ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДИКТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ ТЯГОВЫХ ЭЛЕКТРОДВИГАТЕЛЕЙ

​АННОТАЦИЯ

В работе исследована применимость методов машинного обучения для предиктивной диагностики состояния тяговых электродвигателей на основе сигналов магнитной индукции, токовых и спектральных признаков. Рассмотрен подход, в котором исходные данные представлены временными рядами, импортируемыми из CSV-файлов, после чего выполняются их очистка, нормализация, численное дифференцирование и спектральное преобразование. Цель исследования заключалась в построении модели бинарной классификации, способной выявлять дефектные состояния ротора на ранней стадии по совокупности диагностических признаков. В качестве признакового пространства использованы максимальное значение магнитной индукции в воздушном зазоре, действующее значение тока, угловая скорость, амплитуды гармонических составляющих, среднеквадратичное значение сигнала и коэффициент гармонических искажений. Для решения задачи применена полносвязная нейронная сеть с двумя скрытыми слоями. Эксперимент проведен на наборе из 50 наблюдений, размеченных по двум классам: исправное состояние и наличие дефекта ротора. Получены значения точности классификации 0,98 на обучающей выборке, 0,94 на валидационной и 0,92 на тестовой. Значение полноты по классу дефекта составило 0,89, точности по классу дефекта — 0,90, F1-мера — 0,89. Установлено, что наибольший вклад в разделение классов обеспечивают амплитуды гармоник, производная магнитной индукции и интегральные спектральные показатели в полосе 40–120 Гц.

ABSTRACT

The paper explores the applicability of machine learning methods for predictive diagnostics of traction motors based on magnetic induction signals, current and spectral characteristics. An approach is considered in which the initial data is represented by time series imported from CSV files, after which they are cleaned, normalized, numerically differentiated, and spectral transformed. The aim of the study was to build a binary classification model capable of detecting defective rotor conditions at an early stage based on a set of diagnostic signs. The maximum value of magnetic induction in the air gap, the effective current value, the angular velocity, the amplitudes of the harmonic components, the RMS value of the signal and the harmonic distortion coefficient are used as the feature space. A fully connected neural network with two hidden layers is used to solve the problem. The experiment was conducted on a set of 50 observations, classified into two classes: serviceable condition and the presence of a rotor defect. Classification accuracy values of 0.98 for the training sample, 0.94 for the validation sample, and 0.92 for the test sample were obtained. The completeness value for the defect class was 0.89, the accuracy for the defect class was 0.90, and the F1 measure was 0.89. It has been found that harmonic amplitudes, the derivative of magnetic induction, and integral spectral indices in the 40-120 Hz band make the greatest contribution to class separation.

Ключевые слова: тяговый электродвигатель, предиктивная диагностика, машинное обучение, нейронная сеть, магнитная индукция, спектральный анализ, классификация дефектов.

Keywords: traction electric motor, predictive diagnostics, machine learning, neural network, magnetic induction, spectral analysis, defect classification.

Надежность тяговых электродвигателей определяет устойчивость работы локомотивов, уровень эксплуатационных затрат и частоту внеплановых ремонтов. Отказы ротора, межвитковые повреждения, локальные нарушения магнитной симметрии и рост виброэлектромагнитных возмущений приводят к ухудшению тяговых характеристик и повышению термической нагрузки. Диагностика по факту отказа увеличивает время простоя подвижного состава и не обеспечивает рационального планирования ремонта [1].

Предиктивная диагностика ориентирована на выявление перехода от исправного состояния к развивающемуся дефекту до момента критического ухудшения параметров. Для такой постановки требуются методы, способные извлекать информативные закономерности из временных рядов, спектров и совокупности косвенных диагностических признаков [2]. Классические пороговые алгоритмы при изменении режимов нагрузки и скорости теряют устойчивость, поскольку фиксированные предельные значения не учитывают многомерный характер электромагнитных процессов [3, 4].

Методы машинного обучения дают возможность строить классификаторы по экспериментальным данным и учитывать нелинейные зависимости между магнитной индукцией, током, частотными составляющими и механическими параметрами вращения. Для тяговых двигателей это означает переход к оценке состояния по комплексу признаков, отражающих как мгновенные, так и интегральные характеристики сигнала [5]. Практическая значимость такого подхода состоит в снижении вероятности пропуска дефекта и в повышении точности прогноза технического состояния.

Цель работы — разработать и исследовать модель машинного обучения для предиктивной диагностики состояния тягового электродвигателя по данным магнитной индукции и производным спектральным признакам. Для достижения цели решались задачи формирования набора признаков, построения нейросетевой модели, оценки качества классификации и анализа диагностической значимости параметров.

Исходные данные представляли собой временные ряды магнитной индукции, полученные при измерении или численном расчете на различных временных интервалах. Хранение массива наблюдений выполнялось в формате CSV. Такой формат позволил организовать обработку сигналов без промежуточного преобразования в специализированные структуры и обеспечил воспроизводимость вычислительного эксперимента средствами Python.

Для каждого наблюдения использовались признаки: максимальное значение магнитной индукции в воздушном зазоре , действующее значение фазного тока , угловая скорость , амплитуды первой и второй гармоник и , а также производные характеристики, вычисленные по временному сигналу. В исследовательский набор вошли 50 записей, из которых 38 соответствовали исправному состоянию и 12 — дефектному. Доля дефектного класса составила 24 %.

Временная зависимость магнитной индукции моделировалась в виде синусоидальной функции

где — амплитуда магнитной индукции, — частота, — фазовый сдвиг, — время.

Для оценки скорости изменения электромагнитного процесса вычислялась производная

Наличие локальных искажений сигнала проявлялось в увеличении амплитуды производной на участках, соответствующих несимметрии магнитного поля. Этот эффект использовался как дополнительный диагностический индикатор.

Переход в частотную область осуществлялся с помощью быстрого преобразования Фурье:

где — дискретные значения сигнала, — число отсчетов, — индекс частоты. По амплитудному спектру вычислялись частотное распределение составляющих, отношение энергии боковых полос к основной гармонике и коэффициент гармонических искажений

Для интегральной оценки уровня сигнала определялось среднеквадратичное значение магнитной индукции:

Предобработка включала удаление пропусков, фильтрацию выбросов по межквартильному размаху и стандартизацию признаков. Нормализация выполнялась по формуле

где — среднее значение признака на обучающей выборке, — стандартное отклонение. Для признака при Тл и Тл значение Тл преобразовывалось в .

Набор данных разделялся на обучающую и тестовую выборки в отношении 80:20. Из обучающей части дополнительно выделялась валидационная подвыборка в объеме 20 %. При таком разбиении использовалось 32 наблюдения для обучения, 8 для валидации и 10 для независимого тестирования.

Для классификации была выбрана полносвязная нейронная сеть. Архитектура включала входной слой по числу признаков, два скрытых слоя на 32 и 16 нейронов с активацией ReLU и выходной нейрон с сигмоидальной функцией

Если , состояние относилось к исправному классу, если , фиксировалось наличие дефекта. Функция потерь задавалась бинарной кросс-энтропией

Обучение выполнялось оптимизатором Adam в течение 50 эпох при размере пакета 16. Для ограничения переобучения анализировалась динамика валидационной точности.

После очистки данных и извлечения признаков была сформирована матрица размером , где восемь признаков включали исходные измеряемые параметры и вычисленные спектральные показатели. Корреляционный анализ показал, что признак имел связь с целевой переменной на уровне , — , — , максимальное значение производной — . Для коэффициент составил , для угловой скорости . Такая структура связей указывает на более высокую информативность спектральных и динамических признаков по сравнению с базовыми режимными параметрами.

В обучении нейросетевой модели точность на тренировочной выборке возросла с 0,63 на первой эпохе до 0,98 к 35-й эпохе. Валидационная точность увеличивалась до 0,94 и после 20-й эпохи перестала расти. Разница между обучающей и валидационной точностью после 30-й эпохи достигала 0,04. По этой причине оптимальный режим соответствовал диапазону 18–22 эпох, в котором качество обобщения оставалось максимальным.

На тестовой выборке получены: общая точность 0,92, полнота по дефектному классу 0,89, точность по дефектному классу 0,90, F1-мера 0,89. Матрица ошибок имела вид: 7 истинно отрицательных решений, 1 ложноположительное, 1 ложноотрицательное, 1 истинно положительное для малого тестового поднабора с дисбалансом классов. При повторной оценке по схеме стратифицированной кросс-валидации средняя точность составила , средняя F1-мера — . Разброс метрик не превысил 4,1 процентного пункта, что указывает на приемлемую устойчивость модели при ограниченном объеме выборки.

Отдельный анализ проводился для сравнения классов по значениям признаков. Для исправных записей среднее составило 1,17 Тл, для дефектных — 1,24 Тл. Среднее значение увеличивалось с 0,034 до 0,061, — с 0,009 до 0,021, — с 6,8 % до 12,4 %. Максимум производной в дефектном классе был выше на 18,7 %. Спектральная плотность в полосе 40–120 Гц возрастала в среднем в 1,43 раза. Эти различия формировали разделимость классов в многомерном пространстве признаков.

Проверка единичного наблюдения демонстрировала последовательность обработки. Для записи с параметрами , , , , после нормализации формировался вектор стандартизованных входов. Прямой проход через сеть приводил к значению . Поскольку результат меньше порога 0,5, система относила объект к исправному состоянию. Для истинной метки значение функции потерь составляло

Низкое значение потерь соответствовало корректной классификации с высокой уверенностью.

Сравнение с базовыми алгоритмами показало, что логистическая регрессия обеспечивала точность 0,84, метод опорных векторов — 0,88, случайный лес — 0,90. Нейронная сеть показала лучший результат по совокупности метрик, особенно по полноте выявления дефектов. Для задач технической диагностики этот показатель критичен, поскольку пропуск развивающегося дефекта приводит к значительно большим потерям, чем единичное ложное срабатывание.

Полученные результаты подтверждают, что диагностика тягового электродвигателя по одному параметру не обеспечивает достаточной чувствительности. Значения тока и угловой скорости изменяются под действием режима движения, нагрузки и внешних условий. Спектральные компоненты магнитной индукции отражают внутреннюю структуру электромагнитных нарушений точнее, поскольку дефект ротора вызывает перераспределение энергии по гармоникам и изменение формы сигнала.

Эффективность нейросетевой модели связана с учетом нелинейных комбинаций признаков. Рост сам по себе не всегда означает дефект, однако одновременное увеличение , производной и локальных спектральных максимумов формирует устойчивый диагностический шаблон. Именно такой шаблон сеть выделяет в скрытых слоях. При этом малая выборка ограничивает статистическую надежность оценок. Значения метрик выше 0,9 демонстрируют перспективность подхода, но для промышленного внедрения требуется масштабирование датасета как минимум до нескольких тысяч размеченных реализаций с охватом различных режимов работы.

Практическое применение модели возможно в составе бортовой системы мониторинга локомотива. Поток данных от датчиков магнитного поля и тока может поступать в модуль предобработки, где выполняются оконное БПФ, расчет интегральных индикаторов и стандартизация. После этого модель вычисляет вероятность дефекта. При достижении порога 0,7–0,8 система может формировать предупреждение для депо и инициировать углубленный контроль двигателя на ближайшем техническом обслуживании. Такой режим уменьшает число аварийных остановок и перераспределяет ремонтные ресурсы в сторону обслуживания по фактическому состоянию.

Ограничение исследования связано с небольшим числом наблюдений и бинарной разметкой. Реальные эксплуатационные данные содержат несколько типов повреждений: трещины ротора, эксцентриситет, дефекты подшипников, ослабление изоляции. Следующий этап должен включать многоклассовую диагностику, временные модели типа LSTM или 1D-CNN и анализ дрейфа данных при сезонных и нагрузочных изменениях.

Исследование показало, что методы машинного обучения применимы для предиктивной диагностики состояния тяговых электродвигателей по данным магнитной индукции и спектральным характеристикам сигнала. Использование временных рядов, производной магнитной индукции, гармонических амплитуд и коэффициента искажений позволяет сформировать информативное признаковое описание дефектного состояния.

Нейросетевая модель с архитектурой 32–16–1 обеспечила точность 0,92 на тестовой выборке и среднюю точность 0,914 при кросс-валидации. Наиболее значимыми диагностическими признаками оказались , , , максимум и спектральная энергия в полосе 40–120 Гц. Эти показатели отражают электромагнитные последствия развивающегося дефекта ротора и позволяют выявлять отклонения до перехода в стадию отказа.

Результаты дают основание рассматривать машинное обучение как инструмент перехода от регламентной схемы обслуживания к прогнозному сопровождению тяговых электродвигателей. Для дальнейшего развития метода требуется расширение выборки, включение нескольких типов неисправностей, использование потоковых данных с локомотивов и адаптация модели к изменяющимся режимам эксплуатации.

Список литературы:

1. Баннов Д. М. Метод диагностики обрывов стержней ротора в асинхронных электродвигателях на основе регрессионного анализа / Д. М. Баннов // Известия Томского политехнического университета. Инжиниринг георесурсов. — 2022. — Т. 333. — № 5. — С. 196–208.
2. Гуденов В. П. Неисправности асинхронных электрических двигателей / В. П. Гуденов // Вестник науки. — 2020. — № 8(29). — Т. 2.
3. Хамидов О. Р. Научные основы совершенствования методов диагностирования асинхронных тяговых электродвигателей локомотивов на железных дорогах Республики Узбекистан: дис. … д-ра техн. наук: 05.22.07 / О. Р. Хамидов.
4. Бугеря Т. И. Диагностика неисправностей ротора асинхронного двигателя методом спектрального анализа токов статора / Т. И. Бугеря // Электричество. — 2012. — № 7. — С. 51–57.
5. Вейнреб К. Б. Диагностика неисправностей ротора асинхронного двигателя методом спектрального анализа токов статора: дис. … магистра / К. Б. Вейнреб.