Нейросеть научили определять неисправности в электродвигателях | Новости науки
Сотрудники Института искусственного интеллекта и цифровых наук (ИИиЦН) факультета компьютерных наук НИУ ВШЭ разработали метод, который способен с точностью 99% определять неисправность двигателей и с точностью 86% классифицировать типы возникших поломок.
Применение этой разработки может снизить расходы на ремонт промышленного оборудования, уменьшить простои и сделать производство безопаснее, сообщили в пресс-службе НИУ ВШЭ.
Трехфазные асинхронные двигатели — основа современной промышленности. Они приводят в движение насосы, компрессоры, конвейеры и вентиляторы — например, на металлургических заводах, в системах водоснабжения городов или на конвейерах автомобильных заводов. Поэтому даже небольшая поломка может остановить производство и привести к большим убыткам.
Сегодня инженеры ищут неисправности по сигналу электрического тока, который потребляет двигатель. Они анализируют его частоты и вручную определяют характерные признаки поломок. Но такой подход требует сложной настройки и большого опыта: специалисту нужно долго разбирать сигнал, выделять нужные частоты и проверять разные параметры двигателя. Это трудоемкий и довольно медленный процесс.
Есть и другой подход — использовать алгоритмы машинного обучения. Однако для их обучения нужны данные о том, как ведут себя двигатели при поломках. В реальной промышленности таких данных почти нет, поэтому алгоритмам просто не хватает примеров, на которых они могли бы учиться.
Команда исследователей факультета компьютерных наук ВШЭ (Артём Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач) предложила решение этой проблемы. Они научили алгоритм создавать искусственные поломки в сигнале исправного двигателя. Для этого в сигнал добавляют специальные частоты — такие же, какие появляются при настоящих неисправностях.
Благодаря этому нейросеть может обучаться распознавать дефекты автоматически. В результате долгий ручной поиск поломок по частотам можно заменить быстрой автоматической диагностикой, которая к тому же работает почти со стопроцентной точностью.
«Нейросеть получает искусственные, но реалистичные примеры поломок и учится их распознавать. При этом наш метод опирается на физические законы работы двигателя и не требует сложных компьютерных моделей или экспериментов с реальными неисправностями оборудования», — объяснил один из авторов исследования, заведующий Научно-учебной лаборатория методов анализа больших данных лаборатории Института искусственного интеллекта и цифровых наук ФКН ВШЭ Денис Деркач.
Разработка ученых Вышки получила название Signature-Guided Data Augmentation (SGDA). Ее проверили на данных двух двигателей. В задаче, в которой определялось, исправен двигатель или нет, точность достигла 99%. В более сложной задаче, где нужно было различать разные типы неисправностей, точность составила 86%.
«Мы обучаем систему на данных нормальной работы двигателя, а затем получаем полноценный инструмент для поиска неисправностей. Такой подход особенно полезен для предприятий, у которых нет архивов аварийных данных и опыта работы с поломками оборудования», — отметила аспирантка ФКН ВШЭ Сараа Али, один из авторов исследования.
Выгодная особенность созданного учеными метода в том, что его можно использовать для двигателей с абсолютно разными параметрами. Достаточно записать в компьютере, как конкретный двигатель работает в нормальном режиме, и система сможет замечать отклонения. Разработка поможет определять неисправности заранее, еще до того, как оборудование выйдет из строя. Это позволит снизить расходы на ремонт, уменьшить простои и сделать производство безопаснее. В будущем ученые планируют проверить метод на большем количестве двигателей и протестировать его в реальных условиях на предприятиях.
Исследование выполнено при поддержке гранта для исследовательских центров в области искусственного интеллекта, предоставленного Минэкономразвития России. Разработка получила официальный патент до 2044 года.
Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence.