# Signature-Guided Data Augmentation: sieć neuronowa do diagnostyki usterek silników asynchronicznych
Metoda Signature-Guided Data Augmentation, opracowana przez specjalistów NIU WSE, pozwala sieci neuronowej określać usterki trójfazowych silników asynchronicznych z dokładnością 99%. Klasyfikacja typów awarii osiąga 86%. Podejście generuje syntetyczne dane na podstawie sygnałów prądu sprawnych silników, imitując rzeczywiste defekty bez fizycznego uszkodzenia sprzętu. To rozwiązuje problem braku rzeczywistych zbiorów danych awaryjnych w przemyśle.
Trójfazowe silniki asynchroniczne to kluczowy element systemów produkcyjnych: od taśm przenośnikowych na zakładach samochodowych po pompy w zaopatrzeniu w wodę. Usterki prowadzą do przestojów, strat i zagrożeń bezpieczeństwa. Tradycyjna analiza spektrum prądu wymaga ręcznego strojenia filtrów, wydzielania częstotliwości i wiedzy ekspertów, co spowalnia proces.
Problemy tradycyjnych metod i podejść ML
Klasyczny MCSA (Motor Current Signature Analysis) opiera się na wizualnej analizie spektrum prądu. Inżynierowie szukają charakterystycznych harmonicznych związanych z przerwami w uzwojeniach, mimośrodowością wirnika lub zwarciami. Proces jest pracochłonny: wymaga kalibracji pod konkretny silnik, uwzględnienia obciążenia i warunków eksploatacji.
Maszynowe uczenie obiecuje automatyzację, ale napotyka brak danych. Rzeczywiste awarie są rzadkie, nie prowadzi się archiwów sygnałów awaryjnych. Standardowe augmentacje (szum, przesunięcia) nie uwzględniają fizyki defektów, co obniża uogólnialność modeli.
Zespół WSE — Artem Ryżykow, Saraa Ali, Aleksander Chizik, Stepan Swirin, Denis Dierkacz — wprowadził podejście Signature-Guided. Algorytm wyciąga „sygnatury” typowych usterek z modeli fizycznych i wstrzykuje je w czyste sygnały.
Jak działa Signature-Guided Data Augmentation
Metoda opiera się na fizycznych prawidłowościach:
- Przerwa w cewkach statora: dodanie harmonicznych bocznych wokół częstotliwości głównej.
- Mimośrodowość wirnika: modulacja na częstotliwości obrotowej z współczynnikiem 2f_r.
- Zwarcie: asymetria faz z wzrostem prądów zerowego rzędu.
- Usterka łożysk: impulsowe skoki na częstotliwościach BPFO/BPFI.
Sygnały generuje się przez nałożenie tych sygnatur na normalne spektra. Sieć neuronowa (CNN lub oparta na Transformerach) uczy się na mieszanym zbiorze danych: 80% syntetyka + 20% rzeczywiste (jeśli dostępne).
Proces:
- Rejestracja prądu w trybie normalnym (spektrum FFT).
- Wyodrębnienie bazowej sygnatury silnika.
- Generowanie defektów: wstrzyknięcie harmonicznych według modeli.
- Trenowanie klasyfikatora (binarne: sprawny/uszkodzony; wieloklasowe: typ defektu).
- Walidacja na zbiorze hold-out.
Denis Dierkacz podkreśla: metoda nie wymaga symulacji FEM ani rzeczywistych testów na awarie, korzysta tylko z analitycznych wzorów z MCSA.
Wyniki eksperymentów
Testy na zbiorach danych dwóch silników (4- i 6-biegunowe, 50 Hz):
| Zadanie | Dokładność | Recall | F1-score |
|--------------------------|------------|--------|----------|
| Binary (sprawny/uszkodzony) | 99% | 98.5% | 98.7% |
| Multiclass (5 typów) | 86% | 84% | 85% |
Saraa Ali zauważa: system startuje z normalnych danych, ewoluując w detektor bez historycznych awarii. Uogólnienie na nowe silniki osiąga się przez przepisanie bazowej sygnatury.
Zalety dla middle/senior developerów:
- Minimalne wymagania danych: jeden sygnał sprawny.
- Fizyczna interpretowalność: śledzalna do harmonicznych.
- Skalowalność: stosowalna do dowolnych parametrów (moc, bieguny).
- Wczesne wykrywanie: próg na confidence-score.
Co ważne
- Dokładność 99% w klasyfikacji binarnej bez rzeczywistych danych fault.
- Generacja oparta na sygnaturach MCSA zapewnia realizm.
- Redukcja przestojów dzięki predykcyjnemu maintenance.
- Planowana walidacja na obiektach przemysłowych.
- Otwartość: metoda nie jest związana z hardware.
Podejście integruje się z systemami SCADA/IIoT: urządzenia edge analizują prąd w czasie rzeczywistym, wysyłając alerty. W przyszłości — rozszerzenie na wibracje i temperaturę.
— Editorial Team
Brak komentarzy.