СИСТЕМА ВИБРАЦИОННОГО МОНИТОРИНГА ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ АКСЕЛЕРОМЕТРА IIS3DWB

В данной работе вибрационный мониторинг рассматривается в качестве инструмента для выявления скрытых дефектов электродвигателей. Результаты разработки позволяют снизить риски аварийных остановок, тем самым повышая общий ресурс оборудования. Продукт представлен в формате экспериментальной системы виброконтроля, где в качестве ключевого компонента выступает трехосевой цифровой акселерометр IIS3DWB. Предложенная система включает модуль сбора данных (на основе ESP32), модуль ЦОС (цифровая обработка сигналов), интерфейсный компонент (Grafana) и базу данных (InfluxDB). Ключевой особенностью методики является фиксация датчика на корпус электродвигателя с функцией регистрации трех вибрационных компонентов, которые соответственно определяются в трех взаимно перпендикулярных плоскостях. В ходе экспериментальных исследований установлены показатели точности и производительности системы мониторинга, включая относительную погрешность RMS-ускорения (< 6%), Повторяемость измерений, задержку беспроводной передачи данных (< 15 мс), время отклика системы (< 50 мс), потерю пакетов при передаче (0%). Использование широкополосного сенсора позволило выявить низкочастотные и высокочастотные дефекты, характерные для начальных стадий износа подшипников с минимальной потерей данных и временем отклика системы.

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.