Россия
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.
машинное обучение, классификация, логистическая регрессия, L1-регуляризация, вейвлет-анализ, вибродиагностика, дизельный двигатель, тепловоз, анализ главных компонент, кросс- валидация
1. 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.
2. Applications of machine learning to machine fault diagnosis: a review / Y. Lei [et al.] // Mechanical Systems and Signal Processing. 2020. Vol. 138.
3. Randall R. B. Vibration-based condition monitoring: industrial, aerospace and automotive applications, R. B. Randall. 2nd ed. // Chichester: John Wiley & Sons, 2021, 456 p.
4. 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.
5. Mallat S. A wavelet tour of signal processing. 3rd ed. San Diego: Academic Press, 2009. 832 p.
6. 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.
7. 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.
8. Диагностирование газовоздушного тракта тепловозного дизеля с использованием интеллектуального классификатора / В. В. Грачев [и др.] // Бюллетень результатов научных исследований. 2022. Вып. 2. С. 124–140.
9. Breiman L. Random forests // Machine Learning. 2001. Vol. 45 (1). Pp. 5–32.
10. 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.
