Диагностика неисправности подшипников асинхронного двигателя на основе сигнатурного анализа тока и алгоритмов машинного обучения

В работе рассмотрены возможности применения алгоритмов машинного обучения с использованием сигнатурного анализа тока статора для обнаружения повреждения подшипника асинхронного двигателя, работающего в составе частотно-регулируемого привода. Исследование проведено с использованием данных о токе статора, полученных из имитационной модели при различных рабочих частотах и нагрузках двигателя. Выполнена сравнительная оценка эффективности четырех методов машинного обучения, а именно: искусственная нейронная сеть (ANN), метод K-ближайших соседей (KNN), метод опорных векторов (SVM) и наивный байесовский классификатор (NB). Наилучшую эффективность (более 90 % вероятности правильного распознавания) показали классификаторы на основе ANN и KNN. Выявлена явно выраженная зависимость эффективности исследованных методов диагностирования от величины нагрузки двигателя и частоты питания. Однако эта зависимость проявляется для разных методов в разной степени и разнонаправленно, что позволяет сделать предположение о возможности повышения надежности диагностики за счет одновременного использования для этого двух (или более) типов классификаторов.