Диагностика неисправностей мостового крана: GNN или классика
Графовые нейронные сети (GNN) при диагностике неисправностей мостового крана по данным мультисенсорной системы в среднем на 8,3–14,8 процентных пункта превосходят традиционные методы (SVM/MLP/случайный лес) по метрике F1. Ключевая причина — GNN естественным образом используют физическую топологию связей между датчиками: датчики вибрации V1 и V2 установлены на одном корпусе подшипника, датчик температуры T1 расположен вблизи обмотки двигателя. Эти пространственные и функциональные взаимосвязи кодируются в виде структуры графа и передаются классификатору, тогда как традиционные методы рассматривают датчики как независимые переменные (гипотеза i.i.d.), полностью игнорируя их взаимное влияние. Результаты сравнительных испытаний: GCN (три слоя) с внимательным пулингом достиг F1=0,972 на данных 28 мостовых кранов × 12 типов датчиков × 3 года эксплуатации, в то время как SVM — лишь 0,847.
Точность диагностики неисправностей мостового крана напрямую влияет на безопасность оборудования и персонала. Современные подходы по-прежнему основаны на парадигме «извлечение признаков из каждого датчика + традиционный классификатор»: из сигналов вибрации, температуры и тока вычисляются статистические характеристики (СКЗ, пиковое значение, стандартное отклонение, коэффициент асимметрии), которые затем объединяются в многомерный вектор и подаются на вход SVM или MLP. Однако такой подход имеет фундаментальный недостаток: он игнорирует структурные связи между датчиками. Например, в механизме подъёма существует физическая причинно-следственная цепочка между аномальной вибрацией редуктора (датчик V3) и колебаниями тока двигателя (датчик C2): износ шестерни → ударные нагрузки в зацеплении → колебания крутящего момента двигателя → колебания тока. Эта взаимосвязь полностью теряется при использовании независимых векторов признаков.
Графовые нейронные сети (GNN) решают эту проблему, моделируя систему датчиков в виде графа (узлы = датчики, рёбра = физические/функциональные связи). В процессе передачи сообщений каждый узел автоматически агрегирует информацию от соседних узлов, что позволяет улавливать структурированные взаимосвязи между датчиками. В данной статье на основе экспериментальной платформы диагностики неисправностей мостовых кранов компании Келуде Тяжёлая Промышленность (12 типов датчиков × 28 кранов × 3 года эксплуатации) проводится сравнение GNN и традиционных методов по точности классификации, интерпретируемости и эффективности развёртывания.
Построение графа мультисенсорной системы мостового крана: определение узлов, правила рёбер и матрица смежности
Определение узлов: На платформе диагностики неисправностей мостовых кранов Келуде Тяжёлая Промышленность на каждом ключевом компоненте установлены датчики 4 типов, всего 12 узлов: датчики вибрации V1–V4 (расположены на корпусе подшипника со стороны привода двигателя подъёма, на корпусе подшипника входного вала редуктора, на опорном подшипнике барабана и на корпусе подшипника ходового колеса тележки), датчики температуры T1–T3 (обмотка статора двигателя подъёма, поверхность трения тормоза, масляная ванна редуктора), датчики тока C1–C3 (по одному на каждую фазу двигателя подъёма), датчики крутящего момента Q1–Q2 (на обоих концах вала барабана). Исходный сигнал каждого датчика разбивается на кадры скользящим окном из 256 точек, после чего извлекаются 10 признаков (СКЗ, пиковый фактор, коэффициент формы, импульсный фактор, коэффициент запаса, асимметрия, эксцесс, частота центра тяжести, отношение энергии полосы [0–500 Гц], отношение энергии полосы [500–2000 Гц]), формируя вектор признаков узла xᵢ∈ℝ¹⁰.
Стратегия определения рёбер: Множество рёбер E строится по трём комбинированным правилам: рёбра физических соединений (датчики на одной кинематической цепи, например V1-C1-T1 образуют цепь мониторинга двигателя подъёма, вес ребра w=1,0), рёбра функциональной связи (пары датчиков, связанные причинно-следственными отношениями, например электромеханическая связь между вибрацией редуктора V3 и током двигателя C2, соединение определяется по взаимной информации MI≥0,3, вес ребра w=MIᵢⱼ), рёбра пространственной близости (датчики с расстоянием установки d≤500 мм, вес обратно пропорционален расстоянию w=1/d). Итоговый граф G=(V,E) содержит 12 узлов и 38 рёбер (18 физических соединений, 12 функциональных связей, 8 пространственных), плотность графа ρ=2|E|/(|V|(|V|-1))=0,576.
Матрица смежности A: Размер 12×12, Aᵢⱼ=wᵢⱼ (вес ребра при наличии связи), Aᵢⱼ=0 (при отсутствии связи; петли для i=j добавляются на этапе постобработки). Матрица смежности подвергается симметричной нормализации: Â = D^(-½)·A·D^(-½), где D — степенная матрица. Собственные значения нормализованной матрицы Â лежат в диапазоне λ∈[-1,1], что обеспечивает численную устойчивость обучения GNN.
| ДатчикID | Тип | Место установки | Частота дискретизации(kHz) | Размерность признаков | Связанный целевой дефект |
|---|---|---|---|---|---|
| V1 | Плюсскорость( IEPE ) | Двигатель ПодъемаКорпус Подшипника | 12.8 | 10 | ПодшипникСвязанный целевой дефектF1,Нецентровка валовF3 |
| V2 | Плюсскорость( IEPE ) | РедукторВходПодшипник | 12.8 | 10 | ШестерняИзносF2,ПодшипникF1 |
| V3 | Плюсскорость( IEPE ) | Опорный подшипник барабана | 12.8 | 10 | подшипник барабанаF1,Канат стальнойИзнос |
| T1 | PT100Термопара | Двигатель ПодъемаОбмотка | 0.1 | 10 | ДвигательПерегрев,Пробой изоляции |
| C1 | ХоллаТок | ДвигательUФаза | 5.0 | 10 | Несимметрия фаз,Нецентровка валов |
| Q1 | ТензометрическийКрутящий момент | вал барабанаЛевый конец | 2.0 | 10 | перегрузкаF5,ШестерняИзносF2 |
Источник данных: спецификация развертывания датчиков платформы диагностики неисправностей мостовых кранов Келуде Тяжёлая Промышленность (KL-SEN-DEP-2025 Rev.3) и записи фактического развертывания на 28 мостовых кранах. Каждый датчик перед установкой проходит метрологическую калибровку (срок действия ≤ 12 месяцев), номера сертификатов калибровки архивируются для проверки.
Архитектура моделей GCN и GAT: механизм передачи сообщений и реализация PyG
Графовая сверточная сеть (GCN): предложена Kipf и Welling в 2016 г., основная операция — нормализованная агрегация признаков соседей: H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾). В экспериментах Келуде Тяжёлая Промышленность используется трехслойная архитектура GCN: входной слой (12×64, ReLU + Dropout p=0.3), скрытый слой (64×128, ReLU + Dropout p=0.3), выходной слой (128×4, Softmax). Каждый слой использует симметрично нормализованную матрицу смежности  для агрегации, что эквивалентно локальному усредняющему пулингу для пространственно близких датчиков. Общее количество параметров полносвязных слоев: (12×64)+(64×128)+(128×4)=9 344 обучаемых параметра, задержка прямого прохода для одного образца при инференсе — 3,2 мс (NVIDIA RTX 3060).
Графовая сеть внимания (GAT): Velickovic et al. 2018 внедрили механизм внимания, назначая каждой дуге обучаемый коэффициент внимания αᵢⱼ: αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ])), формула агрегации: hᵢ’ = σ(∑αᵢⱼ·W·hⱼ). Используется 4 головы внимания (head=4), каждая голова выдает 16-мерное представление, конкатенация в 64-мерное скрытое представление, после двух слоев GAT следует полносвязный классификационный выход. Преимущество механизма внимания: система автоматически определяет, какие связи датчиков важнее — эксперименты показали, что наибольший вес внимания α=0,32 у пары V1V2 (вибрация одного корпуса подшипника), а наименьший α=0,09 у пары V3T2 (вибрация барабана — температура тормоза), что подтверждает корректное выявление моделью физических связей.
Реализация PyG (упрощенный цикл обучения):
import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, GATConv, SAGEConv from torch_geometric.data import Data class GCNFaultDetector(torch.nn.Module): """трёхуровневыйGCNмодель диагностики неисправностей мостового крана типа""" def __init__(self, in_dim=10, hidden_dim=64, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GCNConv(in_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, hidden_dim) self.conv3 = GCNConv(hidden_dim, out_dim) self.dropout = dropout def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv2(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv3(x, edge_index) return F.log_softmax(x, dim=1) class GATFaultDetector(torch.nn.Module): """многоголовое вниманиеGATмодель диагностики неисправностей мостового крана типа——4головка×16размерность""" def __init__(self, in_dim=10, hidden_dim=64, heads=4, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GATConv(in_dim, hidden_dim//heads, heads=heads, dropout=dropout) self.conv2 = GATConv(hidden_dim, out_dim, heads=1, concat=False, dropout=dropout) def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=0.3, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # загрузка данных（28единица×12узел×3годовые данные временных рядов графовой структуры） # edge_index: [2, 76] (38ненаправленных рёбер76направленных рёбер) # x: [12, 10] (12узел×10размерных признаков) # y: [12] (метки неисправностей на уровне узлов: 0норма/1Подшипник/2Шестерня/3расцентровка/4ослабление) data_list = torch.load('crane_gnn_data.pt') model = GCNFaultDetector() optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) for epoch in range(200): model.train() total_loss = 0 for data in data_list: optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() total_loss += loss.item() if epoch % 20 == 0: print(f'Epoch {epoch:3d} | Loss: {total_loss/len(data_list):.4f}')
Пояснение к коду: GCNFaultDetector использует три слоя GCNConv с передачей сообщений, скрытая размерность 64, Dropout 0,3 для предотвращения переобучения. GATFaultDetector: первый слой — 4 головы внимания (4×16 = 64-мерная конкатенация), последний слой — одна голова внимания, выход — вероятности 4 классов неисправностей. Обе модели используют общую структуру edge_index (38 неориентированных дуг, 76 ориентированных). В экспериментах скорость сходимости GAT примерно на 30% выше, чем у GCN (60 эпох против 90 эпох до достижения оптимального результата на валидационном наборе).
| АрхитектураПараметр сравнения | GCN(Трехслойный) | GAT(2Головка/4Головка) | GraphSAGE(Средний пулинг) |
|---|---|---|---|
| Агрегирующая функция | Нормированное среднее агрегирование | Агрегирование с весами внимания | Среднее/LSTM/Пулинг на выбор |
| Обучаемые веса ребер | КреплениеОбучаемые веса ребер(Â) | Адаптивныйαᵢⱼ | Средний вес |
| ПараметрВеличина(Данная задача) | 9,344 | 9,732(4Головка) | 9,604 |
| Односэмпловый вывод(ms) | 3.2 | 5.7 | 2.8 |
| Число эпох до сходимости | ~90Эпоха | ~60Эпоха | ~80Эпоха |
| Интерпретируемость | Низкий(Grad-CAM) | Высокий(Видимость внимания) | Низкий |
| ТестированиеМножествоF1 | 0.958 | 0.972 | 0.947 |
Экспериментальная платформа: NVIDIA RTX 3060 12GB / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11. Данные: записи эксплуатации 28 мостовых кранов Келуде Тяжёлая Промышленность за 3 года, разделение на обучающую/валидационную/тестовую выборки в пропорции 7:1.5:1.5. GAT достиг оптимального F1=0.972 при конфигурации с 4 головками внимания, что на 2.5 процентных пункта выше, чем у GraphSAGE.
GNN против классических методов: сравнение 5 подходов по 6 критериям
В сравнительном эксперименте задействованы 5 методов: SVM (RBF-ядро, C=10, γ='scale'), случайный лес (n_estimators=200, max_depth=15), MLP (трёхслойная полносвязная сеть, скрытые слои [128,64], ReLU+BN+Dropout), GCN (три слоя, hidden=64), GAT (4 головки, hidden=64/head). Для корректности сравнения все методы используют одинаковый набор входных признаков: из каждого датчика извлекается 10 статистических характеристик, 12 датчиков формируют 120-мерный вектор признаков (только GNN использует структуру графа edge_index). Каждый метод повторяется 5 раз, результаты представлены как среднее ± стандартное отклонение.
Состав набора данных: 28 мостовых кранов (16 шт. типа QD + 8 шт. типа LD + 4 взрывозащищённых), включая 12 544 образца нормальной работы, 3 840 образцов повреждения подшипника (3 подтипа: наружное кольцо, внутреннее кольцо, тело качения), 2 560 образцов износа шестерни, 1 920 образцов нарушения центровки валов, 1 536 образцов ослабления креплений — всего 22 400 размеченных образцов. Каждый образец представляет собой вектор статистических признаков скользящего окна длиной 256 точек.
| Метод | Точность(%) | Полнота(%) | F1 | ПараметрВеличина | Время обучения(s) | Задержка вывода(ms) |
|---|---|---|---|---|---|---|
| SVM(RBFЯдро) | 84.7±1.2 | 84.1±1.4 | 0.847 | ~38k(SV) | 126.4 | 4.1 |
| RF(200Шт.) | 87.3±0.9 | 86.8±1.0 | 0.873 | 200×~15 | 89.7 | 2.5 |
| MLP(128-64) | 89.1±0.7 | 88.3±0.8 | 0.891 | 20,740 | 55.2 | 1.8 |
| GCN(3Трехслойный) | 95.8±0.5 | 95.6±0.5 | 0.958 | 9,344 | 38.6 | 3.2 |
| GAT(4Головка) | 97.2±0.4 | 96.8±0.5 | 0.972 | 9,732 | 52.3 | 5.7 |
Модель GAT демонстрирует точность 97,2%, опережая SVM на 12,5 процентных пункта. В ходе абляционного эксперимента замена графовой структуры на единичную матрицу (возврат к режиму MLP после удаления информации о связях) снизила точность GCN до 89,8%, что подтверждает вклад графовой структуры примерно в 6,0 процентных пункта. По количеству параметров GNN благодаря механизму разделения весов (все узлы одного слоя используют общую матрицу весов W) требует всего 9 344–9 732 параметра, что значительно меньше числа опорных векторов SVM и параметров полносвязной сети MLP. Детали реализации можно найти в статье о интерпретируемости модели Grad-CAM от компании Келуде, раздел SHAP-анализа.
Интерпретируемость путей: внимание раскрывает причинно-следственные связи датчиков
Механизм внимания GAT служит естественным инструментом интерпретации: веса внимания αᵢⱼ, присваиваемые каждым узлом-датчиком своим соседям, напрямую отражают диагностическую значимость связи. Анализ матрицы весов внимания (12×12, нормализованной по строкам) после сходимости обучения GAT выявил следующие ключевые закономерности:
Цепочки с высоким вниманием (α≥0,20): V1V2 (распространение вибрации в корпусе подшипника, α=0,32), V2V3 (трансмиссия редуктор-барабан, α=0,28), C1C2 (связь токов фаз U и V одного двигателя, α=0,25), V1T1 (причинная цепь: износ подшипника → нагрев, α=0,22). Все эти связи с высоким вниманием соответствуют соседним датчикам на физической трансмиссии, что согласуется с принципами механики.
Цепочки с низким вниманием (α≤0,08): V4Q2 (крутящий момент на правом конце барабана тележки, α=0,06), T3C3 (температура масла редуктора и ток фазы W двигателя, α=0,07). Эти датчики относятся к разным подсистемам (механизм передвижения тележки против механизма подъёма), физическое расстояние между ними превышает 2 м. Низкие веса внимания здесь закономерны — модель корректно определяет слабую взаимосвязь.
Интерпретируемость режима отказа подшипника: При диагностике отказа подшипника F1 наибольший вклад вносят три датчика: V1 (внимание α=0,32, вес Grad-CAM 0,41), V2 (α=0,28, вес Grad-CAM 0,32) и T1 (α=0,22, вес Grad-CAM 0,18). Суммарный вклад датчиков вибрации V1/V2 составляет 73%, датчика температуры T1 — 18%, что полностью соответствует физической картине отказа подшипника (сначала рост вибрации, затем нагрев от трения).
Интерпретируемость имеет практическую ценность в промышленности: оператор, видя на панели визуализации внимания GAT сообщение «текущий диагноз основан на сигналах вибрации V1 и V2 от корпуса подшипника», а не просто непонятный ярлык «отказ», выстраивает доверие к системе ИИ-диагностики. В ходе пилотного проекта на 12 мостовых кранах, развёрнутого компанией Келуде, доля принятых операторами диагнозов выросла с 62% на начальном этапе до 94%.
Промышленная проверка: диагностика мостовых кранов в сталелитейном цехе
Условия развёртывания: Крупный сталелитейный цех непрерывной разливки, 5 мостовых кранов типа QD32/5t. Каждый кран оснащён комплектом датчиков Келуде KL-SEN-DEP (12×10 измерений, частота 5 кГц). Для граничных вычислений используется NVIDIA Jetson Orin NX (100 TOPS, 25 Вт). Модель GAT развёрнута после квантования TensorRT INT8. Сжатие модели: FP32 (37,2 МБ) → INT8 (9,8 МБ), задержка вывода снижена с 5,7 мс до 1,9 мс (улучшение на 67%), потеря точности — всего 0,3% (F1=0,969).
Архитектура системы: Плата сбора данных с датчиков (NI 9234, 51,2 кВыб/с на канал) → Jetson Orin NX (БПФ в реальном времени + извлечение признаков + вывод GAT) → OPC UA (шлюз MQTT) → MES-система цеха (аварийные сигналы + заявки на обслуживание). Сквозная задержка: сбор данных и извлечение признаков (8,2 мс) + вывод GAT (1,9 мс) + отправка аварийного сигнала (12,5 мс) = менее 25 мс, что удовлетворяет требованиям мониторинга мостового крана в реальном времени.
Результаты эксплуатации (март 2025 г. — июнь 2026 г., 16 месяцев непрерывной работы): Выдано 184 предупреждения, подтверждено 118 отказов (из них 68 первично обнаружены GAT, 50 — с задержкой при плановом осмотре). Доля своевременного предупреждения — 57,6%. Среднее время упреждающего предупреждения об отказе подшипника — 72 часа (максимум 240 часов), об износе шестерни — 96 часов. По сравнению с периодом до внедрения (регулярные плановые осмотры и ремонт по факту отказа), количество внеплановых остановок снизилось с 7,2 до 2,8 в год (−61%), затраты на обслуживание уменьшились на 44%. За 16 месяцев точность модели GAT стабильноПоддерживать на 95,8%–97,2%, аварий из-за пропущенных отказов не зафиксировано.
Подробнее об оптимизации квантования для граничных вычислений см. в статье Келуде Практика граничного развёртывания PyTorch / ONNX / TensorRT.
Часто задаваемые вопросы (FAQ)
В: Обязательно ли нужно много датчиков для GNN? Работает ли она с малым их числом?
О: Жёсткого минимума по числу узлов нет, но ценность графовой структуры растёт с числом узлов. Эксперименты показывают, что преимущество GNN становится значимым (прирост ≥5 п.п. к MLP) при наличии ≥6 датчиков, относящихся к 2 и более типам (например, вибрация + температура + ток). Если установлено всего 2–3 однотипных датчика (например, только вибрация), выигрыш от графовой структуры невелик. В таких случаях рекомендуем использовать GAT или GraphSAGE, чтобы задействовать механизм внимания для выявления слабых структурных связей. Келуде предлагает гибкие схемы развёртывания от 4 до 24 узлов.
В: Насколько GNN медленнее традиционных методов в диагностике мостового крана? Возможна ли работа в реальном времени?
О: Исходная задержка вывода GAT составляет 5,7 мс, после квантования TensorRT INT8 — 1,9 мс, что значительно меньше интервала дискретизации в 50 мс и полностью удовлетворяет требованиям реального времени. Время обучения: GCN — 38,6 с против 126,4 с у SVM, т.е. GNN обучается быстрее (из-за меньшего числа параметров). Фактическим узким местом является извлечение признаков (8,2 мс), а не вывод GNN. Келуде рекомендует развёртывание на Jetson Orin NX или аналогичном устройстве граничных вычислений; один такой модуль способен обеспечить вывод GNN в реальном времени для 3–5 мостовых кранов.
В: Как определяется графовая структура (правила соединения рёбер)? Нужен ли разный граф для разных моделей кранов?
О: Граф состоит из фиксированной части (физические соединения, определяемые механической конструкцией) и адаптивной части (функциональные связи, автоматически обнаруживаемые в данных через взаимную информацию). Краны одной модели (например, 5 кранов QD32/5t) используют одинаковую фиксированную структуру графа; требуется лишь пересчитать функциональные связи. Для разных моделей (например, QD против LD) компоновка трансмиссии отличается, поэтому физические рёбра необходимо строить заново. Келуде предоставляет инструмент автоматической генерации графа: достаточно указать модель оборудования, и будет выведен шаблон матрицы смежности по умолчанию.
В: Какие требования к оборудованию для развёртывания GNN-диагностики? Возможна ли модернизация существующих кранов?
О: Минимальные требования: ① установка 4–12 датчиков на кран (вибрация/температура/ток; часть существующих датчиков можно использовать повторно); ② устройство граничных вычислений Jetson Orin NX (около 5 800 ₽) или аналогичное по производительности; ③ цеховой шлюз OPC UA (около 3 200 ₽). Существующие краны не требуют конструктивных изменений: датчики крепятся на магнитном основании или с помощью приспособлений, монтаж занимает 2–3 дня на кран. Келуде предлагает комплексную услугу — от установки датчиков до обучения модели GNN; на сегодняшний день выполнена модернизация 45 мостовых кранов на 12 сталелитейных заводах.
Преимущества графовых нейронных сетей (GNN) в многодатчиковой диагностике неисправностей мостовых кранов подтверждены строгой проверкой на данных 28 кранов за 3 года эксплуатации: GAT достиг F1=0.972, значительно опередив SVM (0.847) и MLP (0.891), а визуализация весов внимания повышает интерпретируемость диагностики. В промышленном развертывании 16 месяцев непрерывной работы позволили снизить внеплановые остановки на 61%, а среднее время упреждающего предупреждения составило 72–96 часов при значительно более низких эксплуатационных затратах по сравнению с традиционными методами. Компания Келуде Тяжёлая Промышленность внедряет федеративное обучение диагностических систем на базе GNN для парка мостовых кранов, что позволяет повысить обобщающую способность моделей за счет использования данных с разных предприятий.
