Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Мониторинг состояния двигателя при холодном запуске с использованием многосенсорных сигналов и псевдоконтролируемого машинного обучения

93 просмотров

⸱

DOI:

10.3791/70810

⸱

10 июля 2026 г.

 ,  , 
1Hubei Water Resources Technical College, 2Huazhong Agricultural University

В этой статье

Краткое содержание

Многосенсорные телеметрические данные (ток, напряжение, температура, влажность, вибрация) сервомоторов обрабатываются с помощью неконтролируемой структурной кластеризации, обнаружения аномалий на основе изоляции и картирования рисков с учётом физики. Эта структура обеспечивает детерминированные бинарные псевдометки и высокоточные диагностические состояния в реальном времени для мониторинга состояния.

Аннотация

По мере перехода предиктивного обслуживания от ориентированной на данные парадигмы Индустрии 4.0 к устойчивой, ориентированной на человека концепции Индустрии 5.0, диагностика состояний сервомоторов сталкивается с двойными трудностями: дефицитом данных и глубоким отсутствием маркированных образцов неисправностей. Для решения этой проблемы холодного запуска мы представляем псевдо-контролируемый фреймворк машинного обучения, оценённый на индивидуальном пятиканальном наборе данных, включающем 199 образцов телеметрии сервомоторов (ток, напряжение, температура, влажность и вибрация). Методология интегрирует жёсткое структурное разбиение (k-средние) и мягкую апостериорную оценку доверия (модели гауссовых смесей) для характеристики режимов работы без предварительной аннотаций. Параллельно модель Изоляционного леса количественно оценивает интенсивность аномалий и устанавливает динамический квантильный порог (порог). Ключевым новшеством этого исследования является детерминированное картирование рисков, полученное из инженерных априоров; Он определяет состояние «высокого риска» (аномальный) путём обратного взвешивания физических запасов безопасности датчиков. Этот механизм строго отображает неконтролируемые кластеры в бинарные псевдометки. Эти метки впоследствии используются для надзора за нижними дискриминаторами (Random Forest и Support Vector Machine). Финальная онлайн-диагностика даёт слияние вероятности классификатора и GMM posterior, ограниченное порогом аномалии. Количественная оценка показывает, что модель случайного леса получила идеальный результат F1 1.000, а сравнительный SVM — результат F1 0.997, что доказывает, что структура является надёжным, интерпретируемым и высокоточным решением для холодного запуска промышленного мониторинга здоровья.

Введение

Надёжность систем управления сервомоторами исторически была критически важным показателем эффективности в промышленной автоматизации. По мере эволюции предиктивного обслуживания от ориентированной на данные парадигмы Индустрии 4.0 к устойчивой, ориентированной на человека концепции Индустрии 5.0, системы должны обеспечивать высокую точность, одновременно активно продвигая энергоэффективность и операционную устойчивость 1,2,3. Неисправности, возникающие во время длительного иона в суровых условиях, могут привести к катастрофическим отключениям оборудования, серьёзным повреждениям конструкции и значительным экономическимпотерям 4,5,6. В результате ранняя диагностика зарождающихся дефектов превратилась из роскоши в основное требование. Для достижения надёжной оценки состояния современные промышленные системы всё чаще используют мультисенсорную технологию. Одновременно используя различные модальности сигнала — такие как ток, напряжение, температура и вибрация — инженеры могут построить всесторонний, масштабный обзор состояния двигателя 7,8. Слияние многоисточниковых данных сенсоров значительно повышает надёжность и точность диагностических систем по сравнению с односенсорнымиподходами 9,10.

Несмотря на достижения в области синтеза сенсоров и машинного обучения, критически важным узким местом при внедрении в реальном мире остаётся проблема «холодного запуска». В типичных производственных условиях машины работают нормально большую часть жизненного цикла, что приводит к крайним классовым дисбалансам, когда здоровых образцов значительно больше, чем неисправных. Стандартные модели контролируемого глубокого обучения требуют массивных, сбалансированных и точно аннотированных наборов данных для эффективногосходимого сходства 11,12. Когда приобретение ярлыков полностью недоступно или слишком дорого, эти контролируемые парадигмы разбиваютсяна 13. Таким образом, фундаментальная задача, рассматриваемая в данном исследовании, заключается в преобразовании немаркированных многосенсорных моторных данных в надёжный двоичный диагностический предупреждающий сигнал без необходимости ручной маркировки обучающих данных.

В ответ на проблему нехватки данных последние исследования переключились на методы неконтролируемого обнаружения аномалий. Распространённые подходы включают одноклассовые опорные векторные машины (OC-SVM), глубокие автоэнкодеры и аномалии на основе прямой изоляции14. Хотя эти методы эффективно отмечают статистические отклонения, их прямое применение для диагностики моторных неисправностей имеет значительные ограничения. OC-SVM известны своей чувствительностью к нестационарным характеристикам динамических промышленных нагрузок, часто приводя к высоким показателям ложноположительных результатов. Автокодеры, хотя и мощные в минимизации ошибокреконструкции 15, функционируют как неинтерпретируемые чёрные ящики; Им сложно превратить математическую реконструкционную потерю в действующую физическую неисправностькатегории 16. Кроме того, прямые методы оценки аномалий, такие как стандартные изолированныелеса 17, лишь указывают на то, что выборка является статистическим исключением. Они не устанавливают детерминированную границу принятия решений между «рабочими» и «неудачными» состояниями, основанной на инженерных реалиях. По сути, эти подходы не имеют семантического моста, необходимого для сопоставления неконтролируемых кластеров данных с явными диагностическими метками.

Чтобы преодолеть этот методологический разрыв, в исследовании предлагается единая псевдо-супервизорная модель машинного обучения. Логика проектирования предлагаемого рабочего процесса принципиально отличается от логики автономных детекторов аномалий. Вместо того чтобы полагаться на одну глобальную ошибку или границу реконструкции, конвейер сначала разделяет пространство многосенсорных функций с помощью неконтролируемой хард-софт кластеризации (k-средние и гауссовские смешанные модели) для выявления различных режимов работы. Впоследствии, вместо присвоения произвольных меток, строится детерминированная функция картирования риска на основе установленных инженерных априоров (то есть физических запасов безопасности для вибраций и температуры). Это физическое отображение служит эвристическим якорем, автоматически присваивая бинарные псевдометки («Работающие» или «Отказа») неконтролируемым кластерам. Эти псевдометки, основанные на физике, затем используются для обучения контролируемых дискриминаторов (Random Forest и SVM) изучению сложных нелинейных границ. Параллельно Изоляционный лес служит независимыми воротами аномалий, фильтруя крайние выбросы, не соответствующие какому-либо установленному кластеру. Этот комбинированный конвейер весьма выгоден, поскольку использует дискриминационную силу контролируемого обучения, сохраняя при этом автономию без меток при неконтролируемой кластеризации.

Основная научная цель этого исследования — разработать автоматизированную систему мониторинга состояния, способную работать при строгих условиях холодного запуска. Мы явно проверяем гипотезу о том, что связывание неконтролируемой структурной кластеризации с инженерно-априор-ориентированным механизмом псевдомаркировки может привести к контролируемой классификационной границе с диагностической эффективностью, сопоставимой с моделями, обучаемыми на вручную аннотированных данных. Валидируя этот полуконтролируемый фреймворк на индивидуальном мультисенсорном сервомоторном наборе данных, исследование демонстрирует, что интеграция классической интерпретации признаков с аномалийным гейтингом обеспечивает высокую точную классификацию неисправностей без маркированных обучающих данных, тем самым снижая когнитивную нагрузку на полевых инженеров и продвигая совместную философию Индустрии 5.0.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

1. Экспериментальная подготовка и предварительная обработка данных

ПРИМЕЧАНИЕ: Фреймворк обработки и моделирования данных, предложенный в этом исследовании, был реализован с помощью пользовательских скриптов, разработанных на высокоуровнем языке программирования, с использованием стандартных открытых библиотек для численных вычислений и машинного обучения. Экспериментальная валидация проводилась на высокопроизводительной вычислительной рабочей станции с многоядерным процессором и дискретным графическим процессором (GPU). Конкретная информация обо всех программных средах, вычислительном оборудовании и компонентах датчиков приведена в Таблице материалов. Схематический обзор предлагаемой структуры, иллюстрирующий поток данных от офлайн-обучения без надзора к онлайн-процессу принятия решений с двумя порогами, представлен на рисунке 1. Набор данных включает 203 агрегированных образца временного окна, а не мгновенных исходных показаний, собранных во время работы сервомотора при различных режимах нагрузки для имитации реалистичных условий на цехе.

  1. Стратегически развернуть сенсорные узлы.
  2. На корпус двигателя установлены вибрационные акселерометры, а датчики тока, напряжения и температуры интегрировались в приводную цепь.
  3. Синхронизировать все сигналы датчика через централизованную плату сбора данных (DAQ) на частоте дискретизации 10 кГц.
  4. Применяйте стандартные калибровочные процедуры и цифровую низкочастотную фильтрацию для устранения высокочастотного электромагнитного шума перед извлечением объектов.
  5. Извлеките статистическое сводное сводное значение (например, среднее или квадрат корня) из 1-секундного цикла измерения для каждого из 203 выборок. Эти пять конкретных переменных — ток (A), напряжение (V), температура (°C), влажность (%) и вибрация (мм/с 2 или g) — были выбраны намеренно.
  6. Удалять записи с отсутствующими значениями (NaN) для обеспечения стабильности моделирования, создавая уточнённый набор данных из 199 действительных образцов.
  7. Примените нормализацию Z-скора к каждому сенсорному каналу figure-protocol-1 для каждой выборки figure-protocol-2, чтобы устранить масштабные различия, критически важные для алгоритмов структурного обучения на основе расстояния:
    figure-protocol-3(1)
    где xij представляет исходное значение, μj — среднее значение признака j, а σj — стандартное отклонение.
  8. Сохраняйте нормализованную матрицу как X s для всех последующих этапов обработки.
    ПРИМЕЧАНИЕ: Анализ основных компонентов (PCA) использовался исключительно для визуализации путём проекции X s в двумерную матрицу figure-protocol-4 вложения (рисунок 5) и не служил входом для последующих моделей.

2. Неконтролируемое структурное обучение

  1. Определите оптимальное количество кластеров (K*), вычисляя значения кандидатов K (от 2 до 10).
  2. Вычислите сумму квадратов внутри кластера (WCSS) для получения кривой локтя (рисунок 3):
    figure-protocol-5(2)
  3. Вычислите коэффициент силуэта S(I) для каждого K одновременно (рисунок 4) для оценки структурной сплочённости и разделения:
    figure-protocol-6(3)
  4. Определите оптимальное число кластера при максимальном среднем балле Silhouette (например, K*=2).
  5. Применим алгоритм k-средних к Xs, минимизируя WCSS для получения центроидов μc и меток жёстких кластеров figure-protocol-7 для каждой выборки.
  6. Обучайте модель гауссовой смеси (GMM) с компонентами K*, чтобы отразить внутреннюю неопределённость границ условий.
  7. Вычислите апостериорную вероятность figure-protocol-8 для каждой выборки после оценки параметров figure-protocol-9и извлеките максимальную апостериорную вероятность в виде мягкой метрики доверия:
    figure-protocol-10(4)

3. Моделирование аномалий и динамическое пороговое определение

  1. Обучить модель Изоляционного леса на Xs для выявления выбросов, отклоняющихся от основных кластерных структур.
  2. Вычислите аномалию s, if(z), варьирующую от 0 до 1, на основе ожидаемой длины пути E[h(z)]:
    figure-protocol-11(5)
  3. Определите порог статической аномалии τанома , аналитически моделируя распределение аномалий (s if) с помощью оценки плотности ядра (KDE).
  4. Выводим квантиль математически, чтобы ограничить 90% доверительный интервал нормальной операционной дисперсии.
    ПРИМЕЧАНИЕ: В этом наборе данных это дало детерминированный порог τanom = 0,592, при этом выборки с s if(z) > 0,592 были помечены как аномалии.
  5. Создайте скользящее окно, охватывающее самые свежие образцы N телеметрии, чтобы периодически пересчитывать распределение баллы аномалий.
  6. Динамически обновляйте порог с помощью экспоненциально взвешенной скользящей средней (EWMA): figure-protocol-12 , где α служит фактором забвения, а локальный Y — квантиль, полученный из текущего операционного окна.

4. Генерация псевдо-меток с помощью картирования рисков

  1. Вычислим риск r i для каждой выборки как линейную комбинацию нормализованных признаков для преодоления семантического разрыва:
    figure-protocol-13(6)
  2. Определите оценку риска R для каждого центроида кластера, применяя взвешенную линейную комбинацию нормализованных средних признаков.
  3. Вычислите удельное значение каждого веса (wj) как обратную к физическому запасу безопасности соответствующего сенсорного канала.
  4. Нормализуем эти обратные поля с помощью следующего уравнения, где vj представляет обратный запас безопасности для канала figure-protocol-14:
    figure-protocol-15(7)
    \mu_r()g\max_cm
  5. Проверьте эти инициализированные веса, обеспечив положительную корреляцию ранга Спирмана (figure-protocol-16) между оценками риска кластера и медианными показателями аномалий Изоляционного леса.
  6. Рассчитайте средний риск figure-protocol-17 для каждого кластера k-средних.
  7. Определите кластер, демонстрирующий максимальный средний риск, как режим отказа: figure-protocol-18 .
  8. Генерируйте бинарные псевдометки ysuper для всех выборок, присваивая 0 (Отказ) кластеру высокого риска и 1 (Работающий) в противном случае:
    figure-protocol-19(8)

5. Обучение классификаторов под контролем и онлайн-слияние

  1. Реализовать пятикратную схему перекрёстной проверки для строгой оценки производительности модели и предотвращения утечек информации.
  2. Ограничить весь конвейер псевдомаркировки строго обучающим разделением внутри каждого сгиба.
  3. Преобразуем раздел изолированной валидации, используя только параметры, полученные исключительно из обучающего фолда.
  4. Обучить классификатор случайного леса (RF), использующий Xs в качестве признаков и динамически порождённый ysuper в качестве цели. Модель выводит вероятностную оценку рабочего класса, обозначается как prf(z).
  5. Обучить машину опорного вектора (SVM), оснащённую ядром RBF, генерировать значение функции принятия решения f(z) в качестве сравнительного валидатора.
  6. Развернуть механизм слияния на уровне баллов во время этапа онлайн-вывода.
  7. Синтезировать слитый балл s(z) для недавно полученной figure-protocol-20 образцы путём объединения контролируемой вероятности РЧ и неконтролируемой уверенности в ГММ:
    figure-protocol-21(9)
  8. Классифицируем окончательный статус с помощью логики с двойным порогом: состояние классифицируется как «Работающее» тогда и только тогда, когда figure-protocol-22 И figure-protocol-23.
    figure-protocol-24(.figure-protocol-25

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Предлагаемая структура была проверена с использованием самостоятельно собранного мультисенсорного набора данных. После удаления неполных записей окончательный набор данных включал 199 действительных агрегированных выборок временного окна. Системная среда и параметры алгоритма подробно описаны в Таблице 1.

Корреляция признаков и состав наборов данных
Для оценки избыточности и комплементарности сенсорных каналов до моделирова...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Этот протокол представляет надёжную методологию идентификации моторных состояний в сценариях холодного запуска, когда отсутствуют маркированные данные. Интегрируя неконтролируемое структурное обучение с псевдосупервизированной классификацией, метод преодолевает ограничения традиционного обучения с надзором, которое во многом опирается на человеческуюаннотацию 13,18,19. Критическим этапом в этом ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторам нечего раскрывать.

Благодарности

Мы благодарим Технический колледж водных ресурсов Хубэй за предоставленную экспериментальную платформу и вычислительные ресурсы. Эта работа была поддержана департаментским исследовательским фондом по промышленной автоматизации. Мы также отмечаем вклад сотрудников лаборатории, который помогал с сбором данных и калибровкой датчиков.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
КатегорияКомпонент и версия
Операционная системаWindows 11 Professional 23H2
ПроцессорIntel Core i9-14900HX
Память32 ГБ
Графический процессорNVIDIA GeForce RTX 4070 Laptop GPU (8 ГБ)
Python3.12
NumPy1.26
pandas2.2
scikit-learn1.5
Matplotlib3.8
Seaborn0.13
Начальное значение генератора случайных чисел

Ссылки

  1. Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
  2. Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
  3. 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).
  4. 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).
  5. 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).
  6. Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
  7. Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
  8. Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
  9. Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
  10. 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).
  11. 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).
  12. 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).
  13. Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
  14. Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
  22. Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
  23. Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
  24. 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).
  25. Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
  26. 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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

233233JoVE
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.