Dane telemetrii wieloczujkowej (prąd, napięcie, temperatura, wilgotność, wibracje) z serwomotorów są przetwarzane za pomocą nienadzorowanego klastrowania strukturalnego, wykrywania anomalii opartego na izolacji i mapowania ryzyka opartego na fizyce. Ta struktura generuje deterministyczne pseudo-etykiety binarne i bardzo dokładne stany diagnostyczne w czasie rzeczywistym do monitorowania stanu.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Monitorowanie stanu silnika podczas rozruchu na zimno przy użyciu wielosensorowych sygnałów i pseudonadzorowanego uczenia maszynowego
W tym artykule
Podsumowanie
Streszczenie
Gdy przewidywalna konserwacja przechodzi z paradygmatu opartego na danych Przemysłu 4.0 do zrównoważonego, ludzkiego układu Przemysłu 5.0, diagnozowanie stanów serwomotorów napotyka na podwójne wyzwania, jakim są niedobór danych i głęboki brak oznaczonych próbek usterek. Aby rozwiązać ten problem „zimnego startu”, przedstawiamy pseudo-nadzorowane ramy uczenia maszynowego, oceniane na niestandardowym pięciokanałowym zbiorze danych obejmującym 199 próbek telemetrii serwomotorów (prąd, napięcie, temperatura, wilgotność i wibracje). Metodologia integruje twardą strukturalną partycjonowanie (k-średnich) i miękką estymację pewności tylnej (Modele Mieszaniny Gaussowskiej) w celu scharakteryzowania trybów pracy bez wstępnej adnotacji. Równocześnie model Isolation Forest mierzy intensywność anomalii i ustanawia dynamiczną próg opartą na kwantylach. Krytycznym wynalazkiem tej pracy jest deterministyczne mapowanie ryzyka pochodzące z inżynieryjnych wcześniejszych założeń; definiuje ono stan „wysokiego ryzyka” (nienormalny) poprzez odwrotne uwzględnienie marginesów bezpieczeństwa fizycznego czujników. Ten mechanizm ściśle mapuje nienadzorowane klastry na binarne pseudo-etykiety. Te etykiety są następnie używane do nadzorowania dyskryminatorów znajdujących się w dalszej części (Random Forest i Support Vector Machine). Ostateczne online diagnostyczne wynikiem jest fuzja na poziomie wyników klasyfikatora i tylnej prawdopodobieństwa GMM, kierowana przez próg anomalii. Ocena ilościowa pokazuje, że model Random Forest osiągnął doskonałą wartość F1 wynoszącą 1,000, podczas gdy porównawczy SVM wynikał wartość F1 wynoszącą 0,997, co udowadnia, że rama jest odpornym, interpretowalnym i bardzo dokładnym rozwiązaniem dla przemysłowego monitorowania stanu zdrowia w warunkach zimnego startu.
Wprowadzenie
Niezawodność systemów sterowania silnikami serwo była historycznie kluczowymi wskaźnikiem wydajności w automatyzacji przemysłowej. W miarę jak przewidywalna konserwacja ewoluuje od paradygmatu opartego na danych przemysłu 4.0 w kierunku zrównoważonego, zorientowanego na człowieka modelu przemysłu 5.0, systemy muszą zapewniać wysoką precyzję, aktywnie promując jednocześnie efektywność energetyczną i odporność operacyjną1,2,3. Awarie występujące podczas długotrwałego użytkowania w trudnych warunkach mogą prowadzić do katastrofalnych wyłączeń sprzętu, poważnych uszkodzeń strukturalnych i znacznych strat ekonomicznych4,5,6. W konsekwencji, wczesna diagnoza początkowych awarii przekształciła się z luksusu w podstawowe wymaganie. Aby osiągnąć solidną ocenę stanu, nowoczesne systemy przemysłowe coraz częściej opierają się na technologii wieloczujkowej. Poprzez jednoczesne pozyskiwanie różnorodnych modalności sygnałów—takich jak prąd, napięcie, temperatura i wibracje—inżynierowie mogą zbudować kompleksowy, wysokowymiarowy obraz zdrowia silnika7,8. Fuzja danych z wielu źródeł czujników znacząco poprawia niezawodność i dokładność systemów diagnostycznych w porównaniu z podejściami jednoczujkowym9,10.
Mimo postępów w fuzji czujników i uczeniu maszynowym, krytycznym punktem przeszkody w rzeczywistym wdrożeniu pozostaje wyzwanie "zimnego startu". W typowym środowisku produkcyjnym maszyny działają normalnie przez większość cyklu życia, co prowadzi do ekstremalnej nierównowagi klas, gdzie zdrowe próbki przeważają nad uszkodzonymi. Standardowe nadzorowane modele głębokiego uczenia wymagają ogromnych, zrównoważonych i precyzyjnie opisywanych zestawów danych, aby skutecznie zbiegać się11,12. Kiedy znaczniki są całkowicie niedostępne lub uzyskanie ich jest zbyt kosztowne, te nadzorowane paradygmaty ulegają załamaniu13. Dlatego podstawowym problemem, który został rozwiązany w niniejszej pracy, jest przekształcenie nieopisanych danych wieloczujkowych silników w wiarygodny, binarny sygnał ostrzegawczy bez konieczności ręcznie opisywanych danych treningowych.
W odpowiedzi na wyzwanie niedoboru danych, ostatnie badania zwróciły się w stronę nienadzorowanych technik wykrywania anomalii. Typowymi podejściami są jednoklasowe maszyny wektorów nośnych (OC-SVM), głębokie autoenkodery i bezpośrednie punktowanie anomalii na podstawie izolacji14. Podczas gdy metody te skutecznie wskazują na statystyczne odchylenia, ich bezpośrednie zastosowanie do diagnozowania awarii silników ma istotne ograniczenia. OC-SVM są notorycznie wrażliwe na niewspółstałe cechy dynamicznych obciążeń przemysłowych, często prowadząc do wysokiego odsetka fałszywych dodatnich. Autoenkodery, choć potężne w minimalizowaniu błędów rekonstrukcji15, funkcjonują jako nieinterpretowalne czarne skrzynki; mają trudności z przełożeniem matematycznej straty rekonstrukcji na działalny, fizyczny kategorię awarii16. Co więcej, bezpośrednie podejścia do punktowania anomalii, takie jak standardowe lasy izolacji17, jedynie wskazują, że próbka jest statystycznym warkoczem. Nie udaje im się ustalić deterministycznej granicy decyzyjnej między stanem "pracującego" i "awarii" opartej na realiach inżynieryjnych. Zasadniczo, podejścia te pozbawione są semantycznego mostu wymaganego do przemapowania klastrów danych nienadzorowanych na wyraźne etykiety diagnostyczne.
Aby wypełnić tę lukę metodologiczną, niniejsze badanie proponuje zjednoczony pseudo-nadzorowany framework uczenia maszynowego. Logika projektowania proponowanego przepływu różni się zasadniczo od przepływu autonomicznych wykrywaczy anomalii. Zamiast polegać na pojedynczej globalnej błędzie rekonstrukcji lub granicy, pipeline najpierw dzieli przestrzeń cech wieloczujkowych używając nienadzorowanego twardego-miękkiego klastrowania (k-średnich i modele mieszanin Gaussian) aby zidentyfikować odrębne tryby działania. Następnie, zamiast przypisywać dowolne etykiety, budowana jest deterministyczna funkcja mapowania ryzyka na podstawie uznanych priorytetów inżynieryjnych (czyli fizyczne marginesy bezpieczeństwa dla wibracji i temperatury). To fizyczne mapowanie działa jako heurystyczny kotwica, automatycznie przypisując binarne pseudo-etykiety ("Praca" lub "Awaria") do nienadzorowanych klastrów. Te fizycznie opisane pseudo-etykiety są następnie używane do trenowania discriminatorów nadzorowanych (Random Forest i SVM) w celu uczenia się złożonych, nieliniowych granic. Równocześnie Las Izolacji służy jako niezależna brama anomalii, filtrując skrajne warkocze, które nie pasują do żadnego uznanego klastra. Ta połączona linia jest wysoce korzystna, ponieważ wykorzystuje dyskryminacyjną moc nadzorowanego uczenia, zachowując jednocześnie wolność od etykiet nienadzorowanego
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
1. Układ eksperymentalny i wstępne przetwarzanie danych
UWAGA: Zaproponowana w niniejszym badaniu struktura przetwarzania i modelowania danych została zaimplementowana za pomocą niestandardowych skryptów opracowanych w języku programowania wysokiego poziomu, z wykorzystaniem standardowych bibliotek open-source do obliczeń numerycznych i uczenia maszynowego. Walidacja eksperymentalna została przeprowadzona na wysokowydajnej stacji roboczej wyposażonej w procesor wielordzeniowy oraz dyskretną jednostkę przetwarzania graficznego (GPU). Szczegółowe informacje dotyczące wszystkich środowisk programowych, sprzętu obliczeniowego i komponentów czujników znajdują się w Tabeli materiałów. Schematyczny przegląd proponowanej struktury, ilustrujący przepływ danych od offline'owego uczenia nienadzorowanego do online'owego procesu decyzyjnego o podwójnym progu, przedstawiono na Rysunku 1. Zbiór danych obejmuje 203 zagregowanych próbek okien czasowych, a nie chwilowych odczytów surowych, zebranych podczas pracy serwosilnika w różnych reżimach obciążenia w celu symulacji rzeczywistych warunków hal produkcyjnych.
- Strategicznie rozmieścić węzły czujników.
- Zamontować akcelerometry drgań na obudowie silnika, natomiast sondy prądu, napięcia i temperatury zintegrować z obwodem napędowym.
- Zsynchronizować wszystkie sygnały z czujników za pomocą scentralizowanej karty akwizycji danych (DAQ) przy częstotliwości próbkowania 10 kHz.
- Zastosować standardowe procedury kalibracyjne oraz cyfrowe filtrowanie dolnoprzepustowe w celu wyeliminowania wysokoczęstotliwościowych zakłóceń elektromagnetycznych przed ekstrakcją cech.
- Wyekstrahować podsumowanie statystyczne (np. średnią lub wartość Root Mean Square) z 1-sekundowego cyklu pomiarowego dla każdej z 203 próbek. Celowo wybrano te pięć konkretnych zmiennych: prąd (A), napięcie (V), temperaturę (°C), wilgotność (%) i drgania (mm/s2 lub g).
- Usunąć rekordy zawierające brakujące wartości (NaN) w celu zapewnienia stabilności modelowania, tworząc oczyszczony zbiór danych składający się z 199 poprawnych próbek.
- Zastosować normalizację Z-score do każdego kanału czujnika
dla każdej próbki 
aby wyeliminować różnice w skalach, które są krytyczne dla algorytmów strukturalnego uczenia opartego na dystansie:
(1)
gdzie xij reprezentuje wartość surową, μj jest średnią cechy j, a σj to odchylenie standardowe. - Zzapisać znormalizowaną macierz jako Xs do wszystkich kolejnych etapów przetwarzania.
UWAGA: Analiza głównych składowych (PCA) została wykorzystana wyłącznie do wizualizacji poprzez rzutowanie Xs na dwuwymiarową macierz osadzeń
(Rysunek 5) i nie służyła jako dane wejściowe dla modeli w dalszych etapach.
2. Nienadzorowane uczenie struktury
- Wyznacz optymalną liczbę klastrów (K*), oceniając kandydujące wartości K (w zakresie od 2 do 10).
- Oblicz sumę kwadratów wewnątrz klastrów (WCSS), aby wygenerować krzywą łokcia (Rysunek 3):
(2) - Oblicz współczynnik sylwetki S(I) dla każdego K jednocześnie (Rysunek 4), aby ocenić spójność strukturalną i separację:
(3) - Ustal optymalną liczbę klastrów w punkcie maksymalnej średniej wartości współczynnika sylwetki (np. K*=2).
- Zastosuj algorytm k-średnich do Xs, minimalizując WCSS w celu uzyskania centroidów μc oraz sztywnych etykiet klastrów
dla każdej próbki. - Wytrenuj model mieszanin gaussowskich (GMM) z K* komponentami, aby uchwycić niepewność właściwą dla granic stanów.
- Oblicz prawdopodobieństwo a posteriori
dla każdej próbki po oszacowaniu parametrów 
, a następnie wyodrębnij maksymalne prawdopodobieństwo a posteriori jako miękką miarę ufności:
(4)
3. Modelowanie anomalii i dynamiczne progowanie
- Wytrenuj model Isolation Forest na zbiorze Xs , aby zidentyfikować wartości odstające od głównych struktur skupień.
- Oblicz wskaźnik anomalii sif(z), przyjmujący wartości od 0 do 1, w oparciu o oczekiwaną długość ścieżki E[h(z)]:
![Równanie statycznej równowagi \( s_{if}(z) = \frac{2E[h(z)]}{c(n)} \), istotne dla badań fizycznych.](/files/ftp_upload/70810/70810eq27.jpg "figure-protocol-11")
(5) - Wyznacz statyczny próg anomalii τanom poprzez analityczne modelowanie rozkładu wskaźnika anomalii (sif) za pomocą estymacji gęstości jądrowej (KDE).
- Oblicz matematycznie kwantyl, aby wyznaczyć 90% przedział ufności dla normalnej wariancji operacyjnej.
UWAGA: W tym zbiorze danych pozwoliło to na uzyskanie deterministycznego progu τanom = 0.592, przy którym próbki z sif(z) > 0.592 zostały oznaczone jako anomalie. - Ustanów okno przesuwne obejmujące N najnowszych próbek telemetrii, aby okresowo przeliczać rozkład wskaźnika anomalii.
- Dynamicznie aktualizuj próg, korzystając z wykładniczo ważonej średniej kroczącej (EWMA):
, gdzie α pełni rolę czynnika zapominania, a Ylocal jest kwantylem pochodzącym z bieżącego okna operacyjnego.
4. Generowanie pseudoetykiet poprzez mapowanie ryzyka
- Oblicz wskaźnik ryzyka ri dla każdej próbki jako kombinację liniową znormalizowanych cech, aby zniwelować lukę semantyczną:
(6) - Zdefiniuj wskaźnik ryzyka R dla każdego centroidu klastra, stosując ważoną kombinację liniową średnich znormalizowanych cech.
- Oblicz konkretną wartość każdej wagi (wj) jako odwrotność marginesu bezpieczeństwa fizycznego odpowiadającego kanału czujnika.
- Znormalizuj te odwrotne marginesy, korzystając z następującego równania, gdzie vj oznacza odwrotny margines bezpieczeństwa dla kanału :
(7)
\mu_r()g\max_cm - Zwaliduj te zainicjowane wagi, upewniając się, że występuje dodatnia korelacja rang Spearmana (
) między wskaźnikami ryzyka klastrów a medianą wyników anomalii Isolation Forest. - Oblicz średni wskaźnik ryzyka
dla każdego klastra k-średnich. - Zidentyfikuj klaster wykazujący maksymalne średnie ryzyko jako tryb awarii:
. - Wygeneruj binarne pseudoetykiety ysuper dla wszystkich próbek, przypisując 0 (Awaria) do klastra wysokiego ryzyka i 1 (Działanie) w pozostałych przypadkach:
(8)
5. Trenowanie nadzorowanego klasyfikatora i fuzja online
- Wdrożyć schemat 5-krotnej walidacji krzyżowej w celu rygorystycznej oceny wydajności modelu i zapobiegania wyciekowi informacji.
- Ograniczyć cały proces pseudo-etykietowania (pseudo-labeling) ściśle do zbioru treningowego w obrębie każdego folderu.
- Przekształcić odizolowany zbiór walidacyjny, wykorzystując wyłącznie parametry wyuczone tylko z folderu treningowego.
- Wytrenować klasyfikator Random Forest (RF), wykorzystując Xs jako cechy oraz dynamicznie generowane ysuper jako cel. Model generuje szacowaną wartość prawdopodobieństwa dla klasy sprawnej, oznaczoną jako prf(z).
- Wytrenować maszynę wektorów wspierających (SVM) z jądrem RBF w celu wygenerowania wartości funkcji decyzyjnej f(z) jako walidatora porównawczego.
- Zastosować mechanizm fuzji na poziomie wyników podczas fazy inferencji online.
- Zsyntetyzować połączony wynik s(z) dla nowo pozyskanej próbki
poprzez połączenie nadzorowanego prawdopodobieństwa RF i nienadzorowanej pewności GMM:
(9) - Zaklasyfikować stan końcowy przy użyciu logiki podwójnego progu: stan jest klasyfikowany jako „Sprawny” wtedy i tylko wtedy, gdy
ORAZ 
.
(.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Zaproponowany model został zwalidowany z wykorzystaniem samodzielnie zgromadzonego zbioru danych z wielu czujników. Po usunięciu niekompletnych rekordów ostateczny zbiór danych obejmował 199 prawidłowych zagregowanych próbek okien czasowych. Środowisko systemowe oraz parametry algorytmu szczegółowo opisano w Tabeli 1.
Korelacja cech i skład zbioru danych
Aby ocenić redundancję i komplementarność kanałów czujników przed modelowaniem, przeprowadzono analizę ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
To protokoll przedstawia solidną metodologię do identyfikacji stanu silnika w scenariuszach rozruchu na zimno, gdzie brakuje oznaczonych danych. Integrując nienadzorowane uczenie struktury z klasyfikacją pseudo-nadzorowana, metoda pokonuje ograniczenia tradycyjnego uczenia nadzorowanego, które w dużym stopniu opiera się na adnotacji przez ludzi13,18,19. Kluczowym krokiem w tym protokole jest wybór liczby klastrów (K). C...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie mają nic do ujawnięcia.
Podziękowania
Dziękujemy Hubei Water Resources Technical College za zapewnienie platformy eksperymentalnej i zasobów obliczeniowych. Ta praca została wsparta przez środki badawcze departamentu dla automatyki przemysłowej. Wyrażamy również uznanie dla wkładu personelu laboratorium, który pomagał w pozyskiwaniu danych i kalibracji czujników.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Kategoria | Komponent i wersja | ||
| System operacyjny | Windows 11 Professional 23H2 | ||
| Procesor | Intel Core i9-14900HX | ||
| Pamięć | 32 GB | ||
| Procesor graficzny | NVIDIA GeForce RTX 4070 Laptop GPU (8 GB) | ||
| Python | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| Losowe ziarno |
Bibliografia
- Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
- Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
- Zhang, B., Li, H., Kong, W., Fu, M., Ma, J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors. 24 (11), 3373 (2024).
- Luo, J., Zhu, L., Li, Q., Liu, D., Chen, M. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty. Processes. 9 (10), 1751 (2021).
- Aradi, A., Varga, A. K. Servo motor predictive maintenance by Kafka Streams and deep learning based on acoustic data. Eng Proc. 113 (1), 1 (2025).
- Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
- Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
- Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
- Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
- Zhao, J., Wang, W., Huang, J., Ma, X. A comprehensive review of deep learning-based fault diagnosis approaches for rolling bearings: advancements and challenges. AIP Adv. 15 (2), (2025).
- Wang, H., Wang, H., Tang, X. A review of deep learning in rotating machinery fault diagnosis and its prospects for port applications. Appl Sci. 15 (21), 11303 (2025).
- Choi, Y., Joe, I. Motor fault diagnosis and detection with convolutional autoencoder (CAE) based on analysis of electrical energy data. Electronics. 13 (19), 3946 (2024).
- Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
- Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
- Principi, E., Rossetti, D., Squartini, S., Piazza, F. Unsupervised electric motor fault detection by using deep autoencoders. IEEE/CAA J Autom Sin. 6 (2), 441-451 (2019).
- Hiruta, T., Maki, K., Kato, T., Umeda, Y. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data. Procedia CIRP. 98, 336-341 (2021).
- Brito, L. C., Susto, G. A., Brito, J. N., Duarte, M. A. V. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery. Mech Syst Signal Process. 163, 108105 (2022).
- Nie, G. A novel study on a generalized model based on self-supervised learning and sparse filtering for intelligent bearing fault diagnosis. Sensors. 23 (4), 1858 (2023).
- Cheng, C., Liu, X., Zhou, B., Yuan, Y. Intelligent fault diagnosis with noisy labels via semisupervised learning on industrial time series. IEEE Trans Ind Inform. 19 (6), 7724-7732 (2023).
- Onumanyi, A. J., Molokomme, D. N., Isaac, S. J., Abu-Mahfouz, A. M. Autoelbow: an automatic elbow detection method for estimating the number of clusters in a dataset. Appl Sci. 12 (15), 7515 (2022).
- Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
- Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
- Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
- Kfir, T., Tuvyahu, S., Moshe, B. B., Anidjar, O. H. Real-time detection of acoustic anomalies in drone servo motors using edge-based machine learning. Mach Learn Appl. 22, 100755 (2025).
- Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
- Zhao, X. A novel intelligent multicross domain fault diagnosis of servo motor-bearing system based on domain generalized graph convolution autoencoder. Struct Health Monit. 24 (3), 1485-1499 (2025).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.