ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В АНАЛИЗЕ ВИБРАЦИОННЫХ СИГНАЛОВ ЭЛЕКТРОДВИГАТЕЛЕЙ

Authors
  • Мухтаров Мухиддин Кодиржон угли

    магистрант 2-го курса Наманганский государственный технический университет Факультет «Механика» специальность – 70711401 «Автоматизация технологических процессов и производств(по отраслям)»

    Author

Keywords:
Array
Abstract

В статье рассматриваются современные подходы к диагностике технического состояния асинхронных электродвигателей с использованием методов машинного обучения на основе анализа вибрационных сигналов. Вибрационный мониторинг является одним из наиболее надежных методов неразрушающего контроля, однако высокая зашумленность сигналов и нелинейный характер дефектов затрудняют классическую аналитическую диагностику. В работе исследуются процессы сбора данных, извлечения информативных признаков во временной, частотной и временнóй-частотной областях, а также эффективность применения классических алгоритмов машинного обучения (SVM, Random Forest) и нейросетевых архитектур (CNN, LSTM) для распознавания дефектов подшипников качения, дисбаланса ротора и эксцентриситета. Приводятся сравнительные статистические данные точности моделей, полученные на основе открытых верифицированных датасетов. Результаты подтверждают, что интеграция вейвлет-преобразования и глубоких сверточных нейросетей позволяет достичь точности классификации дефектов выше 98%, что снижает риски аварийных остановок промышленного оборудования.

References

1.Ковалев А. Ю., Сидоров В. А. Надежность электрооборудования промышленных предприятий. — Москва: Энергоатомиздат, 2019. — С. 45–52.

2.Randall R. B. Vibration-based Condition Monitoring: Industrial, Aerospace and Automotive Applications. — Chichester: Wiley, 2021. — P. 112–128.

3.Барков А. В., Баркова Н. А. Вибродиагностика колесных машин и механизмов на основе спектров огибающей высокочастотной вибрации // Вестник машиностроения. — 2020. — № 4. — С. 22–29.

4.Lei Y. Intelligent Fault Diagnosis and Remaining Useful Life Prediction of Infrastructure and Machinery. — Waltham: Elsevier, 2018. — P. 78–95.

5.Smith W. A., Randall R. B. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study // Mechanical Systems and Signal Processing. — 2015. — Vol. 64-65. — P. 100–131.

6.Костюков В. Н., Науменко А. П. Практическая вибродиагностика машин и автоматический мониторинг. — Новосибирск: Наука, 2017. — С. 143–150.

7.Antoni J. The spectral kurtosis: a useful tool for characterising non-stationary signals // Mechanical Systems and Signal Processing. — 2016. — Vol. 20, No. 2. — P. 282–307.

8.Mallat S. A Wavelet Tour of Signal Processing: The Sparse Way. — Burlington: Academic Press, 2019. — P. 210–225.

9.Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016. — P. 326–365.

10.Zhao R., Yan R., Chen Z. Deep learning and its applications to machine health monitoring // Mechanical Systems and Signal Processing. — 2019. — Vol. 115. — P. 213–237.

11.Крюков О. В. Интеллектуальный анализ сигналов в задачах мониторинга электротехнических комплексов // Электричество. — 2022. — № 3. — С. 34–41.

12.Verstraete D., Droguett E. L. A deep learning approach for vibration-based bearing fault diagnosis // Structural Health Monitoring. — 2020. — Vol. 19, No. 5. — P. 1475–1491.

Cover Image
Downloads
Published
2026-06-09
Section
Articles