Коллектив научно-исследовательской лаборатории технической самодиагностики и самоконтроля приборов и систем Южно-Уральского государственного университета представил инновационный метод диагностики неисправностей асинхронных двигателей, который решает одну из ключевых проблем промышленности – труднодоступность данных о реальных поломках оборудования.
Новая технология основана на гибридной архитектуре, сочетающей сверточную нейронную сеть и многослойный перцептрон (Hybrid CNN–MLP). Главным прорывом стало внедрение физически управляемого спектрального увеличения данных (Physics-Guided Spectral Augmentation), позволяющего генерировать достоверные синтетические данные для режимов работы, отсутствующих в обучающей выборке.
«Мы можем сымитировать разные возможные режимы работы, разную нагрузку на двигатель и получить синтетические данные с неисправного двигателя, практически неотличимые от настоящих», – объясняет один из авторов разработки, доктор технических наук Ольга Ибряева.
В отличие от традиционных методов машинного обучения, которые работают как «черные ящики», новая технология опирается на фундаментальные физические законы работы асинхронного двигателя. Система учитывает электромеханические параметры: скольжение ротора, нагрузку, параметры статора и ротора.
Разработанный метод обладает несколькими важными преимуществами:
- Не требует остановки производственного процесса
- Не нуждается в установке дорогостоящих дополнительных датчиков (вибрации, температуры)
- Позволяет проводить точную диагностику по стандартным измерениям тока
- Использует только сигналы тока, что делает систему недорогой и простой в интеграции
Учитывая, что асинхронные двигатели составляют до 90% всего парка электродвигателей в промышленности, предложенный метод может найти применение на самых разных производствах. Технология уже продемонстрировала эффективность при диагностике подшипников качения и может быть адаптирована для других типов вращающегося оборудования.
«Эксперименты показали, что модель, обученная на ограниченном наборе реальных данных и дополненная синтетическими данными, демонстрирует высокую эффективность при тестировании на реальных сигналах с изменяющейся нагрузкой», – отмечает Ольга Ибряева.
Источник: ЮУрГУ
Оцените новость
0
0
0
0
0
0
0