Сценарии использования

Три основных сценария обучения моделей для вибродиагностики — от простого к продвинутому. Каждый отличается типом входных данных, гибкостью переноса между оборудованием и сложностью внедрения.

Обзор сценариев

Сценарий	Входные данные	Гибкость	Сложность	Когда применять
Сырые данные	Вибросигнал (временной ряд)	Низкая	Простая	Однотипное оборудование, быстрый старт
Спектральное разложение	FFT-спектр	Средняя	Средняя	Разное оборудование со схожей механикой
Данные + телеметрия	Вибрация + температура/давление	Высокая	Высокая	Сложные агрегаты, много параметров

Сырые данные

Простейший сценарий: модель обучается непосредственно на временном ряде вибросигнала с конкретного элемента оборудования (например, подшипника).

Workflow

Порядок действий

1. Сбор данных с целевого элемента — подшипника, муфты, зубчатого зацепления
2. Если нет данных с дефектами — генерация синтетических дефектов (см. ниже)
3. Обучение модели на классификацию: «норма» vs «остальное»
4. Развёртывание на станках той же модели в той же конфигурации

Преимущества

• Минимальная предобработка — работаем с сырым сигналом
• Быстрый запуск — не требуется настройка спектрального анализа
• Хорошо работает для вибрации (хуже — для токовых сигналов)

Ограничения переносимости

Модель, обученная на данных станка модели А, работает только на станках модели А. Перенос на другой тип оборудования потребует переобучения.

Спектральное разложение

Более гибкий сценарий: сырой сигнал преобразуется в частотный спектр (FFT), и модель обучается на спектральных признаках.

Workflow

Порядок действий

1. Сбор сырых данных с целевого элемента
2. Преобразование в частотный спектр — FFT выполняется на Ларус (Edge) или на сервере
3. Извлечение признаков из спектра: амплитуды характерных частот, энергия полос, форма огибающей
4. Обучение модели на спектральных признаках
5. Развёртывание — возможен перенос на оборудование со схожей механикой

Преимущества

• Более переносимая модель: спектральные паттерны дефектов (BPFO, BPFI, BSF) универсальны
• Лучшая интерпретируемость: признаки имеют физический смысл
• Меньший объём данных на вход модели (спектр компактнее сырого сигнала)

Рекомендуемый сценарий

Спектральное разложение — рекомендуемый сценарий для большинства задач. Он сочетает достаточную гибкость с умеренной сложностью.

Данные + телеметрия

Продвинутый сценарий: вибрационные данные объединяются с параметрами телеметрии — температурой, давлением, нагрузкой, оборотами.

Workflow

Выравнивание частот дискретизации

Телеметрия поступает значительно реже, чем вибрационные данные. Для совместной подачи в модель необходимо выравнивание:

Параметр	Вибрация	Телеметрия
Частота	20 000–100 000 значений/с	1 значение/с или реже
Пример	[1.2, -0.8, 0.5, ...] (20 000 точек)	15 °C

Метод выравнивания: значение телеметрии повторяется до длины вибрационного сигнала.

Вибрация:   [1.2, -0.8, 0.5, ..., 0.3]     (20 000 значений)
Температура: [15,  15,   15,  ..., 15 ]      (20 000 значений)

Альтернативно можно использовать спектральное разложение вибрации и подавать его вместе с телеметрией — это уменьшает размерность.

Преимущества

• Максимальная точность: модель учитывает режим работы оборудования
• Возможен перенос на похожие элементы — модель может учесть разницу в условиях
• Корреляции между вибрацией и температурой позволяют отличать дефект от изменения нагрузки

Сложность интеграции

Требуется синхронизация данных из разных источников. Убедитесь, что временные метки вибрации и телеметрии корректно сопоставлены.

Синтетические дефекты

Когда реальных данных с дефектами недостаточно (типичная ситуация на новом оборудовании), можно сгенерировать обучающие данные:

Метод генерации

1. Взять спектр «нормального» состояния
2. Добавить характерные частоты дефектов подшипника (BPFO, BPFI, BSF, FTF) по геометрическим параметрам
3. Варьировать амплитуду и ширину пиков для имитации разных стадий развития дефекта
4. Результат: обучающая выборка с размеченными классами дефектов

Параметр	Источник
Характерные частоты	Справочник подшипников (геометрия, число тел качения, углы контакта)
Амплитуды	По стандартам ISO 10816, ISO 20816
Модуляция	Физические модели развития дефектов

Когда использовать синтетику

Синтетические данные — стартовая точка. После накопления реальных данных (14–30 дней) модель переобучается на смеси реальных и синтетических данных, что повышает точность.

Какой сценарий выбрать

Фактор	Рекомендация
Одинаковые станки, быстрый старт	Сырые данные
Разное оборудование, нужна гибкость	Спектральное разложение
Сложный агрегат, много параметров	Данные + телеметрия
Мало данных, нет дефектов	Любой сценарий + синтетика

Связанные разделы

• Обзор: ML в вибродиагностике — позиционирование нейросетей в ISO 13374
• Интерфейс обучения моделей — как работать с данными на практике
• Обучение и использование — пошаговый workflow, требования к данным
• Сбор сигналов и диагностика — FFT, спектры, детектирование на Edge