Учёные Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ разработали метод Signature‑Guided Data Augmentation. Он определяет неисправность двигателей с точностью 99%. Метод также классифицирует типы поломок с точностью 86%. Применение разработки может снизить расходы на ремонт промышленного оборудования. Разработка также способна уменьшить простои и сделать производство безопаснее. Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence.
Трёхфазные асинхронные двигатели выступают основой современной промышленности. Они приводят в движение насосы, компрессоры, конвейеры и вентиляторы. Например, такие двигатели используются на металлургических заводах или в системах водоснабжения городов и на конвейерах автомобильных заводов. Даже небольшая поломка может остановить производство. Это приводит к большим убыткам.
По состоянию на 2026 год инженеры ищут неисправности по сигналу электрического тока. Двигатель потребляет этот ток во время работы. Специалисты анализируют частоты тока и вручную определяют характерные признаки поломок. Такой подход требует сложной настройки и большого опыта. Кроме того, специалисту нужно долго разбирать сигнал, необходимо выделять нужные частоты, проверять разные параметры двигателя. Это трудоёмкий и медленный процесс.
Существует другой подход. Он использует алгоритмы машинного обучения. Однако для их обучения нужны данные о том, как ведут себя двигатели при поломках. В реальной промышленности таких данных почти нет. Алгоритмам не хватает примеров для обучения.
Команда исследователей факультета компьютерных наук ВШЭ предложила решение этой проблемы. В команду вошли Артём Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач. Они научили алгоритм создавать искусственные поломки в сигнале исправного двигателя. Для этого в сигнал добавляют специальные частоты. Такие же частоты появляются при настоящих неисправностях.
Нейросеть может обучаться распознавать дефекты автоматически. Долгий ручной поиск поломок по частотам можно заменить быстрой автоматической диагностикой. Она работает почти со стопроцентной точностью. Заведующий научно-учебной лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук факультета компьютерных наук ВШЭ Денис Деркач пояснил, что нейросеть получает искусственные, но реалистичные примеры поломок и учится их распознавать. Метод опирается на физические законы работы двигателя. Он не требует сложных компьютерных моделей. Также не нужны эксперименты с реальными неисправностями оборудования.
Разработку проверили на данных двух двигателей. В задаче определения исправности двигателя точность достигла 99%. В более сложной задаче точность составила 86%. Эта задача требовала различения разных типов неисправностей. Аспирантка факультета компьютерных наук ВШЭ Сараа Али отметила преимущества подхода. По словам Сараа Али, система обучается на данных нормальной работы двигателя. Затем нейросеть становится полноценным инструментом для поиска неисправностей. Такой подход особенно полезен для предприятий, у которых нет архивов аварийных данных и нет опыта работы с поломками оборудования.
Метод можно использовать для двигателей с разными параметрами. Достаточно записать в компьютере, как конкретный двигатель работает в нормальном режиме. После этого система сможет замечать отклонения. Разработка поможет определять неисправности заранее. Это произойдёт ещё до того, как оборудование выйдет из строя. Метод позволит снизить расходы на ремонт и уменьшит простои. В будущем учёные планируют проверить метод на большем количестве двигателей. Также исследователи хотят протестировать метод в реальных условиях на предприятиях.
Автор: Lexx_Nimofff
