Мінімум даних - максимум точності: ефективний АІ-моніторинг стану електродвигунів

Китайські та датські вчені представили новий підхід до моніторингу стану електродвигунів, який вирішує ключову проблему галузі: брак маркованих даних про несправності та сильний дисбаланс класів. Навіть сучасні моделі глибинного навчання (CNN, LSTM, Transformer) потребують великих датасетів і перенавчання під кожен тип двигуна та режим роботи, що ускладнює масштабування таких рішень у промисловості.

У дослідженні використано попередньо навчені базові моделі для часових рядів (TSFM) - MOMENT та Mantis. Спершу автори автоматично оцінили, яка модель краще підходить до задачі діагностики, за допомогою метрики LogME, а потім застосували ефективні стратегії донавчання, зокрема LoRA, щоб адаптувати модель до сигналів струму та вібрації PMSM при різних режимах навантаження та ступенях пошкодження обмоток статора.

Результати показали, що MOMENT суттєво перевершує класичні моделі глибинного навчання при використанні лише 1 % навчальної вибірки, а Mantis стабільно досягає близько 90 % навіть на 1-5 % даних.

Експериментальна перевірка підтверджує високу узагальненість та масштабованість фундаментальної моделі, надаючи цінні інсайти для розробки ефективних та адаптивних рішень для інтелектуального моніторингу стану електродвигунів у промисловості.

За матеріалами Arxiv