Uczenie obrazowe kierowane fizyką z wzmocnioną mechaniką squeeze excitation do analizy awarii wielostopniowych pomp odśrodkowych

Dlaczego inteligentniejsze monitorowanie pomp ma znaczenie

Za wieloma zakładami, elektrowniami i systemami wodociągowymi pracują wielostopniowe pompy odśrodkowe, które cicho przemieszczają płyny. Gdy te pompy rozwijają ukryte uszkodzenia, firmy tracą tysiące godzin na naprawy i miliony dolarów z powodu przestojów i wypadków. W tym badaniu pokazano, jak połączenie wiedzy fizycznej z nowoczesną, obrazową sztuczną inteligencją pozwala wcześnie dostrzec subtelne problemy wewnątrz tych pomp, nawet gdy sygnały są zaszumione, a warunki pracy się zmieniają.

Ukryte życie pomp przemysłowych

Wielostopniowe pompy odśrodkowe używają kilku wirników ułożonych szeregowo, aby zwiększyć ciśnienie i przepchnąć ciecz przez rurociągi. W rzeczywistych zakładach awarie tych pomp prowadziły do tysięcy godzin prac konserwacyjnych i dziesiątek milionów dolarów strat. Najtrudniejsze problemy często zaczynają się jako „miękkie” uszkodzenia: drobne otwory lub rysy w uszczelnieniach oraz wczesna korozja wirników. Te defekty nie zatrzymują pompy natychmiast, lecz stopniowo pogarszają jej wydajność i bezpieczeństwo. Ponieważ pompy pracują przy różnych ciśnieniach i są otoczone innym drgającym wyposażeniem, wczesne sygnały problemu ukryte są w złożonych, zaszumionych danych wibracyjnych.

Przekształcanie drgań w informacyjne obrazy

Autorzy zbudowali stanowisko badawcze oparte na pompie przemysłowej i celowo wprowadzili trzy realistyczne miękkie uszkodzenia: wywiercony otwór w uszczelnieniu, rysę na uszczelnieniu oraz ubytek materiału na jednym wirniku, a także stan normalny. Czujniki drgań zamontowano na obudowie pompy, w pobliżu uszczelnień i przy wirniku. Zamiast traktować cały zapis drgań jako równie użyteczny, zespół najpierw podzielił każdy sygnał na wiele krótkich okien czasowych. Następnie oceniono te okna za pomocą trzech fizycznie uzasadnionych miar: całkowitej energii, impulsowości oraz udziału energii w paśmie częstotliwości znanym z fizyki pomp jako wrażliwe na uszkodzenia. Zachowano tylko okna o najwyższych ocenach, najprawdopodobniej zawierające użyteczne informacje o usterek, do dalszej analizy.

Łączenie trzech perspektyw tego samego sygnału

Z każdego wybranego okna badacze stworzyli specjalny obraz „zespolony”, zaprojektowany tak, aby uchwycić różne aspekty zachowania pompy. Jeden kanał to wersja Mel-spektrogramu prowadzona przez fizykę, która uwypukla rozkład energii drgań w czasie i częstotliwości, z dodatkowym naciskiem na zakres częstotliwości, w którym zwykle pojawiają się uszkodzenia. Drugi kanał, zwany Gramian Angular Difference Field, przekształca sygnał czasowy w obraz o wzorze ukazującym, jak punkty sygnału odnoszą się do siebie w czasie, uwydatniając nieregularne uderzenia i nieliniowe zmiany. Trzeci kanał, Cross Interaction Map, wzmacnia obszary, w których obie pozostałe perspektywy się zgadzają, i osłabia te prawdopodobnie spowodowane szumem. Nałożenie tych trzech kanałów tworzy zwartą reprezentację obrazu kodującą czas, częstotliwość i strukturę temporalną jednocześnie.

Kierowanie sztucznej inteligencji za pomocą fizyki

Te obrazy zespolone są następnie podawane do zwartej splotowej sieci neuronowej, która uczy się rozpoznawać wzorce powiązane ze specyficznymi stanami pompy. Kluczową innowacją jest mechanizm uwagi „enhanced squeeze excitation”. Mówiąc prosto, sieć nie tylko analizuje cechy obrazu, które nauczyła się rozpoznawać, lecz także otrzymuje niewielki wektor boczny klasycznych wskaźników drgań wyprowadzonych z fizyki, takich jak wartość skuteczna (RMS), impulsowość, crest factor oraz udział energii w paśmie wrażliwym na uszkodzenia. Moduł uwagi wykorzystuje te dodatkowe informacje, aby zdecydować, które wewnętrzne kanały cech należy wzmocnić lub osłabić, kierując sieć ku wzorcom zgodnym z rzeczywistym zachowaniem mechanicznym zamiast przypadkowymi korelacjami w danych.

Jak dobrze działa to podejście?

Ramę testowano na rzeczywistych danych wibracyjnych ze stanowiska, gdzie pompa pracowała przy trzech ciśnieniach reprezentatywnych dla zastosowań przemysłowych: 3 bar, 3,5 bara i 4 bary. Dla każdego ciśnienia model musiał odróżnić pracę normalną od trzech typów uszkodzeń. We wszystkich warunkach osiągnął dokładność klasyfikacji powyżej 99 procent, z makro F1 (równowagę precyzji i czułości) również powyżej 0,99, osiągając wyniki idealne przy najwyższym ciśnieniu. Autorzy porównali swoją metodę z kilkoma zaawansowanymi alternatywami, w tym z transfer learningiem z standardowych sieci obrazowych, ekstrakcją cech opartą na entropii oraz innymi modelami głębokimi inspirowanymi fizyką. W każdym przypadku obraz zespolony kierowany fizyką z mechanizmem uwagi dorównywał lub przewyższał konkurencję, zwłaszcza gdy warunki pracy się zmieniały.

Co to oznacza dla utrzymania ruchu w praktyce

Dla inżynierów i operatorów zakładów ta praca ilustruje praktyczny sposób łączenia ich wiedzy o fizyce pomp z mocą wyszukiwania wzorców przez głębokie uczenie. Poprzez staranny wybór najbardziej informacyjnych fragmentów sygnałów drgań, konwersję ich na bogate, a jednocześnie zwarte obrazy oraz kierowanie sieci prostymi wskaźnikami fizycznymi, metoda może niezawodnie sygnalizować wczesne uszkodzenia uszczelnień i wirników na długo przed katastrofalną awarią. W dłuższej perspektywie takie narzędzia AI świadome fizyki mogą pomóc przekształcić utrzymanie pomp z reaktywnych napraw po awariach w planowane interwencje oparte na wiarygodnych wczesnych ostrzeżeniach.

Cytowanie: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Słowa kluczowe: awarie pomp odśrodkowych, monitorowanie drgań, głębokie uczenie kierowane fizyką, konserwacja w oparciu o stan, diagnostyka przemysłowa