ТЕХНИЧЕСКОЕ ЗРЕНИЕ В АНАЛИЗЕ НЕИСПРАВНОСТЕЙ И УПРАВЛЕНИИ ЭЛЕКТРОПРИВОДА

Введение

Электроприводы — основа современного промышленного оборудования. Их отказы приводят к простоям и экономическим потерям; 30–40% отказов двигателей переменного тока связаны с повреждением изоляции статора. Традиционные методы диагностики (вибрационные, токовые, температурные) эффективны, но требуют контактных датчиков, сложны при нестационарных сигналах и часто имеют большую задержку обнаружения. Перспективное направление — техническое зрение: одномерные диагностические сигналы преобразуются в изображения и анализируются методами глубокого обучения, что позволяет выявлять нелинейные закономерности. Цель работы — систематизировать такие методы и оценить их эффективность.

1. Методологические основы

Наиболее распространён подход на основе непрерывного вейвлет-преобразования (CWT), дающего скалограммы — время-частотные представления сигнала. Дефект подшипника проявляется высокочастотными всплесками, обрыв стержня ротора — низкочастотными колебаниями. Альтернатива — Markova Transition Field (MTF): трёхфазные токовые сигналы преобразуются в RGB-изображения для диагностики синхронных двигателей. Применяются CNN, ViT и гибридные модели. CNN хорошо работают с fused-наборами данных, выявляя кросс-модальные корреляции (например, совпадение вибрационного всплеска и тепловой горячей точки). ViT захватывают глобальные зависимости и тонкие гармонические искажения, что важно для раннего обнаружения повреждений изоляции.

2. Анализ неисправностей

Инфракрасная термография — зрелый метод. Связка с YOLOv11 обеспечивает неинвазивный мониторинг трёхфазных асинхронных двигателей и идеальное обнаружение критических неисправностей. Метод Differences of Color Thermal Images (DoCTI) с нейросетями NnetV04–V06 эффективен для диагностики короткозамкнутого ротора.

Бесконтактная диагностика возможна через Eulerian video magnification: камера фиксирует микродвижения поверхности, сигналы ROI анализируются гибридной моделью CNN/TCN/attention с точностью 91,2%. Результаты валидируются акселерометрами и камертоном 128 Гц.

Преобразование вибраций в частотные изображения с CNN даёт точность 99,4% (временная область — 97,0%). Для начальных неисправностей — 94,0% и 84,3% соответственно. CWT-скалограммы в RGB-изображениях эффективны для вращающихся машин в IoT.

Фреймворк DIViT (Data-to-Image Vision Transformer) диагностирует открытые отказы ключей в многоприводных системах с общей задержкой менее 10 мс — в пределах T/4 силового цикла, что открывает путь к самовосстанавливающимся приводам. Скалограммы вибрации, тока и акустики укладываются вместе с тепловым изображением в многоканальный образ. Мультипоточные CNN объединяют модальности на позднем слое. Это выявляет кросс-модальные корреляции, недоступные при раздельном анализе.

3. Управление электроприводом

Техническое зрение встраивается в системы предиктивного обслуживания: сбор сигналов → извлечение признаков → мониторинг → идентификация. Используются CNN, автоэнкодеры, трансферное обучение, LSTM, SVM; рассматриваются большие языковые модели. Лёгкие ViT и CNN для edge-computing обеспечивают задержку менее 10 мс, что критично для управления в реальном времени и самовосстановления.

Облачные конвейеры визуализируют спектры и 3D-карты вибрации. Термография с CNN и аугментацией данных подтверждает масштабируемость облачных подходов для парка электроприводов. Достигнуты высокие результаты: термография с YOLOv11 — идеальное обнаружение; вибрационные изображения — 99,4%; видеоувеличение — 91,2%; DIViT — <10 мс. Ограничения: потребность в размеченных данных, слабая интерпретируемость, чувствительность к условиям съёмки, кибербезопасность. Перспективы: самообучающиеся системы, гибрид физических моделей и глубокого обучения, цифровые двойники, федеративное обучение, объяснимый ИИ.

Заключение

Техническое зрение — мощный инструмент неинвазивного, точного и масштабируемого мониторинга электроприводов. Преобразование сигналов в образы с глубоким обучением даёт точность выше 99% в ряде задач и задержку менее 10 мс. Интеграция термографии, видеоувеличения и мультимодальной fusion-диагностики позволяет обнаруживать электрические и механические дефекты на ранних стадиях. Развитие направления связано с edge-computing, IoT и созданием самовосстанавливающихся интеллектуальных приводов в парадигме Industry 4.0.