Машинне навчання для передбачення аварій обладнання

Дослідники з Хмельницького національного університету створили інноваційний метод попередження аварійних ситуацій на обертових машинах, який докорінно змінює підходи до технічної діагностики та обслуговування обладнання.

Традиційні системи діагностики мають значні обмеження — вони здатні фіксувати лише два стани обладнання: справний та несправний. Натомість науковці запропонували принципово новий підхід, який дозволяє виявляти проміжний, перехідний стан, що передує можливій поломці.

Основою розробки став складний алгоритм, який поєднує методи кластеризації та глибокого машинного навчання. Дослідження базується на аналізі вібраційних сигналів, що надходять від датчиків обертових елементів машин. Вчені використали складні математичні моделі, зокрема алгоритм k-середніх та метод Elbow для групування даних, а також згорткові нейронні мережі (CNN) для класифікації станів.

Принципова новизна методу полягає у виділенні третього, перехідного класу стану обладнання. Якщо раніше системи могли лише констатувати факт несправності, то тепер з'явилась можливість передбачати наближення аварійної ситуації на ранніх етапах.

Експериментальні дослідження показали надзвичайно високу точність запропонованого підходу. Коефіцієнт силуету склав 0,506, що свідчить про чітке розмежування кластерів, а індекс Девіса-Болдіна — 0,796, що демонструє високу внутрішню узгодженість кластерів. Щобільше, розроблена нейронна мережа досягла 99% точності класифікації станів обладнання.

Практичне значення розробки важко переоцінити. Метод дозволяє не просто фіксувати поломки, а й завчасно виявляти обладнання, яке наближається до аварійного стану. Це дає унікальну можливість проводити превентивне технічне обслуговування, суттєво знижувати ризики раптових простоїв та мінімізувати витрати на ремонт.

Дослідження проводилися на базі спеціально підготовленого набору даних «zeroShot», який містив понад тисячу файлів з сенсорними записами. Науковці ретельно опрацювали методи попередньої обробки даних, включаючи нормалізацію, зменшення розмірності та видалення шумів.

Автори дослідження — Олена Залуцька, Олег Гладун та Олександр Мазурець з Хмельницького національного університету — наголошують, що це лише перший крок у розвитку інтелектуальних систем діагностики. У майбутньому планується подальше вдосконалення алгоритмів, зокрема підвищення швидкодії моделей та розширення їх адаптивних можливостей.