Центробежные насосы, являясь ключевыми компонентами гидравлических систем, играют фундаментальную роль в обеспечении надежной работы множества промышленных процессов таких отраслей, как энергетика, химическая промышленность и нефтепереработка, где бесперебойная работа оборудования имеет критическое значение. Выход из строя центробежных насосов может привести к значительным финансовым потерям из-за дорогостоящего ремонта и вынужденных простоев производственных линий. В статье представлен инновационный подход к диагностике и выявлению неисправностей центробежных насосов. Этот метод основывается на применении анализа сигнатур тока двигателя (АСТД) в сочетании с технологиями автоматизированного машинного обучения (AutoML). Такой подход позволяет эффективно и с высокой точностью обнаруживать ранние признаки сбоев в работе оборудования. Для проведения экспериментальных исследований использовался открытый набор данных, собранных в условиях, приближенных к реальной эксплуатации. Результатом стала высокая точность выявления неисправностей – 89 %, что значительно превышает показатели традиционного метода на основе градиентного бустинга. Это подтверждает преимущество комплексной модели, сформированной средствами AutoML. Дополнительное повышение точности диагностики стало возможным благодаря использованию усовершенствованного векторного преобразования Парка, примененного к исходным данным о токе и напряжении. При таком подходе выявляются даже малозаметные аномалии в работе насоса, усиливая возможности раннего прогнозирования сбоев. Представленное исследование не только подчеркивает потенциал АСТД как неинвазивного и масштабируемого инструмента для мониторинга состояния оборудования, но и демонстрирует перспективность применения AutoML для задач технической диагностики промышленных насосов.

Centrifugal pumps, as key components of hydraulic systems, play a fundamental role in ensuring the reliable operation of numerous industrial processes in sectors such as energy, chemical production, and oil refining, where uninterrupted equipment performance is of critical importance. Failures of centrifugal pumps can result in substantial financial losses due to costly repairs and unplanned production downtime. This paper presents an innovative approach to diagnosing and detecting faults in centrifugal pumps. The method is based on the application of Motor Current Signature Analysis (MCSA) in combination with automated machine learning (AutoML) technologies. Such an approach enables efficient and highly accurate identification of early signs of equipment malfunction. The experimental study was conducted using an open dataset collected under conditions close to real-world operation. The proposed method achieved a fault detection accuracy of 89 %, which significantly exceeds the performance of the traditional gradient boosting method. This confirms the advantage of a comprehensive model developed through AutoML. Further improvement in diagnostic accuracy was made possible by applying an enhanced Park’s vector transformation to the raw current and voltage data. This approach makes it possible to detect even subtle anomalies in pump operation, thereby strengthening the capability for early fault prediction. The study not only highlights the potential of MCSA as a non-invasive and scalable tool for equipment condition monitoring but also demonstrates the promise of AutoML for technical diagnostics of industrial pumps.