АДАПТАЦИЯ АУДИОТРАНСФОРМЕРА PASST ДЛЯ АКУСТИЧЕСКОЙ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ НЕИСПРАВНОСТЕЙ СТАНОЧНОГО ОБОРУДОВАНИЯ

Аннотация. В работе предложен подход к применению трансформерной нейронной сети PaSST (Patchout Audio Spectrogram Transformer) для автоматизированной акустической диагностики технического состояния станочного оборудования. Описаны этапы подготовки данных, специфика формирования спектрограмм, особенности архитектуры PaSST, а также методика её дообучения на реальных производственных данных. Проведён анализ устойчивости модели к шумам и способности выявлять слабовыраженные дефекты. Результаты подтверждают целесообразность внедрения PaSST в системы мониторинга современного промышленного оборудования.

Ключевые слова: адаптация, аудиотрансформер. Past, акустическая диагностика, технические неисправности, станочное оборудование.

1. Введение

Современные промышленные предприятия стремятся внедрять интеллектуальные системы диагностики для повышения надёжности оборудования и минимизации простоев. Одним из наиболее перспективных направлений становится акустическая диагностика на основе методов глубокого обучения. Среди современных архитектур особый интерес представляет трансформер PaSST, изначально разработанный для задач аудиоклассификации.

2. Обоснование выбора PaSST для акустической диагностики

В отличие от классических свёрточных сетей (CNN), трансформер PaSST способен выявлять сложные зависимости между отдалёнными частями спектра, что важно при диагностике сложных и комбинированных технических дефектов станков. Базовая архитектура PaSST была адаптирована для задачи распознавания восьми технических состояний оборудования на основе мел-спектрограмм реальных производственных записей.

3. Этапы подготовки данных и формирование входных признаков

Для обучения и тестирования модели используется специально собранный акустический датасет. Каждый звуковой фрагмент проходит фильтрацию в диапазоне 50–14000 Гц, амплитудную нормализацию, оконное преобразование с формированием мел-спектрограммы размером 128×992, что обеспечивает совместимость с патч-разбиением PaSST (16×16). Такой формат позволяет сохранять критические частотные детали, а также устойчиво выделять даже слабовыраженные дефекты (например, микросколы на зубчатых передачах или начальные признаки износа подшипников). Для расширения обучающего набора и повышения устойчивости к шуму применялись методы аугментации, включая SpecAugment (рандомное маскирование полос по времени и частоте) и Mixup (смешивание спектрограмм разных классов), что значительно повышает обобщающую способность модели.

4. Адаптация и дообучение PaSST

PaSST дообучается в режиме fine-tune: предобученные слои замораживаются, а выходной классификатор перенастраивается под нужное количество классов (восемь типовых технических состояний). Для ускорения сходимости и предотвращения переобучения обучение проводится на небольших батчах спектрограмм с динамической регулировкой скорости обучения. Особое внимание уделяется устойчивости к индустриальному шуму: тестовая серия экспериментов показала, что точность классификации дефектов на валидации превышает 90%, а в условиях шумного цеха модель уверенно распознаёт слабые сигналы неисправности, где классические CNN теряют точность.

5. Обсуждение результатов и перспективы применения

Преимущество PaSST состоит не только в высокой точности, но и в способности к переносу на новое оборудование с минимальной донастройкой. Кластеризация признаков (t-SNE), confusion matrix и анализ ошибок показывают, что модель хорошо различает близкие по спектру дефекты и минимально путает междуклассовые состояния, особенно при наличии дополнительных аугментаций. Внедрение PaSST в производственные линии позволяет реализовать непрерывный мониторинг без физического контакта с оборудованием, быстро реагировать на ранние признаки неисправностей и существенно снижать расходы на диагностику.

6. Заключение

Адаптация PaSST под задачи акустической диагностики станков показала высокую эффективность в условиях реального производственного шума. Предложенный подход может быть использован как основа для построения интеллектуальных систем мониторинга и предиктивного обслуживания на промышленных предприятиях.

Вот список литературы, оформленный по ГОСТ Р 7.0.5–2008 — в алфавитном порядке и с необходимыми элементами: