Нижегородский государственный технический университет им. Р.Е. Алексеева (НГТУ) совместно с ООО «ЕМГ» получил патент Российской Федерации № 2863963 на способ мультипараметрической диагностики и прогнозирования технического состояния станочного оборудования с использованием нейросетевых моделей и адаптивного цифрового двойника. Изобретение внесено в Государственный реестр изобретений Российской Федерации 15 июня 2026 года; приоритет закреплён за разработчиками с 13 ноября 2025 года.
Патент относится к методам технической диагностики сложного технологического оборудования, прежде всего металлообрабатывающих станков и комплексов. Такой подход может применяться для контроля состояния подшипников, шпиндельных узлов, валов, редукторов и коробок скоростей, муфт, зубчатых и ременных передач, электродвигателей, шариковых винтовых передач, направляющих и других узлов станка.
Самым сложным в подобных проектах обычно становится не применение отдельного алгоритма машинного обучения, а согласование всех компонентов в единую систему. Необходимо определить, какие параметры действительно информативны для конкретного станка, как учитывать режимы работы и как отличать технологические изменения от признаков неисправности. Разработка велась в течение трёх лет и опиралась на ранее накопленный опыт в области вибродиагностики, измерительных систем и мониторинга технического состояния оборудования.
Проблема, которую решает изобретение
Сегодня обслуживание промышленного оборудования, как правило, идёт по одному из двух сценариев: ремонт после поломки, который оборачивается внезапными простоями и срывом производственных планов, либо плановая замена узлов регламенту, при которой нередко меняются ещё работоспособные детали. Оба подхода ведут к избыточным издержкам.
На практике системы мониторинга и диагностики могут быть ориентированы на отдельные параметры или отдельные задачи: контроль вибрации, температуры, загрузки оборудования, учёт простоев, защиту станка или анализ технологического процесса. Запатентованный способ развивает подход к комплексной диагностике, объединяя данные различных датчиков, цифровой паспорт оборудования и адаптивную модель его технического состояния. Практическая эффективность такого подхода определяется составом измерений, настройкой модели и условиями эксплуатации конкретного оборудования.
Отличительная особенность разрабатываемого решения — ориентация на углублённую диагностику механических узлов станка по совокупности виброакустических, тахометрических, электрических, температурных и дискретных сигналов на основе нейросетевых подходов. Система может адаптироваться к конкретному оборудованию, учитывать его режимы работы и историю измерений для непрерывного мониторинга ответственных узлов. Модульная архитектура допускает настройку состава датчиков, алгоритмов, отчётов и способов интеграции под требования конкретного производственного объекта.
Новый подход заключается в том, чтобы объединить несколько групп данных в единую картину: вибрацию, температуру, электрические параметры, частоту вращения и расчётные диагностические признаки. Далее эти данные сопоставляются с цифровым паспортом конкретного станка и его расчётной моделью.
Задача системы не заменить инженера, а дать ему более полную и сопоставимую во времени информацию: выявить нетипичное изменение параметров, зафиксировать событие, оценить динамику его развития и обоснованнее выбрать дальнейшие действия — дополнительную диагностику, планирование обслуживания или проверку оборудования по установленному регламенту.
Как работает технология
В основе запатентованного способа лежит адаптивный цифровой двойник оборудования — цифровая модель, которая синхронизируется с данными реального станка в процессе работы. На этапе подготовки для конкретного оборудования формируется цифровой диагностический паспорт: в него могут включаться сведения о контролируемых узлах, режимах эксплуатации, эталонных значениях и динамике диагностических параметров.
Для оценки технического состояния используются данные нескольких групп измерений: вибрационные, температурные, электрические и кинематические параметры. В зависимости от конфигурации системы это могут быть сигналы вибрации, температуры, тока, напряжения, частоты вращения и дискретных состояний оборудования. Первичные измерения дополняются расчётными спектральными и статистическими признаками, позволяющими сопоставлять текущее состояние узлов с их характерными режимами работы.
Полученные данные сравниваются с цифровым паспортом и моделью состояния оборудования. При выявлении значимых отклонений могут использоваться диагностические правила, статистические методы и алгоритмы машинного обучения для уточнения характера изменения параметров, выявления аномалий и оценки развития неисправности. Конкретный набор алгоритмов определяется типом оборудования, задачей контроля и доступными диагностическими данными.
Способ предусматривает дообучение нейросетевой модели в процессе эксплуатации на основе данных цифрового двойника — без остановки оборудования и без постоянного участия оператора. Это позволяет учитывать индивидуальные особенности конкретного станка и изменение его параметров в течение жизненного цикла.
По результатам анализа могут рассчитываться прогнозные тренды и оценка времени до достижения заданных пороговых значений. При их достижении система формирует запись в цифровом паспорте и, в зависимости от заданной логики взаимодействия с оборудованием, может передавать информационный или управляющий сигнал во внешние системы предприятия. Возможна интеграция с системами ЧПУ, АСУ ТП, SCADA и другими цифровыми контурами производства по применимым промышленным интерфейсам.
Цифровой двойник — это не просто трёхмерная модель станка на экране. Это цифровая модель его состояния, которая объединяет сведения о конструкции, режимах работы, измеряемых параметрах, истории обслуживания и результатах диагностики. Перед эксплуатацией формируется так называемый цифровой паспорт: в него вносятся данные о станке, диагностируемых узлах, режимах работы, границах допустимых значений и эталонных траекториях параметров, полученных на исправном оборудовании или по подтверждённым данным. Далее модель регулярно получает текущие данные от датчиков и сравнивает их с ожидаемым поведением оборудования. Поэтому «здоровое» состояние определяется не абстрактной нормой для всех станков, а набором признаков, характерных для конкретного объекта и его рабочих режимов.
Значение для промышленности
В промышленной диагностике нейросетевая модель должна быть не единственным источником решения, а одним из элементов системы поддержки принятия решений. Поэтому предлагаемый подход сочетает обучаемые модели с детерминированными правилами, порогами, диагностическими признаками и ограничениями, заданными инженером. Дообучение позволяет модели учитывать изменение состояния оборудования и условий его работы, но критические действия должны быть привязаны к заранее настроенным алгоритмам безопасности и регламентам предприятия.
Важно разделять две задачи. Первая — выявить отклонение и привлечь внимание специалиста. Вторая — выдать управляющее воздействие на оборудование. Для второй необходима отдельная инженерная настройка, проверка логики, определение уровней допуска и подтверждение работоспособности на конкретном производственном объекте.
Наиболее заметный эффект можно ожидать там, где стоимость незапланированного простоя высока, оборудование работает в интенсивном режиме, а отказ одного узла может повлиять на весь технологический участок. Это могут быть предприятия машиностроения, металлообработки, производства компонентов, ремонтные и испытательные подразделения.
Эффект достигается снижением потерь времени на внеплановые ремонты, повышение прозрачности технического состояния оборудования, накопление данных для инженерного анализа и снижение риска эксплуатации узла с развивающимся дефектом. Конкретный экономический эффект можно оценить только после пилотного внедрения на конкретном производстве.
По замыслу разработчиков, применение такого подхода может повысить полноту и оперативность анализа технического состояния оборудования и дать предприятиям дополнительную основу для планирования обслуживания по фактическому состоянию. Ожидаемый эффект — снижение риска внеплановых остановок, более обоснованное планирование ремонтов и накопление объективных данных о работе оборудования — требует подтверждения в ходе пилотной эксплуатации на конкретных производственных объектах. При формировании диагностических признаков и пороговых значений учитываются применимые требования ГОСТ и международных стандартов ISO.
Следующий этап развития — переход от диагностики оборудования в отдельных контрольных режимах к оценке динамического состояния станка непосредственно в процессе резания. Для этого требуется синхронизировать вибродиагностические данные с параметрами обработки, током приводов, температурой и частотой вращения, чтобы оценивать изменение динамических характеристик оборудования при реальных производственных нагрузках и учитывать влияние технологического процесса на измеряемые параметры. В дальнейшем такой подход может использоваться для оценки состояния режущего инструмента, выявления признаков его износа и подготовки рекомендаций по корректировке режимов обработки с учётом фактического состояния станка и технологического процесса.
Комментарий разработчиков
Патент закрепляет способ объединения данных различных датчиков, цифрового паспорта оборудования и интеллектуальной модели его состояния. Речь не идёт о универсальном решении, которое без настройки может определить любую неисправность. Для каждого типа оборудования необходимы обследование, формирование эталонных данных и настройка диагностических параметров. Такой подход позволяет создавать более обоснованные системы контроля технического состояния станков и развивать обслуживание по фактическому состоянию. Практическая ценность подхода заключается в том, что состояние оборудования оценивается не по одному признаку, например только по вибрации или температуре, а по совокупности виброакустических, тахометрических, электрических и других параметров. Это позволяет учитывать, что изменение одного показателя может быть связано не только с развитием дефекта, но и с изменением нагрузки, режима обработки или условий эксплуатации.
Перспективы
Ближайшая задача - развивать подход на конкретных типах металлообрабатывающего оборудования: уточнять диагностические признаки, накапливать данные, совершенствовать цифровые паспорта и проверять алгоритмы в условиях реальной эксплуатации. Следующий этап - переход от диагностики оборудования в отдельных контрольных режимах к оценке динамического состояния станка непосредственно в процессе резания. Для этого необходимо синхронизировать вибродиагностические данные с параметрами обработки, током приводов, температурой и частотой вращения. Такой подход позволит анализировать изменение вибрационной активности и других диагностических признаков при фактических производственных нагрузках, а не только в рамках специально заданных диагностических циклов. В перспективе это может быть дополнено оценкой состояния режущего инструмента, выявлением признаков его износа и подготовкой рекомендаций по корректировке режимов обработки с учётом состояния станка и технологического процесса. При этом речь идёт не об универсальной автоматической настройке режима резания, а о развитии средств инженерной поддержки принятия решений на основе данных измерений.
Сам принцип — объединение данных датчиков, цифрового паспорта, модели состояния и прогноза изменения параметров — потенциально применим не только к станкам. Он может быть востребован для редукторов, электроприводов, насосных агрегатов, испытательных стендов, транспортных систем, энергетического и другого промышленного оборудования. Однако перенос на новую отрасль не происходит автоматически: для каждого класса машин необходимы собственные диагностические модели, состав измеряемых параметров, критерии оценки и подтверждение результатов на реальных объектах.
В настоящее время продолжаются доработка и адаптация аппаратной части, программных модулей и алгоритмов обработки данных с учётом результатов испытаний и требований к применению системы на конкретных объектах.
Источник: Минобрнауки России
