Автоматизация удаленной диагностики и мониторинга электродвигателей в непрерывном технологическом процессе тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Симонов Сергей Евгеньевич

• Симонов Сергей Евгеньевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Симонов Сергей Евгеньевич

ВВЕДЕНИЕ

ГЛАВА 1. Обзор методов предиктивной аналитики электродвигателей в автоматизированных системах управления производством

1.1 Классификация и состав автоматизированных систем управления

1.2 Предиктивная аналитика технологического оборудования в рамках концепции «Индустрия 4.0»

1.3 Обзор основных типов электродвигателей и режимов их работы

1.4 Классификация неисправностей электродвигателей

1.5 Обзор методов диагностики состояния электродвигателя в непрерывном технологическом процессе

Выводы по первой главе

ГЛАВА 2. Метод генерации синтетических данных на основе модели работы электродвигателя

2.1 Методы обработки показателей электродвигателя

2.1.1 Методы, основанные на моделировании с выявлением неисправностей

64

2.1.2 Методы на основе анализа временных рядов частотных показателей электродвигателя

2.2 Обобщенная модель функционирования электродвигателя, включающая вибрационные и тепловые эффекты

2.2.1 Электромеханические соединения без учета вибраций и нагрева

2.2.2 Обобщенные уравнения колебаний и нагрева

2.2.3 Окончательная обобщенная модель

2.2.4 Квазистационарный режим

2.2.5 Глобальное решение обобщенной модели

2.3 Разработка специализированного программного обеспечения для генерации синтетических данных

Выводы по второй главе

ГЛАВА 3. Разработка программно-аппаратного комплекса автоматизации удаленной диагностики и непрерывного мониторинга электродвигателей

3.1 Разработка устройства промышленного интернета вещей для непрерывного мониторинга электродвигателей

3.1.1 Микроконтроллер ЕБР32

3.1.2 Компонентная база

3.1.3 Разработка общей архитектуры 11оТ-устройства

3.1.4 Разработка программного обеспечения для 11оТ-устройства

3.2 Разработка мобильного приложения для получения данных с 11оТ-устройства

3.2.1 Проектирование пользовательского интерфейса мобильного приложения

3.3 Разработка серверной части автоматизированной системы управления удаленной диагностикой и непрервным мониторингом электродвигателей

148

3.4 Разработка человеко-машинного интерфейса взаимодействия с системой управления удаленной диагностикой и непрерывным мониторингом электродвигателей

Выводы по третьей главе

ГЛАВА 4. Разработка интеллектуального модуля автоматизированной системы удаленной диагностики и непрерывного мониторинга электродвигателей

4.1 Разработка экспериментального стенда

4.2 Анализ существующих нейросетевых моделей обнаружения и классификации неисправностей электродвигателей

4.3 Разработка интеллектуального метода диагностики электродвигателей

4.3.1 Формирование набора данных

4.3.2 Разработка и исследование используемых нейросетевых моделей

4.4 Анализ экономической эффективности интеллектуальной автоматизированной системы удаленной диагностики и непрерывного

мониторинга электродвигателей

Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Копии свидетельств о государственной регистрации программ

для ЭВМ

ПРИЛОЖЕНИЕ Б. Акты о внедрении

ВВЕДЕНИЕ

Современное промышленное предприятие сталкивается с постоянной необходимостью оптимизации процессов производства и обслуживания оборудования. Электродвигатели играют ключевую роль в промышленных производственных процессах, и возможность прогнозировать и предотвращать их потенциальные сбои имеет важное значение для обеспечения бесперебойной работы оборудования. В этом контексте предиктивная аналитика электродвигателей основывается на методах искусственного интеллекта и сборе данных с помощью IIoT (промышленный интернет вещей). Это технология, которая включает в себя сеть физических устройств, собирающих и анализирующих данные от подключенного оборудования, представляет собой актуальную и перспективную область исследований.

Развитие технологий в сфере искусственного интеллекта и больших данных формирует новые перспективы для проектирования интеллектуальных систем предиктивной аналитики. Такие системы обладают потенциалом для быстрого и качественного реагирования на отклонения в эксплуатационных параметрах электродвигателей в технологическом оборудовании. Интеграция промышленных 11оТ-контроллеров позволяет обеспечить эффективный сбор и передачу данных через защищенные корпоративные сети предприятия. Такая технологическая платформа служит фундаментом для создания предиктивных моделей, способных прогнозировать появление неисправностей оборудования на ранних стадиях [1].

Анализ собранных данных и разработка соответствующих моделей прогнозирования позволят выработать эффективные стратегии технического обслуживания электродвигателей, что в свою очередь способствует увеличению надежности и продолжительности службы оборудования, а также снижению затрат на его эксплуатацию [2].

Актуальность темы исследования.

Прогнозная (предиктивная) аналитика электродвигателей часто используется на промышленных предприятиях для своевременного выявления возможных

неисправностей электродвигателей с целью предотвращения отказов технологического оборудования, увеличения его срока службы и снижения финансовых затрат на его обслуживание. Повышение точности и достоверности прогнозирования ошибок, связанных с неисправностью электродвигателя, позволит увеличить срок службы всей технологической установки, а также исключит внеплановые остановы технологического процесса, что позволит сократить финансовые затраты, связанные с простоем производства - особенно это актуально для непрерывных технологических процессов [3].

Проведение измерений, необходимых для поиска неисправностей характеристик электродвигателей происходит согласно установленному на производстве регламенту или при уже возникшей неисправности (то есть периодически), следовательно, актуальной является задача создания автоматической системы непрерывного мониторинга и диагностики электродвигателей в составе технологического оборудования [4].

На современных промышленных предприятиях на особо важных участках производства для непрерывного измерения необходимых показателей электродвигатели могут быть конструктивно оснащены датчиками вибрации и датчиками температуры, данные с которых поступают на SCADA-систему, далее эти данные удаленно анализирует специалист, но анализ производится не постоянно [5].

Стоит отметить, что не каждый электродвигатель в составе технологической установки конструктивно предусматривает оснащение датчиков для получения необходимых для диагностики характеристик, таких как частота вибрации, температура и электромагнитная составляющая. Для удаленной непрерывной диагностики неисправностей таких электродвигателей необходимо производить серьезную модернизацию технологического оборудования или производить диагностику на специализированном стенде после демонтажа электродвигателя, что также приводит к остановке производства и, как следствие, к финансовым потерям.

Тенденция развития концепции «Индустрия 4.0» предполагает оснащение электродвигателей устройствами промышленного интернета вещей (IIoT) со встроенными датчиками, собирающими необходимые показатели электродвигателя для осуществления удаленного непрерывного мониторинга технологического оборудования и дальнейшей передачи этих данных по промышленному интернету на сервер для дальнейшего хранения и обработки [6].

Современные производители IIoT-устройств для удаленного непрерывного мониторинга параметров электродвигателя, такие как ABB и Siemens, предполагают передачу измеренных данных на собственный облачный сервер, что часто неприемлемо для российских промышленных предприятий с точки зрения безопасности данных.

Также передача данных с IIoT-устройств предполагает наличие стабильного промышленного Wi-Fi непосредственно в цехах, что в российских реалиях встречается достаточно редко [7].

Существующие методы анализа неисправностей электродвигателей основаны на анализе вибрационных, температурных и электромагнитных показателей и проводятся специалистами, которые, используя математические методы, такие как, например, преобразование Фурье или Вейвлет-преобразование, проводят их диагностику, но это происходит периодически и занимает продолжительное время.

Также существуют методы интеллектуального анализа, обнаружения и классификации неисправностей электродвигателей, основанные на машинном обучении. В интеллектуальных методах диагностики используют набор данных с конкретных моделей электродвигателей по одному из параметров, например, по частоте вибрации, при этом не учитывается взаимосвязь с прочими параметрами электродвигателя, например, с температурой и электромагнитной составляющей. Поэтому обнаружение и классификация неисправностей существующими интеллектуальными методами возможно только для ограниченных классов неисправностей [8; 9].

В условиях цифровизации промышленности ключевым фактором конкурентоспособности становится минимизация простоев и операционных затрат. Электродвигатели, являясь основой непрерывных производственных процессов (химия, энергетика, металлургия), требуют постоянного контроля. Традиционные методы вибродиагностики трудоемки, зависят от человеческого фактора и не масштабируются на предприятиях с сотнями двигателей. Внедрение автоматизированной системы управления процессом непрерывного мониторинга электродвигателей с помощью 11оТ-контроллеров и предиктивной аналитики с централизованным анализом данных для диагностики предлагает переход от реактивного к прогнозному обслуживанию.

В связи с этим актуальность работы обусловлена необходимостью повышения эффективности эксплуатации электродвигателей, входящих в состав технологического оборудования в непрерывных технологических процессах. При растущих требованиях к цифровизации производственных процессов особенно актуальны методы автоматизированной удалённой диагностики и непрерывного мониторинга технического состояния оборудования. Несмотря на значительные достижения в области предиктивной аналитики и интеллектуальных методов, существующие решения, как правило, ограничены анализом одного-двух физических параметров и не охватывают весь спектр возможных неисправностей. Кроме того, промышленные решения часто требуют подключения к внешним облачным сервисам, что не соответствует требованиям информационной безопасности российских предприятий. Отсутствие комплексной интеллектуальной автоматизированной платформы, способной собирать и обрабатывать взаимосвязанные параметры большого количества электродвигателей в замкнутом сетевом контуре предприятия, создаёт потребность в разработке нового метода. Это определяет высокую научную и практическую значимость разработки интеллектуальной автоматизированной системы мониторинга электродвигателей, способной выявлять и классифицировать неисправности для минимизации рисков внеплановых простоев.

Степень разработанности темы исследования. Теоретические основы предиктивного анализа электродвигателей рассматривались в работах таких исследователей, как Исмагилов Ф.Р., Пошали Д.Ю., Юшкова О.А., а также зарубежных учёных - Nedjar В., Vido L., Hlioui S., Amara Y., Gabsi M.

Применение интеллектуальных методов в предиктивной аналитике электродвигателей подробно исследовано в трудах Буянкина В.М., Горобченко С.Л., а также зарубежных авторов - Chen Y., Liang S., Li W., Liang H., Wang Y., Gritli C., Rossi C., Casadei D., Casadel L., Zarri L.

Метод непрерывного мониторинга физических характеристик при работе электродвигателя с использованием концепции «Индустрия 4.0» был проработан такими учеными, как Салихов Р.Б., Мозохин А.Е. Яблоков А.Е., Federico Civerchia, Ehsan T. Esfahani, Marina Paolanti и другими.

Однако в этих работах не рассматривалась единая интеллектуальная автоматизированная платформа, способная собирать данные с большого количества электродвигателей, находящихся в составе технологического оборудования в закрытом сетевом контуре предприятия, для последующей обработки с целью непрерывного мониторинга и удаленной диагностики, способной выявлять и классифицировать неисправности.

Помимо этого, работы по выявлению и классификации неисправностей электродвигателей интеллектуальными методами обладают ограниченным количеством классов и по одной из физических характеристик, снимаемых с электродвигателя, например, только по показателям вибрации.

Целью диссертации является повышение эффективности эксплуатации технологического оборудования в непрерывном технологическом процессе за счёт разработки интеллектуальной автоматизированной системы удаленной диагностики и непрерывного мониторинга электродвигателей, основанной на интеллектуальных методах обнаружения и классификации неисправностей, учитывающих взаимосвязь диагностических параметров электродвигателя.

Задачи диссертационной работы:

1. Исследовать типы электродвигателей, режимы их работы, характерные виды неисправностей, а также существующие системы удалённой диагностики и непрерывного мониторинга, включая как традиционные, так и интеллектуальные методы.

2. Разработать модель функционирования электродвигателя, описывающую взаимосвязанные изменения измеряемых температурных, вибрационных и электромагнитных характеристик в различных режимах его эксплуатации для увеличения точности идентификации характерных шаблонов неисправностей.

3. Разработать метод генерации синтетических данных на основе модели работы электродвигателя, обеспечивающий возможность расширения обучающего набора данных для интеллектуальных методов диагностики с учётом параметров конкретных типов электродвигателей, условий их эксплуатации и взаимосвязи измеряемых параметров.

4. Разработать метод автоматизированной удаленной диагностики и непрерывного мониторинга электродвигателей, включающий программно-аппаратный комплекс на базе ПоТ-контроллеров, мобильное приложение для передачи данных в условиях отсутствия промышленной сети, а также серверную инфраструктуру и пользовательский интерфейс для централизованного сбора и анализа данных.

5. Разработать интеллектуальную автоматизированную систему для обнаружения и классификации неисправностей электродвигателей на основе интеллектуальных методов обработки информации, учитывающих взаимосвязь измеряемых параметров, а также провести её проверку на экспериментальном стенде при различных режимах работы электродвигателя и типах неисправностей.

Объектом исследования является типовой процесс удаленной диагностики и непрерывного мониторинга технического состояния электродвигателей,

используемых в составе технологического оборудования промышленных предприятий

Предметом исследования и разработок являются комплекс теоретических и практических проблем, связанных с созданием интеллектуальной автоматизированной системы удаленной диагностики и непрерывного мониторинга электродвигателей в непрерывном технологическом процессе, а также соответствующего информационного, математического и программного обеспечения этой системы.

Методы исследования

При анализе типов двигателей, видов неисправностей и методов их обнаружения и классификации использовались методы системного подхода и системного анализа. При разработке метода выявления неисправностей и генерации синтетических данных использовались методы моделирования. Для реализации алгоритмов, лежащих в основе разработанного программного обеспечения, использовались методы автоматизации и интеллектуального анализа данных. Для сбора данных, проверки гипотез и оценки разработанного программного обеспечения использовались аналитический и экспериментальный методы исследования.

Научная новизна результатов работы состоит в следующем:

1. Разработана модель функционирования электродвигателя, отличающаяся от существующих возможностью учитывать взаимосвязь между измеряемыми параметрами (вибрация, температура, электромагнитная составляющая) и режимами его работы.

2. Разработан метод генерации синтетических данных, отличающийся от существующих возможностью учитывать конструктивные особенности различных типов электродвигателей и их режимов работы, а также взаимосвязи между измеряемыми параметрами, что обеспечивает расширение обучающих выборок для интеллектуальных методов диагностики и позволяет моделировать данные, близкие к реальным не менее чем на 94 %.

3. Разработан метод автоматизированной удаленной диагностики и непрерывного мониторинга электродвигателей, реализованный в виде программно-аппаратного комплекса на базе ПоТ-контроллера, отличающегося от существующих возможностью работать в локальной сети предприятия и обеспечивать сбор и обработку данных при отсутствии промышленного Интернета.

4. Разработана интеллектуальная автоматизированная система удаленной диагностики и непрерывного мониторинга технического состояния электродвигателей на основе интеллектуальных методов обнаружения и классификации неисправностей электродвигателей, отличающаяся от существующих количеством одновременно анализируемых параметров, что дает точность обнаружения и классификации неисправностей не менее 88 %.

Теоретическая значимость работы

Разработана модель функционирования электродвигателя, показывающая взаимосвязь между измеряемыми параметрами температуры, частоты вибрации и электромагнитной составляющей.

Разработан метод генерации синтетических данных, учитывающий конструктивные особенности различных типов электродвигателей, режимы их работы и взаимосвязь измеряемых параметров.

Разработан интеллектуальный метод, позволяющий обнаруживать и классифицировать неисправности электродвигателей с повышенной точностью за счет учёта взаимосвязей между измеряемыми параметрами (температура, частота вибрации и электромагнитная составляющая).

В работе показано, что интеллектуальные методы диагностики, основанные на нейросетевых алгоритмах, таких как автоэнкодеры, сверточные нейронные сети, рекуррентные нейронные сети, способны обнаруживать и классифицировать неисправности электродвигателей с высокой точностью (не менее 88 %).

Практическая значимость работы

Практическая значимость заключается в возможности внедрения разработанной системы автоматизированной удалённой диагностики и

непрерывного мониторинга электродвигателей в производственных условиях без необходимости модернизации существующего оборудования. Использование системы позволяет организовать непрерывный сбор, хранение, интеллектуальную обработку и визуализацию параметров состояния электродвигателей, выявлять и классифицировать потенциальные неисправности на ранней стадии, оперативно принимать управленческие решения, а также интегрировать систему с существующими средствами управления предприятием. Это приводит к снижению числа аварийных остановок, затрат на внеплановое обслуживание, уменьшению времени на диагностику, что обеспечивает значительную экономическую выгоду.

Результаты работ используются в ООО «ЭНЕРГОСТАНДАРТ» (г. Москва) как модуль предиктивной аналитики в составе АСУТП конвейерной линии, в учебном процессе кафедры «Математическая кибернетика и информационные технологии» Московского технического университета связи и информатики (МТУСИ).

Экономический анализ эксплуатации показал, что внедрение разработанной системы позволило сократить издержки минимум на 920 000 руб. ежегодно.

Соответствие паспорту специальности

Работа соответствует следующим пунктам специальности ВАК 2.3.3. Автоматизация и управление технологическими процессами и производствами (технические науки):

- пункту 6 «Научные основы и методы построения интеллектуальных систем управления технологическими процессами и производствами»;

- пункту 11 «Методы создания, эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы данных и методы их оптимизации, промышленный интернет вещей, облачные сервисы, удаленную диагностику и мониторинг технологического оборудования, информационное сопровождение жизненного цикла изделия»

- пункту 15 «Теоретические основы, методы и алгоритмы диагностирования (определение работоспособности, поиск неисправностей и прогнозирование) АСУТП, АСУП, АСТПП и др.».

На защиту выносятся следующие положения:

1. Модель функционирования электродвигателя, позволяющая учитывать взаимосвязь между измеряемыми параметрами температуры, частоты вибрации и электромагнитной составляющей (пункт 15).

2. Метод генерации синтетических данных параметров электродвигателя, основанный на расширенном наборе отслеживаемых параметров с учётом разнородности типов и режимов работы электродвигателей, позволяющий формировать данные, описывающие процесс функционирования реального электродвигателя, а также показывающий сходство синтетических данных и данных реального электродвигателя не менее 94 % (пункт 15).

3. Метод автоматизированной удаленной диагностики и непрерывного мониторинга электродвигателей в составе технологического оборудования с использованием устройства промышленного интернета вещей, позволяющий осуществлять сбор, хранение и обработку данных на облачном сервере во внутреннем сетевом контуре промышленного предприятия, в том числе в условиях отсутствия промышленного Интернета (пункт 11).

4. Интеллектуальная автоматизированная система удаленной диагностики и непрерывного мониторинга электродвигателей, позволяющая обнаруживать и классифицировать неисправности электродвигателей с точностью не менее 88 % за счет расширенного набора одновременно анализируемых параметров (пункт 6).

Достоверность выводов и результатов исследования подтверждается полученными оценками точности разработанных моделей, базирующихся на экспериментальных данных. Полученные результаты согласуются с

теоретическими положениями, опубликованными в литературе, а также со строгими математическими обоснованиями.

Введение диссертации (часть автореферата) на тему «Автоматизация удаленной диагностики и мониторинга электродвигателей в непрерывном технологическом процессе»

Апробация работы

Основные результаты работы докладывались на всероссийских и международных научно-технических конференциях: Wave Electronics and its Application in Information and Telecommunication Systems (WECONF, 2023); Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO, 2024); Systems of signals generating and processing in the field of on board communications IEEE (2024); Транспортные потоки на сетях (2025), а также на совместных заседаниях кафедры и научных семинарах.

Публикации. По теме диссертации опубликовано 10 работ, в том числе 3 работы в рецензируемых периодических изданиях, входящих в перечень ВАК, 5 работ в научных изданиях, индексируемых в международной базе Scopus. Получено 2 свидетельства о государственной регистрации программы для ЭВМ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Объем работы составляет 227 страниц, в работе присутствует 12 таблиц, 44 рисунка, список литературы из 205 наименований и 2 приложения на 4 страницах. .

ГЛАВА 1. Обзор методов предиктивной аналитики электродвигателей в автоматизированных системах управления производством

В рамках данной главы исследуются ключевые аспекты концепции «Индустрия 4.0» и роль предиктивной аналитики в автоматизированных системах управления технологическим процессом диагностики оборудования. Рассматриваются современные типы электродвигателей, их конструктивные особенности и эксплуатационные режимы работы. Проводится систематизация возможных неисправностей электродвигателей, а также рассматриваются методы их диагностики и идентификации.

1.1 Классификация и состав автоматизированных систем управления

Организованная деятельность персонала в рамках технологического процесса на промышленном предприятии представляет собой упорядоченную цепь взаимосвязанных этапов, определяемых как производственные операции. С точки зрения функционального назначения производственные операции подразделяются на два принципиальных типа: исполнительные (рабочие) и управленческие (координационно-контрольные).

Исполнительные операции включают физическое взаимодействие с объектами труда: обработку деталей на станке, транспортировку материалов и аналогичные процессы. Переход от ручного труда к использованию механизированных средств в рамках таких операций определяется как механизация производства.

Эффективное выполнение рабочих операций требует координации посредством управленческих операций, которые обеспечивают инициирование и завершение технологических процессов, регулирование последовательности этапов работы, контроль параметров выполнения (скорости, температуры, давления и др. ). Совокупность управленческих процедур формирует систему управления.

Согласно ГОСТ-34.003-90, управление - совокупность целенаправленных действий, включающая оценку ситуации и состояния объекта управления, выбор управляющих воздействий и их реализацию.

Автоматизацией производства называется построение такой системы, где происходит замена человеческого участия техническими устройствами как в рабочих, так и в управляющих операциях. Структурно система управления включает: объект управления - комлплекс производственного оборудования, исполнительных механизмов (станки, механизмы, инструменты), заменяющих ручной человеческий труд в рабочих операциях, и устройства управления -программно-аппаратный комплекс, предназначенный для сбора и обработки данных от датчиков и сенсоров, анализа текущего состояния объекта управления, формирования управляющих сигналов на исполнительные механизмы и регулирования параметров технологического оборудования.

Система, в которой все рабочие и управленческие операции выполняются техническими устройствами, называется системой автоматического управления (САУ). Такие системы опираются на полную формализацию технологических процессов, где все возможные состояния объекта управления и соответствующие управляющие воздействия заранее смоделированы и интегрированы в программно -аппаратные контуры.

Система, где реализуются гибридный подход, сочетающий технические средства с когнитивными функциями оператора (лица, принимающего решения), называется автоматизированная система управления (АСУ). В таких системах автоматизация охватывает этапы сбора данных, первичной обработки и генерации рекомендаций, однако стратегические решения, особенно в условиях неопределённости или нештатных ситуаций, остаются прерогативой человека.

Критическим ограничением автоматических систем управления является их уязвимость к непредвиденным сбоям из-за отсутствия адаптивности, в то время как автоматизированные системы управления подвержены рискам субъективных ошибок персонала, несмотря на алгоритмическую поддержку. Таким образом,

выбор между автоматической и автоматизированной системой управления определяется требованиями к устойчивости среды, уровнем критичности человеческого фактора и необходимостью оперативной адаптации, что согласуется с концепцией ситуационного подхода в теории управления. Перспективным направлением является развитие когнитивных АСУ, где машинное обучение и предиктивная аналитика расширяют автономность систем, сохраняя роль человека в условиях когнитивной неопределённости.

В соответствии с моделью ISA-95 (ANSI/ISA-95), регламентирующей интеграцию производственных и корпоративных систем, промышленная автоматизация реализуется через многоуровневую иерархию, обеспечивающую вертикальную и горизонтальную интеграцию процессов. Данная архитектура включает полевой, управляющий, SCADA-, MES- и ERP-уровни (Рисунок 1.1 -Уровни автоматизации производства формируют основу для цифровой трансформации предприятий в контексте концепции «Индустрия 4.0». Рассмотрим каждый уровень с позиций их функционального назначения.

АСУП

АСУТП

Полевой уровень (уровень ввода, вывоза)

Технические средства: датчики, первичные преобразовагелп. исполнительные устройства и механизмы

Уровень контроля и управления ТП (уровень непосредственного управления)

Технические средства: промышленные контроллеры

Технологический процесс

Рисунок 1.1 - Уровни автоматизации производства

Уровень 1 - Полевой уровень (уровень ввода/вывода)

Этот уровень представлен набором датчиков и исполнительных механизмов (клапаны, электродвигатели, нагреватели и др.), встроенных в конструктивные узлы технологического оборудования, предназначенного для сбора информации о физических характеристиках технологического процесса и состоянии технологического оборудования, а также для реализации управляющих взаимодействий на объект управления с помощью исполнительных механизмов.

Уровень 2 - Уровень непосредственного управления

На этом уровне происходит непосредственно автоматическое управление технологическим процессом, в частности передачей управляющих воздействий на объекты управления с помощью программируемо-логических контроллеров (ПЛК) с соответствующим программным обеспечением. В соответствии с заданным алгоритмом ПЛК обрабатывает показания измерительных приборов с полевого уровня и выдает управляющие сигналы на исполнительные механизмы объекта управления. Таким образом, реализуется система автоматического управления.

Уровень 3 - Диспетчерское управление (SCADA-уровень — Supervisory Control and Data Acquisition - сбор данных и диспетчерское управление)

Уровень человеко-машинного взаимодействия представляет собой интерфейс, предназначенный для отображения данных о технологическом процессе, технологическом оборудовании, а также для оперативного комплексного управления технологическим оборудованием при участии лиц, принимающих решения (диспетчерского персонала, инженеров-технологов и др.). SCADA-системы собирают данные с ПЛК, визуализируют процессы на HMI-панелях, формируют отчеты и позволяют операторам вручную корректировать операции.

Уровень 4 - Управление производством

На этом уровне сосредоточены системы, которые обеспечивают планирование, контроль и оптимизацию производственных операций в реальном времени. MES (Manufacturing Execution System - Система исполнения производства) управляет производственными заданиями, распределяя ресурсы -

материалы, энергию, оборудование и персонал, контролирует качество продукции через QA/QC (Quality Assurance/Quality Control - Обеспечение качества/Контроль качества), проверяя соответствие стандартам ISO (International Organization for Standardization - Международная организация по стандартизации) и GMP (Good Manufacturing Practice - Надлежащая производственная практика), а также отслеживает уровень складских запасов.

На этом уровне происходит оптимизация рабочих процессов, за счет чего сокращаются простои, производится контроль безопасности, включая соблюдение норм охраны труда. MES автоматизирует управление заданиями для персонала, формирует отчеты по OEE (Overall Equipment Effectiveness - Общая эффективность оборудования), браку и потреблению ресурсов. Подсистема мониторинга следит за техническим состоянием технологического оборудования, прогнозируя износ и предотвращая аварии.

Уровень управления производством выступает мостом между цехом и корпоративными системами ERP (Enterprise Resource Planning — Планирование ресурсов предприятия), трансформируя бизнес-задачи в производственные инструкции.

Уровень 5 - Планирование ресурсов предприятия

На данном уровне реализуются функции стратегического управления ресурсами предприятия посредством корпоративных систем класса ERP (англ. Enterprise Resource Planning — Планирование ресурсов предприятия). ERP-системы выступают интеграционной платформой, аккумулирующей данные с нижестоящих производственных уровней, включая MES (Manufacturing Execution System - Система исполнения производства) для формирования комплексного учета и планирования технологических процессов.

Ключевой функционал ERP-систем включает оптимизацию финансовых, материальных и трудовых ресурсов на основе прогнозно-аналитических моделей. Это реализуется через расчет бюджетов и калькуляцию себестоимости продукции,

анализ рентабельности производственных линий, прогнозирование затрат с учетом рыночной конъюнктуры.

Интеграция данных о техническом состоянии оборудования на уровне ERP позволяет осуществлять планирование ремонтных циклов и технического обслуживания (ТО), оптимизировать закупки запасных частей, инструментов и расходных материалов, что способствует минимизации незапланированных простоев.

Таким образом, автоматизированные системы управления (АСУ) классифицируются по типу объекта управления на два основных направления: системы управления технологическими процессами (АСУТП) и системы управления производственно-хозяйственной деятельностью (АСУПХД).

Первые три уровня (полевой, управления и диспетчерский) образуют автоматизированную систему управления технологическим процессом (АСУТП). Последние три уровня относятся к АСУПХД и предназначены для управления объединением производств, отдельными производственными участками или предприятием в целом.

АСУТП фокусируются на мониторинге и корректировке физико-технических параметров производственных операций, таких как температурные режимы, давление в системах или скорость работы агрегатов. АСУТП предназначены для контроля, стабилизации и оптимизации параметров производственного процесса, минимизации ручного труда, повышения безопасности и снижения затрат на эксплуатацию оборудования. Следующие три уровня АСУПХД охватывают задачи управления экономическими, логистическими и организационными аспектами предприятия, ярким примером которых выступают комплексные автоматизированные системы управления предприятием (АСУП).

Автоматизированные системы управления технологическими процессами (АСУТП) в контексте непрерывного контроля технического состояния промышленного оборудования играют ключевую роль в обеспечении

бесперебойности производственных циклов. Эти системы осуществляют круглосуточный сбор данных с датчиков вибрации, температурных сенсоров, расходомеров и других измерительных устройств, фиксируя параметры работы агрегатов в режиме реального времени. Полученные показатели, такие как уровень износа подшипников, отклонения энергопотребления или динамика тепловых режимов, анализируются алгоритмами предиктивной аналитики для прогнозирования остаточного ресурса оборудования.

Интеграция АСУТП с системами управления производственно-хозяйственной деятельностью (АСУПХД) позволяет трансформировать технические данные в управленческие решения. Например, информация о критическом снижении КПД насосной станции автоматически передается в модуль планирования ремонтов, инициируя формирование заявки на замену комплектующих до возникновения аварийной ситуации. Это создает основу для перехода от реактивного обслуживания «по факту поломки» к превентивным стратегиям, минимизирующим простои, что соответствует современным тенденциям концепции «Индустрия 4.0».

1.2 Предиктивная аналитика технологического оборудования в рамках

концепции «Индустрия 4.0»

Концепция «Индустрия 4.0» представляет собой современный подход к организации и управлению производственными процессами и производством (АСУП), основанный на глубокой интеграции цифровых технологий и промышленного интернета вещей (IIoT). Её ключевая цель заключается в создании интеллектуальных производственных систем, способных адаптироваться к изменяющимся условиям, обеспечивать высокую степень автоматизации, персонализации и минимизировать влияние человеческого фактора. В рамках данной концепции используются такие передовые технологии, как искусственный интеллект (AI), машинное обучение, большие данные (Big Data), облачные технологии и промышленный интернет вещей (IIoT) [8].

Промышленный интернет вещей (IIoT) обеспечивает взаимодействие между машинами, людьми и системами через единую цифровую экосистему, что позволяет добиться высокой степени прозрачности процессов и оперативного управления производственными потоками [9]. Искусственный интеллект и машинное обучение играют ключевую роль в анализе больших данных, собранных с помощью датчиков IIoT-устройств, что даёт возможность автоматизировать принятие решений, прогнозировать отказ оборудования и адаптировать производственные процессы под изменяющиеся условия. Облачные технологии предоставляют масштабируемую инфраструктуру для хранения, обработки и передачи данных, что способствует снижению затрат на ИТ-инфраструктуру и обеспечивает доступность данных в любой точке мира [10].

В различных работах, посвященных теоретическим основам и прикладным методам диагностирования технологического оборудования, принято выделять 4 вида аналитики данных физических показателей этого оборудования [16; 17].

1. Описательная аналитика (Descriptive Analytics) применяется для анализа исторических данных с целью определения текущего состояния оборудования.

2. Диагностическая аналитика (Diagnostic Analytics) ориентирована на выявление причин обнаруженных аномалий или неисправностей. Данный вид анализа позволяет изучить закономерности в данных, чтобы определить факторы, вызвавшие нарушение работы системы.

3. Предиктивная аналитика (Predictive Analytics) предназначена для прогнозирования вероятности возникновения отказов или ухудшения состояния оборудования в будущем. Этот подход основывается на использовании исторических данных, статистических методов и алгоритмов машинного обучения.

4. Предписывающая аналитика (Prescriptive Analytics) представляет собой наиболее сложный уровень анализа, который направлен на формирование рекомендаций по оптимизации работы оборудования и предотвращению возможных сбоев. Этот вид аналитики использует результаты описательной, диагностической и предиктивной аналитики для разработки эффективных мер.

Эволюция организации технического обслуживания и ремонта промышленного оборудования включает в себя на данный момент 3 этапа. Первый - это реактивное техническое обслуживание, второй - это профилактическое техническое обслуживание и третий - это предиктивное техническое обслуживание.

Реактивное обслуживание является самым простым и наименее затратным подходом на этапе внедрения. Оно предполагает выполнение ремонтных работ только после того, как оборудование выходит из строя. Основные преимущества этого подхода включают низкие начальные затраты и простоту реализации. Однако такой метод характеризуется значительными недостатками, включая высокую стоимость незапланированных простоев, необходимость срочного ремонта, риски повреждения смежного оборудования и нарушение производственных графиков. Реактивное обслуживание чаще всего используется в системах с относительно низкой критичностью отказов.

Профилактическое обслуживание направлено на минимизацию риска отказов путём регулярного выполнения запланированных мероприятий, таких как замена изношенных компонентов, проверка технического состояния и калибровка оборудования. Частота таких мероприятий определяется либо временем работы оборудования, либо его наработкой (например, количеством циклов). Основными преимуществами профилактического обслуживания являются снижение вероятности отказов и более прогнозируемые затраты на обслуживание. Однако этот подход может приводить к избыточным затратам, связанным с преждевременной заменой компонентов, которые ещё не достигли критического уровня износа.

Предиктивное обслуживание является наиболее прогрессивным подходом, основанным на использовании сенсоров, промышленного интернета вещей (11оТ), больших данных и машинного обучения. Его цель - прогнозировать возможные отказы на основе анализа текущего состояния оборудования и исторических данных. Этот метод позволяет выполнять обслуживание только тогда, когда это

действительно необходимо, что значительно сокращает издержки и минимизирует простои. Для реализации предиктивного обслуживания предприятия внедряют системы мониторинга в реальном времени, которые собирают данные о вибрациях, температуре, давлении, уровне износа и других физических параметрах. Затем эти данные обрабатываются с помощью аналитических моделей для выявления закономерностей, указывающих на вероятность отказа [11].

Алгоритм разработки технологии предиктивного обслуживания заключается в следующем. С помощью датчиков и технологий промышленного интернета вещей организуется мониторинг данных. При необходимости используются модели генерации данных в случае, если в наличии недостаточное количество данных. Далее, осуществляется предобработка данных, которая может включать очистку от шумов, характерных паттернов. Далее, создается предиктивная модель, которая может состоять, к примеру, из комбинации нескольких моделей машинного обучения. Причем эта модель регулярно дообучается на основе новых полученных данных. И, наконец, готовая предиктивная модель интегрируется в процесс обслуживания. Конечным результатом внедрения в предиктивной аналитике является автоматизированная система, которая контролирует условия эксплуатации с помощью установленных датчиков. Система понимает и прогнозирует закономерности, созданные аномалиями в данных. Система создает оповещения при отклонении от установленных порогов [12].

Если модель обучается на нескольких машинах, на которых стоят датчики и собираются данные, то нормальное состояние для каждой из этих машин будет несколько отличаться друг от друга. Также нужно понимать, что в течение жизненного цикла у машины, даже внутри одной машины, так называемое нормальное состояние будет отличаться. Допустим, на начальном этапе, когда машина только введена в эксплуатацию, и когда она некоторое время проработала, норма будет отличаться. То есть предиктивная модель требует постоянного дообучения на свежих данных [13].

Особенную важность предиктивная аналитика имеет для технологического оборудования, работающего в непрерывном технологическом процессе.

Непрерывный технологический процесс — это процесс, в котором сырьё или полуфабрикаты подаются на переработку без прерываний, обеспечивая постоянный поток производства. В таких процессах технологическое оборудование может останавливаться только при техническом обслуживании, ремонте или авариях. Если периодические процессы, основанные на цикле «загрузка-обработка-выгрузка», лучше адаптированы для малых предприятий или экспериментальных продуктов, то непрерывные процессы ориентированы на массовое производство с минимальным вмешательством человека. Непрерывность процесса обусловлена экономической эффективностью: работа реактора в режиме 24/7 минимизирует энергозатраты, связанные с остановкой и повторным запуском установки.

Например, метод Габера - Боша представляет собой технологический процесс синтеза аммиака (МНз) из азота (N2) и водорода (Н2), лежащий в основе производства удобрений, взрывчатых веществ и иных химических продуктов. Процесс начинается с подготовки сырья: водород получают путём паровой конверсии метана (СН + Н2О ^ СО + ЗН2) или газификации угля, а азот выделяют из воздуха методами фракционной перегонки или мембранного разделения. Подготовленные газы смешиваются в стехиометрическом соотношении 1:3 и поступают в реактор синтеза, где поддерживаются условия высокого давления (150-300 атм) и температуры (400-500°С). В качестве катализатора используется пористое железо с промоторами (оксиды алюминия, калия), повышающими его активность. Реакция N2 + ЗН2 ^ 2NHз является экзотермической, однако равновесный выход аммиака за один проход не превышает 10-20 % из-за термодинамических ограничений. После синтеза газовая смесь направляется на охлаждение, где аммиак конденсируется в жидкую фазу и отделяется в сепараторе. Непрореагировавшие азот и водород возвращаются в реактор через систему рециркуляции, что повышает общий выход продукта до 98 %. Жидкий аммиак

проходит дополнительную очистку от примесей и хранится в резервуарах для дальнейшего использования.

Метод Габера - Боша демонстрирует принципы непрерывного производства, включая интеграцию стадий (подготовка сырья, синтез, рециркуляция), баланс термодинамики и кинетики, а также масштабируемость - современные установки производят до 3000 т аммиака в сутки. Данный процесс служит эталоном для других непрерывных химических производств, таких как синтез метанола, крекинг нефтепродуктов или контактный метод получения серной кислоты.

В процессе синтеза аммиака электродвигатели играют ключевую роль, обеспечивая непрерывность и эффективность производства за счёт работы механизмов, интегрированных во все технологические узлы. Например, многоступенчатые поршневые или центробежные компрессоры приводятся в действие мощными электродвигателями, которые сжимают газовую смесь азота и водорода до давления 150-300 атм перед подачей в синтезный реактор. Эти двигатели обеспечивают равномерный поток газа и требуют точного контроля скорости для поддержания заданных параметров. Насосы с электроприводом используются для перекачки жидкого аммиака, циркуляции охлаждающей воды и химических реагентов, таких как амины для очистки газа, а также для перемещения теплоносителя в системах рекуперации тепла.

Системы вентиляции и охлаждения, включая вентиляторы в градирнях и насосы для подачи хладагента в криогенные установки, также зависят от электродвигателей. Они отводят избыточное тепло от реактора, поддерживают низкие температуры в сепараторах для конденсации аммиака и обеспечивают стабильность работы теплообменников. Оборудование для подготовки сырья, такое как центробежные сепараторы и воздухоразделительные установки, использует электродвигатели для привода центрифуг, очищающих синтез-газ от примесей, и компрессоров, сжижающих воздух для получения чистого азота.

Рециркуляционные компрессоры, приводимые электродвигателями, возвращают непрореагировавшие газы из сепараторов обратно в реактор, повышая

общий выход аммиака. В системах транспортировки твёрдого сырья, например, ленточных конвейерах для угля или шнековых питателях для катализатора, двигатели регулируют скорость подачи, оптимизируя процесс загрузки. Автоматизация управления обеспечивается электроприводными клапанами и роботизированными системами, которые регулируют потоки газа, давление и температуру, а также выполняют операции мойки и замены катализатора (Рисунок 1.2).

Рисунок 1.2 - Непрерывный технологический процесс синтеза аммиака по

методу Габера - Боша Таким образом, электродвигатели интегрированы во все ключевые узлы метода Габера - Боша - от подготовки сырья до рециркуляции газов и аварийных систем. Они обеспечивают непрерывность технологического цикла, снижают

энергозатраты и гарантируют безопасность, делая производство аммиака не только технологически стабильным, но и экономически выгодным.

Непрерывный мониторинг параметров электродвигателей позволяет своевременно выявлять отклонения от нормальных режимов работы. Это минимизирует риск внезапных отказов, которые могут привести к остановке производства или повреждению дорогостоящего оборудования.

В контексте непрерывных технологических процессов предиктивный подход обеспечивает комплексное повышение надёжности и эффективности производства, снижает эксплуатационные затраты, поскольку прогнозирование износа компонентов, таких как подшипники или обмотки двигателей, позволяет заменять их до полного выхода из строя, избегая дорогостоящих внеплановых ремонтов и простоев. Кроме того, предиктивная аналитика способствует энергоэффективности, выявляя ранние признаки деградации двигателей, которые приводят к повышенному энергопотреблению, и оптимизирует их нагрузку в реальном времени. Это не только сокращает операционные расходы, но и поддерживает стабильность технологических параметров - давления, скорости подачи сырья или температуры, - что напрямую влияет на сохранение качества продукции. Например, в химическом производстве отклонение скорости вращения насоса из-за неисправности двигателя может нарушить стехиометрию реакции, а в пищевой промышленности - привести к браку партии из-за сбоев в температурном режиме. Таким образом, предиктивный подход становится ключевым элементом управления рисками, объединяя техническую безопасность, экономическую целесообразность и требования к стандартизации выпускаемой продукции.

Список литературы диссертационного исследования кандидат наук Симонов Сергей Евгеньевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Prognostics and Remaining Useful Life (RUL) Estimation / Galar D., Goebel K., Sandborn P., Kumar U. // Boca Raton : CRC Press (USA), 2021.

2. Dyakonov, N.A. Process Control Systems Based on Predictive Analytics: Design / N.A. Dyakonov, O.S. Logunova // Electrotechnical Systems and Complexes. - 2021. -№ 1(50). - P. 58-64.

3. Predictive Analytics in a Pulp Mill using Factory Automation Data—Hidden Potential / M. Nykyri, M. Kuisma, T.J. Karkkainen et. al. // IEEE 17th International Conference on Industrial Informatics (INDIN), Helsinki, Finland. - Helsinki, 2019. - P. 1014-1020.

4. Бобров, В. Оценка эффективности основных методов диагностики асинхронных электродвигателей / В. Бобров // Ползуновский вестник. - 2012. - № 3/1. - С. 198-203.

5. Hassan, I.U. An In-Depth Study of Vibration Sensors for Condition Monitoring / I.U. Hassan, K. Panduru, J. Walsh // Sensors. - 2024. - № 24(3). - P. 740.

6. Dol, S. SMART motor for industry 4.0 / S. Dol, R. Bhinge // IEEMA Engineer Infinite Conference (eTechNxT). - S.l. : IEEE, 2018. - 12 p.

7. Smart condition monitoring in an industrial automation - Wireless performance evaluation / M. Kande, P. Meena, R.S. Aarathi, R.M. Hegde // IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society, 29 0ctober-01 November 2017. - Beijing, China, 2017.

8. Анализ неисправностей синхронных двигателей с постоянными магнитами на основе мониторинга вибрации с использованием нейронных сетей / Е.А. Саксонов, С.Е. Симонов, М.Г. Городничев, М.С. Мосева // Прикаспийский журнал: управление и высокие технологии. - 2022. - № 2 (58). - С. 141-153.

9. Саксонов, Е. А. Обзор методов обнаружения неисправностей синхронного электродвигателя с постоянными магнитами / Е.А. Саксонов, С.Е. Симонов, М.Г. Городничев // Инженерный вестник Дона. - 2023. - № 4 (100). - С. 8-38.

10. Kerin, M. A Review of Emerging Industry 4.0 Technologies in Remanufacturing / M. Kerin, D. Pham // Journal of Cleaner Production. - 2019. - № 117805.

11. Enabling IoT platforms for social IIoT applications: Vision, feature mapping and challenges / B. Afzal, M. Umair, G.A. Shah, E. Ahmed // Future Gener. Comput. Syst. - 2019. - № 92. - P. 718-731.

12. Castelo-Branco, I. Assessing Industry 4.0 readiness in manufacturing: Evidence for the European Union / I. Castelo-Branco, F. Cruz-Jesus, T. Oliveira // Comput. Ind. - 2019. - № 107. - P. 22-32.

13. Recent Challenges in Condition Monitoring of Industrial Electric Machines / S.B. Lee, G. Stone, J. Antonino-Daviu e.a, // IEEE Ind. Electron. Mag. - 2020. - № 14(4). - P. 158-167.

14. Chimundu, J. Modern Maintenance Strategies Prescriptive Approach Using Machine learning / J. Chimundu, A. Ali // 2022 IEEE 6th Conference on Energy Internet and Energy System Integration, 11-13 Nov. 2022. - Chengdu, China, 2022. - P. 14041409.

15. Machine Learning for Predictive and Prescriptive Analytics of Operational Data in Smart Manufacturing / K.Lepenioti, M. Pertselakis, A. Bousdekis et.al // Advanced Information Systems Engineering Workshops. - Cham, Switzerland : Springer, 2020. - P. 5-16.

16. Li Xiang. Remaining useful life estimation in prognostics using deep convolution neural networks / Li Xiang, Ding Qian, Sun Jian-Qiao // Reliability Engineering and System Safety. - 2018. - № 172. - P. 1-11,

17. Kaminski, M. Neural Network Applications in Electrical Drives —Trends in Control, Estimation, Diagnostics, and Construction / M. Kaminski, T. Tarczewski // Energies. - 2023. - № 16. - 25 p.

18. Ehret, M. Unlocking value from machines: business models and the industrial internet of things / M. Ehret, J. Wirtz // Journal of Marketing Management. - 2016. - № 33(1-2). - P. 111-130.

19. Saidur, R. A review on electrical motors energy use and energy savings / R. Saidur // Renew. Sustain. Energy Rev. - 2010. - № 14. - P. 877-898.

20. Hughes, A. Electric Motors and Drives-Fundamentals, Types and Applications / A. Hughes, B. Drury. - 4th Ed. - Newnes, 2013. - 440 p.

21. Jha, D. Advancements in Electric Motor Technology: A Review of Emerging Trends and Future Prospects / D. Jha, A. Jain // International journal of computer science and information system. - 2023. - № V8. - P. 5-8.

22. Цветков, В.И. Электрические микромашины : учебное пособие, ч.1 / В.И. Цветков; СПбГУКиТ. - Санкт-Петербург, 2005. - 156 с.

23. Микеров, А.Г. Малые электрические машины и приводы : учебное пособие / А.Г. Микеров, В.В. Джанхотов. - Санкт-Петербург : Издательство ЛЭТИ, 2002. - 67 с.

24. Clark, P. Solutions for MV motors and generators in hazardous locations / P. Clark P., N. Glew, R. Regan // Proceedings of the 1996 IAS Petroleum and Chemical Industry Technical Conference, 23-25 September 1996. - Philadelphia, PA, USA, 1996. - P. 61-73,

25. Supply chain integration and firm financial performance: A meta-analysis of positional advantage mediation and moderating factors / W. Chang, A.E. Ellinger, K. Kim, G.R. Franke // Eur. Manag. J. - 2015. - № 34. - P. 282-295.

26. Zepeng Liu. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings / Zepeng Liu, Long Zhang // Measurement : Journal of the International Measurement Confederation. - 2019. - № 107002.

27. Efficiency Assessment of Induction Motors Operating Under Different Faulty Conditions / M. Garcia, P. Panagiotou, J. Antonino-Daviu, K.N. Gyftakis // IEEE Trans. Ind. Electron. - 2019. - № 66. - P. 8072-8081.

28. Prabhu Thirugnanam. Advances, New Perspective and Applications in Induction Motors / Prabhu Thirugnanam // Induction Motors - Recent Advances, New Perspectives and Applications. - S.l. : Intechopen, 2023. - P. 222.

29. Цыбулькин, П.С. Области применения синхронных двигателей с постоянными магнитами / П.С. Цыбулькин // Информационные технологии в технических и естественных науках : материалы Республиканской научно-практической конферпнции, Минск, 20 мая 2021 г. - Минск : Издательство БНТУ, 2021. - С. 140-143.

30. Mohamad Farid Fazdi. Parameters Identification of a Permanent Magnet DC Motor : Review / Mohamad Farid Fazdi, Po-Wen Hsueh // Electronics. - 2023. - № 12.

- P. 1-24.

31. Faults and Diagnosis Methods of Permanent Magnet Synchronous Motors : Review / Yong Chen, Siyuan Liang, Wanfu Li et. al. // MDPI. - 2019. - № 9.

32. Comparative study of interior permanent magnet, induction, and switched reluctance motor drives for EV and HEV applications / Zhi Yang, Fei Shang, I.P. Brown, M. Krishnamurthy // IEEE Trans. Transp. Electrif. : Vol. 1. - Chicago, 2015. - P. 245254.

33. Magnets faults characterization for permanent magnet synchronous motors / D. Casadei, F. Filippetti, C. Rossi, A. Stefani // IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives. - Cargese, France, 2009. - P. 1-6.

34. Акименко, В. Виды отказов электрических двигателей, их признаки. Причины и методы устранения / В. Акименко // Горный информационно -аналитический бюллетень (научно-технический журнал). - 2012. - № 6. - С. 191245.

35. Чупейкина, Н. Н. Виды отказов синхронных машин, их признаки, причины и методы устранения / Н.Н. Чупейкина, Э.О. Удодова // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2006.

- Т. 17, № 4. - С. 284-329.

36. Effects of Environmental Factors on Partial Discharge Activity and Estimation of Insulation Lifetime in Electrical Machines / H. Wagar, A.H. Ghulam, M. Farhan et. al. // IEEE Access. - 2020. - Vol. 8, May. - P. 108491-108502.

37. Rautee, J. Safety improvements of non-sparking and increased safety motors / J. Rautee J., F. Lienesch, T. Liew // Proceedings of the 2008 5th Petroleum and Chemical Industry Conference Europe -Electrical and Instrumentation Applications. - Weimar, Germany, 2008. - P. 10-12.

38. Sawada, F.H. Early detection and warning of excessive carbon brush sparking / F.H. Sawada, S.C. Barton, G.H. Gunnoe // IEEE Summer Meet. - 1971. - July. - P. 1823.

39. Faults and Diagnosis Methods of Permanent Magnet Synchronous Motors: A Review / Yong Chen, Siynan Liang, Wanfu Li et. al. // Appl. Sci. - 2019. - Vol. 9 (10), № 9.

40. Chendong Liao. Analysis of Electromagnetic Vibration Characteristics of An Interior Permanent Magnet Synchronous Motor / Chendong Liao, Wenying Jiang, Shuoran Zhang // 22nd International Conference on Electrical Machines and Systems (ICEMS) - IEEE, August, 2019. - Harbin, China, 2019. - P. 1-5.

41. Statistic-based spectral indicator for bearing fault detection in permanentmagnet synchronous machines using the stator current / A. Picot, Z. Obeid, J. Regnier, S. Poignant // Mech. Syst. Signal Process. - 2014. - № 46. - P. 424-441.

42. Rolling Bearings - Damage and Failures -Terms, Characteristics and Causes; International Organization for Standardization : ISO : 15243. - Geneva, Switzerland, 2017. - 53 p.

43. Skora, M. Selected Rolling Bearing Fault Diagnostic Methods in Wheel Embedded Permanent Magnet Brushless Direct Current Motors / M. Skora, P. Ewert, C.T. Kowalski // Energies. - 2019. - Vol. 12, № 4212.

44. Gieras, J. F. Noise of polyphase electric motors / J.F. Gieras, Chong Wang, Joseph Cho Lai. - Great Britain : Taylor and Francis CRC Press, 2018.

45. Ming Ye. Bearing Fault Diagnosis under Time-Varying Speed and Load Conditions via Speed Sensorless Algorithm and Angular Resample / Ming Ye, Jin Huang // Proceedings of the 2018 XIII International Conference on Electrical Machines (ICEM). - Alexandroupoli, Greece, 2018. - P. 1775-1781.

46. Diagnosis of stator winding short-circuit faults in an interior permanent magnet synchronous machine / Jiangbiao He, Chad Somogyi, A. Strandt, N. Demerdash // Proceedings of the 2014 IEEE Energy Conversion Congress and Exposition (ECCE). -Pittsburg, 2014. - P. 3125-3130.

47. Advanced Analysis of Motor Currents for the Diagnosis of the Rotor Condition in Electric Motors Operating in Mining Facilities / J.A. Antonino-Daviu, A. Quijano-Lopez, M. Rubbiolo, V. Climente-Alarcon // IEEE Trans. Ind. Appl. - 2018. - Vol. 54, № 3934-3.

48. Noise and Vibration in bearing Systems / G. van Nijen, P. van Dalen, G. A. Dimitrov et. al. // Tech. Rep. NL15E005, SKF Engineering and Research Centre B.V. -S.l., 2015.

49. Nawazish Ali, S.M. Review in thermal effects on the performance of electric motors / S.M. Nawazish Ali, Athar Hanif, Qadeer Ahmed // International Conference on Intelligent Systems Engineering (ICISE), 15-17 Jan. 2016. - Islamabad, Pakistan : IEEE, 2016. - P. 83-88.

50. ГОСТ Р ИСО 13373-1-2009. Контроль состояния и диагностика машин. Вибрационный контроль состояния машин. Часть 1. Общие методы. - Москва : Стандартинформ, 2010. - 48 с.

51. ГОСТ Р 27.302-2009. Надежность в технике. Анализ дерева отказов. -Введ. 2010-09-01. - Москва : Стандартинформ, 2011. - 21 с.

52. Бахарев, А. В. Обзор методов диагностирования неисправностей электродвигателя / А.В. Бахарев, Ю.Н. Дементьев // Вестник Инновационного Евразийского университета. - 2016. - № 4(64). - С. 122-127.

53. Subhasis Nandi. Condition monitoring and fault diagnosis of electrical motors -A review / Subhasis Nandi, Hamid Toliyat, Xiaodong Li // IEEE Trans. Energy Convers. - 2005. - № 20. - P. 719-729.

54. Advanced Analysis of Motor Currents for the Diagnosis of the Rotor Condition in Electric Motors Operating in Mining Facilities / J. Antonino-Daviu, A. Quijano-Lopez;

M. Rubbiolo, V. Climente-Alarcon // IEEE Trans. Ind. Appl. - 2018. - № 54. - P. 39343942.

55. Fault diagnosis of rotating machines using vibration and bearing temperature measurements / A.D. Nembhard, J.K. Sinha, A.J. Pinkerton, K. Elbhbah // Diagnostyka.

- 2013. - № 14. - P. 45-51.

56. Lopez-Perez, D. Application of Infrared Thermography to Failure Detection in Industrial Induction Motors: Case Stories / D. Lopez-Perez и J. Antonino-Daviu // IEEE Trans. Ind. Appl. - 2017. - № 53. - P. 1901-1908.

57. Siliang Lu. Bearing fault diagnosis of a permanent magnet synchronous motor via a fast and online order analysis method in an embedded system / Siliang Lu, Qingbo He, Jiwen Zhao // Mech. Syst. Signal Process. - 2018. - № 113. - P. 36-49.

58. Николайчук, А. Н. Методы вибродиагностики электрических машин /А.Н. Николайчук, Ю.С. Дорошев // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2014. - № S4-11. - С. 38-51.

59. Tandon, N. A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings / N. Tandon, A. Choudhury // Tribol. Int.

- 1999. - № 32. - P. 469-480.

60. Gonzalez, P. Noise in Electric Motors: A Comprehensive Review / P. Gonzalez, G. Buigues, A.J. Mazon // Energies. - 2023. - № 16(14). - P. 5311.

61. Thomson, W.T. Current Signature Analysis for Condition Monitoring of Cage Induction Motors: Industrial Application and Case Histories / W.T. Thomson, I. Culbert.

- Hoboken, USA : John Wiley and Sons, 2017. - 448 p.

62. Electrical Monitoring of Damper Bar Condition in Salient-Pole Synchronous Motors Without Motor Disassembly / J. Antonino-Daviu, V. Fuster-Roig, S. Park et. al. // IEEE Trans. Ind. Appl. - 2020. - № 56. - P. 1423-1431.

63. Wallscheid, O. Thermal Monitoring of Electric Motors: State-of-the-Art Review and Future Challenges / O. Wallscheid // IEEE Transactions on Industrial Electronics. - 2017. - № 64(5). - P. 3921-3929.

64. Xueping Xu. Review of Electromagnetic Vibration in Electrical Machines / Xueping Xu, Qinkai Han, Fulei Chu // Energies. - 2018. - № 11(7). - P. 1779.

65. Fault Diagnosis of Motor Bearing Based on Speed Signal Kurtosis Spectrum Analysis / Boyang Ren, Ming Yang, Na Chai et. al. // Proceedings of the 22nd International Conference on Electrical Machines and Systems (ICEMS), 11-14 Aug. 2019. Harbin, China. - Harbin : IEEE, 2019. - P. 1-6.

66. Петушков, М. Ю. Нахождение неисправностей синхронных двигателей с постоянными магнитами по линейному току / М.Ю. Петушков, С.С. Холодилов // Интеллектуальная электротехника. - 2020. - № 4. - С. 52-60.

67. Chun-Yao Lee. Bearing damage detection of BLDC motors based on current envelope analysis / Chun-Yao Lee, Yu-Hua Hsieh // Meas. Sci. Rev. - 2012. - № 12. -P. 290-295.

68. Electrical Monitoring of Damper Bar Condition in Salient-Pole Synchronous Motors Without Motor Disassembly / J. Antonino-Daviu, V. Fuster-Roig, Sanguk Park et. al. // IEEE Trans. Ind. Appl. - 2020. - № 56. - P. 1423-1431.

[69] 69. Benbouzid, M.E.H. A review of induction motors signature analysis as a medium for faults detection / M.E.H. Benbouzid // IEEE Trans. Ind. Electron. - 2000. -№ 47. - P. 984-993.

70. Ewert, P. Effectiveness analysis of PMSM motor rolling bearing fault detectors based on vibration analysis and shallow neural networks / P. Ewert, T. Orlowska-Kowalska, K. Jankowska // Energies. - 2021. - № 14(3). - P. 712-736.

71. Nkuna, J.S.R. Vibration Condition Monitoring and Fault Classification of Rolling Element Bearings Utilising Kohonen's Self- organising Maps : Theses and Dissertations / Nkuna J.S.R.; Vaal University of Technology. - Vanderbijlpark, South Africa, 2013.

72. Analysis of the features of application of vibration diagnostic methods of induction motors of transportation infrastructure using mathematical modeling / O. Gubarevych, J. Gerlici, O. Gorobchenko et. al. // Diagnostyka. - 2023. - № 24. - P. 110.

73. Vaseghi, B. Fault Analysis and Parameter Identification of Permanent-Magnet Motors by the Finite-Element Method. / B. Vaseghi, N. Takorabet, F. Meibody-Tabar // IEEE Trans. Magn. - 2009. - № 45. - P. 3290-3295.

74. A Model-Based Strategy for Interturn Short-Circuit Fault Diagnosis in PMSM / M.A. Mazzoletti, G.R. Bossio, C.H. De Angelo, D.R. Espinoza-Trejo // IEEE Trans. Ind. Electron. - 2017. - № 64. - P. 7218-7228.

75. Usman, A. Review of fault modeling methods for permanent magnet synchronous motors and their comparison /A. Usman, B.M. Joshi, B.S. Rajpurohit // 11th International Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPE) IEEE. - Jodhpur (India), 2017. - P. 141-146.

76. Fault detection of stator inter-turn short-circuit in PMSM on stator current and vibration signal / Hong Liang, Yong Chen, Siynan Liang, Chengdong Wang // Applied Sciences. - 2018. - Vol. 8, № 9. - P. 1677-1688.

77. Analysis of irreversible magnet demagnetization in line-start motors based on the finite element method / Gyu-Hong Kang, Jin Hur, Hyuk Nam et. al. // IEEE Transactions on Magnetics. - 2003. - № 39. - P.1488-1491.

78. On the short-circuiting Fault Detection in a PMSM by means of Stator Current Transformations /J.A. Rosero, L. Romeral, J. Cusido et. al. // Proceedings of the IEEE Power Electronics Specialists Conference. - S.l., 2007. - P. 1936-1941.

79. Vibration analysis and measurements through prediction of electromagnetic vibration sources of permanent magnet synchronous motor based on analytical magnetic field calculations / Hyeon-Jae Shin, Jang-Young Choi, Hyung-Il Park, Jang Seok Myeong // IEEE Transactions on Magnetics. - 2012. - Vol. 48, № 11. - P. 4216-4219.

80. Vindel, D. Simulation and Implementation of a PMSM Drive System / D. Vindel. - Göteborg, Sweden, 2021. - 75 p.

81. Antonino-Daviu, J.A. Advanced rotor fault diagnosis for medium-voltage induction motors via continuous transforms / J.A. Antonino-Daviu, J. Pons-Llinares, S.B. Lee // IEEE Trans. Ind. Appl. - 2016. - № 52. - P. 4503-4509.

82. Smith, S.W. Digital Signal Processing : A Practical Guide for Engineers and Scientists / S.W. Smith. - Burlington, VT, USA : Elsevier Science, 2002. - 650 p.

83. Нихамкин, М.Ш. Методика расчета показателей надежности роторных систем на основе статистического моделирования вибраций / М.Ш. Нихамкин, А.И. Черняев, С.В. Семенов // Вестник Пермского национального исследовательского политехнического университета. Аэрокосмическая техника. - 2016. - №2 4 (47). - С. 198-214.

84. Strangas, E. G. Time-frequency analysis for efficient fault diagnosis and failure prognosis for interior permanent-magnet AC motors / E.G. Strangas, S. Aviyente, S.S. Zaidi // IEEE Transactions on Industrial Electronics. - 2008 - Vol. 55, № 12. - P. 41914199.

85. Fault detection of rolling bearing based on FFT and classification / Jing Zhou, Yong Qin, Linlin Kou et. al. // J. Adv. Mech. Des. Syst. Manuf. - 2015. - № 9. - P. 122.

86. Reconfigurable monitoring system for time-frequency analysis on industrial equipment through STFT and DWT / Eduardo Cabal-Yepez, Armando Guadalupe Garcia-Ramirez, René De Jesús Romero-Troncoso, Arturo Garcia-Perez // IEEE transactions on industrial informatics. - 2012. - Vol. 9, № 2. - P. 760-771.

87. PMSM Bearing Fault Detection by means of Fourier and Wavelet transform. / J. Rosero, J. Cusido, J.A. Ortega J.A. et. al // Proceedings of the IECON 2007—33rd Annual Conference of the IEEE Industrial Electronics Society, 5-8 Nov. 2007, Taipei, Taiwan. - 2007. - № 5. - P. 1163-1168.

88. Vijayraghavan, P. Noise in electric machines: A review / P. Vijayraghavan, R. Krishnan // IEEE Trans. Ind. Appl. - 1999. - № 35. - P. 1007-1013.

89. Le Besnerais, J. Fast prediction of variable-speed acoustic noise due to magnetic forces in electrical machines / J. Le Besnerais // Proceedings of the 2016 XXII International Conference on Electrical Machines (ICEM). - S.l., 2016. - P. 225-233.

90. Fault Detection in dynamic conditions by means of Discrete Wavelet Decomposition for PMSM running under Bearing Damage / J. Rosero, L. Romeral, E.

Rosero, J. Urresty // Proceedings of the 2009 Twenty-Fourth Annual IEEE Applied Power Electronics Conf. - Washington, 2009. - P. 951-956.

91. Navasari, E. Detection Of Induction Motor Bearing Damage With Starting Current Analysis Using Wavelet Discrete Transform And Artificial Neural Network / E. Navasari, D.A. Asfani, M.Y. Negara // Proceedings of the 2018 10th International Conference on Information Technology and Electrical Engineering (ICITEE). - EastParc Hotel, Indonesia, 2018. - P. 316-319.

92. Demagnetizations diagnosis for permanent magnet synchronous motors based on advanced wavelet analysis / Y. Gritli, C. Rossi, C. Casadei et. al. // IEEE Transactions on Electrical Machines. - 2012. - № 58. - P. 2397-2403.

[93] 93. Zandi, O. Brushless DC Motor Bearing Fault Detection Using Hall Effect Sensors and a Two-Stage Wavelet Transform / O. Zandi, J. Poshtan // Proceedings of the 26th Iranian Conference on Electrical Engineering (ICEE2018). - Mashhad, Iran, 2018. - P. 827-833.

94. Fault Detection by Means of Hilbert-Huang Transform of the Stator Current in a PMSM With Demagnetization /A.G. Espinosa, J.A. Rosero, J. Cusid'o et. al. // IEEE Trans. Energy Convers. - S.l., 2010. - P. 312-318.

95. Stator short circuits detection in PMSM by means of Hilbert-Huang transform and energy calculation / J. Urresty, J. Riba, L. Romeral et. al. // Proceedings of the IEEE International Symposium on Diagnostics for Electric Machines. - S.l., 2009. - P. 1-17.

96. Fault Diagnosis for a Bearing Rolling Element Using Improved VMD and HT / Haodong Liu, Dongyan Li, Yu Yuan et.al. // Appl. Sci. - 2019. - № 9. - P. 1439.

97. Ruqiang Yan. Hilbert-Huang transform-based vibration signal analysis for machine health monitoring / Ruqiang Yan, Robert X. Gao // IEEE Transactions on Instrumentation and measurement. - 2006. - Vol. 55, № 6. - P. 2320-2329.

98. Шкелёв, Е. И. Спектрально-временной анализ с применением взаимного преобразования Вигнера - Виля / Е.И. Шкелёв, Н.Е. Земнюков // Известия вузов. Радиофизика. - 2010. - Т. 53, № 2. - С. 134-144.

99. Беляев, А. К. Техническая диагностика оборудования с применением технологий интеллектуального анализа данных / А.К. Беляев, Е.Г. Царькова // Информационные технологии в УИС. - 2021. - С. 12-22.

100. Akar, M. Mechanical fault detection in permanent magnet synchronous motors using equal width discretization-based probability distribution and a neural network model / M. Akar, M. Hekim, U. Orhan // Turk. J. Electr. Eng. Comput. Sci. -2015. - № 23. - P. 813-823.

101. On the task of localization of road infrastructure objects based on audio signals / S. Simonov, M. Moseva, K. Polyantseva, G. Mkrtchian // Wave Electronics and Its Application in Information and Telecommunication Systems. - 2023. - Vol. 6, № 1.

- P. 415-419.

102. Mkrtchian, G. About choosing the audio signal representation in the task of vehicle pattern recognition / G. Mkrtchian, M. Gorodnichev, S. Simonov // Wave Electronics and Its Application in Information and Telecommunication Systems. - 2023.

- Vol. 6, № 1. - P. 269-274.

103. Pandarakone, S.E. Distinct Fault Analysis of Induction Motor Bearing Using Frequency Spectrum Determination and Support Vector Machine / S.E. Pandarakone, Y. Mizuno, H. Nakamura // IEEE Trans. Ind. Appl. - 2017. - № 53. - P. 3049-3056.

104. Neural-Network-Based Motor Rolling Bearing Fault Diagnosis / B. Li, M.Y. Chow, Y. Tipsuwan, J.C.Hung // IEEE Trans. Ind. Electron. - 2000. - № 47. - P. 1060-1069.

105. Sutskever, I. Sequence to sequence learning with neural networks / I. Sutskever, O. Vinyals, Q. Le // Proceedings of the Advances in Neural Information Processing Systems. - S.l., 2014. - P. 3104-3112.

106. Das, M. A deep-learning-based forecasting ensemble to predict missing data for remote sensing analysis / M. Das, S. Ghosh // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. - 2017. - Dec.

107. Nait Seghir, A. Feature Selection for Enhancement of Bearing Fault Detection and Diagnosis Based on Self Organizing Map / Nait Seghir A., Touati S. // Recent Advances in Electrical Engineering and Control Applications : Lecture Notes in Electrical Engineering. - S.l., 2017. - № 411.

108. Duy Tang Hoang. Motor Current Signal-Based Bearing Fault Diagnosis Using Deep Learning and Information Fusion / Duy Tang Hoang, Hee Jun Kang // IEEE Trans. Instrum. Meas. - 2020. - № 69. - P. 3325-3333.

109. Skowron, M. Efficiency of cascade-connected neural networks in detecting initial faults to induction motor drive electric windings / M. Skowron, T. Orlowska-Kowalska // Electronics. - 2020. - № 9. - P. 1314.

110. Ewert, P. Effectiveness Analysis of PMSM Motor Rolling Bearing Fault Detectors Based on Vibration Analysis and Shallow Neural Networks /P. Ewert, T. Orlowska-Kowalska, K. Jankowska // Energies. - 2021. - № 14.

111. Electric Motor Health Monitoring Using a Deep Variational Autoencoder (D-VAE) / Adnan Dehghani, Sharafiz Abd Rahim, Khairil Anas Md Rez et. al. // PREPRINT (Version 1) available at Research Square, 19 July 2024.

112. Induction Motor Fault Diagnosis Using Support Vector Machine, Neural Networks, and Boosting Methods / Min-Chan Kim, Jong-Hyun Lee, Dong-Hun Wang, In-Soo Lee // Sensors. - 2023. - № 23.

113. White, H.H. Electromechanical energy conversion / H.H. White, D.C. Woodson. - S.l. : John Wiley and Sons, 1959. - 646 p.

114. Копылов, И.П. Математическое моделирование электрических машин / И.П. Коп. - Москва : Высшая школа, 1987. - 248 с.

115. Krause, P.C. Analysis of Electric Machinery and Drive Systems. - Second Edition / P.C. Krause, O. Wasynczuk, S.D. Sudhoff. - S.l. : Wiley - IEEE Press, 2002. -632 p.

116. Hernandez-Guzman, V.M. Energy-Based Control of Electromechanical Systems : A Novel Passivity-Based Approach / V.M. Hernandez-Guzman, R. Silva-

Ortigoza, J.A. Orrante-Sakanassi. - Marktoberdorf : Springer Nature, Switzerland AG, 2021. - 626 p. - (Advances in Industrial Control).

117. Furlani, E.P. Permanent Magnet and Electromechanical Devices / E. P. Furlani. - Buffalo : Academic Press, 2001. - 518 p.

118. Rahman, N.N.A. A mathematical model of a brushed DC motor system / N.N.A. Rahman, N.M. Rahya // Data Analytics and Applied Mathematics (DAAM). -2021. - № 2. - P. 60-68.

119. Giowacz, Z. Mathematical Model of DC Motor for Analysis of Commutation Processes / Z. Giowacz, W. Giowacz // Electrical Power Quality and Utilisation. - 2007. - Vol. XIII. - P. 65-68.

120. Mohamad Farid Fazdi. Parameters Identification of a Permanent Magnet DC Motor : A Review / Mohamad Farid Fazdi, Po-Wen Hsueh // Electronics. - 2023. - № 12.

121. Коршунов, А. Упрощенная математическая модель синхронного электродвигателя с возбуждением постоянными магнитами / А. Коршунов // Силовая электроника. - 2008. - № 16. - С. 48-52.

122. Загайко, С.А. Математическое моделирование изнашивания деталей ЦПГ ДВС / С.А. Загайко // Вестник Уфимского государственного авиационного технического университета. - 2013. - Т.17, № 3 (56). - С. 231-238.

123. Pillay, P. Modeling, simulation, and analysis of permanent-magnet motor drives. I. The permanent-magnet synchronous motor drive / P. Pillay, R. Krishnan R. // IEEE Transactions on industry applications. - 1989. - Vol. 25, № 2. - P. 265-273.

124. Sebastian, T. Modelling of permanent magnet synchronous motors / T. Sebastian, G. Slemon, M. Rahman // IEEE Transactions on Magnetics. - 1986. - Vol. 22, № 5. - P. 1069-1071.

125. Иванов-Смоленский, А. В. Применение метода проводимостей зубцовых контуров для расчета синхронных машин с постоянными магнитами на поверхности ротора / А.В. Иванов-Смоленский, М.А. Аванесов, Е.В. Казьмин // Электричество. - 2009. - № 8. - С. 47-55.

126. Szeidl, G. Mechanical Vibrations. An Introduction (Foundations of Engineering Mechanics) / G. Szeidl, Laszlo Peter Kiss. - New York : Springer, 2020. -462 p.

127. Popov, M. The Influence of Vibration on Friction: A Contact-Mechanical Perspective / M. Popov // Frontiers in Mechanical Engineering. - 2020. - № 6. - P. 6977.

128. Лизоркин, П.И. Курс дифференциальных и интегральных уравнений с дополнительными главами анализа / П.И. Лизоркин. - Москва : Наука, 1981. - 384 с.

129. Стальная, М. И. Создание универсальной модели трехфазного электродвигателя с преобразователем векторно-алгоритмического типа в среде MATLAB SIMULINK / М.И. Стальная, С.Ю. Еремочкин // 16-я Международная научно-техническая конференция «Электроприводы переменного тока», 5-9 окт. 2015 г., Екатеринбург. - Екатеринбург, 2015. - С. 149-152.

130. Hatch, M.R. Vibration simulation using MATLAB and ANSYS / M.R. Hatch. - London : CRC press, 2000.

131. Kaminski, M. Neural Network Applications in Electrical Drives -Trends in Control, Estimation, Diagnostics, and Construction / M. Kaminski, T. Tarczewski // Energies. -2023. - Vol. 16, № 4441.

132. Завидей, В. И. Состояние и перспективы внедрения систем мониторинга и технического диагностирования электрических машин и аппаратов / В.И. Завидей, М.А. Свиридов, В.Н. Рущинский // Экспозиция Нефть Газ. - 2019. - № 1(68). - С. 68-72.

133. Moseva, M. Development of a Climate Equipment Parameter Acquisition System using PID and Fuzzy Logic Controllers to Improve Energy Efficiency / M. Moseva, S. Simonov, M. Gorodnichev // Engineering, Technology and Applied Research. - 2024. - Vol. 14, № 5. - C. 16840-16846.

134. Ewert, P. Low-Cost Monitoring and Diagnosis System for Rolling Bearing Faults of the Induction Motor Based on Neural Network Approach / P. Ewert, C.T. Kowalski, T. Orlowska-Kowalska // Electronics. - 2020. - Vol. 9, № 1334.

135. Laboratory scale IIoT implementation experiments : Presented at the 2-nd International Conference «Sustainable development: agriculture, veterinary medicine and ecology», 21-22 Apr. 202, Karshi Citi / I. Fushshilat, Y. Somantri, D. Barmana, S. Kurnianingsih. - New York : AIP Publishing, 2023.

136. ABB remote condition monitoring. Available. - URL : http://new.abb.com/motorsgenerators/service/advanced-services/remote-conditionmonitoring. - Текст электронный.

137. Техническое описание ABB Smart Sensor. - URL : https://inventflow.nl/wp-content/uploads/2022/04/ABB-Ability-Smart-Sensor-Whitepaper-Inv.pdf. (Дата обращения: 05 05 2022). - Текст электронный.

138. Technical datasheet SIMOTICS CONNECT 400. Available. - URL : https://assets.new.siemens.com/siemens/assets/api/uuid:36e91c37-de7a-4af1-8997-54d07ce8b748/dimc-b10048-00-7600dbsimoticsconnect400-en-300.pdf. (Дата обращения: 02 2023). - Текст электронный.

139. Техническое описание SIMATIC CONNECT 400. Available. - URL : https://xcelerator.siemens.com/global/en/all-offerings/products/wireless-iot-sensor-solutions-for-safe-and-smart-monitoring.html. (Дата обращения: 05 05 2022). - Текст электронный.

140. Development of low-cost IIoT system for monitoring piezometric level and temperature of groundwater / M. Espinoza Ortiz, J.P. Apun Molina, B.J. Salvador Isidro et. al. // Sensors (Basel, Switzerland). - 2023. - № 23(23),

141. Smart-sensor for the automatic detection of electromechanical faults in induction motors based on the transient stray flux analysis / I. Zamudio-Ramirez, R.A. Osornio-Rios, J.A. Antonino-Davi, A. Quijano-Lopez // Sensors. - 2020. - № 20(5).

142. Recent Challenges in Condition Monitoring of Industrial Electric Machines / Sang Bin Lee, G. Stone, J. Antonino-Daviu et. al. // IEEE Industrial Electronics Magazine. - 2020. - № 14(4). - P. 158-167.

143. The architecture of cloud maufacturing and its key technologies research / Fanghua Ning, Weizong Zhou, Fengying Zhang et. al. // Proceedings of the 2011 IEEE International Conference on Cloud Computing and Intelligence Systems, 15-17 Sept. 2011, Beijing, China. - Piscataway, 2011. - P. 259-263.

144. Foltynek, P. Measurement and data processing from Internet of Things modules by dual-core application using ESP32 board / P. Foltynek, M. Babiuch, P. Suranek // Measurement and Control. - 2019. - № 52(7-8). - P. 970-984.

145. Lambert, T.R. An Introduction to Microcontrollers and Embedded Systems, 2017, pp. 1103-1194. - URL : https://www.researchgate.net/publication/340062601_Introduction_to_Microcontrollers _and_Embedded_Systems. - Текст электронный.

146. Гук, М., Аппаратные интерфейсы ПК. Энциклопедия, Издательский дом «Питер», 2002, pp. 226-227. - URL : https://royallib.com/book/guk_mihail/apparatnie_interfeysi_pk_entsiklopediya.html7ysc lid=mcoue82jkv267372743. - Текст электронный.

147 .Specification for ESP32-C6-WROOM-1 (Electronic resource). Available. - URL : https://www.espressif.com/sites/default/files/documentation/esp32-c6-wroom-1_wroom-1u_datasheet_en.pdf\. - Текст электронный.

148. Техническое описание DS18B20 //amperkot.ru]. Available. - URL : https://amperkot.ru/static/3236/uploads/datasheets/DS18B20%20datasheet.pdf. (Дата обращения: 02 2023). - Текст электронный.

149. Specification for DS18B20. Available. - URL : https://www.analog.com/media/en/technical- documentation/datasheets/ds 18b20.pdf. (Дата обращения: 02 2023). - Текст электронный.

150. Техническое описание ADXL345 // Farnell.com. Availablero - URL : https://www.farnell.com/datasheets/1942770.pdf. (Дата обращения: 02 2023). - Текст электронный.

151. Technical description for ADXL345. Available. - URL : https://www.analog.com/media/en/technical-documentation/data-sheets/adxl345.pdf . (Дата обращения: 02 2023). - Текст электронный.

152. Specification for SS49E. Available. - URL : https://www.sunrom.com/download/SS49e.pdf. (Дата обращения: 02 2023). - Текст электронный.

153. Technical description for DRV5055-Q1. Available. - URL : https://www.ti.com/lit/ds/symlink/drv5055-q1.pdf. (Дата обращения: 02 2023). - Текст электронный.

154. Техническое описание TP4056 //robot-kit.ru.. Available. - URL : https://robot-kit.ru/wa-data/public/blog/download/TP4056.pdf. - Текст электронный.

155. Интерфейс. Основы проектирования взаимодействия /А. Купер, Р. Рейман, Д. Кронин, К. Носсел. - Санкт-Петербург : Питер, 2019. - 719 с.

156. Соколова, Н.Ю., Практикум по программированию на языке С++ в среде разработки программ MS Visual Studio : Ч. 2 / Н.Ю. Соколова. - Москва : МИЭТ, 2018. - 83 с.

157. Виноградов, Д. В. Разработка мобильных приложений и облачные сервисы : учеб. пособие / Д. В. Виноградов ; Владимир. гос. ун-т им. А. Г. и Н. Г. Столетовых. - Владимир : Изд-во ВлГУ, 2022. - 235 с.

158. Агафонов, А.А. Основы технологий баз данных: учебное пособие / А.А. Агафонов, А.М. Белов. - Самара: Издательство Самарского университета, 2023. -304 с.

159. Синицын, И.И. Базы данных : Проектирование, реализация и сопровождение. - Санкт-Петербург : Питер., 2017. - 370 с.

160. Колисниченко, Д. Программирование для Android : Самоучитель / Д. Колисниченко. - Санкт-Петербург : БХВ-Петербург, 2020. - 288 с.

161. Белик, А.Г. Проектирование и архитектура программных систем : учебное пособие / А.Г. Белик, В.Н. Цыганенко ; Минобрнауки России, ОмГТУ. -Омск : Издательство ОмГТУ, 2016. - 96 с.

162. Жемеров, Д., Kotlin в действии / Д. Жемеров. - Москва : ДМК Пресс, 2018. - 402 с.

163. Скин, Дж. Kotlin. Программирование для профессионалов / Дж. Скин, Д. Гринхол. - Санкт-Петербург : Питер, 2020. - 464 с.

164. Бэнкс, А. React и Redux : функциональная веб-разработка / А. Бэнкс. - Санкт-Петербург : Питер, 2019. - 336 с.

165. Мартишин, С.А. Базы данных. Практическое применение СУБД SQL и NoSQL-типа для проектирования информационных систем : учебное пособие / С.А. Мартишин, В.Л. Симонов, М.В. Храпченко. - Москва : Форум, 2018. - 368 с.

166. Васильев, В.В. Технологии DevOps и их применение в разработке программного обеспечения / В.В. Васильев // Программная инженерия. - Б.м., 2020.

167. Документирование веб-технологий : CSS. Available. - URL : https://developer.mozilla.org/en-US/docs/Web/CSS. (Дата обращения: 18 02 2024). -Текст электронный.

168. Документирование веб-технологий : HTML. Available. - URL : https://developer.mozilla.org/ru/docs/Web/HTML. (Дата обращения: 18 02 2024). -Текст электронный.

169. Документирование веб-технологий : JavaScript. Available. - URL : https://developer.mozilla.org/en-US/docs/Web/JavaScript . (Дата обращения: 15 12 2023). - Текст электронный.

170. Документирование веб-технологий : Kotlin. Available. - URL : https://kotlinlang.org/docs/. (Дата обращения: 15 12 2023). - Текст электронный.

171. Документирование веб-технологий : Next.js. Available. - URL : https://nextjs.org/docs. (Дата обращения: 15 12 2023). - Текст электронный.

172. Документирование веб-технологий : React. Available. - URL : https://reactjs.org/docs/. (Дата обращения: 15 12 2023). - Текст электронный.

173. Документирование веб-технологий : React Hook Form. Available. URL : https://react-hook-form.com/docs. (Дата обращения: 15 12 2023). - Текст электронный.

174. Документирование веб-технологий : SPA. Available. - URL : https://developer.mozilla.org/en-US/docs/Glossary/SPA. (Дата обращения: 15 12 2023). - Текст электронный.

175. Документирование веб-технологий : Tailwind CSS. Available. - URL : https://v2.tailwindcss.ru/docs/. ([Дата обращения: 15 12 2023). - Текст электронный.

176. Документирование веб-технологий : TypeScript. Available. - URL : https://www.typescriptlang.org/docs/ . (Дата обращения: 15 12 2023). - Текст электронный.

177. Частотно-регулируемый асинхронный электропривод на базе запираемых тиристоров и микропроцессорного управления / М.Н. Анисимов, В.И. Роговой, Д.Д. Богаченко и др. // Методы и средства повышения технического уровня электроприводов : сборник научных трудов. - Б.м., б.г. - № 132. - С. 102112.

178. Техническое описание ACSM1 DEMOCASE. Available. - URL : https://www.madi.ru/3420-kafedra-avtomatizaciya-proizvodstvennyh-processov-materia.html. (Дата обращения: 12 10 2023). - Текст электронный.

179. Оценка энергии внешних электромагнитных помех частотно-регулируемых асинхронных двигателей / Ю.Б. Казаков, Е.А. Шумилов, А.В. Тамьяров, А.Н. Морозов // Вестник ИГЭУ. - 2017. - № 4. - С. 38-41.

180. In situ efficiency determination of induction motor : A comparative study of evolutionary techniques / R. Thangaraj, M. Pant, C.T. Raj, A.K. Nagar // Appl. Artif. Intell. - 2011. - № 25. - P. 116-140.

181. Efficiency Assessment of Induction Motors Operating Under Different Faulty Conditions / M. Garcia, P. Panagiotou, J. Antonino-Daviu, K.N. Gyftakis // IEEE Trans. Ind. Electron. - 2019. - № 66. - P. 8072-8081.

182. Bin Lu. A survey of efficiency-estimation methods of in-service induction motors / Bin Lu, T.G. Habetler, R.G. Harley // IEEE Transactions on Industry Applications. - 2006. - № 42. - P. 924-933.

183. Wei Tong. Mechanical Design of Electric Motors / Wei Tong . - Boca Raton, Florida : CRC Press, 2017.

184. Electrical Motor Maintenance Techniques and Life Cycle Assessment -A Review with Case Studies / G.S. Ayyappan, N.K. Nikhil, R.M. Raja et. al. // Proceedings of the 2019 2nd International Conference on Power and Embedded Drive Control (ICPEDC). - 2019. - P. 167-172.

185. Senanayaka, J.S.L. Fault detection and classification of permanent magnet synchronous motor in variable load and speed conditions using order tracking and machine learning / J.S.L. Senanayaka, V.K. Huynh, K.G. Robbersmyr // Journal of Physics Conference Series. - 2018. - June. - P. 1037.

186. Rumelhart, D.E. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Cognitive Modeling. - S.l., 1986. - P. 213-222.

187. PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs / Unbo Wang, Haixu Wu, Jianjin Zhang et. al. // Proceedings of the 31st Conference on Neural Information Processing Systems, 4-9 December 2017, Long Beach, CA, USA. - Long Beach, 2017. - P. 879-888.

188. Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. - 1997. - № 9. - P. 1735-1780.

189. Bin Zhang. Bearing performance degradation assessment using long short-term memory recurrent network / Bin Zhang, Shaohui Zhang, Wtihua Li // Computers in Industry. - 2019. - № 106. - P. 14-29.

190. Long short-term memory for machine remaining life prediction / Jianjing Zhang, Peng Wang, Ruqiang Yan, Robert X. Gaoa // Journal of Manufacturing Systems, special Issue on Smart Manufacturing. - 2018. - № 48. - P. 78-86.

191. Convolutional LSTM network : A machine learning approach for precipitation nowcasting / Xingjian Shi, Zhourong Chen, Hao Wang, Dit-Yan Yeung // Proceedings of the 29th Conference on Neural Information Processing Systems, 7-12 Dec 2015, Montreal, Canada. - Montreal, 2015. - P. 802-810.

192. Spatiotemporal prediction of air quality based on LSTM neural network / Dewen Seng, Xuefeng Zhang, Guangsen Chen et. al. // Alexandria Engineering Journal. - 2021. - № 60.

193. PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs / Yunbo Wang, Jianjin Wang, Zhifeng Gao et.al. // Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017). - Long Beach, USA, 2021. - P. 879-888.

194. Bezdan, T. Convolutional Neural Network Layers and Architectures / T. Bezdan, N.B. Dzakula // International Scientific Conference on Information Technology and Data Related Research, Singidunum University. - Beograd, Serbia, 2019. - P. 445451.

195. Sehri, M. Electric Motor Dataset - Vibration and Acoustic Faults under Constant and Variable Speed Conditions / M. Sehri, P. Dumond ; University of Ottawa, 2023.

196. Vibration, acoustic, temperature, and motor current dataset of rotating machine under varying operating conditions for fault diagnosis / Wonho Jung, Seong-Hu Kim , Sung-Hyun et. al. // Data in brief. - 2023. - Vol. 48. - 109049.

197. Vibration and Motor Current Dataset of Rolling Element Bearing Under Varying Speed Conditions for Fault Diagnosis / Wonho Jung, Seong-Hu Kim, Sung Hyun Yun et.al. // Proceedings of the 48th Annual Conference of the IEEE Industrial Electronics Society, 2023.

198. Demuth, H. Neural Network Toolbox - User's Guide : MATLAB : Version 4 : MA, USA: The MathWorks, Inc. / H. Demuth, M. Beale, M. Hagan. - Natick, Massachusetts, 2004. - 846 p..

199. Senanayaka, J.S.L. A robust method for detection and classification of permanent magnet synchronous motor faults: Deep autoencoders and data fusion approach / J.S.L. Senanayaka, V.K. Huynh, K.G. Robbersmyr // J. Phys. Conf. Ser. -2018. - № 1037.

200. Dehghani, A. Electric Motor Health Monitoring Using a Deep Variational Autoencoder (D-VAE) : PREPRINT (Version 1) available at Research Square, 19 July 2024 / A. Dehghani, S. Rahim et al.

201. Xiang Li. Remaining useful life estimation in prognostics using deep convolution neural networks / Xiang Li, Qian Ding, J.O. Sun // Reliability Engineering and System Safety. - 2018. - № 172. - P. 1-11.

202. Development of the IIoT Device for Permanent Diagnostics of Electric Motors / S.E. Simonov, M. G. Gorodnichev, M. A. Ivanov, I. E. Lyashenko // Systems of Signals Generating and Processing in the Field of on Board Communications. - 2024. - P. 1-5.

203. Симонов, С.Е. Исследование методов предиктивной аналитики неисправностей электродвигателя на основе машинного обучения / С. Е. Симонов, О. В. Дубровин, А. В. Илюхин // Вестник ГГНТУ. Технические науки. - 2024. - Т. 20, № 3(37). - С. 21-38.

204. Simonov, S.A. Mathematical Software of the Electric Motor Operation of Data Generation About Condition / S. Simonov, M. Moseva, M. Gorodnichev // 2024 Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO). - Moscow, 2024. - P. 1-5.

205. Review of fault diagnosis of PMSM drive system in electric vehicles / Jianmin Zheng, Zhonghua Wang, Dongxue Wang, Yueyang Li // Proceedings of the 36th Chinese Control Conference (CCC), 26-28 July 2017, Dalian, China. - Dalian, 2017. - P. 74267432.

ПРИЛОЖЕНИЕ А. Копии свидетельств о государственной регистрации программ для ЭВМ

ПРИЛОЖЕНИЕ Б. Акты о внедрении

«УТВЕРЖДАЮ»

Ректор ордена I рудового Красного "Знамени федерального государственного бюджетного образовательного учреждения высшего обрааедания «Московский

высшего о]

АКТ

об использовании результатов диссертационной работы Симонова С.Е. на тему: «Автоматизация удаленной диагностики и мониторинга электродвигателя в непрерывном технологическом процессе» в учебном процессе кафедры «Математическая кибернетика и информационные технологии»

Комиссия в составе:

- проректора по учебной работе, к.э.н., доц. Аджиковой Алтынай Султахановны;

- руководителя Департамента организации и управления учебным процессом, к.э.н., доц. Краснова Евгения Владимировича,

удостоверяет, что в учебном процессе кафедры «Математическая кибернетика и информационные технологии» при выполнении лабораторных и практических работ по дисциплине «Цифровые устройства и микропроцессоры» для бакалавров направления 09.03.01 «Информатика и вычислительная техника» используются результаты диссертации Симонова Сергея Евгеньевича, а именно: ПоТ устройство с датчиками температуры, частоты вибрации и электромагнитного поля, позволяющее непрерывно собирать измеряемые показатели датчиков и передавать данные. Эффективность внедрения заключается в приобретении студентами знаний по перспективным направлениям развития науки и техники.

Проректор по учебной работе

А.С. Аджикова

Руководитель Департамента организации и управления учебным процессом

Е.В. Краснов

V/ г

[phone] https://shop.energostandart.ru [e-mail]

АКТ

о внедрении результатов диссертационной работы Симонова Сергея Евгеньевича, представленной на соискание ученой степени кандидата технических наук

Настоящим актом подтверждается, что основные результаты диссертационного исследования Симонова Сергея Евгеньевича «Автоматизация удаленной диагностики и мониторинга электродвигателей в непрерывном технологическом процессе» в настоящее время используется компанией ООО «Энергостандарт», а именно:

- НоТ-устройство, монтируемое на корпус электродвигателя, оснащеное датчиками для мониторинга температуры, частоты вибрации и электромагнитного поля, обеспечивающее непрерывный сбор данных с датчиков и их передачу на облачный сервер предприятия.

- Мобильное приложение, предназначенное для приёма данных с НоТ-устройства о параметрах электродвигателя в условиях отсутствия промышленного Wi-Fi.

Специализированное про1раммное обеспечение на базе интеллектуального алгоритма для обнаружения и классификации неисправностей элекгродвигателей.

- Программное обеспечения для человеко-машинного взаимодействия, позволяющее производить удаленный мониторинг электродвигателей для своевременного принятия решений о замене или регламентном обслуживании, вести историю обслуживания и выводить тренды изменения состояния каждого электродвигателя.

Результаты диссертационного исследования находятся в стадии пробной эксплуатации, а по ее окончании будут внедрены в систему удаленной диагностики и мониторинга элекгродвигателей конвейерного оборудования для своевременного обнаружения, и классификации неисправностей.

ЭНЕРГОСТАНДАРТ