Обнаружение неисправностей центробежных насосов и электродвигателей с использованием анализа сигнатур тока двигателя и автоматизированного машинного обучения

Р. Р. Халиков; М. Ю. Чернецкий; И. Е. Ревин; В. А. Потемкин

Том 275

Страницы:

42-55

Скачать том:

RUS ENG

Научная статья

Геотехнология и инженерная геология

Обнаружение неисправностей центробежных насосов и электродвигателей с использованием анализа сигнатур тока двигателя и автоматизированного машинного обучения

Авторы:

Р. Р. Халиков¹

М. Ю. Чернецкий²

И. Е. Ревин³

В. А. Потемкин⁴

Об авторах

1 — специалист АО «РОТЕК Диджитал Солюшнс» ▪ Orcid
2 — канд. техн. наук руководитель департамента АО «РОТЕК Диджитал Солюшнс» ▪ Orcid
3 — канд. техн. наук научный сотрудник Университет ИТМО ▪ Orcid
4 — канд. техн. наук научный сотрудник Университет ИТМО ▪ Orcid

Дата отправки:

2025-04-09

Дата принятия:

2025-08-25

Дата публикации онлайн:

2025-10-13

Дата публикации:

2025-10-31

Аннотация

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.

Область исследования:

Геотехнология и инженерная геология

Ключевые слова:

машинное обучение электродвигатель градиентный бустинг композитная модель AutoML обнаружение неисправностей временные ряды

Литература

Zhukovskiy Y., Buldysko A., Revin I. Induction Motor Bearing Fault Diagnosis Based on Singular Value Decomposition of the Stator Current // Energies. 2023. Vol. 16. Iss. 8. № 3303. DOI: 10.3390/en16083303
Королев Н.А., Жуковский Ю.Л., Булдыско А.Д. и др. Оценка энергетического ресурса на основе диагностики технического состояния электромеханического оборудования минерально-сырьевого комплекса // Горный информационно-аналитический бюллетень. 2024. № 5. С. 158-181. DOI: 10.25018/0236_1493_2024_5_0_158
Bolón-Canedo V., Morán-Fernández L., Cancela B., Alonso-Betanzos A. A review of green artificial intelligence: Towards a more sustainable future // Neurocomputing. 2024. Vol. 599. № 128096. DOI: 10.1016/j.neucom.2024.128096
Garcia-Calva T., Morinigo-Sotelo D., Fernandez-Cavero V., Romero-Troncoso R. Early Detection of Faults in Induction Motors – A Review // Energies. 2022. Vol. 15. Iss. 21. № 7855. DOI: 10.3390/en15217855
Atta M.E.E.-D., Ibrahim D.K., Gilany M.I. Broken Bar Fault Detection and Diagnosis Techniques for Induction Motors and Drives: State of the Art // IEEE Access. 2022. Vol. 10. P. 88504-88526. DOI: 10.1109/ACCESS.2022.3200058
Ghanbari T., Mehraban A., Farjah E. Inter-turn fault detection of induction motors using a method based on spectrogram of motor currents // Measurement. 2022. Vol. 205. № 112180. DOI: 10.1016/j.measurement.2022.112180
Bruinsma S., Geertsma R.D., Loendersloot R., Tinga T. Motor current and vibration monitoring dataset for various faults in an E-motor-driven centrifugal pump // Data in Brief. 2024. Vol. 52. № 109987. DOI: 10.1016/j.dib.2023.109987
Sunal C.E., Dyo V., Velisavljevic V. Review of Machine Learning Based Fault Detection for Centrifugal Pump Induction Motors // IEEE Access. 2022. Vol. 10. P. 71344-71355. DOI: 10.1109/ACCESS.2022.3187718
Sunal C.E., Velisavljevic V., Dyo V. et al. Centrifugal Pump Fault Detection with Convolutional Neural Network Transfer Learning // Sensors. 2024. Vol. 24. Iss. 8. № 2442. DOI: 10.3390/s24082442
Chao Zhao, Zio E., Weiming Shen. Domain generalization for cross-domain fault diagnosis: An application-oriented perspective and a benchmark study // Reliability Engineering & System Safety. 2024. Vol. 245. № 109964. DOI: 10.1016/j.ress.2024.109964
Kim M.-C., Lee J.-H., Wang D.-H., Lee I.-S. Induction Motor Fault Diagnosis Using Support Vector Machine, Neural Networks, and Boosting Methods // Sensors. 2023. Vol. 23. Iss. 5. № 2585. DOI: 10.3390/s23052585
Jiusi Zhang, Ke Zhang, Yiyao An et al. An Integrated Multitasking Intelligent Bearing Fault Diagnosis Scheme Based on Representation Learning Under Imbalanced Sample Condition // IEEE Transactions on Neural Networks and Learning Systems. 2024. Vol. 35. Iss. 5. P. 6231-6242. DOI: 10.1109/TNNLS.2022.3232147
Kumar P., Hati A.S. Review on Machine Learning Algorithm Based Fault Detection in Induction Motors // Archives of Computational Methods in Engineering. 2021. Vol. 28. Iss. 3. P. 1929-1940. DOI: 10.1007/s11831-020-09446-w
Yakhni M.F., Cauet S., Sakout A. et al. Variable speed induction motors’ fault detection based on transient motor current signatures analysis: A review // Mechanical Systems and Signal Processing. 2023. Vol. 184. № 109737. DOI: 10.1016/j.ymssp.2022.109737
Yuejiang Han, Jiamin Zou, Bo Gong et al. The use of model-based voltage and current analysis for torque oscillation detection and improved condition monitoring of centrifugal pumps // Mechanical Systems and Signal Processing. 2025. Vol. 222. № 111781. DOI: 10.1016/j.ymssp.2024.111781
Chen Liang, Yan Hao, Xie Tengzhou, Li Zhiguo. Identification of cavitation state of centrifugal pump based on current signal // Frontiers in Energy Research. 2023. Vol. 11. № 1204300. DOI: 10.3389/fenrg.2023.1204300
Господариков А.П., Ревин И.Е., Морозов К.В. Композитная модель анализа данных сейсмического мониторинга при ведении горных работ на примере Кукисвумчоррского месторождения АО «Апатит» // Записки Горного института. 2023. Т. 262. С. 571-580. DOI: 10.31897/PMI.2023.9
Nath A.G., Udmale S.S., Singh S.K. Role of artificial intelligence in rotor fault diagnosis: a comprehensive review // Artificial Intelligence Review. 2021. Vol. 54. Iss. 4. P. 2609-2668. DOI: 10.1007/s10462-020-09910-w
Salehin I., Islam S., Saha P. et al. AutoML: A systematic review on automated machine learning with neural architecture search // Journal of Information and Intelligence. 2024. Vol. 2. Iss. 1. P. 52-81. DOI: 10.1016/j.jiixd.2023.10.002
Baratchi M., Can Wang, Limmer S. et al. Automated machine learning: past, present and future // Artificial Intelligence Review. 2024. Vol. 57. Iss. 5. № 122. DOI: 10.1007/s10462-024-10726-1
Alsharef A., Aggarwal K., Sonia et al. Review of ML and AutoML Solutions to Forecast Time-Series Data // Archives of Computational Methods in Engineering. 2022. Vol. 29. Iss. 7. P. 5297-5311. DOI: 10.1007/s11831-022-09765-0
Barandier P., Mendes M., Cardoso A.J.M. Comparative analysis of four classification algorithms for fault detection of heat pumps // Energy and Buildings. 2024. Vol. 316. № 114342. DOI: 10.1016/j.enbuild.2024.114342
Barbudo R., Ventura S., Romero J.R. Eight years of AutoML: categorisation, review and trends // Knowledge and Information Systems. 2023. Vol. 65. Iss. 12. P. 5097-5149. DOI: 10.1007/s10115-023-01935-1
Bischl B., Binder M., Lang M. et al. Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges // WIREs Data Mining and Knowledge Discovery. 2023. Vol. 13. Iss. 2. № e1484. DOI: 10.1002/widm.1484
Morales-Hernández A., Van Nieuwenhuyse I., Rojas Gonzalez S. A survey on multi-objective hyperparameter optimization algorithms for machine learning // Artificial Intelligence Review. 2023. Vol. 56. Iss. 8. P. 8043-8093. DOI: 10.1007/s10462-022-10359-2
Dahiya S., Nanda H., Artwani J., Varshney J. Using Clustering techniques and Classification Mechanisms for Fault Diagnosis // International Journal of Advanced Trends in Computer Science and Engineering. 2020. Vol. 9. № 2. P. 2138-2146. DOI: 10.30534/ijatcse/2020/188922020
Maliuk A.S., Ahmad Z., Kim J.-M. A Technique for Bearing Fault Diagnosis Using Novel Wavelet Packet Transform-Based Signal Representation and Informative Factor LDA // Machines. 2023. Vol. 11. Iss. 12. № 1080. DOI: 10.3390/machines11121080
Hadi R.H., Hady H.N., Hasan A.M. et al. Improved Fault Classification for Predictive Maintenance in Industrial IoT Based on AutoML: A Case Study of Ball-Bearing Faults // Processes. 2023. Vol. 11. Iss. 5. № 1507. DOI: 10.3390/pr11051507
Cerrada M., Trujillo L., Hernández D.E. et al. AutoML for Feature Selection and Model Tuning Applied to Fault Severity Diagnosis in Spur Gearboxes // Mathematical and Computational Applications. 2022. Vol. 27. Iss. 1. № 6. DOI: 10.3390/mca27010006
Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Methods, Systems, Challenges. Springer, 2019. 219 p. DOI: 10.1007/978-3-030-05318-5
Revin I., Potemkin V.A., Balabanov N.R., Nikitin N.O. Automated machine learning approach for time series classification pipelines using evolutionary optimization // Knowledge-Based Systems. 2023. Vol. 268. № 110483. DOI: 10.1016/j.knosys.2023.110483
Javed K., Gouriveau R., Zerhouni N. State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels // Mechanical Systems and Signal Processing. 2017. Vol. 94. P. 214-236. DOI: 10.1016/j.ymssp.2017.01.050
Khan A.A., Chaudhari O., Chandra R. A review of ensemble learning and data augmentation models for class imbalanced problems: Combination, implementation and evaluation // Expert Systems with Applications. 2024. Vol. 244. № 122778. DOI: 10.1016/j.eswa.2023.122778
Ozaki Y., Tanigaki Y., Watanabe S. et al. Multiobjective Tree-Structured Parzen Estimator // Journal of Artificial Intelligence Research. 2022. Vol. 73. P. 1209-1250. DOI: 10.1613/jair.1.13188

Обнаружение неисправностей центробежных насосов и электродвигателей с использованием анализа сигнатур тока двигателя и автоматизированного машинного обучения

Аннотация

Литература

Похожие статьи