Предиктивна діагностика вібраційного сигналу електродвигуна на основі технології MSCNN-LSTM

Скорочена інформація про документ
dc.contributor.authorТемчур В. С.
dc.contributor.authorБаган Т. Г.
dc.contributor.authorTemchur Vladyslav S.
dc.contributor.authorBahan Taras H.
dc.date.accessioned2025-05-26T11:32:58Z
dc.date.available2025-05-26T11:32:58Z
dc.date.issued2025
dc.descriptionТемчур, В. С. Предиктивна діагностика вібраційного сигналу електродвигуна на основі технології MSCNN-LSTM = Predictive diagnostics of electric motor vibration signal based on MSCNN-LSTM technology / В. С. Темчур, Т. Г. Баган // Зб. наук. пр. НУК. – Миколаїв : Гельветика, 2025. – № 1 (499). – С. 107–112.
dc.description.abstractСвоєчасна діагностика несправностей електродвигунів є ключовим завданням для забезпечення їх безперебійної роботи та зниження витрат на ремонт і обслуговування. Традиційні методи аналізу вібраційних сигналів часто не дозволяють досягти високої точності розпізнавання дефектів через складність обробки великої кількості даних. Метою цієї роботи є розробка ефективного підходу для автоматизованого виявлення несправностей електродвигунів на основі аналізу вібраційних сигналів із використанням глибоких нейронних мереж. Для досягнення цієї мети запропоновано метод, що базується на поєднанні багатомасштабної одновимірної згорткової нейронної мережі (MSCNN) та мережі довгої короткочасної пам’яті (LSTM). Методика дослідження включала попередню обробку вібраційних сигналів, розробку архітектури нейронної мережі, підбір гіперпараметрів, навчання моделі на основі розмічених даних та її тестування. Діагностувалися такі типи дефектів, як зламаний стержень, зміщення, коротке замикання, а також дефекти внутрішнього та зовнішнього кілець підшипника. Результати дослідження підтвердили високу ефективність розробленого підходу: модель досягла 100% точності класифікації на тестових даних, що підтверджено аналізом матриці помилок. Додатково застосовано метод t-SNE для візуалізації простору ознак, що продемонструвало якісне розділення класів та підтвердило здатність моделі коректно ідентифікувати різні типи несправностей. Наукова новизна роботи полягає в інтеграції багатомасштабної CNN із рекурентною мережею LSTM для діагностики електродвигунів, що дозволяє ефективніше аналізувати часові залежності вібраційних сигналів та підвищувати точність виявлення несправностей. Практична значимість запропонованого підходу визначається його застосуванням у сучасних системах моніторингу стану електродвигунів, що сприятиме підвищенню надійності обладнання, зменшенню експлуатаційних витрат і запобіганню незапланованим відмовам у промислових умовах.
dc.description.abstract1Timely diagnosis of electric motor faults is a key task to ensure their uninterrupted operation and reduce repair and maintenance costs. Traditional methods of vibration signal analysis often do not allow achieving high accuracy of defect recognition due to the complexity of processing a large amount of data. The aim of this work is to develop an effective approach for automated detection of electric motor faults based on vibration signal analysis using deep neural networks. To achieve this goal, a method based on the combination of multi-scale one-dimensional convolutional neural network (MSCNN) and long short-term memory network (LSTM) is proposed. The research methodology included preprocessing of vibration signals, development of neural network architecture, selection of hyperparameters, training of the model based on labeled data and its testing. The following types of defects were diagnosed: broken rod, displacement, short circuit, and defects of the inner and outer rings of the bearing. The results of the study confirmed the high efficiency of the developed approach: the model achieved 100% classification accuracy on test data, which was confirmed by error matrix analysis. Additionally, the t-SNE method was used to visualize the feature space, which demonstrated high-quality class separation and confirmed the model's ability to correctly identify different types of faults. The scientific novelty of the work lies in the integration of a multi-scale CNN with a recurrent LSTM network for electric motor diagnostics, which allows for more effective analysis of time dependences of vibration signals and increased accuracy of fault detection. The practical significance of the proposed approach is determined by its application in modern electric motor condition monitoring systems, which will contribute to increasing equipment reliability, reducing operating costs, and preventing unplanned failures in industrial conditions.
dc.identifier.issn2311-3405 (Print)
dc.identifier.issn2313-0415 (Online)
dc.identifier.urihttps://eir.nuos.edu.ua/handle/123456789/10536
dc.language.isouk
dc.relation.ispartofseriesУДК ; 681.518.5
dc.subjectпрогнозне технічне обслуговування
dc.subjectглибоке навчання
dc.subjectнейронні мережі
dc.subjectLSTM
dc.subjectCNN
dc.subjectMSCNN
dc.subjectpredictive maintenance
dc.subjectdeep learning
dc.subjectneural networks
dc.titleПредиктивна діагностика вібраційного сигналу електродвигуна на основі технології MSCNN-LSTM
dc.title.alternativePredictive diagnostics of electric motor vibration signal based on MSCNN-LSTM technology
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Temchur.pdf
Розмір:
552.9 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
4.38 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

№ 1 (499) 2025