Bulletin of scientific research results Bulletin of scientific research results Бюллетень результатов научных исследований 2223-9987 119597 10.20295/2223-9987-2026-1-142-153 Проблематика транспортных систем PROBLEMATIC OF TRANSPORT SYSTEM Проблематика транспортных систем Multiple-Class Classification of a Diesel Locomotive Engine’s Mechanical Condition Based on Wavelet Properties of Vibration Signals via Machine-Learning Techniques Многоклассовая классификация технического состояния дизельного двигателя тепловоза по вейвлет-признакам вибросигналов методами машинного обучения Беляев Андрей Александрович Belyaev Andrey Aleksandrovich belyaevaa@list.ru Петербургский государственный университет путей сообщения Императора Александра I Санкт-Петербург Россия Emperor Alexander I Petersburg State Transport University Saint Petersburg Russian Federation 03 04 2026 03 04 2026 2026 1 142 153 09 01 2026 11 02 2026 https://atjournal.ru/en/nauka/article/119597/view

Цель: разработка и экспериментальная апробация алгоритма многоклассовой классификации технического состояния дизельного двигателя тепловоза на основе вейвлет-признаков вибросигналов с применением методов машинного обучения для обеспечения надежности и безопасности железнодорожного транспорта. Методы: экспериментальные исследования проводились на дизельном двигателе Д50 в Тепловозной лаборатории имени профессора Я. М. Гаккеля Петербургского государственного университета путей сообщения. Зарегистрирован 491 трехосевой вибросигнал в семи диагностических состояниях (исправное состояние и шесть вариантов имитации неисправности топливоподачи путем отключения подачи топлива в отдельные цилиндры). Вейвлет-пакетная декомпозиция до 11-го уровня с вейвлетом Добеши 4-го порядка позволила извлечь 45 984 диагностических признака из узлов декомпозиции. Для снижения размерности признакового пространства применен метод главных компонент (PCA) с порогом сохранения 95 % объясненной дисперсии. Проведено сравнительное исследование восьми методов машинного обучения с использованием стратифицированной пятикратной кросс-валидации для объективной оценки обобщающей способности моделей. Результаты: логистическая регрессия с L1-регуляризацией достигла наивысшей точности классификации 99,32 % (Accuracy = 0,9932, F1-macro = 0,9921). Стратифицированная кроссвалидация подтвердила стабильность и воспроизводимость результатов: F1-macro = 99,56 % ± 0,55 %. Метод продемонстрировал минимальную дисперсию среди всех исследованных алгоритмов, что свидетельствует о высокой устойчивости к вариациям в данных. Практическая значимость: экспериментально подтверждена возможность автоматической классификации дизельного двигателя по диагностическим классам на основе вейвлет-признаков вибросигналов. Логистическая регрессия выбрана как оптимальный метод благодаря сочетанию высокой точности, стабильности результатов и интерпретируемости модели. Разработанный алгоритм может быть использован в качестве основы для создания бортовых систем диагностики тепловозов в режиме реального времени.

Objective: to develop and experimentally validate a multiclass classification algorithm for assessing the technical condition of a diesel locomotive engine based on wavelet properties derived from vibration signals, employing machine learning methods to ensure the reliability and safety of railway transport. Methods: experimental measurements were performed on a D50 diesel engine at the Diesel Locomotive Laboratory named after Professor Ya. M. Gakkel, Emperor Alexander I St. Petersburg State Transport University. A total of 491 triaxial vibration recordings were obtained across seven diagnostic states (one of which represented normal operation and six of which simulated fuel supply faults by cutting off fuel delivery to specific cylinders). Wavelet packet decomposition to the eleventh level, using a fourth-order Daubechies wavelet, yielded 45,984 diagnostic features from the decomposition nodes. Principal Component Analysis (PCA) was employed to minimize the dimensionality of the extracted features, retaining components that together explained 95 % of the variation. Stratified 5-fold cross-validation was used to compare eight machine-learning algorithms in order to ensure an unbiased evaluation of the models’ generalization capabilities. Results: the highest classification performance of 99.32 % was obtained using logistic regression with L1 regularization (Accuracy = 0.9932, F1-macro = 0.9921). The stratified cross-validation confirmed the stability and reproducibility of this outcome, yielding an F1-macro score of 99.56 % ± 0.55 %. This method demonstrated the lowest variability across all tested algorithms, indicating strong robustness to data variability. Practical significance: the experimental findings have confirmed the feasibility of automatic classification of diesel engines into diagnostic categories based on wavelet properties of vibration signals. Logistic regression has been selected as the optimal method because it provides a favorable balance of predictive accuracy, stability of results, and model interpretability. The developed algorithm can serve as a foundation for real-time on- board diagnostic systems for diesel locomotives.

 машинное обучение классификация логистическая регрессия L1-регуляризация вейвлет-анализ вибродиагностика дизельный двигатель тепловоз анализ главных компонент кросс- валидация machine learning classification logistic regression L1 regularization wavelet analysis vibration diagnostics diesel engine locomotive principal component analysis cross-validation

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). Pp. 1483–1510. 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). Pp. 1483–1510. Applications of machine learning to machine fault diagnosis: a review / Y. Lei [et al.] // Mechanical Systems and Signal Processing. 2020. Vol. 138. Applications of machine learning to machine fault diagnosis: a review / Y. Lei [et al.] // Mechanical Systems and Signal Processing. 2020. Vol. 138. Randall R. B. Vibration-based condition monitoring: industrial, aerospace and automotive applications, R. B. Randall. 2nd ed. // Chichester: John Wiley & Sons, 2021, 456 p. Randall R. B. Vibration-based condition monitoring: industrial, aerospace and automotive applications, R. B. Randall. 2nd ed. // Chichester: John Wiley & Sons, 2021, 456 p. Зигельман Е. Б., Лощинин И. А., Скворцов Д. Ф. Исследование возможности вибродиагностики среднеоборотных дизель-генераторов // Известия высших учебных заведений. Машиностроение. 2013. № 6. С. 42–48. Zigel'man E. B., Loschinin I. A., Skvorcov D. F. Issledovanie vozmozhnosti vibrodiagnostiki sredneoborotnyh dizel'-generatorov // Izvestiya vysshih uchebnyh zavedeniy. Mashinostroenie. 2013. № 6. S. 42–48. Mallat S. A wavelet tour of signal processing. 3rd ed. San Diego: Academic Press, 2009. 832 p. Mallat S. A wavelet tour of signal processing. 3rd ed. San Diego: Academic Press, 2009. 832 p. Yan R., Gao R. X., Chen X. Wavelets for fault diagnosis of rotary machines: a review with applications // Signal Processing. 2014. Vol. 96. Pp. 1–15. Yan R., Gao R. X., Chen X. Wavelets for fault diagnosis of rotary machines: a review with applications // Signal Processing. 2014. Vol. 96. Pp. 1–15. Fault diagnosis of diesel engine valve clearance based on wavelet packet decomposition and neural networks / Y. Liu [et al.] // Electronics. 2023. Vol. 12 (2). P. 353. Fault diagnosis of diesel engine valve clearance based on wavelet packet decomposition and neural networks / Y. Liu [et al.] // Electronics. 2023. Vol. 12 (2). P. 353. Диагностирование газовоздушного тракта тепловозного дизеля с использованием интеллектуального классификатора / В. В. Грачев [и др.] // Бюллетень результатов научных исследований. 2022. Вып. 2. С. 124–140. Diagnostirovanie gazovozdushnogo trakta teplovoznogo dizelya s ispol'zovaniem intellektual'nogo klassifikatora / V. V. Grachev [i dr.] // Byulleten' rezul'tatov nauchnyh issledovaniy. 2022. Vyp. 2. S. 124–140. Breiman L. Random forests // Machine Learning. 2001. Vol. 45 (1). Pp. 5–32. Breiman L. Random forests // Machine Learning. 2001. Vol. 45 (1). Pp. 5–32. Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A. 2016. Vol. 374 (2065). — 20150202. Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A. 2016. Vol. 374 (2065). — 20150202.