ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В АНАЛИЗЕ ВИБРАЦИОННЫХ СИГНАЛОВ ЭЛЕКТРОДВИГАТЕЛЕЙ

В статье рассматриваются современные подходы к диагностике технического состояния асинхронных электродвигателей с использованием методов машинного обучения на основе анализа вибрационных сигналов. Вибрационный мониторинг является одним из наиболее надежных методов неразрушающего контроля, однако высокая зашумленность сигналов и нелинейный характер дефектов затрудняют классическую аналитическую диагностику. В работе исследуются процессы сбора данных, извлечения информативных признаков во временной, частотной и временнóй-частотной областях, а также эффективность применения классических алгоритмов машинного обучения (SVM, Random Forest) и нейросетевых архитектур (CNN, LSTM) для распознавания дефектов подшипников качения, дисбаланса ротора и эксцентриситета. Приводятся сравнительные статистические данные точности моделей, полученные на основе открытых верифицированных датасетов. Результаты подтверждают, что интеграция вейвлет-преобразования и глубоких сверточных нейросетей позволяет достичь точности классификации дефектов выше 98%, что снижает риски аварийных остановок промышленного оборудования.