Нейросети в вибродиагностике

Классические методы спектрального анализа решают ~80% задач диагностики промышленного оборудования. Нейросетевые модели закрывают оставшиеся 20% — там, где статистических порогов недостаточно: ранние стадии деградации, нетипичные режимы работы, комплексные дефекты.

Зачем нейросети на производстве

Задача	Результат
Раннее обнаружение аномалий	Выявление отклонений за 2–4 недели до срабатывания уставок
Снижение ложных тревог	−25–50% ложных срабатываний за счёт адаптивных моделей
Классификация дефектов	Автоматическое определение типа дефекта (подшипник, расцентровка, дисбаланс)
Прогноз остаточного ресурса (RUL)	Планирование ТОиР по реальному состоянию, а не по регламенту
Переход от реактивного к предиктивному ТОиР	Экономия 15–20% на плановом обслуживании

Место ML в архитектуре системы

Нейросетевая аналитика встроена в общий pipeline обработки данных по стандарту ISO 13374 (Condition Monitoring and Diagnostics of Machines):

Блок ISO 13374	Реализация	Описание
Data Acquisition	Пассер-В, Пассер-Т	Сбор вибрации (до 100 кГц) и токовых сигналов
Data Manipulation	Ларус-10, Ларус-100	FFT, спектр огибающей, компрессия на Edge
State Detection	Стрикс Atlas (статистика)	Уставки, тренды, отклонения от baseline
Health Assessment	Стрикс Atlas (ML)	Нейросетевые модели: аномалии, классификация, Health Index
Prognostics	Стрикс Atlas (RUL)	Прогноз остаточного ресурса
Advisory	ЛиманИСУ 2.0	Автозаявки ТОиР, рекомендации по действиям

Партнёрство с ИТМО

Нейросетевые модели разрабатываются совместно с Университетом ИТМО на базе фреймворка Fedot.Industrial — AutoML-платформы для промышленных временных рядов. Fedot автоматически подбирает архитектуру модели, выполняет отбор признаков и валидацию.

Статистические модели vs нейросети

Критерий	Статистические модели	Нейросети (ML)
Настройка	Ручные уставки по ГОСТ / опыту	Автоматическое обучение на данных
Ранние дефекты	Обнаруживают при превышении порога	Обнаруживают по изменению паттерна
Ложные тревоги	Фиксированные пороги → много ложных	Адаптивные модели → меньше ложных
Сложные дефекты	Требуют экспертной интерпретации	Находят скрытые корреляции автоматически
Требования к данным	Работают сразу	Нужны данные для обучения (14–30 дней baseline)
Прозрачность	Полностью интерпретируемы	Требуют дополнительной интерпретации
Применимость	Типовые дефекты с известными частотами	Нетипичные и комплексные дефекты

Комбинированный подход

На практике статистические модели и нейросети работают вместе. Статистика обеспечивает базовый мониторинг и интерпретируемость, а ML-модели добавляют глубину анализа для сложных случаев.

Структура раздела

Страница	Описание
Сценарии использования	Три подхода к обучению моделей: сырые данные, спектры, данные + телеметрия
Подключение к платформе	Backend на BaSyx, стандарт IDTA, SDK для интеграции
Интерфейс обучения моделей	Работа с данными, кластеризация, визуализация, разметка
Обучение и использование моделей	Пошаговый workflow, требования к данным, интерпретация результатов

Связанные разделы

• Стрикс.Диагност — продукт предиктивного обслуживания, включающий ML-аналитику
• Сбор сигналов и диагностика — pipeline обработки от датчика до прогноза
• Диагностика в ЛиманИСУ — спектры, орбитограммы, дефекты
• Прогноз ресурса — тренды и остаточный ресурс