Details

Целью работы является разработка и апробация комплекса алгоритмов диагностики состояния газотурбинного двигателя (ГТД), обеспечивающего обнаружение аномалий и их интерпретацию без использования размеченной базы аварийных событий. Объект исследования – ГТД как объект мониторинга. Предмет исследования – методы глубокого обучения и объяснимого искусственного интеллекта применительно к задаче диагностики ГТД. В работе применялись методы машинного обучения: нейросетевая модель LSTM-автоэнкодер для обнаружения отклонений по ошибке реконструкции многомерного временного ряда, алгоритм K-Means с косинусной метрикой для кластеризации аномалий, а также методы SHAP и дифференциального корреляционного анализа для интерпретации причинно-следственных связей. Разработанная модель обработала 282 параметра ГТД на массиве из 380 948 временных меток и достигла медианного коэффициента детерминации R²=0,973. Обнаружено 4 954 аномальных события, разбитых на 15 кластеров-сигнатур (коэффициент силуэта 0,527). Верификационный классификатор XGBoost показал ROC-AUC=0,9993 при полноте обнаружения 92,3% и доле ложных тревог менее 0,2%. Результаты применимы для построения систем обслуживания по фактическому состоянию (CBM) любых ГТУ с аналогичной системой телеметрии. Разработанный гибридный подход RCA+SHAP обеспечивает физически интерпретируемую диагностику без привлечения разметки аварийных состояний и может служить основой для систем предиктивного обслуживания промышленного оборудования.

The purpose of the study is to develop and validate a set of gas turbine en-gine (GTE) condition diagnostics algorithms that enable anomaly detection and root cause interpretation without the use of labeled fault data. The object of re-search is a GTE as a continuous monitoring target. The subject of research is deep learning and explainable AI methods applied to GTE diagnostics. The research employed unsupervised machine learning methods: an LSTM-Autoencoder neural network model for anomaly detection via reconstruc-tion error of multivariate time series, K-Means clustering with cosine metric for anomaly grouping, and SHAP combined with differential Pearson correlation analysis for causal interpretation. The developed model processed 282 GTE parameters on a dataset of 380,948 timestamps, achieving a median coefficient of determination R²=0.973. A total of 4,954 anomalous events were detected and grouped into 15 fault signa-ture clusters (Silhouette score 0.527). A verification XGBoost classifier achieved ROC-AUC=0.9993 with 92.3% recall and a false alarm rate below 0.2%. The results are applicable to condition-based maintenance (CBM) systems for any GTE installation with comparable telemetry. The developed hybrid RCA+SHAP approach delivers physically interpretable diagnostics without la-beled fault data and can serve as a foundation for predictive maintenance systems for industrial equipment.