Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Перенос модели диагностики подшипников на новую скорость зависит прежде всего от того, как подготовлен вибрационный сигнал, а не от алгоритма адаптации. Kumbha Nagaswetha и Rabi Pathak показали, что лучший вариант без разметки для нового режима почти сравнялся с моделью, обученной на нём напрямую, хотя работа не рецензирована и числа в ней получили сами авторы. Для промышленной системы это меняет порядок работ: сначала нужно убрать из сигнала влияние скорости и проверить перенос между физическими узлами, а уже затем выбирать способ адаптации.
Разделение по окнам позволяет модели запомнить подшипник
В задачах диагностики длинную запись вибрации обычно режут на короткие окна. Если случайно распределить эти окна между обучением и тестом, один физический подшипник окажется в обеих частях данных. Модель сможет узнавать особенности его изготовления и установки вместо типа неисправности.
Такое разделение объясняет, почему в работах по адаптации между режимами встречается точность выше 99%. Она не обязательно означает, что система распознает неисправность на ранее не встречавшемся узле.
В новой проверке каждый подшипник целиком попадал либо в обучение, либо в тест. Основные опыты провели на Paderborn University dataset: модель различала исправное состояние, дефект внешнего кольца и дефект внутреннего кольца. Обучение шло на одном режиме, а тест — на другом подшипнике и при изменённой скорости, моменте или радиальной нагрузке.
Из исходной вибрации выделяли огибающую высокочастотного резонанса. Затем сигнал представляли двумя способами. В первом спектр оставался привязан к частоте в герцах, поэтому при смене скорости пики дефекта сдвигались. Во втором сигнал пересчитывали по углу поворота вала: частоты неисправности занимали постоянные позиции, выраженные в долях оборота.
На этих данных сравнили нейронный оператор Фурье, который обрабатывает глобальную структуру спектра, и свёрточную сеть, ориентированную на локальные фрагменты сигнала. Размер вектора признаков у архитектур совпадал, а для переноса использовались одни и те же способы сближения распределений исходного и целевого режимов.
Фиксация пиков по оборотам открыла путь адаптации
При переносе на другую скорость нейронный оператор без данных целевого режима показал точность 0,36 в обычном частотном представлении. После привязки сигнала к оборотам результат вырос до 0,61. Для сравнения, обучение с разметкой непосредственно на целевом режиме давало 0,97.
Причина видна по ошибкам модели. В частотном представлении она относила почти все неисправные подшипники к исправным: пики дефектов после смены скорости оказывались не там, где модель научилась их искать. В координатах оборота пики вернулись на знакомые позиции, и модель снова начала различать неисправности.
После этого помогло и сближение признаков без целевой разметки. Лучший вариант достиг точности 0,95 в координатах оборота против 0,71 в герцах. Свёрточная сеть при той же подготовке оставалась около случайного уровня, поэтому одной замены координат недостаточно: архитектура тоже должна уметь использовать устойчивую спектральную структуру.
Когда менялись момент или радиальная сила, но скорость оставалась прежней, пики не перемещались. Обычное частотное представление уже работало близко к потолку, а пересчёт по оборотам почти ничего не менял. Значит, такая подготовка нужна не для любого сдвига условий, а прежде всего там, где режим перемещает диагностические признаки по спектру.
Планы стоит менять с протокола проверки, а не с функции потерь
Первое практическое следствие — разделять данные по физическим агрегатам, установкам или производственным партиям. Если окна одного сенсора попадают и в обучение, и в тест, сравнение алгоритмов адаптации отвечает не на тот вопрос, с которым система столкнётся после внедрения.
Второе — до обучения зафиксировать известную физическую инвариантность. Для вращающегося оборудования это может быть угол вала или окно с целым числом оборотов. Контрольный опыт показал, что нейронному оператору хватало такого окна: отдельная процедура пересчёта по углу уже не давала дополнительного выигрыша.
Этот подход требует достаточно точной скорости вращения. В опытах она была постоянной внутри записи и заранее известной. Ошибка примерно в 1% уже снижала качество, а при 2% преимущество перед обычным спектром исчезало. Для оборудования с переменной скоростью в систему сбора данных придётся заложить надёжную оценку текущей частоты вращения.
Границы вывода задают два набора данных. На Paderborn University dataset тест действительно содержал отдельные физические подшипники. На CWRU отдельные записи для всех сочетаний отсутствовали, поэтому единицей переноса служил диаметр дефекта, а исправную запись делили на непересекающиеся фрагменты. Этот тест обнаружил ошибки на новой геометрии дефекта, которых не избегала даже модель с целевой разметкой.
Работа не предлагает универсальный алгоритм адаптации для любых сенсоров. Она задаёт более полезную последовательность инженерных решений: исключить утечку между физическими узлами, выразить сигнал в координатах, где диагностический признак не двигается вместе с режимом, проверить подходящую архитектуру и только после этого добавлять сближение распределений или разметку целевых данных.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
