Интерпретируемая диагностика механических неисправностей асинхронного электропривода по токовым признакам с использованием методов машинного обучения

Аннотация

В работе рассматривается подход к диагностике механических неисправностей асинхронного электропривода на основе анализа фазных токов. Экспериментальные данные получены на стенде для испытания асинхронного электропривода при двух режимах работы - на холостом ходу и с нагрузкой 0,5 от номинальной и двумя видами технического состояния: исправное, неисправное с дефектом «несоосность подключенной нагрузки», неисправное с дефектом «изношенный подшипник». Предварительная обработка сигналов включала фильтрацию, выделение огибающей и нормализацию. Из исходных сигналов токов извлекались статистические признаки, такие как среднее квадратическое значение, коэффициенты эксцесса и асимметрии, отражающие изменение формы и распределения сигнала при возникновении дефектов. Дополнительно из огибающих вычислялись спектральные характеристики и интегральные показатели, описывающие относительный вклад гармонических составляющих и основной гармоники, что позволило учесть особенности модуляции сигнала при различных неисправностях. На основе сформированных признаков обучена модель классификации на основе метода случайного леса (Random Forest, RF), показавшая среднюю точность 85 % при кросс-валидации. Проведен анализ важности признаков с использованием метода SHAP (Shapley Additive exPlanations), а также интерпретация их физического смысла, что позволило установить связь отдельных признаков с типами механических неисправностей и подтвердить обоснованность выбранных диагностических показателей. Полученные результаты подтвердили возможность эффективного применения классического алгоритма машинного обучения Random Forest для диагностики механических дефектов электропривода, позволили выделить набор признаков, наиболее чувствительных к изменению его технического состояния, и могут быть использованы при разработке систем мониторинга и оценки состояния оборудования.