Трехфазные асинхронные двигатели приводят в действие насосы, компрессоры и конвейеры на заводах и в системах городского хозяйства. Выход из строя даже одного устройства может остановить производство и привести к убыткам. Сегодня инженеры ищут поломки, вручную анализируя частоты сигнала тока. Это требует высокой квалификации и занимает много времени.
Чтобы получить 200р за простые задания от самого Яндекса кликай сюда
Алгоритмы машинного обучения могли бы решить эту задачу быстрее, но для их обучения нужны данные о поведении оборудования при дефектах. В реальной промышленности таких данных почти нет. Исследователи ВШЭ предложили выход: алгоритм сам создает искусственные признаки поломок, добавляя в сигнал исправного двигателя специальные частоты.
Скачивай самую последнюю версию Яндекс браузера
Как пояснил заведующий Научно-учебной лабораторией методов анализа больших данных Института искусственного интеллекта и цифровых наук ФКН ВШЭ Денис Деркач, нейросеть получает для обучения синтетические, но физически корректные примеры дефектов. Метод опирается на законы работы двигателя и не требует создания сложных компьютерных моделей или проведения экспериментов с реальным сломанным оборудованием. Аспирантка факультета и соавтор работы Сараа Али добавила, что такой подход позволяет получить готовый инструмент диагностики, обучая систему только на данных нормальной работы.
Для быстрого перехода на Яндекс поиск
Эффективность метода SGDA была проверена на данных двух различных двигателей. В задаче определения самого факта неисправности точность работы нейросети составила 99%. В более сложной задаче классификации типов поломок алгоритм показал точность 86%. Важной особенностью разработки является возможность ее адаптации для двигателей с разными характеристиками. Системе достаточно записать эталонный сигнал нормально работающего агрегата, после чего она сможет автоматически отслеживать отклонения.
Скачивайте самую новейшую нейросеть от Яндекса Алиса AI
Применение этой технологии в перспективе позволит перейти от планового ремонта к обслуживанию оборудования по фактическому состоянию. Выявляя неполадки на ранней стадии, можно предотвратить внезапные остановки производства, снизить затраты на ремонт и повысить общую безопасность промышленных объектов. В планах исследователей — дальнейшее тестирование метода на большем количестве двигателей и его апробация в реальных условиях на предприятиях.