Нейросеть получает искусственные, но реалистичные примеры поломок и учится их распознавать.
Учёные Института искусственного интеллекта и цифровых наук факультета компьютерных наук Высшей школы экономики разработали метод Signature-Guided Data Augmentation для определения неисправностей в промышленных двигателях.
До недавних пор инженеры искали неисправности по сигналу электрического тока, который потребляет двигатель. Из сигнала выделялись нужные частоты и вручную проверялись разные параметры двигателя. Однако это весьма трудоёмкий процесс. Чтобы использовать алгоритмы машинного обучения, учёным не хватает данных о том, как ведут себя двигатели при поломках.
Команда исследователей факультета компьютерных наук ВШЭ нашла способ заменить ручной поиск быстрой автоматической диагностикой. Они научили алгоритм создавать искусственные поломки в сигнале исправного двигателя, добавив в него специальные частоты. Теперь нейросеть может обучаться распознавать дефекты автоматически.
«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», – рассказал заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН ВШЭ Денис Деркач.
Для всех типов двигателей
Разработку проверили на данных двух двигателей. Точность определения неисправности двигателей достигла 99%, а точность классификации типов поломок – 86%. Теперь в планах протестировать инструмент на предприятиях.
Такой подход особенно полезен для предприятий, у которых нет архивов аварийных данных и опыта работы с поломками оборудования. Кстати, применять его можно для двигателей с совершенно разными параметрами.
Разработка позволит снизить расходы на ремонт, сократить простои и дополнительно обезопасить производство.