Предлагаем вам поближе познакомится с работой обладателя Гран-при конкурса научных работ, прошедшего в рамках молодежной общероссийской научно-технической конференции «Молодежь. Техника. Космос» 2020, лауреата премии «Шаг в науку» – Надежина Михаила. Будучи аспирантом БГТУ «ВОЕНМЕХ» 1 го года обучения, Михаил является также сотрудником научно-исследовательской части БГТУ «ВОЕМЕХ» и участвует в выполнении значимых НИОКР. Название его работы: “Применение методов искусственного интеллекта в задаче диагностики технического состояния привода электронасосного агрегата”, в интервью он просто и в подробностях рассказал о том, как в своей работе он использует современный научный тренд – нейронные сети.
- Михаил, решение какой проблемы описано в Вашей работе?
- В работе описано решение проблемы диагностики электрического двигателя путём применения одного из современных методов машинного обучения - построения нейросетей. В частности, я рассматривал приводной двигатель насосного агрегата, который применяется в системах терморегулирования космических аппаратов. Если из строя выходит такой двигатель, насос не может выполнять свою функцию, а вслед за ним перестает функционировать система терморегулирования, что сказывается на работе всего космического аппарата. То есть, можно сказать, что решая задачу диагностики привода насосного агрегата, мы решаем задачу повышения надёжности космического аппарата в целом.
Прим.: Нейронная сеть - математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
- Расскажите, пожалуйста, простым языком, о чем Ваша работа?
- Работа посвящена разработке нейросети, которая определяет текущее состояние электрического двигателя по сигналам фазных токов. В данном случае диагностика – это, по сути, решение задачи классификации. Т.е. нейросеть должна по определенному набору данных выдать «диагноз», решить, к какому состоянию относится двигатель: исправный или неисправный. Чтобы обучить нейросеть, требуется большое количество данных для всех рассматриваемых неисправностей. Для этого были проведены стендовые испытания подобного двигателя с имитацией типовых неисправностей. В процессе испытаний с датчиков снимаются и фиксируются параметры, далее они обрабатываются и используются для обучения нейросети.
"По 30 опытов проводилось для каждой неисправности с целью накопления достаточного количества статистического материала, который использовался для составления обучающей выборки и в итоге для получения обученной модели, решающей задачу классификации". (Цитата из научной работы Михаила)
- Насколько актуально сегодня решение, которое Вы предлагаете?
- В настоящее время существует большое разнообразие методов диагностики электродвигателей и нейросетевые – не исключение. Правда, большинство таких решений присутствует преимущественно в иностранных работах. В России этот метод сейчас находится в стадии развития, и подобные системы диагностики толком не применяются. Если сравнивать с другими нейросетевыми методами, то моя работа отличается обучающей выборкой – параметрами, которые выбирают, как наиболее чувствительные к рассматриваемым неисправностям. Более подробно это расписано в самой работе.
- Какую роль в Вашей работе играют нейросети и искусственный интеллект?
- По сути, методы искусственного интеллекта, применяемые в моей работе, среди которых один метод классического машинного обучения и один нейросетевой метод, играют главную роль. Вся суть работы в задаче диагностики, которую эти методы берут на себя. Одновременно с этим они являются чем-то нетривиальным в решении рассматриваемой проблемы. Т.е. методы искусственного интеллекта – это одновременно и основная часть работы, и её изюминка.
- Интересно узнать, где будут применяться методы, описанные в Вашей работе в реальной жизни?
- Эта работа выполняется в рамках проекта по разработке высокоресурсных насосных агрегатов, выполняемого в интересах одного из наиболее успешных в стране предприятий космической отрасли АО «ИСС им. М. Ф. Решетнёва». Система диагностики, над которой я работаю вместе с коллективом лаборатории «Мехатронных и робототехнических систем» БГТУ «ВОЕНМЕХ», рассматривается, как раз как один из способов повышения надёжности и ресурса подобных агрегатов. Конечный вариант разрабатываемой системы будет применяться при изготовлении космических аппаратов. Если система покажет определённые успехи, то допускаю, что она найдёт более широкое применение и не только в космической отрасли.
- Как в дальнейшем Вы планируете развивать данную идею?
- В дальнейшем я планирую рассмотреть для решения этой же задачи применение метода глубокого обучения. Если быть точнее, я уже работаю над этим и получил определенный результат. А далее – самое сложное – разработать на основе своих наработок систему прогнозирования ресурса насосного агрегата. То есть помимо диагностики технического состояния система должна будет указывать примерный остаточный срок работы насосного агрегата вплоть до его выхода из строя. Эта задача гораздо сложнее и потребует намного больше работы.
Беседовал Антон Орлов
