Российские ученые научили нейросеть "слышать" неисправности в электродвигателях

Исследователи из Института искусственного интеллекта и цифровых наук НИУ ВШЭ представили инновационный метод Signature-Guided Data Augmentation (SGDA). Этот метод позволяет с высокой точностью диагностировать неисправности трехфазных асинхронных двигателей. Система способна выявлять неисправности с точностью 99% и классифицировать их типы с точностью 86%. Это значительно снижает затраты на ремонт, уменьшает производственные простои и повышает уровень безопасности на предприятиях. Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence.

Трехфазные асинхронные двигатели играют ключевую роль в промышленной автоматизации, обеспечивая работу насосов, компрессоров, конвейеров и вентиляторов на металлургических предприятиях, в системах водоснабжения и на автомобильных конвейерах. Незначительные неисправности могут привести к значительным финансовым потерям и остановке производственных процессов.

В настоящее время диагностика неисправностей двигателей осуществляется путем анализа электрических сигналов и их частотных характеристик. Однако этот процесс требует высокой квалификации специалистов, значительных временных затрат и сложных математических расчетов. Инженеры вручную выделяют необходимые частотные компоненты и проверяют различные параметры работы двигателя.

Машинное обучение предлагает альтернативное решение, но для обучения алгоритмов необходимы большие объемы данных о поведении двигателей при различных неисправностях. В промышленной практике такие данные часто отсутствуют, что ограничивает применение традиционных методов машинного обучения.

Команда под руководством Артема Рыжикова разработала новый подход, основанный на создании искусственных сигналов с дефектами для обучения нейронных сетей. Алгоритм генерирует искусственные неисправности, добавляя в сигналы исправных двигателей специальные частотные компоненты, аналогичные тем, которые возникают при реальных поломках.

Этот метод позволяет нейросетям автоматически распознавать дефекты, заменяя трудоемкий ручной анализ более быстрой и точной диагностикой. Система основывается на физических принципах работы двигателя и не требует сложных компьютерных моделей или проведения экспериментов с неисправным оборудованием.

Денис Деркач, один из авторов исследования, отметил, что нейросеть обучается на искусственных, но реалистичных данных, что позволяет избежать необходимости проведения сложных экспериментов с реальными двигателями.

Тестирование показало высокую эффективность метода: точность диагностики состояния двигателя составила 99%, а точность классификации типов неисправностей — 86%.

Сараа Али, аспирантка НИУ ВШЭ, подчеркнула, что данный подход особенно полезен для предприятий, которые не имеют архивов аварийных данных и достаточного опыта диагностики неисправностей.

Метод обладает высокой универсальностью и может применяться для диагностики двигателей с различными техническими характеристиками. Для его использования достаточно провести запись работы двигателя в нормальном режиме, после чего система будет выявлять отклонения в его работе.

Методика позволяет обнаруживать неисправности на ранних стадиях, что способствует снижению затрат на ремонт, сокращению производственных простоев и повышению уровня безопасности на предприятии. В дальнейшем планируется расширение тестирования метода на большем количестве двигателей и его проверка в реальных условиях эксплуатации.

Исследование было поддержано грантом Министерства экономического развития Российской Федерации, а разработанная методика получила патент, действующий до 2044 года, пишет "Научная Россия".