Методика интеллектуальной диагностики сервопривода на основе многопараметрической телеметрии

Афанасий Каноныхин; Степан Большаков; Сергей Леонов

doi:10.34031/ES.2026.1.10

Авторы

Каноныхин Афанасий Владимирович Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет»
Большаков Степан Андреевич Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет»
Леонов Сергей Владимирович Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет»

DOI:

https://doi.org/10.34031/ES.2026.1.10

Ключевые слова:

сервопривод, телеметрия, диагностика, Health Score, Anomaly Score, предиктивное обслуживание, временные ряды, физико-статистическая модель

Аннотация

В работе рассматривается задача диагностики лабораторного сервопривода Delta ASD-B3-0421-E с серводвигателем ECM-B3M-CA0604RS1 по данным многопараметрической телеметрии. Предложена физико-статистическая методика, включающая оконную обработку CSV-данных, расчёт инженерных признаков, физических рисков, статистического Anomaly Score, интегрального Health Score и классификацию состояния. Первичная проверка выполнена на 37 лабораторных сессиях объёмом 67 219 строк и длительностью около 112,5 мин при частоте записи около 10 Гц. Полученные результаты показывают возрастание среднего Anomaly Score в последовательности: нормальная валидационная группа, переходные режимы, повышенная нагрузка, условно предаварийный нагрузочный сценарий. Сценарий E2 R02 оказался наиболее выраженным статистическим отклонением среди тестовых сессий, при этом физические риски оставались относительно низкими. Методика может использоваться для раннего выявления нетипичных лабораторных режимов и требует проверки на независимых данных.

Библиографические ссылки

[ГОСТ Р 7.0.5-2008]

1. Girit O., Atakok G., Ersoy S. Data Analysis for Predictive Maintenance of Servo Motors // Shock and Vibration. – 2020. – Vol. 2020. – P. 8826802.
DOI: https://doi.org/10.1155/2020/8826802.

2. Jardine A. K. S., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. – 2006. – Vol. 20, № 7. – P. 1483-1510.
DOI: https://doi.org/10.1016/j.ymssp.2005.09.012.

3. Machinery health prognostics: A systematic review from data acquisition to RUL prediction / Y. Lei, N. Li, L. Guo, et al. // Mechanical Systems and Signal Processing. – 2018. – Vol. 104. – P. 799-834.
DOI: https://doi.org/10.1016/j.ymssp.2017.11.016.

4. Ahmad R., Kamaruddin S. An overview of time-based and condition-based maintenance in industrial application // Computers & Industrial Engineering. – 2012. – Vol. 63, № 1. – P. 135-149.
DOI: https://doi.org/10.1016/j.cie.2012.02.002.

5. A systematic literature review of machine learning methods applied to predictive maintenance / T.P. Carvalho, F.A.A.M.N. Soares, R. Vita et al. // Computers & Industrial Engineering. – 2019. – Vol. 137. – P. 106024.
DOI: https://doi.org/10.1016/j.cie.2019.106024.

6. Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey // ACM Computing Surveys. – 2009. – Vol. 41, № 3. – P. 15.
DOI: https://doi.org/10.1145/1541880.1541882.

7. Rousseeuw P. J., Croux C. Alternatives to the Median Absolute Deviation // Journal of the American Statistical Association. – 1993. – Vol. 88, № 424. – P. 1273-1283.
DOI: https://doi.org/10.1080/01621459.1993.10476408.

[References, APA (7th ed.)]

1. Girit, O., Atakok, G., & Ersoy, S. (2020). Data Analysis for Predictive Maintenance of Servo Motors. Shock and Vibration, 2020, 8826802. https://doi.org/10.1155/2020/8826802

2. Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483-1510. https://doi.org/10.1016/j.ymssp.2005.09.012

3. Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799-834. https://doi.org/10.1016/j.ymssp.2017.11.016

4. Ahmad, R., & Kamaruddin, S. (2012). An overview of time-based and condition-based maintenance in industrial application. Computers & Industrial Engineering, 63(1), 135-149. https://doi.org/10.1016/j.cie.2012.02.002

5. Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024

6. Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 15. https://doi.org/10.1145/1541880.1541882

7. Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association, 88(424), 1273-1283. https://doi.org/10.1080/01621459.1993.10476408