Корреляционный подход к интеграции диагностических признаков газопоршневых электроагрегатов

АКТУАЛЬНОСТЬ. Газопоршневые электроагрегаты с синхронными генераторами с возбуждением от постоянных магнитов широко применяются в нефтяной промышленности и в малой распределенной энергетике. Эффективным средством повышения их эксплуатационной готовности и надежности являются непрерывная техническая диагностика. В статье исследовано использование корреляционных зависимостей диагностических признаков для повышения достоверности мультифизического диагностирования.

ЦЕЛЬ. Рассмотреть возможность надёжной классификации дефектов газопоршневых электроагрегатов с синхронными генераторами с возбуждением от постоянных магнитов на основе анализа корреляционных коэффициентов между вибрацией, напряжением и магнитным потоком. Исследовать использование корреляционного подхода в составе цифровой тени машины для интеграции в единую систему мультифизического диагностирования.

МЕТОДЫ. При решении поставленной задачи применялись методы математического моделирования с использованием пакетов компьютерных программ Google Colab, PlantUML, объектноориентированного программирования с использованием языка программирования Python.

РЕЗУЛЬТАТЫ. Экспериментальная апробация использования корреляционного подхода в составе цифровой тени на эталонных и реальных данных подтвердила высокую чувствительность системы к выявлению как единичных, так и комбинированных неисправностей. Установлено, что такой подход обеспечивает раннюю диагностику и повышение достоверности принимаемых решений по техническому обслуживанию.

ЗАКЛЮЧЕНИЕ. Совместный учёт спектральных и корреляционных характеристик в рамках цифровой тени обеспечивает строгую, физически интерпретируемую и статистически устойчивую идентификацию неисправностей, что подтверждено как вычислительными экспериментами, так и эмпирическими исследованиями. Такой подход обеспечивает высокую чувствительность к комплексным отказам. Полученные результаты подтверждают целесообразность использования корреляционного анализа как ключевого элемента в архитектуре цифровых теней и двойников многосигнальных объектов энергетики.

1. Зайниев А.В., Хакимьянов М. И. Комплексная диагностика неисправностей синхронного генератора с возбуждением от постоянных магнитов в составе газопоршневого агрегата с использованием нейронных сетей // Вестник Казанского государственного энергетического университета. 2025. Т. 17. № 1(65). С. 23-37.

2. Зайниев А.В., Хакимьянов М.И. Анализ пространственно-временных характеристик внешнего магнитного поля синхронного генератора с возбуждением от постоянных магнитов для целей диагностики неисправностей // Вестник Казанского государственного энергетического университета. 2025. Т. 18. № 4 (68). С. 24-38.

3. Zayniev A.V., Khakimyanov M.I., Nedelchenko O.I. Digital Twin for Fault Diagnosis of Gas-Piston Electric Units on the Basis of Multiphysics Approach. 2025 International Ural Conference on Electrical Power Engineering (UralCon), Magnitogorsk, Russian Federation. 2025:863-869, doi: 10.1109/UralCon67204.2025.11206603.

4. Исаев А.В., Нефедьев А.И., Исаев И.А. Выявление аварийных режимов силовых электроприводов с применением методов машинного обучения // Технологии электромагнитной совместимости. 2024. № 1(88). С. 3-14.

5. Falekas G., Karlis A. Digital Twin in Electrical Machine Control and Predictive Maintenance: State-of-the-Art and Future Prospects // Energies. 2021. Vol. 14. pp. 5933. doi: 10.3390/en14185933.

6. Khalyasmaa A.I., Stepanova A.I., Eroshenko S.A., et al. Review of the Digital Twin Technology Applications for Electrical Equipment Lifecycle Management // Mathematics. 2023. Vol. 11(1315). doi: 10.3390/math11061315.

7. Массель Л.В., Ворожцова Т.Н. Онтологический подход к построению цифровых двойников объектов и систем энергетики // Онтология проектирования. 2020. Т.10. № 3(37). С. 327-337. doi: 10.18287/2223-9537-2020-10-3-327-33.

8. Jain P., Poon J., Singh J.P., et al. A Digital Twin Approach for Fault Diagnosis in Distributed Photovoltaic Systems // IEEE Transactions on Power Electronics. 2020. Vol. 35, N1. pp. 940-956. doi: 10.1109/TPEL.2019.2911594.

9. PRANA Predictive Analytics Systems, Equipment Operation Monitoring. Доступно по: https://prana-system.com/. Ссылка активна на 03 февраля 2026.

10. Hu M., He Y., Lin X., et al. Digital twin model of gas turbine and its application in warning of performance fault // Chinese Journal of Aeronautics. 2022. Vol. 36. doi: 10.1016/j.cja.2022.07.021.

11. SVVS Narayana P., Ruchir Y., Sabareesh G.R., et al. Optimal sensor placement for identifying multi-component failures in a wind turbine gearbox using integrated condition monitoring scheme // Applied Acoustics. 2022. Vol. 187. pp. 108505. doi: 10.1016/j.apacoust.2021.108505.

12. Хальясмаа А.И., Ревенков И.С., Сидорова А.В. Применение технологии цифрового двойника для анализа и прогнозирования состояния трансформаторного оборудования // Вестник Казанского государственного энергетического университета. 2022. Т. 14. № 3(55). С. 99-113.

13. Eroshenko, S.A. Application of a Risk-Based Approach and Deep Convolutional Neural Networks to Determine the Set of Flight Points in the Diagnostics and Design of Electrical Facilities. In: Proceedings of the 2022 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON); 2022. pp. 220-224. doi: 10.1109/SIBIRCON56155.2022.10016977.

14. Likitjarernkul T., Sengchaui K., Duangsoithong R., et al. Correlation Feature Selection Analysis for Fault Diagnosis of Induction Motors. In: Sulaiman H., Othman M., Rahim Y. et al. editors. Advanced Computer and Communication Engineering Technology. Lecture Notes in Electrical Engineering; Cham: Springer; 2016; vol. 362. doi: 10.1007/978-3-319-24584-3_104.

15. Bhattacharya D. Diagnosis and condition monitoring of electrical machines using machine learning techniques // International Journal of Applied Mathematics. 2025. Vol. 38. pp. 1145-1160. doi: 10.12732/ijam.v38i7s.539.