Генерация синтетических диагностических признаков вибрации подшипниковых узлов на основе вариационного автокодировщика

П Г Криницин; С В Ченцов

doi:10.22213/2410-9304-2026-3-65-71

Авторы

П. Г. Криницин Сибирский федеральный университет
С. В. Ченцов Сибирский федеральный университет

DOI:

https://doi.org/10.22213/2410-9304-2026-3-65-71

Ключевые слова:

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 выраженный 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.

Биографии авторов

П. Г. Криницин, Сибирский федеральный университет

аспирант

С. В. Ченцов, Сибирский федеральный университет

доктор технических наук, профессор

Библиографические ссылки

Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals / B. A. Tama, M. Vania, S. Lee, S. Lim // Artificial Intelligence Review. 2023. Vol. 56, No. 5. P. 4667-4709. DOI 10.1007/s10462-022-10293-3.

A systematic literature review of deep learning for vibration-based fault diagnosis of critical rotating machinery: Limitations and challenges / O. Matania, I. Dattner, Ja. Bortman [et al.] // Journal of Sound and Vibration. 2024. Vol. 590. P. 118562. DOI 10.1016/j.jsv.2024.118562.

Diagnosis of unbalanced bearing fault samples based on cycle generative adversarial networks / R. Huang, L. Ma, J. Hu [et al.] // Neural Computing & Applications. 2025. Vol. 37, No. 19. P. 13447-13467. DOI 10.1007/s00521-025-11265-8.

Mathematical Description of Dynamic Processes Occurring in Rolling Bearings Used in Oil-And-Gas Sector Rotor Machines as the Basis for Their Vibration-Based Diagnostics / E. I. Velichko, D. A. Inozemtsev, A. V. Muzykantova, M. S. Stepanov // IOP Conference Series: Earth and Environmental Science, Virtual, Online, 10-12 января 2022 года. Virtual, Online, 2022. P. 042050. DOI 10.1088/1755-1315/988/4/042050.

A Review on Vibration Monitoring Techniques for Predictive Maintenance of Rotating Machinery / M. Romanssini, P. C. C. De Aguirre, L.Compassi-Severo, A. G. Girardi // Eng. 2023. Vol. 4, No. 3. P. 1797-1817. DOI 10.3390/eng4030102.

Оценка состояния подшипников качения по спектрам вибрации / К. Б. Пальчик, И. М. Кругова, Д. В. Огурцов, Н. А. Халилов // Эксплуатация морского транспорта. 2022. № 2 (103). С. 117-122. DOI 10.34046/aumsuomt103/23.

Nikitin, Yu. Spectral Density-Based Pseudo-Random Sequence Generator for Bearing Vibration Simulation / Yu. Nikitin, S. Trefilov, P. Lekomtsev // AIP Conference Proceedings, Izhevsk, 24-26 ноября 2021 года. Izhevsk: Published by AIP Publishing, 2023. P. 020023. DOI 10.1063/5.0111186.

Wang, L. Research on bearing fault diagnosis based on machine learning and SHAP interpretability analysis / L. Wang, M. Wu // Scientific Reports. 2025. Vol. 15, No. 1. P. 41242. DOI 10.1038/s41598-025-25083-4.

Novelty Detection and Fault Diagnosis Method for Bearing Faults Based on the Hybrid Deep Autoencoder Network / Yu. Zhao, H. Hao, Yu. Chen, Yu. Zhang // Electronics. 2023. Vol. 12, No. 13. P. 2826. DOI 10.3390/electronics12132826.

Conditional variational autoencoder and GAN-based approach for long-tailed fault diagnosis for the motor system / Huang M., Sheng C., Rao X. // Measurement. 2024. Vol. 240.

Колосова З. А., Колосова О. П., Шнайдер Д. А. Получение набора вибрационных сигналов подшипника качения с разной степенью развития локального дефекта наружного кольца // Advanced Engineering Research (Rostov-on-Don). 2025. Т. 25, № 3. С. 242-255. DOI 10.23947/2687-1653-2025-25-3-242-255.

Komorska, I. Condition Monitoring Using a Latent Space of Variational Autoencoder Trained Only on a Healthy Machine / I. Komorska, A. Puchalski // Sensors. 2024. Vol. 24, No. 21. P. 6825. DOI 10.3390/s24216825.

Fault diagnosis using variational autoencoder GAN and focal loss CNN under unbalanced data / W. Li, D. Liu, Ya. Li [et al.] // Structural Health Monitoring. 2024. DOI 10.1177/14759217241254121.

Huang, M. Conditional Variational Autoencoder and generative adversarial network-based approach for long-tailed fault diagnosis for the motor system / M. Huang, Ch. Sheng, X. Rao // Measurement. 2025. Vol. 242. P. 116116. DOI 10.1016/j.measurement.2024.116116.

Learning Dynamics in Linear VAE: Posterior Collapse Threshold, Superfluous Latent Space Pitfalls, and Speedup with KL Annealing / Ichikawa Y., Hukushima K // arXiv. 2023.

A Low Complexity Rolling Bearing Diagnosis Technique Based on Machine Learning and Smart Preprocessing / A. Fort, E. Landi, M. Mugnaini, V. Vignoli // Sensors. 2023. Vol. 23, No. 17. P. 7546. DOI 10.3390/s23177546.

Pei, Di. A Novel Method for Bearing Fault Diagnosis under Variable Speed Based on Envelope Spectrum Fault Characteristic Frequency Band Identification / Di. Pei, J. Yue, J. Jiao // Sensors. 2023. Vol. 23, No. 9. P. 4338. DOI 10.3390/s23094338.

Mueller, Ph. N. Attention-enhanced conditional-diffusion-based data synthesis for data augmentation in machine fault diagnosis / Ph. N. Mueller // Engineering Applications of Artificial Intelligence. 2024. Vol. 131. P. 107696. DOI 10.1016/j.engappai.2023.107696.

Review of imbalanced fault diagnosis technology based on generative adversarial networks / H. Chen, J. Wei, H. Huang [et al.] // Journal of Computational Design and Engineering. 2024. Vol. 11, No. 5. P. 99-124. DOI 10.1093/jcde/qwae075.

A novel deep learning framework for rolling bearing fault diagnosis enhancement using VAE-augmented CNN model / Yu. Wang, D. Li, L. Li [et al.] // Heliyon. 2024. Vol. 10, No. 15. P. e35407. DOI 10.1016/j.heliyon.2024.e35407.