Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.22213/2410-9304-2026-3-65-71
Ключевые слова: vibration diagnostics, bearing, augmentation, autoencoder, generation, imbalance, classification, feature, вибродиагностика, подшипник, аугментация, автокодировщик, генерация, дисбаланс, классификация, признак
Аннотация: Обеспечение надежности промышленного оборудования требует систем диагностики, способных выявлять дефекты на ранних стадиях развития. В реальных условиях эксплуатации подавляющее большинство зарегистрированных сигналов соответствует исправному состоянию механизмов, тогда как данные о дефектных режимах крайне редки. Это порождает вырПоказать полностьюаженный дисбаланс обучающих выборок, существенно снижающий эффективность моделей машинного обучения в задачах вибрационной диагностики подшипниковых узлов. Цель работы - разработка и программная реализация метода генерации синтетических диагностических признаков вибрации подшипниковых узлов, обеспечивающего балансировку обучающих выборок в задачах технической диагностики. В основе предложенного метода лежит вариационный автокодировщик - вероятностная генеративная модель, аппроксимирующая апостериорное распределение латентной переменной. Функция потерь включает ошибку реконструкции и дивергенцию Кульбака - Лейблера с весовым коэффициентом, подобранным с учетом ограниченного объема обучающей выборки. Применяется репараметризационный трюк для дифференцируемости выборки из латентного пространства. Для экспериментальной проверки использованы вибрационные сигналы подшипниковых узлов ковшевого элеватора ЭЛГ-400, эксплуатируемого на участке транспортировки нефтяного кокса. Программная система реализована в специализированной среде технических вычислений и включает модули фильтрации, спектрального анализа, извлечения признаков и генерации синтетических данных. Синтетические данные воспроизводят средние значения пяти ключевых диагностических признаков - среднеквадратического значения вибрации, стандартного отклонения, пикового значения, пик-фактора и куртозиса. Предложенный подход позволяет эффективно устранять дисбаланс обучающих выборок в задачах диагностики промышленного оборудования, повышать устойчивость и обобщающую способность диагностических моделей без привлечения дополнительных реальных измерений. Ensuring the reliability of industrial equipment requires diagnostic systems capable of detecting faults at early stages. Under real operating conditions, the vast majority of recorded signals correspond to the healthy state of machinery, while data regarding faulty modes are extremely scarce. This leads to a pronounced imbalance in training datasets, significantly reducing the efficiency of machine learning models in vibration-based diagnostics of bearing units. The objective of this work is to develop and programmatically implement a method for generating synthetic diagnostic vibration features of bearing units to ensure training data balancing in technical diagnostic tasks. The proposed method is based on a Variational Autoencoder (VAE) - a probabilistic generative model that approximates the posterior distribution of a latent variable. The loss function incorporates reconstruction error and Kullback-Leibler divergence, with a weighting coefficient selected to account for the limited training sample size. A reparameterization trick is employed to ensure the differentiability of sampling from the latent space. For experimental verification, vibration signals from the bearing units of an ELG-400 bucket elevator, operated at a petroleum coke transportation site, were utilized. The software system is implemented in a specialized technical computing environment and includes modules for filtering, spectral analysis, feature extraction, and synthetic data generation. The synthetic data reproduce the mean values of five key diagnostic features: root mean square (RMS) vibration, standard deviation, peak value, crest factor, and kurtosis. The proposed approach effectively addresses training data imbalance in industrial equipment diagnostics, enhancing the robustness and generalization capability of diagnostic models without requiring additional real-world measurements.
Журнал: Интеллектуальные системы в производстве
Выпуск журнала: Т. 24, № 3
Номера страниц: 65-71
ISSN журнала: 18137911
Место издания: Ижевск
Издатель: Ижевский государственный технический университет им. М.Т. Калашникова