РАЗРАБОТКА КОМПЛЕКСНОГО ПОДХОДА К ОБНАРУЖЕНИЮ НЕИСПРАВНОСТЕЙ ЭЛЕКТРООБОРУДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Электрооборудование (ЭО) играет ключевую роль в промышленных электротехнических системах, в которых неожиданные механические неисправности в процессе эксплуатации могут привести к тяжелым последствиям (нарушение технологического процесса, снижение качества и количества выпускаемой продукции, возникновение аварийных ситуаций). Для своевременного вы- явления подобных неисправностей, а также обеспечения нормальной работы систем необходимо проводить регулярное оценивание технического состояния ЭО с помощью современных компью- терных технологий в условиях неполной и нечеткой информации. Для решения данной проблемы предлагается подход с использованием квантования и сверточных нейронных сетей (СНС), отли- чающийся от существующих подходов комплексной обработкой термограмм, полученных с помо- щью тепловизионного устройства; изображений с черно-белыми и цветными графиками, получен- ных с приборов либо построенных по статистическим данным. Данный подход позволяет повы- сить точность классификации различных неисправностей ЭО, снизить неплановые отказы обору- дования за счет оперативного принятия решений относительно технического состояния ЭО в условиях неполной и нечеткой информации. Обзор исследований в данной предметной области как российских, так и зарубежных ученых отражает целый ряд успешных экспериментов по исполь- зованию СНС. Разработанная СНС для классификации неисправностей на выходе выдает номер класса, к которому относится текущее состояние оборудования (класс 1 – работоспособное ЭО; класс 2 – работоспособное ЭО с небольшими отклонениями). В настоящей работе рассматрива- ются обобщенная схема и алгоритм комплексного подхода к обнаружению неисправностей ЭО с подробным их описанием. Результаты исследования были получены при диагностировании асин- хронного двигателя АИР63А4У1 и подтверждают обоснованность и объективность использова- ния предложенного подхода
Список литературы
1. Cheng Li, Zixuan Yu, Mingsong Zhuo Research on fault detection method of infrared thermal imaging
for power equipment based on deep learning // IOP Conference Series: Earth and Environmental Science.
– 2021. – Vol. 714. – P. 1-9. – DOI: 10.1088/1755-1315/714/4/0420 45.
2. Wang W., He Y., Han X., Li Y. Functional failure diagnosis method of manufacturing system based on
dynamic Bayesian network // International Conference on Sensing, Diagnostics, Prognostics, and Control.
– 2020. – P. 93-97. – DOI: 10.1109/SDPC49476.2020. 9353184.
3. Чернова А.Д., Косенко А.А. Автоматизация распознавания дефектов оборудования электриче-
ских сетей с помощью искусственных нейронных сетей // Вестник ЮУрГУ. Серия «Энергети-
ка». – 2023. – Т. 23, № 3. – С. 62-71. – DOI: 10.14529/power230306.
4. Колоденкова А.Е., Верещагина С.С., Фаворская Е.А., Осипова Е.А. Разработка метода оценки
технического состояния электрооборудования с использованием взвешенных нечётких правил
// Онтология проектирования. – 2024. – Т. 14, № 1 (51). – С. 134-144. DOI: 10.18287/2223-9537-
2024-14-1-134-144.
5. Сазыкин В.Г., Кудряков А.Г. Проблемы изношенного электрооборудования в современной
энергетике // Международный научно-исследовательский журнал. – 2015. – № 7 (38). – С. 89-91.
6. Грабчак Е.П., Грабчак Э.П., Логинов Е.Л., Романова Ю.А. Проблемы замены изношенного обору-
дования в электроэнергетике России: приоритеты модернизации в контексте обеспечения надеж-
ности и безопасности // Проблемы безопасности и чрезвычайных ситуаций. – 2019. – С. 38-43.
– DOI: 10.36535/0869-4176-2019-05-5.
7. Vakhnina V.V., Markov E.V. Developing fuzzy model using the key gas method to determine the defects
occurring in oil power transformers // International Conference on Industrial Engineering, Applications
and Manufacturing. – 2024. – P. 451-455. – DOI: 10.1109/ICIEAM60818.2024.10553816.
8. Jan B., Parveen S., Khan S.A. ANN based multi-stage binary classification technique for incipient
fault diagnosis of oil immersed transformer // International Conference on Industry 4.0 Technology
(I4Tech). – 2022. – P. 1-6. – DOI: 10.1109/I4Tech55392.2022. 9952593.
9. Yatsugi K., Kone S.E.M.P., Mizuno Y. Faulty class diagnosis of three phase induction motor bearing using stator current spectral features and machine learning algorithms // 9th International Conference on Condition Monitoring and Diagnosis. – 2022. – P. 112-117. – DOI: 10.23919/CMD54214.2022. 9991672.
10. Jiménez-Guarneros M., Morales-Perez C., Rangel-Magdaleno J.d.J. Diagnostic of combined mechanical
and electrical faults in ASD-powered induction motor using MODWT and a lightweight 1-D CNN
// IEEE Transactions on Industrial Informatics. – 2022. – Vol. 18, No. 7. – P. 4688-4697. – DOI:
10.1109/TII.2021. 3120975.
11. Gaber I.M., Shalash O., Hamad M.S. Optimized inter-turn short circuit fault diagnosis for induction
motors using neural networks with LeLeRU // IEEE Conference on Power Electronics and Renewable
Energy. – 2023. – P. 1-5. – DOI: 10.1109/CPERE56564. 2023.10119618.
12. Goh Y.-J. Fault Diagnostics of 3-phase Induction Motor using CNN with Park’s Vector Approach
Input Data Configuration // 10th International Conference on Mechatronics and Robotics Engineering.
– 2024. – P. 234-239. – DOI: 10.1109/ICMRE60776.2024. 10532185.
13. Saxena Lalit Niblack’s binarization method and its modifications to real-time applications: a review //
Artificial Intelligence Review. – 2019. – P. 673-705.
14. Янковский А.А., Бугрий А.Н. Критерии выбора метода бинаризации при обработке изображений
лабораторных анализов // АСУ и приборы автоматики. – 2010. – № 153. – С. 53-56.
15. Федоров А. Бинаризация черно-белых изображений: состояние и перспективы развития. – Ре-
жим доступа: http://itclaim.ru/Library/Books/ITS/ wwwbook/ist4b/its4/fyodorov.htm/ (дата обраще-
ния: 15.07.2024).
16. Зотикова А.А., Иванова Е.А. Обзор алгоритмов компьютерного зрения // Цифровизация эконо-
мики: направления, методы, инструменты. – 2023. – С. 436-439.
17. Пехота А.Н., Галушко В.Н., Громыко И.Л. Технология использования сверточных нейронных
сетей при диагностике состояния трансформаторов // Вестник Полоцкого государственного
университета. Серия Фундаментальные науки. – 2021. – № 12. – С. 63-69.
18. Shah S., Tembhurne J. Object detection using convolutional neural networks and transformer-based
models: a review // Journal of Electrical Systems and Inf. Technol. – 2023. – 10, 54.
– https://doi.org/10.1186/s43067-023-00123-z.
19. Pandey S., Bharti J. Review of different binarization techniques used in different areas of image analysis
// Evolution in Signal Processing and Telecommunication Networks: Proceedings of Sixth International
Conference on Microelectronics, Electromagnetics and Telecommunications (ICMEET
2021), Vol. 2. – Singapore: Springer Singapore, 2022. – P. 249-268.
20. Kang H., Stamoulis I. Gaussian Image Binarization //International Journal of Image and Graphics.
– 2021. – Vol. 21, No. 04. – P. 2150047.
