei, Y.; Lin, J.; He, Z.; Zuo, M.J. A review on empirical mode decomposition in fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing, 2013, 35(1-2), 108-126. https://doi.org/10.1016/i.ymssp.2012.09.015

13. Peng, Z.K.; Chu, F.L. Application of the wavelet transform in machine condition monitoring and fault diagnostics: A review with bibliography. Mechanical Systems and Signal Processing, 2004, 18(2), 199 221. https://doi.org/10.1016/S0888-3270(03)00075-X

14. Fu, S.; Wu, Y.; Wang, R.; Mao, M. A Bearing Fault Diagnosis Method Based on Wavelet Denoising and Machine Learning. Applied Sciences, 2023, 13(10), 5936. https://doi.org/10.3390/app13105936

15. Fu, G.; Wei, Q.; Yang, Y. Bearing fault diagnosis with parallel CNN and LSTM. Mathematical Biosciences and Engineering, 2024, 21(2), 2385-2406. https://doi.org/10.3934/mbe.2024105

16. Zhang, S.; Zhang, S.; Wang, B.; Habetler, T.G. Deep learning algorithms for bearing fault diagnostics- a comprehensive study. IEEE https://doi.org/10.1109/ACCESS.2020.2972859 Access, 2020, 8, 29857-29881.

17. Suryowinoto, Andy &Albanna, Isa & A., M. (2025). Smart Predictive Maintenance for Centrifugal Pumps: How IoT Sensors Reduce Downtime by Monitoring Vibration, Current, and Seal Integrity. International Journal of Artificial https://doi.org/10.25139/iiair.v7i1.10398.