Обучение на сплавленных изображениях с физическим контролем и усовершенствованным механизмом squeeze-excitation для анализа отказов многоступенчатых центробежных насосов

Почему важен более умный мониторинг насосов

За многими заводами, электростанциями и системами водоснабжения стоят многоступенчатые центробежные насосы, которые тихо поддерживают перекачку жидкостей. Когда в этих насосах появляются скрытые повреждения, компании теряют тысячи часов на ремонт и миллионы долларов из‑за простоя и аварий. В этом исследовании показано, как сочетание знаний физики с современным ИИ, работающим с изображениями, позволяет ранне выявлять едва заметные проблемы внутри насосов, даже если сигналы зашумлены и изменяются условия работы.

Скрытая жизнь промышленных насосов

Многоступенчатые центробежные насосы используют несколько вращающихся крыльчаток, соединённых последовательно, чтобы повышать давление и продвигать жидкость по трубам. На промышленных объектах отказы таких насосов приводили к тысячам часов технического обслуживания и десяткам миллионов долларов убытков. Наиболее коварные проблемы часто начинаются как «мягкие» неисправности: крошечные отверстия или царапины в уплотнениях и ранняя коррозия на крыльчатках. Эти дефекты не останавливают насос сразу, но постепенно ухудшают производительность и безопасность. Поскольку насосы работают при разных давлениях и окружены другим вибрирующим оборудованием, ранние признаки проблем скрыты в сложных зашумлённых вибрационных данных.

Преобразование вибраций в информативные изображения

Авторы построили испытательный стенд на базе промышленного насоса и намеренно ввели три реалистичные «мягкие» неисправности: просверленное отверстие в уплотнении, царапина на уплотнении и потерю материала на одной из крыльчаток, а также поддерживали нормальное состояние. Датчики вибрации были установлены на корпусе насоса, возле уплотнений и рядом с крыльчаткой. Вместо того чтобы рассматривать весь вибрационный сигнал как равноценный, команда сначала разбила каждый сигнал на множество коротких временных окон. Затем эти окна оценивали по трём физически значимым мерам: суммарная энергия, импульсивность и доля энергии в частотной полосе, известной из физики насосов как чувствительная к отказам. Для дальнейшего анализа оставляли только окна с наивысшими оценками, наиболее вероятно содержащие полезную информацию о неисправностях.

Сплавление трёх представлений одного сигнала

Из каждого выбранного окна исследователи создали специальное «сплавленное» изображение, предназначенное для передачи различных аспектов поведения насоса. Один канал — это физически направленная версия мел‑спектрограммы, которая подчёркивает распределение вибрационной энергии во времени и по частоте с дополнительным акцентом на частотный диапазон, где обычно проявляются отказы. Второй канал, называемый Gramian Angular Difference Field, преобразует временной сигнал в упорядоченное изображение, которое выявляет, как точки сигнала соотносятся друг с другом во времени, делая заметными нерегулярные удары и нелинейные изменения. Третий канал, Cross Interaction Map, усиливает области, в которых два других представления согласуются, и ослабляет те, которые, вероятно, вызваны шумом. Накладывая эти три канала, получают компактное изображение, кодирующее время, частоту и временную структуру одновременно.

Направление ИИ с помощью физики

Эти сплавленные изображения затем подаются в компактную сверточную нейронную сеть, которая обучается распознавать шаблоны, связанные с конкретными состояниями насоса. Ключевая инновация — механизм внимания «усиленное squeeze‑excitation». Проще говоря, сеть не только анализирует изученные признаки изображения, но и получает небольшой побочный вектор классических показателей вибраций, выведённых из физики, таких как среднеквадратичный уровень, импульсивность, крестообразный фактор (crest factor) и доля энергии в чувствительной к отказам полосе. Модуль внимания использует эту побочную информацию, чтобы решать, какие внутренние каналы признаков следует выделить или, наоборот, притушить, подталкивая сеть к фокусировке на паттернах, соответствующих реальному механическому поведению, а не спurious‑корреляциям в данных.

Насколько хорошо работает подход?

Фреймворк протестировали на реальных вибрационных данных со стенда при трёх давлениях, характерных для промышленной эксплуатации: 3 бар, 3,5 бар и 4 бар. Для каждого давления модель должна была различать нормальную работу и три типа неисправностей. По всем давлениям точность классификации превысила 99 процентов, макро F1‑мера (баланс точности и полноты) также была выше 0,99, а при наивысшем давлении модель достигла идеальных показателей. Авторы сравнили свой метод с несколькими современными альтернативами, включая трансферное обучение со стандартных сетей для изображений, извлечение признаков на основе энтропии и другие глубинные модели, вдохновлённые физикой. В каждом случае метод со сплавленными физически управляемыми изображениями и вниманием сопоставим или превосходил конкурентов, особенно при изменении условий работы.

Что это значит для обслуживания в реальном мире

Для инженеров и операторов станций эта работа демонстрирует практический способ сочетать их понимание физики насосов с возможностями глубокого обучения по поиску закономерностей. Тщательно отбирая наиболее информативные участки вибрационных сигналов, преобразуя их в насыщенные, но компактные изображения и направляя сеть простыми физическими индикаторами, метод способен надёжно сигнализировать о повреждениях уплотнений и крыльчаток на ранней стадии, задолго до катастрофического отказа. В долгосрочной перспективе такие физически осведомлённые инструменты ИИ могут помочь перейти от реактивного обслуживания после поломок к плановым вмешательствам на основе доверительных ранних предупреждений.

Цитирование: 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

Ключевые слова: отказы центробежных насосов, мониторинг вибраций, глубокое обучение с учётом физики, обслуживание по состоянию, промышленная диагностика