Применения вибродмагностики с элементами машинного обучения для прогнозирования поломок турбоагрегатов
Another Title
Application of vibration diagnostics with machine learning elements to predict turbine unit breakdowns
Bibliographic entry
Данилович, Д. В. Применения вибродмагностики с элементами машинного обучения для прогнозирования поломок турбоагрегатов = Application of vibration diagnostics with machine learning elements to predict turbine unit breakdowns / Д. В. Данилович, Д. В. Чуйко; науч. рук. С. А. Качан // Актуальные проблемы энергетики - 2025 : материалы студенческой научно-технической конференции / сост.: И. Н. Прокопеня, Т. А. Петровская ; редкол.: Е. Г. Пономаренко (пред.), Н. Б. Карницкий, В. А. Седнин [и др.]. – Минск : БНТУ, 2025. – С. 662-665.
Abstract
В статье рассматриваются современные подходы к диагностике и прогнозированию отказов турбоагрегатов с помощью анализа вибрационных сигналов и методов машинного обучения. Описаны этапы сбора и обработки данных, подходы к выделению признаков во временной, спектральной и временно-частотной областях. Показано, как различные модели позволяют выявлять зарождающиеся дефекты и оценивать оставшийся ресурс оборудования. Отдельно отмечены перспективные направления, включая использование нейросетей и гибридных алгоритмов для предиктивного обслуживания. Приведены примеры практического применения и рекомендации по внедрению таких систем в промышленности.
Abstract in another language
The paper discusses modern approaches to the diagnosis and prediction of turbine failures using vibration signal analysis and machine learning methods. The stages of data collection and processing, as well as approaches to identifying features in the temporal, spectral, and time-frequency domains are described. It is shown how different models make it possible to identify incipient defects and assess the remaining life of the equipment. Promising areas are highlighted, including the use of neural networks and hybrid algorithms for predictive maintenance. Examples of practical applications and recommendations for the implementation of such systems in industry are given.