Нейросеть научили распознавать дефекты трехфазных асинхронных двигателей
Ученые НИУ ВШЭ разработали метод Signature-Guided Data Augmentation (SGDA), который позволяет нейросети распознавать неисправности в электродвигателях по сигналу тока даже в условиях дефицита реальных данных о поломках.
Основой современной промышленности являются трехфазные асинхронные двигатели, приводящие в движение насосы, компрессоры, конвейеры и вентиляторы, которые используются на металлургических заводах, в системах водоснабжения городов или на конвейерах автомобильных заводов. Любой, даже небольшой сбой этих систем, любая поломка останавливает производство, что влечёт за собой большие экономические потери.
Как сегодня справляются с поломками? Инженеры вручную, по сигналу электрического тока, находят неисправности. Анализируют его частоты и определяют характерные признаки поломок. Работы требуют сложной настройки - нужно долго разбирать сигнал, выделять нужные частоты и проверять разные параметры двигателя. Это трудоемкий и медленный процесс.
Есть альтернатива – можно использовать алгоритмы машинного обучения. Но, чтобы научить машины, нужно собрать и проанализировать 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.
Автоматическая диагностика, которая работает со стопроцентной точностью
Российские учёные нашли решение этой проблемы. Исследователи факультета компьютерных наук ВШЭ – Артём Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач 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 автоматически распознавать дефекты. И долгий поиск поломок вручную можно заменить быстрой автоматической диагностикой, которая работает почти со стопроцентной точностью.
Новый метод диагностики можно использовать для двигателей с абсолютно разными параметрами. Нужно только завести данные в программу – как конкретный двигатель работает в нормальном режиме, и система сама найдёт отклонения. Благодаря этой разработке неисправности можно обнаружить 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.
Значимость для российской IT-отрасли
Важность новой разработки российских учёных в том, что это серьёзный пример прикладного промышленного ИИ, встроенного в реальный контур цифровизации производства. Российский рынок промышленных ИТ-решений сегодня растет именно за счет спроса на системы мониторинга, сбора данных с оборудования и средства предиктивной аналитики. По оценкам экспертов, в 2024–2025 годах рынок рос на 8–12% ежегодно, а спрос обрабатывающей промышленности на цифровые технологии к 2030 году может достичь 587,5 млрд рублей
Важность новой технологии
Применение новой технологии уменьшит количество аварий и остановок производств, сделает стабильнее работу городской и промышленной инфраструктуры, включая водоснабжение, энергетику, коммунальные и транспортные контуры. На предприятиях это снизит затраты на ремонт, сделает более безопасной эксплуатацию оборудования и сократит внеплановые простои. В России в целом усилятся компетенции в промышленном ИИ, ускорятся импортозамещение и цифровая модернизация производства. Другие страны могут увидеть потенциально тиражируемый подход к диагностике оборудования в тех случаях, где собрать большой набор реальных аварийных данных трудно, дорого или опасно.
Главная перспектива разработки
Новый метод успешно встроится в рынок предиктивной диагностики и технического обслуживания промышленного оборудования. Сильная сторона SGDA в том, что технологию можно применять к двигателям с разными параметрами: достаточно записать данные о нормальной работе конкретного двигателя, после чего система сможет отслеживать отклонения. Это делает решение особенно интересным для предприятий, у которых нет собственных архивов аварийных режимов, а именно это сегодня один из главных барьеров для внедрения ИИ в промышленности.
Экспортный потенциал тоже есть – на внешних рынках лучше всего продаются не отдельные научные алгоритмы, а встроенные программно-аппаратные решения: модуль диагностики в составе SCADA/MES/IIoT-платформы, промышленного контроллера или цифрового двойника. Поэтому наиболее реалистичный путь экспорта – через партнерство с российскими разработчиками промышленного ПО, интеграторами и машиностроительными холдингами.
Не просто “нейросеть для моторов”
Разработка ВШЭ удешевит и ускорит внедрение предиктивной диагностики в российской промышленности, что снимет зависимость от редких и дорогих данных о реальных авариях.
ВШЭ предлагает решение одной из самых болезненных проблем предиктивной аналитики – нехватки данных о реальных отказах. Если метод подтвердит эффективность на большем парке двигателей и в реальных производственных условиях, он может стать основой для прикладных сервисов диагностики в различных отраслях.
