Интеллектуальная система диагностики судовых технических средств с использованием методов модовой декомпозиции и машинного обучения

В работе предлагается интегрированная система обработки сигналов и машинного обучения, предназначенная для автоматизации диагностики и прогнозирования состояния судовых технических средств.

Рассмотрены варианты модовой декомпозиции, возможности интеграции преобразования Гильберта — Хуанга (Hilbert — Huang Transform (HHT)) с методами машинного обучения. Рассматриваемый подход основан на адаптивной частотно- временной декомпозиции, включающей методы HTT совместно с алгоритмами вариационной модовой декомпозиции (Variational Mode Decomposition, VMD), которые позволяют провести анализ функциональных характеристик режима работы и минимизировать влияние шумовых искажений. Полученные в результате декомпозиции компоненты передаются в качестве входных данных для обучения нейронной сети. Обоснован выбор архитектуры нейронной сети для выявления характерных неисправностей судовых технических средств. Особое внимание в исследовании уделено гибридной архитектуре VMD-KAN-LSTM, которая объединяет предварительную обработку на основе вариационной модовой декомпозиции с применением сети Колмогорова – Арнольда (Kolmogorov – Arnold Network, KAN) и модели долговременной кратковременной памяти (Long Short — Term Memory, LSTM). Данная архитектура позволяет учитывать нелинейные взаимодействия между объектами и временные зависимости в данных. Эффективность предложенной методики оценена в ходе эксперимента на основе данных, полученных с судового поршневого компрессора. Проведенные сравнительные эксперименты с использованием модели LSTM совместно с вариационной модовой декомпозицией с применением сети Колмогорова — Арнольда и аналогов показали, что применение метода вариационной модовой декомпозиции значительно улучшает качество классификации в условиях наличия помех. Архитектура VMD-KAN-LSTM продемонстрировала наивысшую точность диагностики среди рассмотренных моделей. Результаты исследования подтверждают эффективность применения методов декомпозиции для мониторинга и прогнозирования технического состояния судовых технических средств.

1. Randall R. B. Vibration-based condition monitoring: industrial, automotive and aerospace applications. — John Wiley & Sons, 2021. DOI: 10.1002/9781119477631.

2. G. M. H. Mohd Vibration Analysis for Machine Monitoring and Diagnosis: A Systematic Review / M. Ghazali, H. Mohd, W. Rahiman // Shock and Vibration. — 2021. — Vol. 2021. — Is. 1. — Pp. 9469318. DOI: 10.1155/2021/9469318.

3. Antoni J. A Critical Overview of the ‘’Filterbank-Feature-Decision’’ Methodology in Machine Condition Monitoring / J. Antoni // Acoustics Australia. — 2021. — Vol. 49. — Is. 2. — Pp. 177–184.

4. Makarikhin P. Clustering of localized acoustic emission sources by the DBSCAN algorithm in separators / P. Makarikhin, A. Grigorieva, M. Maksimenko // Proc. Eng. Sci. — 2023. — Vol. 5. — Is. 3. — С. 495–502. DOI: 10.24874/PES05.03.013.

5. Huang N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N-C. Yen, C. C. Tung, H. H. Liu // Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 1998. — Vol. 454. — Is. 1971. — Pp. 903–995. DOI: 10.1098/rspa.1998.0193.

6. Кан Ш. Ч. Анализ нестационарных сигналов на основе преобразования Гильберта — Хуанга / Ш. Ч. Кан, А. В. Микулович, В. И. Микулович // Информатика. — 2010. — Т. 2(26). — С. 25–35.

7. Barbosh M. Empirical mode decomposition and its variants: a review with applications in structural health monitoring / M. Barbosh, P. Singh, A. Sadhu // Smart Materials and Structures. — 2020. — Vol. 29. — Is. 9. — Pp. 093001. DOI: 10.1088/1361–665X/aba539.

8. Тындыкарь Л. Н. Обнаружение неисправностей судовых технических средств на основе новых методов интеллектуального анализа данных / Л. Н. Тындыкарь // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2025. — Т. 17. — № 6. — С. 965–979. DOI: 10.21821/2309-5180-2025-17-6-965-979. — EDN TYDNIA.

9. Cao Z. Change Point Detection in Multi-Channel Time Series via a Time-Invariant Representation / Z. Cao, N. Seeuws, M. De Vos, A. Bertrand // IEEE Transactions on Knowledge and Data Engineering. — 2024. — Vol. 36. — Is. 12. — Pp. 7743–7756. DOI: 10.1109/TKDE.2023.3347356.

10. Yang Z. A communication-efficient, online changepoint detection method for monitoring distributed sensor networks / Z. Yang, I. A. Eckley, P. Fearnhead // Statistics and Computing. — 2024. — Vol. 34. — Is. 3. — Pp. 115.

11. Musaev A. Proactive Algorithms for Stabilizing the State of Technological Processes Based on Metric Machine Learning Algorithms / A. Musaev, A. Makshanov, D. Grigoriev // 2024 International Russian Automation Conference (RusAutoCon) — 2024. — Pp. 531–536. DOI: 10.1109/RusAutoCon61949.2024.10694156.

12. Makshanov A. Analyzing and forecasting financial series with singular spectral analysis / A. Makshanov, A. Musaev, D. Grigoriev // Dependence Modeling. — 2022. — Vol. 10. — Is. 1. — Pp. 215–224. DOI: 10.1515/demo-2022-0112.

13. Pang G. Deep Learning for Anomaly Detection: A Review / G. Pang, C. Shen, L. Cao, A. V. D. Hengel // ACM Comput. Surv. — 2021. — Vol. 54. — Is. 2. DOI: 10.1145/3439950.

14. Matania O. Signal Processing for the Condition-Based Maintenance of Rotating Machines via Vibration Analysis: A Tutorial / O. Matania, L. Bachar, E. Bechhoefer, J. Bortman // Sensors. — 2024. — Vol. 24. — Is. 2. DOI: 10.3390/s24020454.

15. Лиманский Н. Н. Модель обнаружения аномалий на основе обучения без учителя для многомерных временных рядов технологических параметров промышленных объектов / Н. Н. Лиманский // Вестник государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2025. — Т. 17. — № 5. — С. 768–778. DOI: 10.21821/2309-5180-2025-17-5-768-778. — EDN WDIPTC.

16. Хотский Р. Р. Диагностика неисправностей судовых поршневых компрессоров с использованием преобразования Гильберта-Хуанга / Р. Р. Хотский, А. В. Макшанов, А. В. Бураков, Л. Н. Тындыкарь // Морской вестник. — 2025. — № 1(93). — С. 71–75. — EDN JVLHQR.

17. Хотский Р. Р. Прогнозирование технического состояния поршневого компрессора на основе вариационной модовой декомпозиции и рекуррентной нейронной сети / Р. Р. Хотский, А. В. Бураков, А. В. Макшанов, Л. Н. Тындыкарь // Морской вестник. — 2025. — № 2(94). — С. 45–49. — EDN XDDJRI.

18. Хотский Р. Р. Анализ технического состояния судового поршневого компрессора на основе вариационной модовой декомпозиции и глубокого автоэнкодера / Р. Р. Хотский, Л. Г. Кузнецов, А. В. Бураков [и др.] // Морской вестник. — 2025. — № 3(95). — С. 63–69. — EDN XQRMOC.

19. Bie F. Research on fault diagnosis method of reciprocating compressor valve based on IVMD-CMS model / F. Bie, S. Chen, F. Lyu, H. Zhu, Q. Li, X. Miao // Journal of Mechanical Science and Technology. — 2023. — Vol. 37. — Is. 8. — Pp. 3931–3943.

20. Guo F.-Y. Fault Diagnosis of Reciprocating Compressor Valve Based on Transfer Learning Convolutional Neural Network / F.-Y. Guo, Y.-C. Zhang, Y. Wang, P.-J. Ren, P. Wang // Mathematical Problems in Engineering. — 2021. — Vol. 2021. — Is. 1. — Pp. 8891424. DOI: 10.1155/2021/8891424.

21. Zhang Z. Distinguish between Stochastic and Chaotic Signals by a Local Structure-Based Entropy / Z. Zhang, J. Wu, Y. Chen, J. Wang, J. Xu // Entropy. — 2022. — Vol. 24. — Is. 12. DOI: 10.3390/e24121752.

22. Balagurin P. S. Predicting changes in the state of an industrial facility using machine learning methods / P. S. Balagurin, A. V. Grigorieva, M. Kulagin // AIP Conference Proceedings. — 2021. — Vol. 2402. — Is. 1. — Pp. 040031. DOI: 10.1063/5.0071408.

23. Бураков А. В. Выбор и изучение способов реализации модели диагностирования компрессорных станций ракетно-космического комплекса / А. В. Бураков, Р. Р. Хотский, Л. Г. Кузнецов // Омский научный вестник. Серия Авиационно-ракетное и энергетическое машиностроение. — 2025. — Т. 9. — № 1. — С. 72–82. DOI: 10.25206/2588-0373-2025-9-1-72-82. — EDN JRHMTO.

24. Хотский Р. Р. Разработка математической модели технического диагностирования поршневых компрессоров ракетно-космического комплекса / Р. Р. Хотский, А. В. Бураков, Л. Г. Кузнецов // Омский научный вестник. Серия Авиационно-ракетное и энергетическое машиностроение. — 2025. — Т. 9. — № 3. — С. 38–46. DOI: 10.25206/2588-0373-2025-9-3-38-46. — EDN EVJMLE.