В статье представлен алгоритм адаптивного формирования обучающих и тестовых выборок для системы ANFIS, используемой для диагностики технического состояния электротехнического оборудования. Особенностью предложенного подхода является учет временных зависимостей и аномальных данных, что позволяет повысить точность и полноту распознавания неисправных состояний оборудования. Описан процесс тестирования алгоритма на синтетических данных, включающих параметры вибрации, температуры, тока и напряжения. Проведенный анализ показывает, что адаптивное разбиение данных улучшает способность системы к идентификации аномалий по сравнению с классическим методом разбиения выборок. Алгоритм успешно применим для задач диагностики оборудования в промышленности, где важно учитывать динамические изменения параметров и редкие аномальные события. Для оценки эффективности алгоритма было проведено сравнение с традиционными методами формирования выборок. Эксперимент показал, что предложенный метод позволяет улучшить качество классификации аномальных состояний оборудования. Кроме того, применение алгоритма снижает вероятность ложных срабатываний при обнаружении неисправностей. Важной особенностью разработки является возможность адаптации алгоритма к различным типам оборудования, что делает его универсальным решением для диагностики в различных промышленных отраслях. Перспективы применения алгоритма связаны с его интеграцией в системы предиктивного обслуживания и мониторинга, что позволит повысить надежность работы оборудования и снизить затраты на его ремонт и обслуживание.
1. Генин В.С., Маркарова Э.Н. Техническая диагностика электросетевого оборудования. Вестник Чувашского университета. 2017;(1):213–217.
2. Гагарина Л.Г., Рубцов Ю.В. Особенности разработки метода классификации плоских QFN-корпусов для применения в составе автоматизированных систем технической подготовки производства изделий микроэлектроники. Известия высших учебных заведений. Электроника. 2022;27(3):322–332.
3. Саушев А.В., Шерстнев Д.А., Широков Н.В. Анализ методов диагностики аппаратов высокого напряжения. Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. 2017;9(5):1073–1085.
4. Коробейников А.Б., Сарваров А.С. Анализ существующих методов диагностирования электродвигателей и перспективы их развития. Электротехнические системы и комплексы. 2015;(1):4–9.
5. Кузнецов М.Ю., Кожевников А.В. Интеллектуальный метод определения остаточного ресурса электротехнического оборудования. Современные научные исследования и инновации. 2013;(12). URL: https://web.snauka.ru/issues/2013/12/29800
6. Базыль И.М. Прогнозирование технического состояния электрооборудования систем электроснабжения. Известия Тульского государственного университета. Технические науки. 2011;(6-1):89–93.
7. Akbar S.,Vaimann T., Asad B., Kallaste A., Sardar M.U., Kudelina K. State-of-the-Art Techniques for Fault Diagnosis in Electrical Machines: Advancements and Future Directions. Energies. 2023;16(17). https://doi.org/10.3390/en16176345
8. Kudelina K., Vaimann T., Asad B., Rassõlkin A., Kallaste A., Demidova G. Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning. Applied Sciences. 2021;11(6). https://doi.org/10.3390/app11062761
9. Capisani L.M., Ferrara A., Ferreira de Loza A., Fridman L.M. Manipulator Fault Diagnosis via Higher Order Sliding-Mode Observers. IEEE Transactions on Industrial Electronics. 2012;59(10):3979–3986. https://doi.org/10.1109/TIE.2012.2189534
10. Cheng F., He Q.P., Zhao J. A novel process monitoring approach based on variational recurrent autoencoder. Computers & Chemical Engineering. 2019;129. https://doi.org/10.1016/j.compchemeng.2019.106515
11. Camarena-Martinez D., Osornio-Rios R., Romero-Troncoso R.J., Garcia-Perez A. Fused Empirical Mode Decomposition and MUSIC Algorithms for Detecting Multiple Combined Faults in Induction Motors. Journal of Applied Research and Technology. 2015;13(1). https://doi.org/10.1016/S1665-6423(15)30014-6
12. Dai X., Gao Z. From Model, Signal to Knowledge: A Data-Driven Perspective of Fault Detection and Diagnosis. IEEE Transactions on Industrial Informatics. 2013;9(4):2226–2238. https://doi.org/10.1109/TII.2013.2243743
13. Sobczyk T.J., Tulicki J., Weinreb K., Mielnik R., Sułowicz M. Characteristic Features of Rotor Bar Current Frequency Spectrum in Cage Induction Machine with Inner Faults. In: 2019 IEEE 12th International Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED), 27–30 August 2019, Toulouse, France. IEEE; 2019. pp. 115–120. https://doi.org/10.1109/DEMPED.2019.8864907
Чирков Андрей Владимирович
ORCID |
Национальный исследовательский университет «Московский институт электронной техники»
Москва, Россия
