Диагностика неисправностей электрических приводов на основе данных: обзор

Необходимость производства более конкурентоспособного оборудования, а также появление цифровых технологий в рамках так называемой Индустрии 4.0 изменили многие парадигмы промышленного сектора. В настоящее время наметился переход к массовому сбору эксплуатационных данных, которые могут обрабатываться для извлечения действительно ценной информации с помощью методов машинного обучения (Machine Learning) или глубокого обучения (Deep Learning). В результате классические методологии мониторинга технического состояния, такие как методы на основе моделей и сигналов, уступают место подходам, основанным на данных. Поэтому в данной статье представлен обзор стратегий активного контроля на основе данных, реализованных в электрических приводах для обнаружения и диагностики неисправностей (FDD). Сначала приводится обзор основных методов FDD. Затем объясняются основные рекомендации по реализации рабочего процесса машинного обучения, на котором основано большинство стратегий, управляемых данными. Наконец, представлен обзор научных статей по данной теме, а также обсуждение, направленное на выявление основных пробелов и перспективных направлений исследований.