CHPP设备诊断和监测的方法

德米特里·米哈伊洛夫?朱禹涛?亚历山大·基谢列夫?埃琳娜·托丽娜?亚历山大·弗拉索夫

摘要：确保CHPP设备的安全运行以及其状况的诊断和监测是当务之急。使用人工智能（AI）方法自动监测设备状态是一个特别发展的领域。本文探讨了诊断和监测CHPP设备状况不需要设备停机的方法：热监测和基于振动的诊断，描述了一种越来越流行的基于噪声的诊断方法，并提出了一种基于AI技术的系统。结果表明，基于噪声的诊断方法兼具高效率和低成本，与最普遍的方法相比，更具有竞争力和前景。

关键词：基于噪声的诊断；设备监测；人工智能；热电设备

一、引言

热电联产电厂（CHPP）是最重要的基础设施之一，因为它们是人们的电能和热能来源，因此，确保CHPP设施的正常运行是一项紧迫的任务。例如，任何设备停机，都会导致重大的经济损失，而紧急关闭也会对社会产生重大的负面影响，包括由于电力，供水和供暖中断而导致的事故。因此，控制方法在设备诊断方法中尤为重要，这些方法允许在不停机的情况下评估设备状况，评估其寿命，预测潜在的缺陷，调整维修计划以及针对紧急情况进行警告的信号。用于这些目的的所有方法都包含在被动无损设备测试方法中。

预测设备状况通常涉及分析随时间推移获得的数据，即作为对CHPP生产单元各部分状况的长期监测的结果。这项任务对俄罗斯和独联体国家尤其重要，这些国家一半以上的CHPP设备是在20世纪下半叶制造的。有些设备已经过时，有些设备十分陈旧。而在现代世界中，CHPP的负载只会增加。所有这些都导致事故数量、维修频率和持续时间的增加。由于缺乏财政资源，更换设备往往是不可能的，基于无损检测方法的监测确保了维修之间的最大时间，并防止严重磨损的设备出现故障。

然而，诊断和监测CHPP功能部件的任务相当困难，因为要获得设备状况的汇总图像，有必要监测大量装置。在大型企业中，受监控的安装数量可能超过数万个。分析从所有装置获得的影响CHPP设备状况的数据对于专家来说是一项重要任务，因此，设备状况的自动监测是一个急需发展的领域。随着技术和软件的发展，自动监控方法的一个有前途的方向是使用人工智能（AI）技术，这可以在基于大量分析数据做出决策时减少人为因素。现在，市场上有许多成功的解决方案，通过使用AI监测CHPP设备的状态。

本文介绍了无损检测方法，这些方法可以诊断和监测CHPP设备状态，主要包括三种方法：热监测、基于振动的监测（基于振动的诊断）以及基于噪声的诊断方法，这种方法已经存在很长时间，但由于技术的发展，现在才开始普及。本文的目的是表明众所周知和广泛使用的方法有其自身的优缺点，并表明基于噪声的诊断方法的发展具有相当的前景，它结合了高效率、低成本和广泛的能源设施适用性。表1列出了基于无损检测的CHPP设备诊断的考虑方法，并推荐了各种类型设备的最高效率。

下面将详细介绍每种方法，并基于噪声的诊断方法，在真实CHPP上使用AI方法，提出一种CHPP设备状态监测和诊断的解决方案。还需要进一步的研究，但初步结果对于实施拟议的系统具有很大的潜力。

二、热监测

电力设备无损检测方法之一是热监测，也称为红外法，使用热像仪和高温计作为测量诊断装置[1-7]。

热监测是一种非侵入性的监测设备状况的方法，此外，它的使用对发电厂人员来说是绝对安全的[2]。这种诊断方法提供了以下可能性：检测设备缺陷。这些缺陷的影响程度。及时发现事故，预防应急运行。防火。获取附加信息以确定设备剩余寿命。

红外诊断方法通常简化为分析使用热像仪获得的热图像，并分析各种指标（例如，温度过高，缺陷因素[2]）以评估缺陷。执行热图像测试，评估结果及其可靠性的程序因设备及其组件的设计特征而异。[1] 介绍了某些类型的CHPP设备的红外诊断方法：发电机、电力变压器、油和空气开关等。可以使用一种元件的各种测量仪器（热像仪和/或高温计）来监测元件的某些功能单元。

还应该注意的是，在热监测过程中会考虑一些可能降低所接收信息可靠性的因素（错误）。这些包括 [1]：

①材料辐射发射率。它的特点是材料辐射系数，并在红外器件测量的温度中引入误差。②太阳辐射。它可能导致关于设备组件过热的错误结论。因此，建议在日落后或多云天气下进行测量。③风能冷却设备部件，混淆了关于实际温度的结论。引入了取决于风速的校正因子，但在观测期间风通常是可变的，因此仍然可以观察到残余误差。④其他。在测量中引入误差的其他因素包括负载、热惯性、降水、磁场、热反射、感应电流加热和红外控制范围。所有这些因素都可以通过校正测量或多或少地得到补偿。

此方法的主要优点如下 [1-3]：

①非侵入性。设备监控不需要设备停机和拆卸。②准确性。对于设备的某些部件，该方法在确定缺陷的类型，位置和影响程度方面表现出高精度。③普遍性。该方法可以应用于设备的不同部位。

此方法的缺点如下：

①成本相对较高。需要使用大量精确的测量仪器进行监控（高分辨率热像仪），这使得这种方法相当昂贵。②缺乏学习。对于设备的某些部分，由于与额外热源和在诊断设备附近运行冷却设备相关的困难，红外方法的可能性尚未得到充分研究。③平稳性。由于不准确的影响，需要以一定角度拍摄，因此无法对所有设备进行动态拍摄。④对天气条件和其他外部因素的依赖性，这些因素会在测量中引入误差。这种缺点使得难以全天候监控设备。⑤高热惯性。

有相当多的出版物致力于CHPP设备热监测的实际应用。目前，热监测既用于监测整个CHPP设备的状态，也用于单个设备元件[3，5，6]。这些论文表明，热监测可以及时检测缺陷和损坏。告知紧急操作的可能性。快速检测危险温度升高的区域，其中可能发生火灾。降低设备检查和维修的成本。

除其他事项外，热量监测的准确性取决于合格操作员正确读取从诊断设备接收的数据。在这方面，正在开发各种读取结果[2-6]的方法，包括对各种数据的多标准分析。然而，这些方法的創新和改进不允许在做出有关设备状况的决策时摆脱人为因素。人工智能的使用是一种很有前途的解决方案，可以在做出决定时最大限度地减少出错的可能性[7]。

尽管热监测在CHPP设备的诊断中得到了相当广泛的应用，但它没有坚实的理论基础，而是从实践的角度来使用的[9]。

作为技术诊断的一个特例，热监测的任务可以被视为基于输入数据的分类和预测任务。对于这种类型的任务，最常使用多层感知器神经网络模型[7]。该网络是一个反向传播神经网络。要使用神经网络作为诊断TPP电气设备状况的数学模型，有必要通过其将电气设备的参数值馈送到输入，使用用于训练的历史数据中包含的模式对其进行训练，将最后一层神经元的输出与所需的输出向量进行比较，并通过更改权重系数来实现最接近的近似值神经元之间的连接[7]。训练神经网络是开发监控系统最困难的部分，因为没有详细的设备热历史图。反向传播意味着热像仪读数与硬件缺陷之间存在某种已知联系。这是一个严重的缺陷，可能使企业中特定解决方案的训练网络变得困难。尽管存在这一缺陷，但市场上仍有解决方案提供使用人工智能对CHPP设备进行连续自动监控的系统。Avikon提供基于热图像传感器和AI软件组合的个性化解决方案，有助于在早期阶段识别设备缺陷，就是这一提议的一个例子。

三、基于振动的诊断

基于分析操作设备产生的振动或安装设施产生的回轉的方法在CHPP设备的诊断和监测中已经变得普遍。包含设备状态信息的振动信号由传感器检测（例如，基于压电晶体元件），并且通常由软件处理。

振动是由各种动态力（机械力、电磁力、气动力）引起的。设备操作的变化，操作中的缺陷和异常导致这些力的性质发生变化，从而导致振动信号的变化。事实上，动态力的属性决定了设备的运行状态。当将这些力所做的功转化为热能时，要比转换为振动时丢失的信息多得多。因此，在诊断发电厂的电气设备时，振动分析比温度分析更可取。应该注意的是，设备应急保护和控制系统通常包括几个监测通道，包括设备组件的振动和温度[11]。

基于振动的诊断任务类似于热监测的任务：在紧急操作和设备故障之前检测和确定故障类型，确定和预测安装的技术状态。显然，基于振动的诊断将最有效地应用于包含具有运动部件的机构（转子、涡轮机、泵、电动机等）的设备。在此类设备中，基于振动的诊断通常可以在早期阶段识别缺陷的位置和类型。基于振动的CHPP设备非旋转部件（如锅炉和蒸汽发生器）的诊断更加复杂。然而，在现代基于振动的诊断系统中，可以确定和检测一些缺陷（如早期裂纹）[10]。通常，基于振动的诊断涉及使用傅里叶变换或小波变换获得的振动谱，振动位移和振动加速度的分析。还可以找到时间信号分析，头孢子和分形分析[12-13]。许多参数可以用作诊断参数，例如：信号的均方根（RMS）值。指定时间间隔内最大信号值与均方根值（峰值因子）的比值等。

外部噪声会显著降低接收信息的可靠性。振动-声学参数的相对误差可以达到10%[14]。

基于振动的诊断具有以下优点[10，13]：

①准确性。对于某些类型的设备（转子、泵、涡轮机等），基于振动的诊断可以确定缺陷的类型、位置和影响程度（包括在早期阶段）；②快速诊断。现代软件可以足够快地获得诊断结果；③确定隐藏的缺陷；④普遍性。该方法适用于各种类型的设备及其组件。

现在有大量的标准规范甚至强制CHPP进行基于振动的诊断（例如，GOST R 53564-2009;GOST 30576-98 等）。然而，基于振动的监测设备并不总是安装在热电联产上。这是由于此方法的许多缺点：①侵袭。振动传感器的复杂安装通常需要设备停机和拆卸；②成本高。与热监测相比，大量不同的传感器、测量、记录和分析设备使得基于振动的诊断系统的安装非常昂贵；③对于大型设备，未解决的问题是确定振动源；④对外部噪声具有高灵敏度。

振动分析被积极用于设备的诊断和监测，其方法在文献中得到了广泛的介绍[10-17]。随着技术的发展，振动传感器变得更加容易获得，并且随着软件的发展，数据处理方法得到了改进。使用各种人工智能技术来诊断故障[15]在工业和文献中越来越普遍。由于基于振动的诊断任务以及热量监测的任务是分类任务，因此神经网络的使用在这里占有特殊的地位[12，15-17]。关于在基于振动的诊断中使用人工神经网络的研究在30多年前开始出现[16]。各种架构用于在基于振动的诊断中实现神经网络。除了多层感知器[12，15]之外，卷积神经网络（CNN）也用于基于振动的诊断系统，以确定轴承状态[17]。CNN神经网络的完全不同的架构使其对多维输入数据（特别是频谱图）更具适应性，这反过来又导致更好的泛化能力和更高的处理速度。因此，使用CNN进行诊断可以提供更准确的结果[17]。

Vibrobox就是一个例子，它提供了一个使用市场上基于AI的振动诊断的解决方案。应该注意的是，这提出了一种全面的设备诊断方法，不仅涉及振动分析，还涉及设备单元的温度分析。Vibrobox将自己定位为基于工业振动的诊断和数字信号处理领域的专家团队，以神经网络和模糊逻辑算法的形式提供基于接收数据和AI技术的Wavelet分析的解决方案。

四、基于噪声的诊断

基于噪声的诊断是指通过分析操作设备发出的声学噪声对操作设备进行诊断。宽带麦克风可用作测量仪器。

需要注意的是，噪声分析应用于各个领域。在学术文献中描述被动诊断方法时，会考虑操作设备的声学噪声诊断，但目前在大多数企业的强制性诊断活动中，它尚未包括在内。更常见的情况是，在设备检查期间由专家分析噪声[9，18]。经验丰富的专家可以根据噪声的性质确定设备的正确操作，并且在噪声表明故障的情况下，指出原因甚至发生故障的地方。然而，这种方法是主观的，不能考虑噪声中包含的超出人类听觉范围的频率分量。许多企业对服务人员资格的要求降低，以及其他被动诊断方法软件的开发，导致基于噪声的诊断已被取代，现在通常仅被理解为确定操作设备的噪声水平和降低噪声的措施。目前，操作设备基于噪声的诊断应用于单独诊断装置的区域，例如车辆维修和诊断[18]。随着技术和软件的发展，可以将基于噪声的诊断提升到一个新的水平。即使是现在，也有人试图在各个行业中引入基于噪声的诊断[18-19]。由于以前没有应用过基于噪声的诊断，主要困难是难以解释从声学噪声获得的数据。通过分析从温度计和振动传感器等获得的明确数据，自动数据处理更容易实现。现在，随着人工智能方法的发展，基于噪声的自动诊断的可能性显著增加[18]。

一般来说，基于噪声的自动诊断的想法可以描述如下：位于所研究装置附近的宽带接收器去除声学噪声并发送接收的信号进行进一步处理、分析，获得测量的噪声频谱。例如，使用快速傅里叶变换（可以使用其他积分变换分析频谱）。智能决策系统检测与正常噪声的偏差，对应于设备的正确运行，并检测故障。假设在训练后，在记录故障时，可以确定故障的类型，影响程度以及发生故障的位置。

基于噪声的诊断在自动诊断和设备状态监测中的应用可以被描述为一种新方法。因此，没有相应的噪声图可以比较声学噪声的特性与可能的设备缺陷。这方面的工作仍有待完善。类似的研究已经在一些领域进行[18，19]。例如，[19]给出了这种方法在大型电机上的理论依据。本文根据噪声的来源对声学噪声进行分类：电磁噪声、机械噪声和通风系统中的噪声。引起这些噪声的力是不同的。因此，例如，磁致伸缩引起的噪声的特征在于磁致伸缩系数与作用在变压器铁芯两端的力之间的连接，其效应导致具有相同频率分量的噪声谱，并且由旋转电机的电磁力特性引起的噪声，可以根据负载的存在获得有关机器铁芯和绕组状况的信息。该论文描述了机器振动和声学噪声之间的联系，并指出，所考虑的基于噪声的诊断已经证明了其价值，并且已经包含在?EZ GROUP操作的电机诊断的内部规则中。在整个CHPP设备中使用基于噪声的诊断在经济效益和诊断效率方面似乎也很有希望。此方法的潜在优点如下：

①经济效益。廉价的测量设备使这种方法可能比基于振动的诊断和热量监测更便宜。

②单纯。与基于振动的诊断不同，基于噪声的诊断不需要大量传感器，即使在诊断大型机器时也是如此。

③非侵入性。与基于振动的诊断不同，用于基于噪声的诊断的测量仪器的安装要简单得多，并且不需要设备关闭和拆卸。

④信息价值。由于振动和声学噪声之间的联系，该方法的信息量不亚于基于振动的诊断，并且包含基于振动的诊断的所有优点，例如通用性，准确性，快速诊断和隐藏缺陷的确定。

因此，该方法保留了基于振动的诊断的所有优点，并消除了其一些缺点。使用基于噪声的诊断和现代人工智能驱动的软件为CHPP设备开发诊断套件是现代工程的一项紧迫任务。

五、用于设备状态诊断和监控的智能系统

由于基于噪声的诊断是诊断和监控系统发展的一个相当新的方向，因此几乎没有基于AI和基于噪声的诊断的现成解决方案，但是，开发正在积极进行中。Echo团队提出了一个解决方案。简而言之，该解决方案可以描述如下（图1）：麦克风和/或压电传感器（传感器（2））通过集成总线（3）从操作设备（机构（1））接收的声学噪声信号通过集成总线（3）传输到提供数据预处理的智能模块（6），揭示诊断参数的特定值（例如噪声水平、特定频率下的峰值、调制类型和参数等），包括使用频率分析方法，例如快速傅里叶变换或小波变换，然后生成MEL和MFCC频谱图。神经网络 （NN） 生成基于输入信号的归一化（排除异常）信号，该信号源自初始信号。然后，再次将来自初始信号的归一化信号与输入信号进行比较。基于这种比较，评估了设备的当前状况。专门开发的软件，一个NN插件，允许分析数据，以确定诊断参数的不合规情况，以及对应于设备正常运行的值或正常值内诊断参数的变化，以预测故障发生的时间，并调整诊断和维护程序以消除或覆盖。基于神经网络的分析器对故障性质、危险程度和影响做出决定，并使用API（7）将解码后的数据与诊断结果一起发送到操作员的工作站（8）及通知网关（9），使用该网关将事件警报发送给感兴趣的各方。

另外，应该解释智能模块（6）的神经网络的训练过程，因为该任务是创建所描述的系统最困难的任务之一。与上述其他方法一样，基于噪声的诊断任务是分类任务，并且为此类任务训练NN需要有关将设备操作中可能存在的缺陷和异常与声学噪声模式联系起来的数据。这些数据无法统一，必须针对每个机制单独确定。为了在所提出的解决方案中解决这一学习任务，智能模块包含两个神经网络，其中一个是具有分类器的网络，并根据收集的数据进行训练。该网络使用另一个卷积神经网络，使用自动编码器和特殊软件积累的数据进行训练，并有人员参与。该网络在没有初始数据的情况下学习异常检测原理。该原理基于将接收到的声信号与设备正常运行对应的信号进行比较。如果检测到偏离正常运行，则智能模块向操作员的工作站发送有关异常检测的信号，专家确定异常的类型，从而生成数据，用于使用分类器训练网络，这将进一步减少人员的工作量。下次面对类似异常的 NN 时，将自行确定其类型并建议必要的操作。该系统还提供了人员对神经网络的额外训练：如果NN检测到异常并确定其性质（例如，锅炉中的孔），但人员没有检测到与正常运行的任何偏差，则记录错误并发送回NN进行额外学习。下次，神经网络将读取类似的噪声模式，作为设备正常运行的噪声。如果操作员在设备操作中检测到异常，但系统没有检测到异常，也可以另外训练网络。

从传感器（2）通过集成总线（3）传输到智能模块（6）的信息存储在信号数据库（4）中，用于收集和存储来自传感器的初級数据和声学数据分析的结果。获得的数据可供自动化工作站（AWS）的专家进行手动分析和标记，以标记模式（5）。用于标记模式的 AWS （5） 存储不同操作设备模式的模式分类、各种潜在故障及其严重性的评估。智能模块中记录的所有异常都将发送到 AWS 进行标记模式，以便专家进行验证。专家分析声学图像以及安装在机构分布式控制系统中的传感器的信息，或对设备进行目视检查。在误报的情况下，该模式被标记为“正常设备操作”并添加到训练数据集中。同样，如果发生事故并且 Echo 分析系统未检测到异常，则事故之前的历史模式以及事故本身的模式将标记为紧急或紧急情况前，并添加到训练数据集中。 来自 AWS 的标记数据（5）随后用于其他训练并传输到智能模块（6）。

所描述的方法既适用于单个设备的诊断，也适用于复杂的机制。为此（图2），假定了一个额外的控制级别：所有安装的数据都传输到主管的单个 AWS，主管可以看到所控制设备的全面状况。

圖3、图4显示了工作站上显示的信息示例。

所提出的解决方案在下诺夫哥罗德（俄罗斯联邦）的Avtozavodskaya CHPP LLC工厂进行了测试。在试验过程中，应用所述诊断方法分析了ТГМ-96Б动力锅炉和ПЭ580-185/200-2给水泵的噪声模式数据。数据集是在 15天内收集的。在采集数据过程中，对锅炉负荷及其稳定性发生变化，检测给水和蒸汽温度、蒸汽压力和给水流量的变化，并搜索系统的异常情况。结果表明，基于NN噪声的诊断系统足够精确，可以确定锅炉运行的稳定性（83.4%），负载水平（90.3%），温度跳动（超过81%）和蒸汽压力（84.2%），并记录异常运行模式。

图5显示了异常检测的一个例子，即动力锅炉加热面管上的一个孔。可以清楚地看到接收信号的强度和频率响应发生了多么显著的变化。图6显示了发生异常时Echo操作员工作站的视频帧。这种异常不能由分布式控制系统快速确定。然而，Echo系统允许立即检测此类故障，这使得该系统的开发和基于噪声的诊断作为一个整体的改进成为一项紧迫的任务。

在此阶段，计划创建一个数据库，其中包含从操作设备的声学噪声中获得的诊断标志与可能的异常之间的对应关系。

五、结束语

本文分析了现有用于诊断CHPP设备的主要被动方法的优缺点，这些方法可以监控设备运行，预测故障并调整设备维护周期。事实证明，目前解决分配任务的最有效方法是基于振动的诊断，然而，由于多种原因振动诊断不能总是在大型和小型能源设施中使用。对操作设备的声学噪声进行诊断可能是一种更有效的方法。以前由于软件数据处理的问题，噪声诊断没有广为使用，但现在，随着人工智能方法的发展，这种方法变得更加实用。事实证明，基于噪声的诊断是诊断和监测CHPP设备的一种有前途的方法，它包含了基于振动的诊断的所有优点。而且，这种方法没有以下缺点：设备成本高，测量传感器安装侵入性强。建议使用人工神经网络进行基于噪声的诊断，以实现设备监控系统。

作者单位：德米特里·米哈伊洛夫    朱禹涛    金砖国家未来网络研究院（中国·深圳）

亚历山大·基谢列夫    埃琳娜·托丽娜    亚历山大·弗拉索夫    莫斯科动力工程学院（技术大学）热电与核电工程研究所

参  考  文  献

[1]Main provisions of the method of infrared diagnostics of electrical equipment and overhead lines. RD 153.-34.0-20.363-99. Moscow： Ministry of Energy， 1999. – 58 pages. （In Russian）

[2]Е. M. Prokhorenko， V. F. Klepikov， V. V. Litvinenko， A. I. Morozov， O.V. Kulakov. Thermal controls electrical stations to detect emergency mode. Naukoviy vísnik UkrND?PB.  2012（2）： 191-197. Access mode： http：//nbuv.gov.ua/UJRN/Nvundipb_2012_2_32

[3]V.M. Naumov / Development of a method for fixing coolant leakage on pipelines of thermal and nuclear power plants. Kontenant. 2019; 18 （3-1）：60-68.

[4] V. F. Klepikov， E.M. Prokhorenko， A.M. Baranov， A.I. Morozov. Application of thermal image testing. Problemy pozharnoy bezopasnosti. – Kharkov： NUCZU， 2011（29）.–P.75-83. （In Russian）

[5] R.A. Babushkin， D.S. Gmyzov， Yu.P. Ivanov. Thermal image testing of chimneys. Innovatsionnaya nauka. 2015（9）.-P. 53-57 URL： https：//cyberleninka.ru/article/n/teplovizionnaya-diagnostika-dymovyh-trub （date of access： 21.09.2021）. （In Russian）

[6] D.K. Eltyshev， N.I. Khoroshev. Diagnostics of power oil-filled transformer equipment of thermal power plants. Teploenergetika. –2016（8）.–P. 32-40. （In Russian）

[7] V. V. Skrepkov. Technique for processing thermal imaging data. Innovatsii. Nauka. Obrazovaniye.–2020（11）.–P. 252-256. （In Russian）

[8] Sander H.， Schwab J.， Muhr M. Technical diagnostics for power apparatus //e&i Elektrotechnik und Informationstechnik.–2001.–Т.118.–No. 12.–P. 662-666.

[9] P. ?araba， B. Popovi? and Z. Ljuboje. Application of thermovision in maintaining high voltage transmission network.–2018 17th International Symposium INFOTEH-JAHORINA （INFOTEH） – 2018. – P. 1-7， doi： 10.1109/INFOTEH.2018.8345529

10. A.S. Khvostikov， A.V. Kosmynin， V. S. Shchetinin， I. V. Ryabykh. Vibration-based diagnostics of CHPP equipment. Sovremennyye naukoyemkiye tekhnologii. – 2012（9）. – P. 81-82; （In Russian）

[11] Electrical Equipment Diagnostics for Power Stations and Substations： Tutorial. A. I. Halyasmaa [and others]. - Yekaterinburg： Publishing House of Ural University， 2015. – 64 p. （In Russian）

[12] O.Yu. Matyushkova， V. Yu. Tetter. Modern methods of vibroacoustic diagnostics. Omskij nauchnyj vestnik. 2013;123（3）：294-299. （In Russian）

[13] S.V. Mitrofanov， A. S. Stashkevich. Methods of vibration-based monitoring of equipment. Materialy VNM konferentsii. Orenburg： Orenburg State University. – 2013. – P. 369-372 （In Russian）

[14] V. I. Pronyakin. Diagnostic Features in the Assessment of the Technical Condition of Machines and Mechanisms// Izvestiya vuzov. Mashinostroyeniye. – 2016. – No. 10 （679）. – P.64-72.

[15] Ruonan Liu， Boyuan Yang， Enrico Zio， Xuefeng Chen. Artificial intelligence for fault diagnosis of rotating machinery： A review // Mechanical Systems and Signal Processing – 2018 –Volume 108. – Pages 33-47. ISSN 0888-3270， https：//doi.org/10.1016/j.ymssp.2018.02.016.

[16] Alguindigue I.， Uhrig R. E. Vibration monitoring with artificial neural networks.–Tennessee Univ.， 1991.–No. CONF-910535--6.

[17] Yeh C. W.， Chen R. Using Convolutional Neural Network for Vibration Fault Diagnosis Monitoring in Machinery //2018 IEEE International Conference on Advanced Manufacturing （ICAM）. – IEEE， 2018.–P. 246-249.

[18] A. L. Terekhov， Yu. А. Mayants， V. M. Pishchukhin. Methodological framework for process equipment noise-based diagnostics in the oil and gas industry. Gazovaya promyshlennost. 2020; 800（5）： 92-99

[19]  Karel J.， Monhart F. Noise measurement diagnostics for large electric machines //INTER-NOISE and NOISE-CON Congress and Conference Proceedings. – Institute of Noise Control Engineering， 2019.–Т.259.–No. 9.–P. 840-849.

德米特里·米哈伊洛夫（1985.10.05-），男，博士，高級研究员，研究方向：物联网与人工智能。