Нейросеть дробного порядка для обнаружения отклонений процесса при производстве оптического волоконного кабеля

Почему важны малые сбои на кабельных фабриках

Каждый видеозвонок, облачное резервное копирование и онлайн‑игра зависят от света, мчащегося по тончайшим стеклянным волокнам. Производство этих волокон — тонкое ремесло: небольшое колебание температуры или натяжения может превратить километры кабеля в дорогой брак. В этой статье описан новый тип искусственного интеллекта, который в режиме реального времени наблюдает за линией производства волокон и учится замечать тонкие проблемы задолго до того, как они проявятся при финальных проверках качества, помогая экономить материалы, энергию и деньги.

Наблюдая «пульс» фабрики по производству волокон

Современные оптические кабели производят в несколько этапов: стекло вытягивают в тонкие волокна, покрывают защитными полимерами, помещают в пластиковые трубки, скручивают в пучки и укладывают в наружные оболочки. На каждом этапе десятки датчиков отслеживают давления, температуры, скорости и натяжения. На исследуемой здесь экструзионной линии 232 датчика отправляют новые измерения каждую секунду в течение лет. В большинстве случаев линия работает стабильно, но дефекты обычно обнаруживают лишь в самом конце производства, когда готовый кабель тестируют на потери сигнала или механические повреждения. Такая задержка затрудняет точное определение времени и причин появления неисправности, а огромный объём данных делает ручной мониторинг невозможным.

Обучая машины находить необычное самостоятельно

Чтобы справиться с этой задачей, исследователи обратились к семейству моделей глубинного обучения — рекуррентным нейронным сетям, которые хорошо работают с последовательностями, такими как речь, текст или потоки данных с датчиков. Вместо того чтобы точно описывать каждый тип дефекта, модели дают лишь слабые подсказки: некоторые прогонные партии помечены как проблемные, другие — как чистые. Команда сначала сжимает сырые данные с датчиков с помощью математического инструмента — вейвлет‑преобразования, которое разбивает каждый сигнал на набор краткосрочных и долговременных паттернов. Затем эти паттерны группируют в кластеры, чтобы построить набор типичных «состояний» процесса — от нормальной работы до нескольких типов аномального поведения. Эти состояния служат приблизительными тренировочными метками, позволяя сети научиться тому, какие временные закономерности обычно предшествуют браку.

Новый вид памяти для нейросетей

Ключевое новшество работы — переделанная ячейка памяти внутри сети, названная FD‑LSTM (Long Short‑Term Memory с дробным производным). Стандартные LSTM‑ячейки решают на каждом временном шаге, сколько из прошлого запомнить или забыть, используя фиксированные математические функции. Авторы заменяют их «дробными» версиями, которые фактически дают модели настраиваемую, градуированную память о далёком прошлом. Вместо реакции только на недавние измерения датчиков FD‑LSTM может плавно взвешивать события, произошедшие много минут назад, что критично в процессе, где медленные дрейфы давления, температуры или натяжения волокна постепенно приводят к дефектам.

Тестирование модели на действующей производственной линии

Команда оценивала свой подход на 2,5 годах реальных данных с линии экструзии волоконной трубки на промышленном заводе. Они делили непрерывный поток датчиков на короткие окна примерно по четырёх минут и обучали несколько моделей в строго контролируемых условиях, меняя только способ управления памятью. FD‑LSTM достиг примерно 96,7% точности и высокого F1‑скорa (баланс между точностью и полнотой), превосходя классический LSTM, а также более традиционные методы, такие как случайные леса, опорные векторные машины и более простые рекуррентные сети. Важной настройкой в конструкции является дробный порядок, который контролирует, как далеко в прошлое модель фактически «смотрит». Значения немного ниже стандартных показали наилучший результат, что указывает на то, что основными причинами на этой производственной линии являются медленно развивающиеся дрейфы, а не резкие всплески.

От потоков данных к лучшим кабелям и более экологичным предприятиям

Помимо статистики, улучшенная модель чётко разделяет слабые, медленно нарастающие аномалии и здоровые состояния, что как раз то, что инженерам завода трудно разглядеть в шумных данных. Предупреждая операторов раньше, система может сократить время, в течение которого линия работает в несоответствующем состоянии, уменьшая количество брака и ненужное потребление энергии. Хотя исследование было сосредоточено на одной линии производства волоконной трубки, авторы утверждают, что та же идея дробной памяти может применяться к любому промышленному процессу, где множество датчиков отслеживают сложную, медленно дрейфующую систему — от химических реакторов до энергосетей или мониторов интенсивной терапии. Проще говоря, предоставление нейросетям более нюансированного восприятия времени делает их лучшими защитниками качества продукции и эффективности использования ресурсов.

Цитирование: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

Ключевые слова: производство оптоволокна, обнаружение аномалий в промышленности, дробные нейронные сети, датчики временных рядов, предиктивное обслуживание