Трёхфазные асинхронные двигатели — основа современной промышленности: они работают на заводах, в системах водоснабжения и на производственных линиях. Даже небольшая неисправность может остановить процессы и привести к серьёзным убыткам.
🗂️Обычно инженеры диагностируют поломки по сигналу электрического тока: анализируют частоты и вручную ищут характерные признаки неисправностей. Такой подход требует высокой квалификации и занимает много времени.
Альтернативный подход — это применение методов машинного обучения, но и у них есть свои недостатки:
⚪️в реальности почти нет данных о поломках
⚪️алгоритмам не хватает примеров для обучения
⚪️сбор таких данных дорогой и рискованный
Исследователи 💻💻💻 ВШЭ предложили метод Signature-Guided Data Augmentation (SGDA), который позволяет «создавать» реалистичные поломки, добавляя в сигнал исправного двигателя специальные частоты, характерные для дефектов.
«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»,
— пояснила один из авторов работы, стажёр-исследователь НУЛ методов анализа больших данных Института искусственного интеллекта и цифровых наук, аспирант и преподаватель ФКН Сараа Али.
✅ Разработка позволяет с точностью 99% определять неисправность двигателей и с точностью 86% классифицировать типы возникших поломок заранее, что снижает расходы на ремонт, уменьшает простои и делает производство безопаснее. В будущем исследователи планируют протестировать метод на реальных предприятиях.
Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence ✏️