Меню
Публикации
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2025-25-5-961-970
УДК 004.896
Разработка и исследование метода обучения с креплениями для акустической аппаратуры промышленного назначения
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Верзун Н.А., Колбанёв М.О., Салиева А.Р. Разработка и исследование метода обучения с креплениями для акустической аппаратуры промышленного назначения // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 5. С. 961–970. дои: 10.17586/2226-1494-2025-25-5-961-970
Аннотация
Введение. Исследована актуальная проблема акустического автономного рабочего промышленного оборудования. Обзор существующих подходов к акустической диагностике, включая методы на основе сверточных нейронных сетей и алгоритмы обучения с учителем, показал их ограничения, такие как необходимость использования для больших объемов обучения размеченных данных, слабая адаптация к изменяющимся условиям и отсутствие механизма принятия решений в начальный момент времени. Предложен подход к новой акустической диагностике на основе методов обучения с подкреплением, отличающихся способностью к деформации, высокой устойчивостью к шуму и устойчивостью обучения в динамической среде. Метод. В данном методе определения состояния работоспособности оборудования используется подход, основанный на обработке акустических сигналов, издаваемых рабочим оборудованием. Метод включает построение нейронной сети, выбор аудиозаписей из открытых библиотек аудиофайлов и обучение сети с помощью алгоритма с подкреплением. Процесс акустического состояния неисправности/неисправности промышленного оборудования включает четыре этапа: фиксацию в режиме реального времени акустических данных работающего оборудования, извлечение признаков состояния оборудования, обучение с подкреплением нейронной сети и принятие решений по исправности/неисправности оборудования. Основные результаты. На основе размеченных аудиофайлов из открытых баз данных был проведен эксперимент для определения различного вида оборудования: нормальное состояние, начальная стадия дефекта, критическая неисправность. Результаты изменения точности классификации от 89,7% до 98,5% и среднее время отклика от 0,5 до 0,7 с при низкой вычислительной мощности (средняя загрузка центрального процессора 36,5% и объем потребляемой оперативной памяти 509 МБ). Обсуждение.В отличие от известных систем акустических приборов, основанных на алгоритмах обучения с обучающими нейронными и сверточными нейронными сетями на предварительно размеченных базах данных, содержащих акустические сигналы, издаваемые рабочим оборудованием, в предлагаемом подходе реализуется декомпозиция исходных акустических сигналов на спектральных компонентах. Каждое из этих соединений анализируется и снабжается аккумуляторами, отражающими состояние исправности/неисправности оборудования. Такой подход позволяет: использовать алгоритмы обучения с подкреплением для принятия решений на основе стратегии; сократить время обучения модели за счет выделения значимых признаков; повысить точность диагностики; снижение вычислительной нагрузки и требований к аппаратным ресурсам. Разработанный алгоритм может применяться для обеспечения непрерывного состояния оборудования и прогнозного обслуживания в автономно функционирующих промышленных системах. Его использование позволит надежно и своевременно выявлять и классифицировать неисправности промышленного оборудования. Алгоритм возможно доработать с учетом требований к инфраструктуре интернета, повышения устойчивости к постоянному шуму и создания более продвинутых алгоритмов обучения с поддержкой, таких как оптимизация проксимальной политики или асинхронное преимущество субъекта-критика.
Ключевые слова: акустическая диагностика, промышленное оборудование, обучение с подкреплением, классификация состояний, RL-агент, спектральный анализ
Список литературы
Список литературы
1. Винограденко А.М., Будко Н.П. Адаптивный контроль технического состояния автономных сложных технических объектов на основе интеллектуальных технологий // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 1. С. 25–35. https://doi.org/10.36724/2072-8735-2020-14-1-25-35
2. Богатырев В.А., Богатырев С.В., Богатырев А.В. Оценка эффективности системы для своевременного обслуживания запросов при его совмещении с информационным восстановлением памяти после отказов // Научно-технический вестник компьютерных информационных технологий, механики и оптики. 2023. Т. 23. № 3. С. 608–617. https://doi.org/10.17586/2226-1494-2023-23-3-608-617
3. Богатырев В., Винокурова М. Управление и безопасность эксплуатации дублированных вычислительных систем // Информатика и вычислительные науки. 2017. Т. 700. С. 331–342. https://doi.org/10.1007/978-3-319-66836-9_28
4. Богатырев В.А. Обмен дублированными вычислительными комплексами в отказоустойчивых системах // Автоматика и вычислительная техника. 2011. Т. 45. № 5. С. 268–276. h ttps://doi.org/10.3103/s014641161105004x
5. Мартюгов А.С., Ершов Е.В., Виноградова Л.Н., Варфоломеев И.А. Диагностика промышленного оборудования методом акустического контроля // Оптико-электронные приборы и устройства в современном мире образцов и обработки изображений: Материалы XVI Международной научно-технической конференции. Курск: Юго-Западный государственный университет, 2021. С. 172–174.
6. Верзун Н.А., Колбанёв М.О., Салиева А.Р. Многоагентный ансамблевый алгоритм акустического достижения работоспособности автономного технологического оборудования // Информационно-управляющие системы. 2025. № 3 (136). С. 14–24. https://doi.org/10.31799/1684-8853-2025-3-14-24
7. Щегольков М.В., Зинкин С.А. Обзор основных подходов обучения с подкреплением на основе обучения без моделей знаний // Энергетика и автоматизация в современном обществе: Материалы VII Всероссийской научно-практической конференции студентов и преподавателей. СПб: Санкт-Петербургский государственный университет промышленных технологий и дизайна, 2024. С. 91–95.
8. Йе Л., Ма С., Вэнь Ч. Метод диагностики неисправностей вращающегося оборудования путем объединения характеристик в частотно-временной области и передачи знаний с помощью сверточных нейронных сетей // Датчики. 2021. Т. 21. № 24. С. 8168. https://doi.org/10.3390/s21248168
9. Шао С., МакАлир С., Ян Р., Балди П. Высокоточная диагностика неисправностей машин с использованием глубокого трансферного обучения // Труды IEEE по промышленной информатике. 2019. Т. 15. № 4. С. 2446–2455. https://doi.org/10.1109/tii.2018.2864759
10. Соуза Р.М., Насименто Э.Г.С., Миранда У.А., Сильва В.Дж.Д., Лепиксон Х.А. Глубокое обучение для диагностики и классификации неисправностей в промышленных вращающихся машинах // Компьютеры и промышленная инженерия. 2021. Т. 153. С. 107060. https://doi.org/10.1016/j.cie.2020.107060
11. Лю П., Чжан К., Ю В., Ван Б., Лю Ч. Новый интеллектуальный метод диагностики неисправностей подшипников на основе RSG для двигателей в высокошумной промышленной среде // Advanced Engineering Informatics. 2022. Т. 52. С. 101564. https://doi.org/10.1016/j.aei.2022.101564
12. Чжан Дж., Коппель А., Беди А.С., Шепесвари Ч., Ван М., Метод градиента вариационной политики для обучения с подкреплением с общими полезностями // arXiv. 2020. arXiv:2007.02151. https://doi.org/10.48550/arXiv.2007.02151
13. Чэнь Д., Пэн П., Хуан Т., Тянь И. Глубокое обучение с подкреплением и импульсным Q-обучением // arXiv. 2022. arXiv:2201.09754. https://doi.org/10.48550/arXiv.2201.09754
14. Верзун Н.А., Колбанёв М.О., Салиева А.Р. Анализ перспектив обучения умных автономных логистических систем на основе оптимизации функций ценностей // Известия СПбГЭТУ ЛЭТИ. 2024. Т. 17. № 10. С. 28–39. https://doi.org/10.32603/2071-8985-2024-17-10-28-39
15. Тама Б.А., Вания М., Ли С., Лим С. Последние достижения в применении глубокого обучения для диагностики неисправностей вращающихся машин с использованием сигналов вибрации // Обзор искусственного интеллекта. 2023. Т. 56. № 5. С. 4667–4709. https://doi.org/10.1007/s10462-022-10293-3
16. Ван Р., Чжань Х., Бай Х., Дун Э., Чэн Ц., Цзя Х. Обзор методов диагностики неисправностей вращающихся машин с использованием инфракрасной термографии // Микромашины. 2022. Т. 13. № 10. С. 1644. https://doi.org/10.3390/mi13101644
17. Рамасвами А., Хюллермайер Э. Глубокое Q-обучение: теоретические выводы из асимптотического анализа // arXiv. 2020. arXiv:2008.10870. https://doi.org/10.48550/arXiv.2008.10870
18. Хансен Н., Су Х., Ван Х. Стабилизация глубокого Q-обучения с помощью сверточных сетей и преобразователей изображений в условиях дополнения данных // Труды 35- й Международной конференции по нейронным системам обработки информации. 2021. С. 3680–3693.
19. Хак А.С., Насрун М., Сетианингсих Ч., Мурти М.А. Реализация распознавания речи с использованием алгоритмов MFCC и DTW для домашней автоматизации // Труды Международной конференции по электротехнике, информатике и вычислительной технике. 2020. Т. 7. С. 78–85. https://doi.org/10.11591/eecsi.v7.2041
20. Саттон Р.С., Барто А.Г. Обучение с подкреплением: Введение. Bradford Books, 2018. 552 с.
21. Дас О., Дас Д.Б., Бирант Д. Машинное обучение для анализа неисправностей вращающихся машин: всесторонний обзор // Heliyon. 2023. Т. 9. № 6. С. e17584. https://doi.org/10.1016/j.heliyon.2023.e17584
22. Свидетельство о государственной регистрации программы для ЭВМ № 2025619237. Акустическая система обнаружения неисправностей промышленного оборудования на основе обучения с подкреплением (АСД-ОП). Номер и дата поступления заявок: 2025617991 10.04.2025. Опубликовано 14.04.2025 Бюл. № 4 / Бердникова А.А., Колбанёв М.О, Верзун Н.А., Салиева А.Р. Правообладатель: Государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный инженерно-экономический университет».
23. Мохарам М.Х., Хани О., Хани А., Махмуд А., Мохамед М., Саид С. Обнаружение аномалий с использованием машинного обучения и принятых концепций цифровых двойников в радиосредах // Научные отчеты. 2025. Т. 15. С. 18352. https://doi.org/10.1038/s41598-025-02759-5
24. Пурохит Х.П., Танабэ Р., Ичиге К., Эндо Т., Никайдо Ю., Суефуса К., Кавагучи Ю. Набор данных MIMII: набор звуковых данных для исследования и проверки неисправных промышленных машин // Труды семинара по обнаружению и классификации акустических сцен и событий 2019 года (DCASE2019). 2019. С. 209–213. https://doi.org/10.33682/m76f-d618
25. Koizumi Y., Kawaguchi Y., Imoto K., Nakamura T., Nikaido Y., Tanabe R., Purohit H., Suefusa K., Endo T., Yasuda M., Harada N. Описание и обсуждение задачи DCASE2020 Task2: неконтролируемое обнаружение аномальных звуков для мониторинга состояния машин // arXiv. 2020. arXiv:2006.05822. https://doi.org/10.48550/arXiv.2006.05822
