Ученые Института искусственного интеллекта и цифровых наук (ИИиЦН) факультета компьютерных наук НИУ ВШЭ разработали метод Signature-Guided Data Augmentation (SGDA), который способен с точностью 99% определять неисправность двигателей и с точностью 86% классифицировать типы возникших поломок.
Трехфазные асинхронные двигатели – основа современной промышленности. Они приводят в движение насосы, компрессоры, конвейеры и вентиляторы – например, на металлургических заводах, в системах водоснабжения городов или на конвейерах автомобильных заводов. Поэтому даже небольшая поломка может остановить производство и привести к большим убыткам.
Сегодня инженеры ищут неисправности по сигналу электрического тока, который потребляет двигатель. Они анализируют его частоты и вручную определяют характерные признаки поломок. Но такой подход требует сложной настройки и большого опыта: специалисту нужно долго разбирать сигнал, выделять нужные частоты и проверять разные параметры двигателя. Это трудоемкий и довольно медленный процесс.
Есть и другой подход — использовать алгоритмы машинного обучения. Однако для их обучения нужны 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.
Команда исследователей факультета компьютерных наук ВШЭ (Артем Рыжиков, Сараа Али, Александр Хижик, Степан Свирин и Денис Деркач) предложила решение этой проблемы. Они 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 обучаться распознавать дефекты автоматически. В результате долгий ручной поиск поломок по частотам можно заменить быстрой автоматической диагностикой, которая к тому же работает почти со стопроцентной точностью.
Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence.