Детальная информация

Цель исследования —повышение точности определения неисправностей оборудования с помощью разработки системы анализа вибрационных сигналов на основе глубоких нейронных сетей. Методология основана на применении методов цифровой обработки сигналов, включая оконное преобразование Фурье и вейвлет-анализ, а также на использовании различных моделей искусственного интеллекта, таких как сверточные нейронные сети (CNN) и трансформеры. Результаты работы — разработана модель для классификации состояний подшипниковых узлов. По экспериментам на наборе данных CWRU и синтетических выборках смогли достичь точности детекции дефектов порядка 85–87%. Область применения результатов ВКР охватывает предприятия тяжелой промышленности, энергетического сектора и транспортные системы, где внедрение систем предиктивного обслуживания на базе ИИ позволяет существенно снизить риск аварийных остановок и минимизировать эксплуатационные расходы. Выводы по работе подтверждают преимущество трансформерных архитектур в обработке долгосрочных зависимостей вибрационных сигналов и эффективность использования нейронных сетей для компенсации «разрыва реальности» при переносе моделей из среды симуляции в реальные условия эксплуатации.

The aim of the study is to increase the accuracy of equipment malfunction detection by developing a vibration signal analysis system based on deep neural networks. The methodology is based on the application of digital signal processing methods, including windowed Fourier transform and wavelet analysis, as well as the use of various artificial intelligence models such as convolutional neural networks (CNN) and transformers. Results of the work — a model has been developed for classifying the states of bearing assemblies. Based on experiments on the CWRU dataset and synthetic samples, we were able to achieve an accuracy of defect detection of the order of 85-87%. The scope of the WRC results covers enterprises in heavy industry, the energy sector, and transportation systems, where the introduction of predictive Maintenance systems based on AI can significantly reduce the risk of emergency shutdowns and minimize operating costs. The conclusions of the work confirm the advantage of transformer architectures in processing long-term dependencies of vibration signals and the effectiveness of using physically informed neural networks to compensate for the "reality gap" when transferring models from the simulation environment to real operating conditions.