Ученые Института искусственного интеллекта и цифровых технологий (Разработчики из Института искусственного интеллекта и вычислительной техники (ИИиЦН) факультета компьютерных наук НИУ ВШЭ создали метод Signature-Guided Data Augmentation (SGDA). Он позволяет с 99-процентной точностью выявлять неисправности двигателей и с 86-процентной точностью определять их характер. Внедрение этой технологии потенциально способно сократить затраты на ремонт промышленного оборудования, минимизировать время простоя и повысить безопасность производства. Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence.
Трехфазные асинхронные двигатели являются ключевым элементом современной промышленности. Они используются для привода насосов, компрессоров, конвейеров и вентиляторов, например, на металлургических предприятиях, в городских системах водоснабжения или на линиях сборки автомобилей. Таким образом, даже незначительный отказ может парализовать производственный процесс и повлечь за собой серьезные финансовые потери.
В настоящее время инженеры диагностируют неисправности, отслеживая электрический ток, используемый двигателем. Они изучают спектр частот и вручную выявляют признаки поломок. Однако, такой метод предполагает сложную настройку и значительный опыт: для анализа сигнала, выделения необходимых частот и проверки параметров двигателя требуется продолжительное время. Это достаточно трудоемкая и неторопливая процедура.
Существует и альтернативный метод – применение алгоритмов машинного обучения. Но для их эффективной работы требуются данные, демонстрирующие поведение двигателей в нештатных ситуациях. В реальном промышленном секторе подобные сведения встречаются крайне редко, что ограничивает возможности алгоритмов в плане обучения.
Решение этой проблемы было предложено группой исследователей из факультета компьютерных наук ВШЭ, в состав которой вошли Артем Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач. Чтобы добиться этого, они обучили алгоритм генерировать искусственные дефекты в сигнале, поступающем от исправного двигателя, путем добавления к нему определенных частот, имитирующих реальные поломки.
Это позволяет нейросети самостоятельно выявлять дефекты. Таким образом, длительный ручной поиск неисправностей по частотам можно заменить оперативной автоматизированной диагностикой, отличающейся высокой точностью.
«Нейросеть обучается распознавать поломки, получая для этого искусственно созданные, но правдоподобные примеры. Разработанный нами подход учитывает физические принципы работы двигателя и позволяет избежать использования громоздких компьютерных симуляций или проведения экспериментов с дефектным оборудованием, – пояснил один из авторов исследования, руководитель Научно-учебной лаборатории методов анализа больших данных Института искусственного интеллекта и цифровых наук Высшей школы экономики Денис Деркач.
Новое решение, созданное учеными Высшей школы экономики, было названо Signature-Guided Data Augmentation (SGDA). Его эффективность была оценена с использованием данных, собранных с двух двигателей. При решении задачи по определению исправности двигателя, точность составила 99%. В более комплексной задаче, направленной на выявление различных типов неисправностей, точность оказалась на уровне 86%.
«Система обучается на информации о штатной работе двигателя, что позволяет создать эффективный инструмент для выявления дефектов. Этот метод особенно ценен для компаний, не располагающих архивами данных об авариях и опытом устранения неисправностей, – подчеркивает Сараа Али, аспирантка факультета компьютерных наук Высшей школы экономики и один из авторов исследования.
Уникальное преимущество разработанного учеными подхода заключается в его универсальности – он применим к двигателям с различными характеристиками. Для этого необходимо лишь зафиксировать в компьютерной программе параметры работы двигателя в штатном режиме, после чего система будет способна выявлять любые отклонения от нормы.
Предлагаемая технология позволит выявлять дефекты на ранних стадиях, до поломки оборудования. Это приведет к сокращению затрат на ремонтные работы, снижению времени простоя и повышению безопасности производства. В дальнейшем исследователи намерены расширить область применения метода, проведя испытания на большем количестве двигателей и протестировав его в реальных производственных условиях.
Работа была проведена при финансовой поддержке гранта, выделенного Министерством экономического развития России для исследовательских центров, специализирующихся на искусственном интеллекте. Полученная разработка защищена патентом сроком до 2044 года.
Информация предоставлена пресс-службой НИУ ВШЭ