Детальная информация
| Название | Monitoring and diagnostics of electromechanical systems based on machine learning = Мониторинг и диагностика электромеханических систем на основе машинного обучения // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2026. – Т. 19, № 1. — С. 103-115 |
|---|---|
| Авторы | Kozhubaev Yu. N. |
| Выходные сведения | 2026 |
| Коллекция | Общая коллекция |
| Тематика | Радиоэлектроника ; Искусственный интеллект. Экспертные системы ; Энергетика ; Электрические машины переменного тока ; machine learning ; electromechanical systems ; engine fault diagnosis ; asynchronous motors ; asynchronous motor monitoring ; deep residual networks (engineering) ; theory of information fusion ; машинное обучение ; электромеханические системы ; диагностика неисправностей двигателей ; асинхронные двигатели ; мониторинг асинхронных двигателей ; глубокие остаточные сети (техника) ; теория слияния информации |
| УДК | 004.8; 621.313.3 |
| ББК | 32.813; 31.261.6 |
| Тип документа | Статья, доклад |
| Язык | Английский |
| DOI | 10.18721/JCSTCS.19110 |
| Права доступа | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Дополнительно | Новинка |
| Ключ записи | RU\SPSTU\edoc\78775 |
| Дата создания записи | 28.04.2026 |
Induction motors, widely used in electromechanical equipment of mining enterprises, are susceptible to failure due to frequent starts, overloads, and wear, leading to accidents and economic losses. Induction motors are one of the main sources of kinetic energy in industry and agriculture. Motor failure leads to shutdown of the technological process and reduced efficiency, requiring regular monitoring. Traditional diagnostic methods based on the analysis of individual signals and classic machine learning with manual feature selection are insufficiently reliable under variable operating conditions and are highly susceptible to human factor. This paper proposes an approach to diagnosing induction motor faults based on a deep residual network using signal analysis, deep and transfer learning, and information fusion. Various three-phase current input strategies are implemented, and a model capable of automatically extracting informative deep features from the current signal is constructed. The experimental results confirm that the proposed deep learning-based model provides higher diagnostic accuracy compared to traditional machine learning algorithms.
Асинхронные двигатели, широко применяемые в электромеханическом оборудовании горных предприятий, подвержены отказам из-за частых пусков, перегрузок и износа, что ведет к авариям и экономическим потерям. Асинхронные двигатели являются одним из основных источников кинетической энергии в промышленности и сельском хозяйстве. Отказ двигателя приводит к остановке технологического процесса и снижению эффективности, поэтому его состояние требует регулярного контроля. Традиционные методы диагностики, основанные на анализе отдельных сигналов и классическом машинном обучении с ручным выбором признаков, недостаточно надежны в переменных условиях эксплуатации и сильно зависят от человеческого фактора. В статье предлагается подход к диагностике неисправностей асинхронных двигателей на основе глубокой остаточной сети с использованием методов анализа сигналов, глубокого и трансферного обучения, а также слияния информации. Реализованы различные стратегии ввода трехфазного тока и построена модель, способная автоматически извлекать информативные глубинные признаки из токового сигнала. Экспериментальные результаты подтверждают, что предложенная модель на основе глубокого обучения обеспечивает более высокую точность диагностики по сравнению с традиционными алгоритмами машинного обучения.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ИБК СПбПУ | Все |
|
| Интернет | Все |
|
