Предиктивное обслуживание электропривода на основе IIoT и Random Forest

Аннотация

Обоснование. В условиях роста парка электротранспорта и повышения требований к его надежности актуальной становится задача перехода от регламентного обслуживания к предиктивному, основанному на фактическом состоянии узлов. Силовой электропривод является критическим компонентом, отказ которого приводит к значительным экономическим потерям и снижению безопасности. Использование технологий промышленного интернета вещей (IIoT) открывает возможности для непрерывного мониторинга параметров электропривода в реальном времени, а методы машинного обучения позволяют выявлять предвестники отказов на ранних стадиях.

Цель – разработка и экспериментальная апробация метода предиктивного обслуживания силового электропривода автомобиля на основе данных IIoT и алгоритма Random Forest, обеспечивающего своевременное обнаружение развивающихся дефектов.

Материалы и методы. Исследование базируется на данных, полученных в ходе 24-месячной эксплуатации парка из 32 коммерческих электромобилей, оснащенных дополнительной IIoT-платформой с высокочастотными датчиками вибрации, температуры и тока. Применены методы цифровой фильтрации, спектрального и вейвлет-анализа для выделения диагностических признаков. Для классификации состояний электропривода использован алгоритм Random Forest с оптимизацией гиперпараметров методом GridSearchCV. Оценка эффективности проводилась на стратифицированной тестовой выборке с расчетом метрик precision, recall, F1-score и ROC-AUC.

Результаты. Разработанная модель Random Forest продемонстрировала высокую эффективность обнаружения предотказных состояний: F1-score для класса «развивающийся дефект» составил 0,876 при полноте (recall) 0,861. Сравнительный анализ показал преимущество Random Forest перед XGBoost, SVM и 1D CNN по совокупности критериев точности, интерпретируемости и устойчивости к шумам. Установлено, что модель статистически значимо лучше детектирует дефекты подшипников по сравнению с межвитковыми замыканиями, что согласуется с физикой процессов. Проведен анализ важности признаков, позволивший идентифицировать ключевые индикаторы деградации компонентов электропривода.

EDN: OCSHYU