Одной из главных проблем в области промышленной диагностики является труднодоступность данных о неисправностях оборудования. В реальных условиях сигналы с дефектного двигателя — большая редкость, и даже при их наличии они обычно соответствуют лишь одному фиксированному режиму работы.
Коллективом авторов научно-исследовательской лаборатории технической самодиагностики и самоконтроля приборов и систем ЮУрГУ в составе А.Л. Шестакова, О.Л. Ибряевой, В.А. Еремеевой, Д.В.Галышева предложен новый метод надежной диагностики неисправностей асинхронных двигателей.
Метод основан на гибридной архитектуре сверточной нейронной сети и многослойного перцептрона (Hybrid CNN–MLP) (Перцептрон – математическая или компьютерная модель восприятия информации мозгом. Имитирует способ обработки сигналов биологическими нейронами, но в упрощённой форме – прим.ред.).
Ключевое преимущество нового метода в сравнении с традиционными – внедрение физически управляемого спектрального увеличения (Physics-Guided Spectral Augmentation), позволяющего генерировать достоверные синтетические данные для режимов работы, которые отсутствуют в обучающей выборке.
Предложенный метод решает эту проблему с помощью ?умной? аугментации или расширения данных (Spectral Augmentation). В отличие от классических методов, которые просто копируют или искажают существующий сигнал, новая технология генерирует синтетические сигналы, практически неотличимые от реальных, для неизвестных ранее рабочих точек.
??Мы можем сымитировать разные возможные режимы работы, разную нагрузку на двигатель и получить синтетические данные с неисправного двигателя, практически неотличимые от настоящих?, — отмечает один из авторов разработки – доктор технических наук, доцент кафедры прикладной математики и программирования ЮУрГУ Ольга Ибряева.
В основе генерации новых данных лежат фундаментальные физические законы работы асинхронного двигателя. В отличие от ?черных ящиков? традиционного машинного обучения, новый метод, предложенный учеными ЮУрГУ, опирается на знание электромеханических параметров: скольжения ротора, нагрузки, параметров статора и ротора.
?Эксперименты показали, что модель, обученная на ограниченном наборе реальных данных (один режим работы), и дополненная синтетическими данными (разные режимы), демонстрирует высокую эффективность при тестировании на реальных сигналах с изменяющейся нагрузкой?, – поясняет Ольга Леонидовна, –? ?Гибридная архитектура CNN–MLP позволяет обрабатывать данные смешанного типа (изображения спектров и числовые векторы). Однако главной особенностью является возможность физической интерпретации диагноза. Поскольку аугментация и выделение признаков управляются физическими законами, модель фокусируется на известных участках спектра тока статора, характерных для конкретных дефектов (например, обрыв стержня ротора). Это позволяет системе не просто выдавать диагноз, но и аргументировать его с точки зрения физики работы двигателя?.
На текущем этапе работа носит фундаментальный научный характер. Однако в перспективе, при переходе в практическую плоскость, решение имеет высокий потенциал коммерциализации.
Учитывая, что асинхронные двигатели составляют до 90% всего парка электродвигателей в промышленности, предложенный метод может быть востребован на самых разных видах производств.
.jpg)
Ключевым конкурентным преимуществом данного метода является использование в качестве входных данных только сигналов тока. Это делает систему максимально недорогой и простой в интеграции.
Новый метод диагностики асинхронных двигателей:
- не требует остановки производственного процесса;
- не нуждается в установке дорогостоящих дополнительных датчиков (датчиков вибрации, датчиков температуры);
- позволяет проводить точную диагностику по стандартным измерениям.
Разработанная гибридная архитектура и принцип физически управляемой аугментации не ограничиваются асинхронными двигателями. Как отмечает Ольга Ибряева, подобный подход ранее продемонстрировал эффективность при диагностике подшипников качения и может быть адаптирован для других типов вращающегося оборудования.
Результаты работы представлены в статье в издании Algorithms.?
?