发动机诊断神经网络：99% 准确率

## 基于特征引导的数据增强：诊断感应电机故障的神经网络

HSE大学专家开发的基于特征引导的数据增强方法，能让神经网络以99%的准确率检测三相感应电机的故障。故障类型分类准确率达86%。该方法基于健康电机的电流信号生成合成数据，模拟真实缺陷，而无需物理损坏设备。这解决了工业领域真实故障数据集短缺的问题。

三相感应电机是生产系统的关键组件：从汽车工厂的装配线到供水网络的泵站。故障会导致停机、损失和安全风险。传统的电流频谱分析需要手动调整滤波器、提取频率，并依赖专家知识，这会拖慢进程。

传统方法与机器学习方法的挑战

经典的MCSA（电机电流签名分析）依赖电流频谱的视觉检查。工程师寻找与定子绕组断裂、转子偏心或短路相关的特征谐波。该过程费时费力：需要针对特定电机进行校准，并考虑负载和工作条件。

机器学习承诺实现自动化，但面临数据不足的问题。真实故障罕见，且没有维护故障信号档案。标准数据增强（如噪声、偏移）未考虑缺陷物理特性，降低了模型的泛化能力。

HSE团队——Artem Ryzhikov、Sara Ali、Alexander Khizhik、Stepan Svirin、Denis Derkach——提出了基于特征引导的方法。该算法从物理模型中提取典型故障的“特征”，并将其注入干净信号中。

基于特征引导的数据增强工作原理

该方法依赖物理模式：

• 定子匝间短路：在基频周围添加边带谐波。
• 转子偏心：以旋转频率调制，系数为2f_r。
• 短路：相位不对称，零序电流增加。
• 轴承缺陷：在BPFO/BPFI频率处出现脉冲尖峰。

信号通过将这些特征叠加到正常频谱上生成。神经网络（基于CNN或Transformer）在混合数据集上训练：80%合成数据 + 20%真实数据（如果可用）。

流程：

• 记录正常模式下的电流（FFT频谱）。
• 提取电机的基线特征。
• 生成故障：基于模型注入谐波。
• 训练分类器（二元：健康/故障；多类：故障类型）。
• 在留出集上验证。

Denis Derkach强调：该方法无需FEM仿真或真实故障测试——仅使用MCSA的解析公式。

实验结果

在两台电机（4极和6极，50 Hz）的数据集上测试：

| 任务 | 准确率 | 召回率 | F1分数 |

|--------|----------|--------|----------|

| 二元（健康/故障） | 99% | 98.5% | 98.7% |

| 多类（5种类型） | 86% | 84% | 85% |

Sara Ali指出：系统从正常数据起步，演变为无需历史故障记录的检测器。通过重新记录基线特征，实现对新电机的泛化。

对中高级开发者的优势：

• 数据需求最小：仅需一个健康信号。
• 物理可解释性：可追溯到谐波。
• 可扩展性：适用于任何参数（功率、极数）。
• 早期检测：基于置信度分数的阈值。

关键要点

• 无真实故障数据下，二元分类准确率99%。
• 基于MCSA特征的生成确保真实性。
• 通过预测性维护减少停机时间。
• 计划在工业现场验证。
• 开放性：方法不绑定特定硬件。

该方法可集成到SCADA/IIoT系统中：边缘设备实时分析电流并发送警报。未来计划扩展到振动和温度。

— Editorial Team