Баган, Тарас ГригоровичТемчур, Владислав Сергійович2026-08-252026-08-252026Темчур, В. С. Предиктивна діагностика обертового енергетичного устаткування на основі нейромережевого аналізу вібраційних сигналів : дис. … д-ра філософії : 151 Автоматизація та комп’ютерно-інтегровані технології / Темчур Владислав Сергійович. – Київ, 2026. – 219 с.https://ela.kpi.ua/handle/123456789/82692Темчур В.С. Предиктивна діагностика обертового енергетичного устаткування на основі нейромережевого аналізу вібраційних сигналів – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 151 – Автоматизація та комп'ютерно-інтегровані технології (15 – Автоматизація та приладобудування). – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. Дисертаційна робота присвячена вирішенню актуального науковопрактичного завдання підвищення ефективності предиктивної діагностики електродвигунів шляхом розроблення та дослідження методів нейромережевого аналізу вібраційних сигналів для автоматизованої класифікації технічного стану та оцінки залишкового ресурсу обладнання. У першому розділі дисертації проведено аналітичний огляд сучасних методів діагностики обертового енергетичного устаткування. Розглянуто роль електродвигунів як критичних вузлів систем автоматизації промислових об'єктів: за статистикою IEEE, до 40% незапланованих зупинок виробничого обладнання пов'язані з відмовами електричних машин. Проаналізовано три стратегії технічного обслуговування – реактивне, планово-попереджувальне та предиктивне – та обґрунтовано перевагу предиктивного підходу, що дозволяє прогнозувати стан обладнання на основі даних реального часу. Виконано порівняльний аналіз п'яти методів моніторингу стану: термографії, аналізу мастил, аналізу струму статора, акустичної емісії та вібраційного аналізу. Обґрунтовано вибір вібраційного аналізу як основного діагностичного методу завдяки його високій чутливості до широкого спектру механічних дефектів, неінвазивності вимірювань, придатності для безперервного моніторингу та наявності добре розробленої теоретичної бази у вигляді характеристичних частот дефектів. Проведено огляд існуючих досліджень у сфері машинного та глибокого навчання для вібраційної діагностики. Встановлено, що більшість робіт зосереджені на аналізі окремих типів дефектів або використовують обмежені вибірки з одного джерела, а систематичні порівняльні дослідження методів різної складності – від класичних статистичних показників до гібридних нейромережевих архітектур – у рамках єдиної методології практично відсутні. На основі виконаного огляду сформульовано мету та завдання дисертаційного дослідження. У другому розділі розроблено теоретичний базис системи предиктивної діагностики. Формалізовано математичний апарат трирівневого аналізу вібраційних сигналів: у часовій області визначено шість статистичних показників (RMS, куртозис, пік-фактор, асиметрія, форм-фактор, імпульс-фактор) та метод їх нормалізації для класифікації методом k найближчих сусідів; у частотній області описано дискретне перетворення Фур'є (FFT) та спектр потужності; у часовочастотній – короткочасне перетворення Фур'є (STFT) з вікновими функціями та процедурою нормалізації спектрограм. Описано архітектуру згорткових нейронних мереж (CNN) включаючи операцію двовимірної згортки, функції активації (ReLU, Softmax, сигмоїд), шари пулінгу (MaxPooling, Global Average Pooling), Batch Normalization та Dropout, а також багатомасштабну модифікацію MSCNN з паралельними гілками ядер різного розміру та операцією конкатенації. Розроблено теоретичний опис рекурентних мереж з довгою короткостроковою пам'яттю (LSTM) та механізму уваги (Attention) для зважування часових кроків послідовності. Обґрунтовано гібридну архітектуру MSCNN-LSTM, що поєднує багатомасштабне виділення просторових ознак зі спектрограм з аналізом часових залежностей у послідовностях вимірювань на основі принципу розділення ваг у часі. Запропоновано блок міжгілкової уваги каналів (Channel Attention), що автоматично зважує внесок паралельних гілок MSCNN залежно від характеристик вхідного зразка. Описано процедуру навчання з оптимізатором Adam та механізмом збереження найкращої моделі (ModelCheckpoint), а також метрики оцінювання якості класифікації та метод візуалізації простору ознак t-SNE. Розроблено методику побудови індексу здоров'я обладнання (HI) як ймовірності нормального стану з вектора виходу класифікатора, оцінки залишкового ресурсу (RUL) на основі двопараметричного розподілу Вейбулла з довірчим інтервалом, адаптивного визначення порогових зон HI через квантильний аналіз та теоретичну модель прийняття рішень щодо технічного обслуговування. У третьому розділі представлено результати практичної реалізації та експериментального дослідження розробленої системи. Експериментальна база сформована шляхом об'єднання двох публічних датасетів вібраційних сигналів – MAFAULDA (1 951 запис, частота дискретизації 50 кГц, тривалість 5 с) та IEEE Broken Rotor Bar Database (320 записів, 7,6 кГц, 18 с) – що охоплює шість типів технічного стану електродвигунів: нормальний стан, дисбаланс ротора, зміщення осей, дефект зовнішнього кільця підшипника, дефект внутрішнього кільця підшипника та пошкодження стержнів ротора. Для узгодження даних з різних вимірювальних систем виконано передискретизацію до єдиної частоти 8 кГц та дворівневу нормалізацію амплітуд (z-score сирого сигналу та min-max нормалізація спектрограм). Вібраційні записи сегментовано на фрагменти по 4 096 відліків (0,512 с), для кожного з яких сформовано двоканальну спектрограму STFT розміром 128 × 128 × 2 пікселів з вікном Блекмана-Харріса (довжина 256 відліків, перекриття 87,5%). Після балансування класів методом undersampling загальний обсяг вибірки склав 2 646 зразків (441 на клас). Класифікацію виконано послідовно методами зростаючої складності. Метод k найближчих сусідів (k = 5) на ручних ознаках часової області забезпечив точність 52,8%, на частотних ознаках – 73,5%, на об'єднаному векторі – 76,2%. Згорткова нейронна мережа CNN з трьома згортковими блоками (~102 000 параметрів) досягла точності 94,1% (F1 macro = 94,1%), що на 17,9% перевищує найкращий результат класичних методів. Гібридна модель MSCNN-LSTM з механізмом уваги (~129 000 параметрів), що аналізує послідовності з п'яти спектрограм, досягла точності 98,3% (F1 macro = 98,3%). Візуалізація простору ознак методом t-SNE підтвердила формування шести чітко ізольованих кластерів гібридною моделлю. Досліджено два удосконалення гібридної моделі. Запропонований блок міжгілкової уваги каналів (Channel Attention, коефіцієнт стиснення r = 4, ~8 000 додаткових параметрів – менше 5% від загальної кількості) не змінив загальну точність (Accuracy = 98,3%, F1 macro = 98,3%), проте усунув помилку змішування нормального стану зі зміщенням осей за рахунок адаптивного перерозподілу. Запропонований метод адаптивного визначення порогових зон індексу здоров'я на основі квантильного аналізу (a = 0,05) автоматично обчислив пороги HI_warn = 0,87 та HI_crit = 0,12, що забезпечив ранішнє виявлення початку деградації порівняно з фіксованими порогами при контрольованому рівні хибних тривог ~5%. Оцінку залишкового ресурсу реалізовано шляхом інтеграції індексу здоров'я з двопараметричним розподілом Вейбулла: на модельному прикладі деградаційної кривої з параметрами B = 3,2 та n = 185 діб прогнозований RUL склав 38 діб з довірчим інтервалом 90%. Розроблено інтерактивний діагностичний дашборд засобами фреймворку Streamlit, що забезпечує візуалізацію вібраційних сигналів, результатів класифікації, тренду індексу здоров'я та прогнозу залишкового ресурсу в єдиному інтерфейсі. Наукова новизна одержаних результатів полягає в наступному: вперше для задач діагностики електродвигунів розроблено гібридну нейромережеву модель, яка поєднує багатомасштабний згортковий аналіз вібраційних спектрограм з рекурентним аналізом часових послідовностей та автоматично визначає діагностичну значущість ознак різного просторового масштабу залежно від типу несправності; удосконалено методологію предиктивної діагностики електродвигунів шляхом побудови наскрізного діагностичного конвеєра, що забезпечує послідовний аналіз від класичних статистичних показників до нейромережевої класифікації з подальшою оцінкою залишкового ресурсу на єдиній експериментальній базі з шести типів технічного стану; дістали подальшого розвитку методи машинного та глибокого навчання у вібраційній діагностиці за рахунок дослідження їх ефективності на вибірках, наближених до реальних умов експлуатації обладнання; набули подальшого розвитку методи аналізу вібраційних сигналів електродвигунів шляхом інтеграції цифрової обробки сигналів та нейромережевої класифікації в єдиній системі оцінки технічного стану. Практичне значення отриманих результатів полягає в тому, що: розроблено методику формування двоканальних спектрограм STFT вібраційних сигналів електродвигунів для автоматизованої діагностики; розроблено та навчено нейромережеву модель MSCNN-LSTM для класифікації шести типів технічного стану з точністю 98,3%; розроблено програмний модуль оцінки залишкового ресурсу обладнання на основі індексу здоров'я та моделі Вейбулла; розроблено інтерактивний діагностичний дашборд засобами фреймворку Streamlit. Результати досліджень використовуються у діяльності ТОВ «Вентконтрол» (м. Київ), що підтверджується відповідним актом впровадження.219 с.ukвібраційний аналізелектродвигунпредиктивна діагностикамодельно-прогнозуюче керуваннянейронна мережамашинне навчанняглибоке навчаннякласифікація несправностейцифрова обробка сигналівіндекс здоров'язалишковий ресурсдіагностикатехнічне обслуговуванняvibration analysiselectric motorpredictive diagnosticspredictive model controlneural networkmachine learningdeep learningfault classificationdigital signal processinghealth indexremaining useful lifediagnosticsmaintenanceThesis Doctoral681.518.5:621.313:004.032.26