Минимум данных - максимум точности: эффективный AI-мониторинг состояния электродвигателей

Китайские и датские учёные представили новый подход к мониторингу состояния электродвигателей, который решает ключевую проблему отрасли: нехватку размеченных данных о неисправностях и сильный дисбаланс классов. Даже современные модели глубокого обучения (CNN, LSTM, Transformer) требуют больших датасетов и повторного обучения под каждый тип двигателя и режим работы, что усложняет масштабирование таких решений в промышленности.

В исследовании использованы предварительно обученные базовые модели для временных рядов (TSFM) - MOMENT и Mantis. Сначала авторы автоматически оценили, какая модель лучше подходит для задачи диагностики, с помощью метрики LogME, а затем применили эффективные стратегии дообучения, включая LoRA, чтобы адаптировать модель к сигналам тока и вибрации PMSM при разных режимах нагрузки и степенях повреждения обмоток статора.

Результаты показали, что MOMENT значительно превосходит классические модели глубокого обучения при использовании лишь 1% обучающей выборки, а Mantis стабильно достигает около 90 % даже на 1-5 % данных.

Экспериментальная проверка подтверждает высокую обобщаемость и масштабируемость фундаментальной модели, предоставляя ценные инсайты для разработки эффективных и адаптивных решений для интеллектуального мониторинга состояния электродвигателей в промышленности.

По материалам Arxiv