Специалисты Института искусственного интеллекта и цифровых наук (ИИиЦН), входящего в состав факультета компьютерных наук НИУ ВШЭ, создали технологию Signature-Guided Data Augmentation (SGDA). Данный подход позволяет выявлять дефекты в двигателях с точностью до 99% и с 86%-ной точностью идентифицировать конкретный вид неполадки. Внедрение этой методики способно сократить затраты на обслуживание промышленных агрегатов, минимизировать время простоя и повысить общий уровень безопасности на производстве. Итоги работы обнародованы в издании Engineering Applications of Artificial Intelligence.
Источник фото: Яндекс Карты
Трехфазные асинхронные электродвигатели являются ключевым элементом современного промышленного производства. Они обеспечивают работу насосных станций, компрессоров, транспортерных лент и систем вентиляции — к примеру, на металлургических комбинатах, в городских сетях водоснабжения или на сборочных линиях автомобильных заводов. По этой причине даже незначительная техническая неисправность способна парализовать рабочий процесс и стать причиной серьезных финансовых потерь.
В настоящее время диагностика неполадок часто базируется на анализе сигналов потребляемого двигателем электрического тока. Специалисты вручную изучают частотные характеристики этих сигналов, пытаясь обнаружить маркеры, характерные для различных повреждений. Однако такой способ диагностики предполагает тонкую настройку и высокую квалификацию персонала: эксперту необходимо кропотливо обрабатывать сигнал, вычленять требуемые частоты и проверять множество параметров агрегата. Эта процедура отличается высокой трудоемкостью и невысокой скоростью.
Альтернативой может служить применение моделей машинного обучения. Но для их эффективного обучения необходимы обширные данные о поведении двигателей в неисправном состоянии. В реальной промышленной практике подобная информация почти отсутствует, из-за чего алгоритмы испытывают острый дефицит обучающих примеров.
Группа исследователей с факультета компьютерных наук ВШЭ (Артем Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач) нашла способ решить указанную проблему. Они разработали алгоритм, который генерирует синтетические признаки неисправностей, накладывая их на сигнал от исправно функционирующего двигателя. Для этого в исходный сигнал вносятся специфические частотные компоненты, аналогичные тем, что возникают при реальных поломках.
Это позволяет нейронной сети автоматически обучаться распознаванию дефектов. Таким образом, длительный ручной анализ частот можно заменить оперативной автоматизированной диагностикой, которая к тому же демонстрирует практически абсолютную точность. « Нейросеть обучается на искусственных, но физически достоверных примерах поломок. Наш метод основывается на законах физики, описывающих работу двигателя, и не нуждается в создании сложных цифровых двойников или проведении экспериментов с реальным поврежденным оборудованием. » — Денис Деркач, один из соавторов исследования, заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН ВШЭ.
Метод, созданный учеными Высшей школы экономики, получил название Signature-Guided Data Augmentation (SGDA). Его апробация проводилась на данных, полученных от двух двигателей. При решении задачи бинарной классификации (исправен двигатель или нет) была достигнута точность в 99%. В более сложном случае, когда требовалось дифференцировать несколько типов неисправностей, точность классификации составила 86%. « Мы тренируем систему на данных о штатной работе двигателя, а в результате получаем готовый инструмент для диагностики сбоев. Такой подход крайне ценен для компаний, которые не обладают архивом записей об авариях или достаточным опытом в анализе отказов оборудования. » — Сараа Али, соавтор исследования, аспирантка ФКН ВШЭ.
Важным преимуществом предложенной методики является ее универсальность: она применима к двигателям с различными техническими характеристиками. Достаточно зафиксировать данные о нормальной работе конкретного агрегата, и система сможет регистрировать любые аномальные отклонения.
Разработка позволит выявлять возникающие дефекты на ранней стадии, до момента полного выхода оборудования из строя. Это даст возможность оптимизировать расходы на ремонт, сократить продолжительность неплановых остановок и усилить производственную безопасность. В перспективе исследователи намерены провести испытания метода на более широкой выборке двигателей и опробовать его в реальных промышленных условиях.
Работа выполнена при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Министерством экономического развития Российской Федерации. Технология защищена патентом, действие которого продлится до 2044 года.
Нашим читателям будет интересно узнать о том, что АО «Группа компаний «ХИМАГРЕГАТ» разработал для НЛМК «Систему предиктивной диагностики насосного оборудования» (СПДНО) или «Систему интеллектуальной автоматизированной диагностики, позволяющую фиксировать состояние работы насосов и прогнозировать потенциальные неисправности до их возникновения.»
Также Журнал Химагрегаты публиковал статью о применении систем комплексного диагностического мониторинга для оценки технического состояния оборудования химических и нефтеперерабатывающих предприятий от ООО «Научно-технический центр «ЭгидА».