На основе недавних исследований в области машиностроении, можно подтвердить тенденцию во внедрении информационных технологий в процесс мониторинга технического состояния тягового электродвигателя. Системы мониторинга и сбора информации служат для накопления данных для дальнейшего анализа и выявления закономерностей с целью прогнозирования технического состояния электродвигателей [1]. Среди методов служащих для данных задач, можно выделить технологии машинного обучения, в том числе нейросети [2]. Нейросетевые инструменты имеют большое значение в предиктивной аналитике для прогнозирования неисправностей тяговых электродвигателей (ТЭД). На основе нейросетей можно обучить модели, которые в дальнейшем позволят произвести анализ больших объемов данных о состоянии ТЭД и выявлять скрытые паттерны и зависимости, которые будут обозначать возможные неисправности.
Глубокое обучение показало значительные преимущества перед классическими методами машинного обучения в задачах диагностики. Рекуррентные (RNN) и сверточные (CNN) сети применялись для прогнозирования срока службы электродвигателей, однако вопрос влияния размера обучающей выборки на их производительность часто оставался за рамками исследований. Работы по оценке деградации подшипников с помощью LSTM и другие сравнительные исследования подтверждают более высокую точность глубоких моделей (CNN, RNN) при классификации типов неисправностей и построении прогнозов, но требуют большего объема данных и времени обучения.
Модели на базе RNN и CNN учитывают временные зависимости: рекуррентные сети работают с последовательностями, а сверточные обучаются на изображениях сигналов (например, спектрограммах), что также требует учета временного окна. Такой подход дает наилучшие результаты, но затратен
Сверточные нейронные сети (CNN) применяются для классификации, обнаружения и сегментации. Они автоматически извлекают локальные признаки (края, текстуры) из двумерных представлений сигналов [3]. CNN показали эффективность при анализе спектрограмм вибраций и тока: в работе по акустической диагностике ТЭД достигнута точность 88 % при различении состояний «исправен», «дефект подшипника», «дисбаланс якоря».
Временные сверточные сети (TCN) благодаря расширенным сверткам эффективно обрабатывают последовательные данные с меньшими вычислительными затратами по сравнению с LSTM. Они перспективны для обнаружения кратковременных аномалий тока и вибрации в режиме реального времени (пробой изоляции, искрение).
Рекуррентные нейронные сети (RNN) способны запоминать информацию и анализировать пространственно-временные зависимости за счет обратных связей, но ограничены в учете долгосрочных зависимостей [4].
Для преодоления этого ограничения разработаны LSTM-сети, управляющие сохранением и забыванием информации, что позволяет эффективно моделировать длинные временные ряды, например, оценивать деградацию подшипников по вибрации [5].
Двунаправленные LSTM (Bi-LSTM) обрабатывают последовательность в обоих направлениях, объединяя результаты прямого и обратного проходов. Это позволяет учитывать как предысторию, так и будущий контекст, что критически важно для раннего обнаружения зарождающихся дефектов. Недостаток -повышенные требования к вычислительным ресурсам и времени обучения.
Генеративно-состязательные сети (GAN) и вариационные автоэнкодеры (VAE) относятся к генеративному глубокому обучению и особенно хороши для обнаружения аномалий: при появлении неисправности резко возрастает ошибка реконструкции сигнала.
Графовые нейронные сети (GNN) представляют ТЭД в виде графа, где узлы -датчики, а ребра -физические взаимосвязи. Это дает возможность выявлять пространственно-распределенные отклонения и комплексные неисправности.
Сравнение применимости рассмотренных моделей к задачам классификации дефектов, прогнозирования остаточного ресурса, обнаружения аномалий, анализа пространственных данных и спектрограмм приведено в таблице 1.
Таблица 1
Сравнение нейросетевых моделей
|
Тип нейронной сети |
Классификация дефекта |
Прогнозирование временных рядов (остаточный ресурс) |
Обнаружение аномалий |
Анализ пространственно-распределенных данных |
Анализ спектрограмм сигналов |
|
CNN |
+ |
+ |
+ | ||
|
TCN |
+ |
+ |
+ | ||
|
RNN |
+ | ||||
|
LSTM |
+ |
+ | |||
|
Bi-LSTM |
+ |
+ |
+ | ||
|
GAN |
+ | ||||
|
GNN |
+ |
+ |
Анализ показал, что нейросетевые модели не требуют сложной физической модели ТЭД и автоматически извлекают скрытые признаки неисправностей, обеспечивая высокую точность и адаптивность, однако нуждаются в больших объемах размеченных данных и значительных вычислительных ресурсах. Для обнаружения и классификации неисправностей, особенно на ранних стадиях, наиболее эффективна Bi-LSTM (ценой повышенной ресурсоемкости). Для классификации уже проявившихся дефектов оптимальна CNN, а для раннего оповещения о любых аномалиях -генеративные модели (GAN/VAE). Детальное соответствие моделей узлам и типам дефектов ТЭД приведено в таблице 2.
Таблица 2
Соответствие нейросетевых моделей к узлам и дефектам ТЭД
|
Нейросетевая модель |
Узел / элемент ТЭД |
Тип неисправности / дефект |
|
CNN |
— Якорь — Подшипниковые щиты и подшипники — Коллектор — Остов и полюсы |
— Дисбаланс якоря; — Дефекты моторно-осевых подшипников (износ, трещины); — Перегрев коллекторных пластин; — Местные перегревы остова и полюсов; — Дефекты изоляции якоря по тепловым признакам |
|
TCN |
— Обмотка якоря — Щеточно-коллекторный узел — Подшипниковые узлы |
— Кратковременные аномалии тока (пробой изоляции якоря); — Искрение под щетками (высокочастотные помехи); — Микротрещины в подшипниках (по высокочастотным вибрациям); — Нестабильность коммутации |
|
RNN |
— Подшипниковые узлы — Якорь |
— Прогрессирующее ухудшение состояния подшипников; — Деформация вала якоря; — Ранние признаки межвитковых замыканий в якоре |
|
LSTM |
— Моторно-осевые подшипники качения — Якорная обмотка — Коллектор |
— Деградация подшипников; — Старение изоляции якоря; — Неравномерный износ коллектора; — Скрытые дефекты коммутации |
|
Bi-LSTM |
— Комплексный анализ системы; — Корреляция вибрации подшипников и тока якоря; — Тепловые процессы в якоре |
— Зарождающиеся дефекты якоря и подшипников на ранних стадиях; — Корреляционные аномалии; — Комплексные неисправности (перегрев с нарушением коммутации); — Нелинейные зависимости между узлами |
|
GAN |
— Система мониторинга состояния в целом; — Датчики температуры, вибрации, тока — Коллектор |
— Аномалии; — Искажения сигналов тока и вибрации; — Отклонения в реконструкции тепловых полей коллектора и остова; — Скрытые неисправности, не проявляющиеся в явном виде |
|
GNN |
— Пространственно-распределенная структура ТЭД — Сеть датчиков — Механические связи |
— Нарушение физических взаимосвязей (ослабление крепления полюсов); — Локальные пространственные аномалии (неравномерный нагрев остова); — Рассогласование показаний датчиков; — Структурные дефекты остова и креплений |
Литература:
1. Плакс А. В., Зеленченко А. П., Бояринов А. П. Диагностика тяговых двигателей электрического подвижного состава: учеб. пособие. — СПб.: Петербургский гос. ун-т путей сообщения, 2003. — 74 с.
2. Платонов А. В. Машинное обучение: учеб. пособие для вузов. — М.: Юрайт, 2022. — 224 с.
3. Поляков А. Е., Чесноков А. В., Филимонова Е. М. Электрические машины, электропривод и системы интеллектуального управления электротехническими комплексами: учеб. пособие. — М.: ИНФРА-М, 2024. — 350 с.
4. Вакуленко С. А., Жихарева А. А. Нейронные сети для систем управления автоматизированным электроприводом: учеб. пособие. — М.: МГТУ им. Н. Э. Баумана, 2020. — 168 с.
5. Серебряков А. С. Техническая диагностика подвижного состава. Контроль главной изоляции тяговых электродвигателей: учеб. пособие. — 2-е изд., стер. — СПб.: Лань, 2024. — 292 с.
