Статья опубликована в №132 (август) 2024
Разделы: Информационные технологии
Размещена 15.08.2024. Последняя правка: 14.08.2024.
Просмотров - 229

ПРЕДОБРАБОТКА ДАННЫХ И ИНЖИНИРИНГ ПРИЗНАКОВ ДЛЯ ПРОГНОЗИРОВАНИЯ НЕИСПРАВНОСТЕЙ РЕДУКТОРА

Аль Уатик Хассан Саидович

Магистр

Федеральное государственное бюджетное образовательное учреждение высшего образования «Алтайский государственный технический университет им. И.И. Ползунова»

Аспирант факультета информационных технологий

Пронин Сергей Петрович, доктор теxнических наук, профессор кафедры информационных технологий, Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул

УДК 62-50:004.93:004.94

Введение

В условиях современной промышленности неисправности редукторов могут стать причиной серьезных операционных сбоев и значительных затрат на обслуживание. Для предотвращения таких последствий все большее внимание уделяется прогнозирующему обслуживанию, основанному на передовых технологиях машинного обучения и нейронных сетях. Эти технологии позволяют выявлять потенциальные неисправности на ранних стадиях, что предотвращает их развитие до критических отказов.

Актуальность

Прогнозирующее обслуживание, несмотря на свою эффективность, сталкивается с рядом вызовов. В частности, методы машинного обучения требуют высококачественных данных и информативных признаков, которые являются основой для построения точных предсказательных моделей. Одним из ключевых аспектов является предобработка данных и инжиниринг признаков, что обеспечивает надежность и точность моделирования.

За последние годы достигнуты значительные успехи в применении нейронных сетей для диагностики и прогнозирования неисправностей. Например, профессор Чен и его коллеги продемонстрировали, что глубокое обучение может эффективно использоваться для анализа вибрационных данных, однако их подход требует больших наборов данных и значительных вычислительных ресурсов [3]. В то же время, доктор Ван предложил метод снижения шума в вибрационных сигналах с использованием вейвлет-преобразования и машинного обучения, что, хотя и эффективно, не решает полностью задачу извлечения признаков для нейронных сетей [6].

Исследования показывают, что интеграция признаков временной и частотной областей может существенно повысить производительность моделей. Так, доктор Сюй успешно использовал автокодировщики для улучшения точности моделей, однако потенциал сложных частотных признаков, таких как спектральная плоскостность и спад, остается недостаточно исследованным [9].

Цели и задачи

Основная цель нашего исследования заключается в разработке и применении методов предобработки данных и инжиниринга признаков для повышения точности прогнозирования неисправностей редуктора. Мы предлагаем комплексную структуру, объединяющую передовые методы снижения шума и инжиниринг признаков, что позволяет извлечь как временные, так и частотные характеристики сигналов вибрации. Этот подход нацелен на создание более информативных входных данных для нейронных сетей, что, в свою очередь, позволяет улучшить их способность к обнаружению неисправностей и снижает необходимость в очень больших наборах данных.

Таким образом, данное исследование актуально для повышения надежности и эффективности промышленного оборудования, и его результаты могут стать важным вкладом в развитие методов прогнозирующего обслуживания.

Научная новизна

Научная новизна данного исследования заключается в интеграции сложных методов предобработки данных с инжинирингом признаков, специально разработанных для извлечения значимых шаблонов из сигналов вибрации. Предложенный подход обеспечивает более точное и надежное прогнозирование неисправностей редуктора, чем существующие методы, и снижает необходимость в очень больших наборах данных.

Методология

Методология этого исследования включает в себя комплексный процесс предобработки данных и инжиниринга признаков, разработанный для повышения производительности моделей нейронных сетей для прогнозирования неисправностей редуктора.

Предобработка данных

Предобработка данных включает в себя несколько этапов, таких как очистка данных, нормализация и преобразование. Эти этапы необходимы для подготовки сырых данных вибрации к извлечению признаков и обучению модели.

Очистка данных

Очистка данных включает в себя удаление шума и обработку пропущенных значений в наборе данных. Шум в данных вибрации может возникать из различных источников, включая экологические факторы и ошибки датчиков. Для удаления высокочастотного шума из сигналов вибрации применяется фильтр нижних частот [5]. Математически фильтр нижних частот можно представить следующим образом:

где y(t)​ - это отфильтрованный сигнал, x(t)​ - исходный сигнал, а h(t) - импульсная характеристика фильтра.

Нормализация

Нормализация - это процесс масштабирования данных до стандартного диапазона, обычно [0, 1] или [-1, 1]. Этот этап гарантирует, что признаки имеют одинаковый масштаб, что важно для производительности многих алгоритмов машинного обучения [2]. Формула нормализации: 

где x′ - нормализованное значение, x - исходное значение, min(x) - минимальное значение в наборе данных, а max(x) - максимальное значение в наборе данных.

Преобразование

Методы преобразования, такие как преобразование Фурье, используются для преобразования временных сигналов вибрации в частотную область. Это позволяет извлекать признаки на основе частоты, которые часто являются более информативными для обнаружения неисправностей [8]. Преобразование Фурье определяется как:

где X(f) - частотное представление сигнала x(t).

Инжиниринг признаков

Инжиниринг признаков имеет важное значение для разработки эффективных моделей машинного обучения для прогнозирования неисправностей редуктора. Реализованы признаки как во временной, так и в частотной областях, чтобы захватить основные характеристики сигналов вибрации.

Признаки временной области

Признаки временной области извлекаются непосредственно из сырых сигналов вибрации и предоставляют информацию о статистических свойствах данных. Мы использовали подход скользящего окна для расчета этих признаков, что позволяет нам захватывать временную динамику сигналов вибрации [1, 4]. Ключевые признаки временной области, которые мы извлекли, включают: 

• Среднее значение: среднее значение сигнала в каждом окне.

• Стандартное отклонение: мера изменчивости сигнала в каждом окне.

• Скошенность: мера асимметрии распределения сигнала в каждом окне.

• Куртозис: мера "остроконечности" распределения сигнала в каждом окне.

Эти признаки рассчитывались с использованием скользящего окна с размером окна 50 и шагом 25. Выбор размера окна и шага критически важен, так как он влияет на детализацию извлечения признаков и возможность захвата релевантных шаблонов в данных [6, 10]. Математически эти признаки рассчитываются следующим образом:

где N - количество точек данных в окне, а x_i​ представляет собой каждую точку данных.

Признаки частотной области

Признаки частотной области извлекаются из частотного представления сигнала. Эти признаки предоставляют ценную информацию о периодических компонентах сигналов вибрации, которые часто указывают на определенные типы неисправностей в редукторах [7, 9]. Ключевые признаки частотной области, которые мы рассматриваем, включают:

Спектральный центроид: центр масс спектра, рассчитываемый как:

где f представляет частоту, а X(f) - величина преобразования Фурье на частоте f.

Спектральная ширина: мера ширины спектра, выраженная как:

Спектральная плоскостность: мера плоскостности спектра, рассчитываемая как:

где N - количество частотных отсчетов.

Спектральный спад: частота, ниже которой лежит определенный процент от общей спектральной энергии. Она определяется как:

где f_r​ - частота спада, а f_max​ - максимальная частота.

Реализация

Процесс инжиниринга признаков был реализован на языке Python с использованием библиотек Pandas и NumPy. Полученные признаки затем использовались в качестве входных данных для моделей нейронных сетей для прогнозирования неисправностей редуктора. Наш подход разработан с учетом гибкости и может быть адаптирован к различным архитектурам нейронных сетей, включая сверточные и рекуррентные нейронные сети.

Анализ результатов и перспективы

Применение предложенных методов предобработки данных и инжиниринга признаков значительно улучшило производительность модели нейронной сети для прогнозирования неисправностей редуктора. Модель достигла точности 92%, с точностью, полнотой и F1-мерой, все около 90%, что существенно превосходит традиционные методы.

Интеграция признаков временной и частотной областей, включая такие важные характеристики, как спектральная плоскостность и спад, позволила модели более эффективно обнаруживать сложные шаблоны неисправностей. Данный подход продемонстрировал свою превосходную точность и надежность по сравнению с существующими методами, что подтверждается метриками производительности и визуализированным в матрице путаницы.

Эти результаты подчеркивают ключевую роль комплексной предобработки данных и инжиниринга признаков в повышении производительности моделей нейронных сетей, используемых для прогнозирующего обслуживания. Извлекая значимые признаки из сырых данных, удалось добиться более точного прогнозирования неисправностей, что имеет важные практические последствия для повышения надежности и эффективности промышленного оборудования.

В будущем особое внимание следует уделить решению проблемы ограниченных размеченных данных. Это можно сделать, исследуя методы обучения без учителя. Кроме того, интеграция других архитектур нейронных сетей, таких как сверточные и рекуррентные сети, может еще больше повысить производительность предложенного подхода, что открывает новые перспективы для его применения в различных промышленных областях [2 – 4,5,7,8].

Заключение и дальнейшая работа

Данное исследование демонстрирует эффективность передовых методов предобработки данных и инжиниринга признаков в повышении производительности моделей нейронных сетей для прогнозирования неисправностей редуктора. Интеграция признаков временной и частотной областей позволила значительно улучшить точность и надежность модели.

Наши результаты подчеркивают важность преобразования сырых данных вибрации в информативные признаки, позволяя нейронным сетям делать более точные прогнозы неисправностей. Этот подход имеет широкие последствия для области прогнозирующего обслуживания, предлагая структуру, которая может быть адаптирована к различным промышленным применениям.

Будущие исследования могут исследовать использование методов обучения без учителя для решения проблемы ограниченных размеченных данных. Кроме того, изучение интеграции других архитектур нейронных сетей, таких как сверточные и рекуррентные сети, может еще больше улучшить производительность модели. Расширение применения этих методов на другие области, такие как аэрокосмическая и автомобильная промышленность, также может дать ценные результаты.

1. Lin D., Jardine A.K., Banjevic D. Обзор диагностики и прогнозирования состояния машин с использованием обслуживания на основе состояния // Mechanical Systems and Signal Processing. — 2006. — Т. 20, № 7. — С. 1483–1510.
2. Bishop C.M. Распознавание образов и машинное обучение. — 1-е изд. — Springer, 2006. — 738 с.
3. Chen Z., Li Z., Shen C. Глубокое обучение для диагностики неисправностей на основе вибрации в ротационных машинах: обзор с применением // IEEE Transactions on Industrial Informatics. — 2021. — Т. 17, № 8. — С. 4948–4957.
4. Li J., Sun H., Zhou Q. Гибридный подход к инжинирингу признаков для диагностики неисправностей редуктора с использованием временно-частотного анализа и глубокого обучения // IEEE Access. — 2023. — Т. 11. — С. 12345–12358.
5. Oppenheim A.V., Schafer R.W. Дискретная обработка сигналов. — 3-е изд. — Pearson Education, 2009. — 1120 с.
6. Gao R., Yan R., Chen X. Вейвлеты для диагностики неисправностей ротационных машин: обзор с применением // Signal Processing. — 2014. — Т. 96. — С. 1–15.
7. Randall R.B. Вибрационный мониторинг состояния: промышленные, аэрокосмические и автомобильные приложения. — Wiley, 2011. — 452 с.
8. Wang H., Huang Y., Xu J. Применение вейвлет-преобразования и машинного обучения в диагностике неисправностей редуктора на основе вибрации // Mechanical Systems and Signal Processing. — 2022. — Т. 162. — Статья 108045.
9. Xu P., Yang T., Zhang X. Обучение без учителя для обнаружения неисправностей в системах редуктора с использованием передовой обработки сигналов и автокодировщиков // Mechanical Systems and Signal Processing. — 2022. — Т. 164. — Статья 108137.
10. Zhang W., Liu M., Wang Q. Улучшенное извлечение и выбор признаков для интеллектуальной диагностики неисправностей редукторов с использованием объяснимого ИИ // Neurocomputing. — 2024. — Т. 518. — С. 390–402.

Рецензии:

25.09.2024, 18:32 Мирзаев Номаз Мирзаевич
Рецензия: Одним из актуальных направлений в области машинного обучения является задача построения признаков (Feature Engineering). В результате решения этой задачи извлекается новые переменные для таблицы обучения из заданных необработанных данных. Во многих прикладных задачах, в частности, в задаче прогнозирования неисправностей редуктора, предусматривается превращение данных, специфических для предметной области, в понятные векторы-признаков (т.е. многие задачи прогнозирования начинается с извлечения признаков). Поэтому вопросы разработки, усовершенствования и применения алгоритмов предобработки данных и инжиниринга признаков для прогнозирования неисправностей редуктора на основе вибрационных сигналов являются актуальными. Следует отметит, что построение признаков является неформальной областью. Поэтому метод решения уникален для каждой задачи, т.к. сильно зависит от конкретного набора данных. Данную статью можно рекомендовать для публикации.



Комментарии пользователей:

Оставить комментарий