Details

Данная работа посвящена исследованию методов диагностики неисправностей электромеханических систем, в частности электродвигателей, на основе преобразования сигналов в изображения и применения алгоритмов машинного зрения и искусственного интеллекта. В ходе исследования рассматриваются современные подходы к измерению сигналов и извлечению диагностических признаков; анализируются методы преобразования сигналов в изображения, включая SDP и CSDP; разрабатываются и исследуются методы диагностики неисправностей на основе усовершенствованной графовой сети внимания, многосенсорного подхода и полуконтролируемой модели с использованием условных случайных полей и графовой нейронной сети. В работе проводится экспериментальная проверка предложенных методов, выполняется сравнение с существующими алгоритмами диагностики и анализируется эффективность распознавания различных состояний электродвигателя. Полученные результаты подтверждают применимость методов машинного зрения и графовых нейронных сетей для повышения точности диагностики неисправностей электромеханических систем.

This work is devoted to the study of methods for diagnosing faults in electromechanical systems, in particular electric motors, based on the transformation of signals into images and the application of machine vision and artificial intelligence algorithms. In the course of the study, modern approaches to signal measurement and diagnostic feature extraction are considered; methods for transforming signals into images, including SDP and CSDP, are analyzed; fault diagnosis methods are developed and investigated based on an improved graph attention network, a multisensor approach, and a semi-supervised model using conditional random fields and a graph neural network. The work includes an experimental verification of the proposed methods, a comparison with existing diagnostic algorithms, and an analysis of the efficiency of recognizing various states of an electric motor. The obtained results confirm the applicability of machine vision methods and graph neural networks for improving the accuracy of fault diagnostics in electromechanical systems.