# Signature-Guided Data Augmentation: neuronová síť pro diagnostiku poruch asynchronních motorů
Metoda Signature-Guided Data Augmentation, vyvinutá specialisty NIU VŠÉ, umožňuje neuronové síti detekovat poruchy třífázových asynchronních motorů s přesností 99 %. Klasifikace typů poruch dosahuje 86 %. Přístup generuje syntetická data na základě signálů proudu zdravých motorů a imituje reálné defekty bez fyzického poškození zařízení. To řeší problém nedostatku reálných datových sad poruch v průmyslu.
Třífázové asynchronní motory jsou klíčovým elementem výrobních systémů: od dopravních pásů na autovýchodech po čerpadla ve vodovodních systémech. Poruchy vedou k zastávkám, ztrátám a bezpečnostním rizikům. Tradiční analýza spektra proudu vyžaduje ruční nastavení filtrů, výběr frekvencí a expertízní znalosti, což proces zpomaluje.
Problémy tradičních metod a přístupů ML
Klasický MCSA (Motor Current Signature Analysis) spoléhá na vizuální analýzu spektra proudu. Inženýři hledají charakteristické harmonické spojené s přerušením vinutí, excentricitou rotoru nebo zkraty. Proces je pracně náročný: vyžaduje kalibrace pro konkrétní motor, zohlednění zátěže a provozních podmínek.
Strojové učení slibuje automatizaci, ale naráží na nedostatek dat. Reálné poruchy jsou vzácné, archivy poruchových signálů se nevedou. Standardní augmentace (šum, posuny) nezohledňují fyziku defektů, což snižuje zobecnitelnost modelů.
Tým VŠÉ – Artem Ryžikov, Saraa Ali, Alexandr Chižik, Štěpán Svirin, Denis Derkáč – představil přístup Signature-Guided. Algoritmus extrahuje „signatury“ typických poruch z fyzikálních modelů a aplikuje je na čisté signály.
Jak funguje Signature-Guided Data Augmentation
Metoda vychází z fyzikálních zákonitostí:
- Přerušení vinutí statoru: přidání bočních harmonických kolem hlavní frekvence.
- Excentricita rotoru: modulace na frekvenci otáček s koeficientem 2f_r.
- Zkrat: asymetrie fáz s růstem nulových proudů.
- Defekt ložisek: impulsní špičky na frekvencích BPFO/BPFI.
Signály se generují překrytím těchto signatur na normální spektrech. Neuronová síť (CNN nebo Transformer-based) se trénuje na smíšeném datasete: 80 % syntetika + 20 % reálná (pokud jsou dostupná).
Proces:
- Záznam proudu v normálním režimu (FFT-spektrum).
- Extrakce základní signatury motoru.
- Generování defektů: injekce harmonických podle modelů.
- Trénování klasifikátoru (binární: zdravý/porušený; multiclass: typ defektu).
- Validace na hold-out sadě.
Denis Derkáč zdůrazňuje: metoda nevyžaduje FEM simulace ani reálné testy poruch, používá pouze analytické vzorce z MCSA.
Výsledky experimentů
Testování na datech dvou motorů (4- a 6-pólové, 50 Hz):
| Úloha | Přesnost | Recall | F1-score |
|--------|----------|--------|----------|
| Binary (healthy/faulty) | 99% | 98.5% | 98.7% |
| Multiclass (5 typů) | 86% | 84% | 85% |
Saraa Ali poznamenává: systém startuje z normálních dat a vyvíjí se v detektor bez historických poruch. Zobecnění na nové motory lze dosáhnout přepsáním základní signatury.
Výhody pro middle/senior vývojáře:
- Minimální požadavky na data: jeden healthy signál.
- Fyzikální interpretovatelnost: sledovatelná až k harmonickým.
- Škálovatelnost: aplikovatelné na libovolné parametry (výkon, póly).
- Včasné odhalení: práh na confidence-score.
Co je důležité
- Přesnost 99 % v binární klasifikaci bez reálných fault-dat.
- Generování na základě MCSA signatur zajišťuje realismus.
- Snížení prostoje díky prediktivní údržbě.
- Plánována validace na průmyslových zařízeních.
- Otevřenost: metoda není vázána na hardware.
Přístup se integruje do SCADA/IIoT systémů: edge zařízení analyzují proud v reálném čase a posílají alerty. V budoucnosti rozšíření na vibrace a teplotu.
— Editorial Team
Zatím žádné komentáře.