Дмитриев Валентин Алексеевич — руководитель практики
Санкт-Петербург, 191181;
Аспирант
Санкт-Петербург, 197101
Valentin A. Dmitriev — Head of the Practice
Saint Petersburg, 191181;
PhD Student
Saint Petersburg, 197101
Марусина Мария Яковлевна — доктор технических наук, профессор, профессор
Санкт-Петербург, 197101
sc 56281574700
Maria Ya. Marusina — D.Sc., Full Professor
Saint Petersburg, 197101
sc 56281574700
Введение. Разработан и исследован новый подход к детектированию неисправностей для сложных технических систем, позволяющий определить и классифицировать одиночные и множественные одновременные неисправности. Решена задача надежной и своевременной идентификации как одиночных, так и множественных одновременных неисправностей в условиях ограниченного доступа к размеченным данным. Угроза безопасной работе автономной техники является типичной проблемой для полевых условий эксплуатации, в которых традиционные подходы, основанные на моделях или данных, применяемых по отдельности, оказываются неэффективным.Метод. В работе представлен комбинированный подход к детектированию неисправностей. Предложенное решение сочетает в себе аналитическую модель бонд-графа и сверточную нейронную сеть. Бонд-граф формирует остатки — разницу между значениями, рассчитанными по физическим законам системы, и измерениями с датчиков. Остатки анализируются сверточной нейронной сетью, которая обучается выявлять и классифицировать неисправности по их характерным особенностям. Для учета неопределенности параметров (например, сопротивления или емкости) использовано линейное дробное преобразование. Такой подход позволяет объединить априорные знания о физике системы с возможностями глубокого обучения.Основные результаты. Эффективность подхода оценена на симуляторе гидравлической системы управления поворотным механизмом автономной техники. В симуляцию добавлен гауссовский шум для имитации реальных условий. Эксперименты включали начальные, ступенчатые, одиночные и множественные неисправности. Тесты с разными объемами обучающих данных при выборке менее 128 образцов показали более высокую эффективность предложенного комбинированного подхода по сравнению с классическими методами машинного обучения, такими как Random Forest или K-Nearest Neighbors). Предложено решение для детектирования неисправностей в гидравлических системах управления автономной техникой.Обсуждение. Разработанный подход особенно эффективен при ограниченных данных, что делает его пригодным для полевых условий. Он позволяет своевременно выявлять и классифицировать неисправности (например, утечки в клапанах или сбои электромагнитных задвижек), что снижает риск отказов и обеспечивает безопасность автономной техники. Результаты могут быть адаптированы и внедрены для электрических, механических и прочих сложных технических систем.
A new fault detection approach for complex technical systems has been developed and investigated, enabling the identification and classification of single and multiple simultaneous faults. The challenge of reliable and timely identification of both single and multiple simultaneous faults under conditions of limited access to labeled data has been addressed. A threat to the safe operation of autonomous equipment is a common challenge in the field operating conditions where traditional model-based or data-driven approaches, used individually, prove to be ineffective. This work presents a hybrid approach to fault detection. The proposed solution combines an analytical bond-graph model and a Convolutional Neural Network (CNN). The bond-graph generates residuals — the difference between values calculated based on the system physical laws and sensor measurements. The residuals are then analyzed by the CNN which is trained to detect and classify faults based on their characteristic features. Linear Fractional Transformation is employed to account for parameter uncertainties (e.g., resistance or capacitance). This approach allows combining a priori knowledge of the system physics with the capabilities of deep learning. The effectiveness of the approach was evaluated on a simulator of a hydraulic steering control system for autonomous equipment. Gaussian noise was added to the simulation to simulate real-world conditions. The experiments included incipient, abrupt, single, and multiple faults. Tests with varying amounts of training data, using sample sizes less than 128, demonstrated the higher effectiveness of the proposed hybrid approach compared to classical machine learning methods (such as Random Forest or K-Nearest Neighbors). A solution is proposed for fault detection in hydraulic control systems of autonomous equipment. The developed approach is particularly effective with limited data, making it suitable for field conditions. It allows for timely detection and classification of faults (e.g., valve leaks or solenoid valve failures), which reduces the risk of failures and ensures the safety of autonomous equipment. The results can be adapted and implemented for electrical, mechanical, and other complex technical systems.
The authors declare that there are no conflicts of interest present.