В Институте искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ разработан новый способ диагностики промышленных двигателей, позволяющий с высокой точностью выявлять неисправности. Метод получил название Signature-Guided Data Augmentation, сокращенно SGDA. О разработке «Газете.Ru» сообщили в пресс-службе вуза.
Трехфазные асинхронные двигатели широко применяются в промышленности: они обеспечивают работу насосов, компрессоров, конвейеров и систем вентиляции. Даже незначительный дефект может привести к остановке производственного процесса и финансовым потерям. В настоящее время диагностика таких агрегатов строится на анализе электрического тока. Специалисты вручную исследуют частотные характеристики сигнала, выявляя признаки возможных поломок, что требует высокой квалификации и значительных временных затрат.
Применение методов машинного обучения способно ускорить процесс, однако для обучения алгоритмов необходимы данные о реальных неисправностях, которых, как правило, недостаточно. Команда исследователей НИУ ВШЭ в составе Артема Рыжикова, Сараа Али, Александра Хижика, Степана Свирина и Дениса Деркача предложила способ решения этой проблемы. Разработанный ими подход позволяет формировать искусственные, но реалистичные примеры дефектов непосредственно в сигнале исправного двигателя.
Как пояснил заведующий научно-учебной лабораторией методов анализа больших данных Института ИИ и ЦН ВШЭ Денис Деркач, нейросеть получает такие синтетические сигналы и обучается распознавать характерные признаки поломок. Метод основан на физических принципах работы двигателя и не требует проведения экспериментов с реальными аварийными ситуациями или создания сложных моделей.
Алгоритм добавляет в сигнал частоты, соответствующие различным типам неисправностей, после чего система обучается автоматически определять дефекты без ручного анализа. Технологию протестировали на данных двух двигателей. При определении факта наличия неисправности точность достигла 99 процентов, а при классификации типов поломок — 86 процентов.
Аспирантка факультета компьютерных наук ВШЭ Сараа Али отметила, что система обучается на данных нормальной работы оборудования, что особенно важно для предприятий, не располагающих архивами аварийных случаев. Для внедрения метода достаточно записать параметры штатной работы конкретного двигателя, после чего система сможет фиксировать отклонения.
Авторы разработки считают, что технология позволит выявлять дефекты на ранних этапах, сокращать затраты на ремонт и снижать время простоя оборудования. В дальнейшем планируется проведение испытаний метода в реальных производственных условиях.
