Исследователи представили новый подход к проектированию интеллектуальных систем диагностики неисправностей (IFDS), основанный на анализе вибрационных сигналов. Традиционные методы глубокого обучения с переносом (Deep Transfer Learning) требуют значительных объемов размеченных данных, что создает серьезные препятствия при мониторинге технического состояния промышленного оборудования. В условиях реальной эксплуатации получение больших выборок с описанием поломок часто затруднено или экономически невыгодно.
Предложенная методика использует внутреннюю нелинейность систем для компенсации нехватки обучающих данных. Авторы работы показывают, как математическое моделирование динамических характеристик оборудования позволяет повысить точность классификации состояний даже при ограниченном наборе примеров. Это снижает зависимость от масштабных размеченных датасетов, которые обычно требуются для обучения нейронных сетей в задачах предиктивного обслуживания.
Разработка направлена на повышение надежности автоматизированных систем контроля в машиностроении и энергетике. Метод позволяет эффективнее внедрять алгоритмы глубокого обучения в производственные процессы, где сбор данных о критических сбоях ограничен физическими возможностями датчиков или редким характером самих поломок. Результаты исследования открывают путь к созданию более устойчивых моделей диагностики, способных адаптироваться к специфике конкретных промышленных узлов без необходимости длительного накопления статистики отказов.