CHPP設備診斷和監測的方法

德米特里·米哈伊洛夫?朱禹濤?亞歷山大·基謝列夫?埃琳娜·托麗娜?亞歷山大·弗拉索夫

摘要：確保CHPP設備的安全運行以及其狀況的診斷和監測是當務之急。使用人工智能（AI）方法自動監測設備狀態是一個特別發展的領域。本文探討了診斷和監測CHPP設備狀況不需要設備停機的方法：熱監測和基于振動的診斷，描述了一種越來越流行的基于噪聲的診斷方法，并提出了一種基于AI技術的系統。結果表明，基于噪聲的診斷方法兼具高效率和低成本，與最普遍的方法相比，更具有競爭力和前景。

關鍵詞：基于噪聲的診斷；設備監測；人工智能；熱電設備

一、引言

熱電聯產電廠（CHPP）是最重要的基礎設施之一，因為它們是人們的電能和熱能來源，因此，確保CHPP設施的正常運行是一項緊迫的任務。例如，任何設備停機，都會導致重大的經濟損失，而緊急關閉也會對社會產生重大的負面影響，包括由于電力，供水和供暖中斷而導致的事故。因此，控制方法在設備診斷方法中尤為重要，這些方法允許在不停機的情況下評估設備狀況，評估其壽命，預測潛在的缺陷，調整維修計劃以及針對緊急情況進行警告的信號。用于這些目的的所有方法都包含在被動無損設備測試方法中。

預測設備狀況通常涉及分析隨時間推移獲得的數據，即作為對CHPP生產單元各部分狀況的長期監測的結果。這項任務對俄羅斯和獨聯體國家尤其重要，這些國家一半以上的CHPP設備是在20世紀下半葉制造的。有些設備已經過時，有些設備十分陳舊。而在現代世界中，CHPP的負載只會增加。所有這些都導致事故數量、維修頻率和持續時間的增加。由于缺乏財政資源，更換設備往往是不可能的，基于無損檢測方法的監測確保了維修之間的最大時間，并防止嚴重磨損的設備出現故障。

然而，診斷和監測CHPP功能部件的任務相當困難，因為要獲得設備狀況的匯總圖像，有必要監測大量裝置。在大型企業中，受監控的安裝數量可能超過數萬個。分析從所有裝置獲得的影響CHPP設備狀況的數據對于專家來說是一項重要任務，因此，設備狀況的自動監測是一個急需發展的領域。隨著技術和軟件的發展，自動監控方法的一個有前途的方向是使用人工智能（AI）技術，這可以在基于大量分析數據做出決策時減少人為因素。現在，市場上有許多成功的解決方案，通過使用AI監測CHPP設備的狀態。

本文介紹了無損檢測方法，這些方法可以診斷和監測CHPP設備狀態，主要包括三種方法：熱監測、基于振動的監測（基于振動的診斷）以及基于噪聲的診斷方法，這種方法已經存在很長時間，但由于技術的發展，現在才開始普及。本文的目的是表明眾所周知和廣泛使用的方法有其自身的優缺點，并表明基于噪聲的診斷方法的發展具有相當的前景，它結合了高效率、低成本和廣泛的能源設施適用性。表1列出了基于無損檢測的CHPP設備診斷的考慮方法，并推薦了各種類型設備的最高效率。

下面將詳細介紹每種方法，并基于噪聲的診斷方法，在真實CHPP上使用AI方法，提出一種CHPP設備狀態監測和診斷的解決方案。還需要進一步的研究，但初步結果對于實施擬議的系統具有很大的潛力。

二、熱監測

電力設備無損檢測方法之一是熱監測，也稱為紅外法，使用熱像儀和高溫計作為測量診斷裝置[1-7]。

熱監測是一種非侵入性的監測設備狀況的方法，此外，它的使用對發電廠人員來說是絕對安全的[2]。這種診斷方法提供了以下可能性：檢測設備缺陷。這些缺陷的影響程度。及時發現事故，預防應急運行。防火。獲取附加信息以確定設備剩余壽命。

紅外診斷方法通常簡化為分析使用熱像儀獲得的熱圖像，并分析各種指標（例如，溫度過高，缺陷因素[2]）以評估缺陷。執行熱圖像測試，評估結果及其可靠性的程序因設備及其組件的設計特征而異。[1] 介紹了某些類型的CHPP設備的紅外診斷方法：發電機、電力變壓器、油和空氣開關等。可以使用一種元件的各種測量儀器（熱像儀和/或高溫計）來監測元件的某些功能單元。

還應該注意的是，在熱監測過程中會考慮一些可能降低所接收信息可靠性的因素（錯誤）。這些包括 [1]：

①材料輻射發射率。它的特點是材料輻射系數，并在紅外器件測量的溫度中引入誤差。②太陽輻射。它可能導致關于設備組件過熱的錯誤結論。因此，建議在日落后或多云天氣下進行測量。③風能冷卻設備部件，混淆了關于實際溫度的結論。引入了取決于風速的校正因子，但在觀測期間風通常是可變的，因此仍然可以觀察到殘余誤差。④其他。在測量中引入誤差的其他因素包括負載、熱慣性、降水、磁場、熱反射、感應電流加熱和紅外控制范圍。所有這些因素都可以通過校正測量或多或少地得到補償。

此方法的主要優點如下 [1-3]：

①非侵入性。設備監控不需要設備停機和拆卸。②準確性。對于設備的某些部件，該方法在確定缺陷的類型，位置和影響程度方面表現出高精度。③普遍性。該方法可以應用于設備的不同部位。

此方法的缺點如下：

①成本相對較高。需要使用大量精確的測量儀器進行監控（高分辨率熱像儀），這使得這種方法相當昂貴。②缺乏學習。對于設備的某些部分，由于與額外熱源和在診斷設備附近運行冷卻設備相關的困難，紅外方法的可能性尚未得到充分研究。③平穩性。由于不準確的影響，需要以一定角度拍攝，因此無法對所有設備進行動態拍攝。④對天氣條件和其他外部因素的依賴性，這些因素會在測量中引入誤差。這種缺點使得難以全天候監控設備。⑤高熱慣性。

有相當多的出版物致力于CHPP設備熱監測的實際應用。目前，熱監測既用于監測整個CHPP設備的狀態，也用于單個設備元件[3，5，6]。這些論文表明，熱監測可以及時檢測缺陷和損壞。告知緊急操作的可能性。快速檢測危險溫度升高的區域，其中可能發生火災。降低設備檢查和維修的成本。

除其他事項外，熱量監測的準確性取決于合格操作員正確讀取從診斷設備接收的數據。在這方面，正在開發各種讀取結果[2-6]的方法，包括對各種數據的多標準分析。然而，這些方法的創新和改進不允許在做出有關設備狀況的決策時擺脫人為因素。人工智能的使用是一種很有前途的解決方案，可以在做出決定時最大限度地減少出錯的可能性[7]。

盡管熱監測在CHPP設備的診斷中得到了相當廣泛的應用，但它沒有堅實的理論基礎，而是從實踐的角度來使用的[9]。

作為技術診斷的一個特例，熱監測的任務可以被視為基于輸入數據的分類和預測任務。對于這種類型的任務，最常使用多層感知器神經網絡模型[7]。該網絡是一個反向傳播神經網絡。要使用神經網絡作為診斷TPP電氣設備狀況的數學模型，有必要通過其將電氣設備的參數值饋送到輸入，使用用于訓練的歷史數據中包含的模式對其進行訓練，將最后一層神經元的輸出與所需的輸出向量進行比較，并通過更改權重系數來實現最接近的近似值神經元之間的連接[7]。訓練神經網絡是開發監控系統最困難的部分，因為沒有詳細的設備熱歷史圖。反向傳播意味著熱像儀讀數與硬件缺陷之間存在某種已知聯系。這是一個嚴重的缺陷，可能使企業中特定解決方案的訓練網絡變得困難。盡管存在這一缺陷，但市場上仍有解決方案提供使用人工智能對CHPP設備進行連續自動監控的系統。Avikon提供基于熱圖像傳感器和AI軟件組合的個性化解決方案，有助于在早期階段識別設備缺陷，就是這一提議的一個例子。

三、基于振動的診斷

基于分析操作設備產生的振動或安裝設施產生的回轉的方法在CHPP設備的診斷和監測中已經變得普遍。包含設備狀態信息的振動信號由傳感器檢測（例如，基于壓電晶體元件），并且通常由軟件處理。

振動是由各種動態力（機械力、電磁力、氣動力）引起的。設備操作的變化，操作中的缺陷和異常導致這些力的性質發生變化，從而導致振動信號的變化。事實上，動態力的屬性決定了設備的運行狀態。當將這些力所做的功轉化為熱能時，要比轉換為振動時丟失的信息多得多。因此，在診斷發電廠的電氣設備時，振動分析比溫度分析更可取。應該注意的是，設備應急保護和控制系統通常包括幾個監測通道，包括設備組件的振動和溫度[11]。

基于振動的診斷任務類似于熱監測的任務：在緊急操作和設備故障之前檢測和確定故障類型，確定和預測安裝的技術狀態。顯然，基于振動的診斷將最有效地應用于包含具有運動部件的機構（轉子、渦輪機、泵、電動機等）的設備。在此類設備中，基于振動的診斷通常可以在早期階段識別缺陷的位置和類型。基于振動的CHPP設備非旋轉部件（如鍋爐和蒸汽發生器）的診斷更加復雜。然而，在現代基于振動的診斷系統中，可以確定和檢測一些缺陷（如早期裂紋）[10]。通常，基于振動的診斷涉及使用傅里葉變換或小波變換獲得的振動譜，振動位移和振動加速度的分析。還可以找到時間信號分析，頭孢子和分形分析[12-13]。許多參數可以用作診斷參數，例如：信號的均方根（RMS）值。指定時間間隔內最大信號值與均方根值（峰值因子）的比值等。

外部噪聲會顯著降低接收信息的可靠性。振動-聲學參數的相對誤差可以達到10%[14]。

基于振動的診斷具有以下優點[10，13]：

①準確性。對于某些類型的設備（轉子、泵、渦輪機等），基于振動的診斷可以確定缺陷的類型、位置和影響程度（包括在早期階段）；②快速診斷。現代軟件可以足夠快地獲得診斷結果；③確定隱藏的缺陷；④普遍性。該方法適用于各種類型的設備及其組件。

現在有大量的標準規范甚至強制CHPP進行基于振動的診斷（例如，GOST R 53564-2009;GOST 30576-98 等）。然而，基于振動的監測設備并不總是安裝在熱電聯產上。這是由于此方法的許多缺點：①侵襲。振動傳感器的復雜安裝通常需要設備停機和拆卸；②成本高。與熱監測相比，大量不同的傳感器、測量、記錄和分析設備使得基于振動的診斷系統的安裝非常昂貴；③對于大型設備，未解決的問題是確定振動源；④對外部噪聲具有高靈敏度。

振動分析被積極用于設備的診斷和監測，其方法在文獻中得到了廣泛的介紹[10-17]。隨著技術的發展，振動傳感器變得更加容易獲得，并且隨著軟件的發展，數據處理方法得到了改進。使用各種人工智能技術來診斷故障[15]在工業和文獻中越來越普遍。由于基于振動的診斷任務以及熱量監測的任務是分類任務，因此神經網絡的使用在這里占有特殊的地位[12，15-17]。關于在基于振動的診斷中使用人工神經網絡的研究在30多年前開始出現[16]。各種架構用于在基于振動的診斷中實現神經網絡。除了多層感知器[12，15]之外，卷積神經網絡（CNN）也用于基于振動的診斷系統，以確定軸承狀態[17]。CNN神經網絡的完全不同的架構使其對多維輸入數據（特別是頻譜圖）更具適應性，這反過來又導致更好的泛化能力和更高的處理速度。因此，使用CNN進行診斷可以提供更準確的結果[17]。

Vibrobox就是一個例子，它提供了一個使用市場上基于AI的振動診斷的解決方案。應該注意的是，這提出了一種全面的設備診斷方法，不僅涉及振動分析，還涉及設備單元的溫度分析。Vibrobox將自己定位為基于工業振動的診斷和數字信號處理領域的專家團隊，以神經網絡和模糊邏輯算法的形式提供基于接收數據和AI技術的Wavelet分析的解決方案。

四、基于噪聲的診斷

基于噪聲的診斷是指通過分析操作設備發出的聲學噪聲對操作設備進行診斷。寬帶麥克風可用作測量儀器。

需要注意的是，噪聲分析應用于各個領域。在學術文獻中描述被動診斷方法時，會考慮操作設備的聲學噪聲診斷，但目前在大多數企業的強制性診斷活動中，它尚未包括在內。更常見的情況是，在設備檢查期間由專家分析噪聲[9，18]。經驗豐富的專家可以根據噪聲的性質確定設備的正確操作，并且在噪聲表明故障的情況下，指出原因甚至發生故障的地方。然而，這種方法是主觀的，不能考慮噪聲中包含的超出人類聽覺范圍的頻率分量。許多企業對服務人員資格的要求降低，以及其他被動診斷方法軟件的開發，導致基于噪聲的診斷已被取代，現在通常僅被理解為確定操作設備的噪聲水平和降低噪聲的措施。目前，操作設備基于噪聲的診斷應用于單獨診斷裝置的區域，例如車輛維修和診斷[18]。隨著技術和軟件的發展，可以將基于噪聲的診斷提升到一個新的水平。即使是現在，也有人試圖在各個行業中引入基于噪聲的診斷[18-19]。由于以前沒有應用過基于噪聲的診斷，主要困難是難以解釋從聲學噪聲獲得的數據。通過分析從溫度計和振動傳感器等獲得的明確數據，自動數據處理更容易實現。現在，隨著人工智能方法的發展，基于噪聲的自動診斷的可能性顯著增加[18]。

一般來說，基于噪聲的自動診斷的想法可以描述如下：位于所研究裝置附近的寬帶接收器去除聲學噪聲并發送接收的信號進行進一步處理、分析，獲得測量的噪聲頻譜。例如，使用快速傅里葉變換（可以使用其他積分變換分析頻譜）。智能決策系統檢測與正常噪聲的偏差，對應于設備的正確運行，并檢測故障。假設在訓練后，在記錄故障時，可以確定故障的類型，影響程度以及發生故障的位置。

基于噪聲的診斷在自動診斷和設備狀態監測中的應用可以被描述為一種新方法。因此，沒有相應的噪聲圖可以比較聲學噪聲的特性與可能的設備缺陷。這方面的工作仍有待完善。類似的研究已經在一些領域進行[18，19]。例如，[19]給出了這種方法在大型電機上的理論依據。本文根據噪聲的來源對聲學噪聲進行分類：電磁噪聲、機械噪聲和通風系統中的噪聲。引起這些噪聲的力是不同的。因此，例如，磁致伸縮引起的噪聲的特征在于磁致伸縮系數與作用在變壓器鐵芯兩端的力之間的連接，其效應導致具有相同頻率分量的噪聲譜，并且由旋轉電機的電磁力特性引起的噪聲，可以根據負載的存在獲得有關機器鐵芯和繞組狀況的信息。該論文描述了機器振動和聲學噪聲之間的聯系，并指出，所考慮的基于噪聲的診斷已經證明了其價值，并且已經包含在?EZ GROUP操作的電機診斷的內部規則中。在整個CHPP設備中使用基于噪聲的診斷在經濟效益和診斷效率方面似乎也很有希望。此方法的潛在優點如下：

①經濟效益。廉價的測量設備使這種方法可能比基于振動的診斷和熱量監測更便宜。

②單純。與基于振動的診斷不同，基于噪聲的診斷不需要大量傳感器，即使在診斷大型機器時也是如此。

③非侵入性。與基于振動的診斷不同，用于基于噪聲的診斷的測量儀器的安裝要簡單得多，并且不需要設備關閉和拆卸。

④信息價值。由于振動和聲學噪聲之間的聯系，該方法的信息量不亞于基于振動的診斷，并且包含基于振動的診斷的所有優點，例如通用性，準確性，快速診斷和隱藏缺陷的確定。

因此，該方法保留了基于振動的診斷的所有優點，并消除了其一些缺點。使用基于噪聲的診斷和現代人工智能驅動的軟件為CHPP設備開發診斷套件是現代工程的一項緊迫任務。

五、用于設備狀態診斷和監控的智能系統

由于基于噪聲的診斷是診斷和監控系統發展的一個相當新的方向，因此幾乎沒有基于AI和基于噪聲的診斷的現成解決方案，但是，開發正在積極進行中。Echo團隊提出了一個解決方案。簡而言之，該解決方案可以描述如下（圖1）：麥克風和/或壓電傳感器（傳感器（2））通過集成總線（3）從操作設備（機構（1））接收的聲學噪聲信號通過集成總線（3）傳輸到提供數據預處理的智能模塊（6），揭示診斷參數的特定值（例如噪聲水平、特定頻率下的峰值、調制類型和參數等），包括使用頻率分析方法，例如快速傅里葉變換或小波變換，然后生成MEL和MFCC頻譜圖。神經網絡 （NN） 生成基于輸入信號的歸一化（排除異常）信號，該信號源自初始信號。然后，再次將來自初始信號的歸一化信號與輸入信號進行比較。基于這種比較，評估了設備的當前狀況。專門開發的軟件，一個NN插件，允許分析數據，以確定診斷參數的不合規情況，以及對應于設備正常運行的值或正常值內診斷參數的變化，以預測故障發生的時間，并調整診斷和維護程序以消除或覆蓋。基于神經網絡的分析器對故障性質、危險程度和影響做出決定，并使用API（7）將解碼后的數據與診斷結果一起發送到操作員的工作站（8）及通知網關（9），使用該網關將事件警報發送給感興趣的各方。

另外，應該解釋智能模塊（6）的神經網絡的訓練過程，因為該任務是創建所描述的系統最困難的任務之一。與上述其他方法一樣，基于噪聲的診斷任務是分類任務，并且為此類任務訓練NN需要有關將設備操作中可能存在的缺陷和異常與聲學噪聲模式聯系起來的數據。這些數據無法統一，必須針對每個機制單獨確定。為了在所提出的解決方案中解決這一學習任務，智能模塊包含兩個神經網絡，其中一個是具有分類器的網絡，并根據收集的數據進行訓練。該網絡使用另一個卷積神經網絡，使用自動編碼器和特殊軟件積累的數據進行訓練，并有人員參與。該網絡在沒有初始數據的情況下學習異常檢測原理。該原理基于將接收到的聲信號與設備正常運行對應的信號進行比較。如果檢測到偏離正常運行，則智能模塊向操作員的工作站發送有關異常檢測的信號，專家確定異常的類型，從而生成數據，用于使用分類器訓練網絡，這將進一步減少人員的工作量。下次面對類似異常的 NN 時，將自行確定其類型并建議必要的操作。該系統還提供了人員對神經網絡的額外訓練：如果NN檢測到異常并確定其性質（例如，鍋爐中的孔），但人員沒有檢測到與正常運行的任何偏差，則記錄錯誤并發送回NN進行額外學習。下次，神經網絡將讀取類似的噪聲模式，作為設備正常運行的噪聲。如果操作員在設備操作中檢測到異常，但系統沒有檢測到異常，也可以另外訓練網絡。

從傳感器（2）通過集成總線（3）傳輸到智能模塊（6）的信息存儲在信號數據庫（4）中，用于收集和存儲來自傳感器的初級數據和聲學數據分析的結果。獲得的數據可供自動化工作站（AWS）的專家進行手動分析和標記，以標記模式（5）。用于標記模式的 AWS （5） 存儲不同操作設備模式的模式分類、各種潛在故障及其嚴重性的評估。智能模塊中記錄的所有異常都將發送到 AWS 進行標記模式，以便專家進行驗證。專家分析聲學圖像以及安裝在機構分布式控制系統中的傳感器的信息，或對設備進行目視檢查。在誤報的情況下，該模式被標記為“正常設備操作”并添加到訓練數據集中。同樣，如果發生事故并且 Echo 分析系統未檢測到異常，則事故之前的歷史模式以及事故本身的模式將標記為緊急或緊急情況前，并添加到訓練數據集中。 來自 AWS 的標記數據（5）隨后用于其他訓練并傳輸到智能模塊（6）。

所描述的方法既適用于單個設備的診斷，也適用于復雜的機制。為此（圖2），假定了一個額外的控制級別：所有安裝的數據都傳輸到主管的單個 AWS，主管可以看到所控制設備的全面狀況。

圖3、圖4顯示了工作站上顯示的信息示例。

所提出的解決方案在下諾夫哥羅德（俄羅斯聯邦）的Avtozavodskaya CHPP LLC工廠進行了測試。在試驗過程中，應用所述診斷方法分析了ТГМ-96Б動力鍋爐和ПЭ580-185/200-2給水泵的噪聲模式數據。數據集是在 15天內收集的。在采集數據過程中，對鍋爐負荷及其穩定性發生變化，檢測給水和蒸汽溫度、蒸汽壓力和給水流量的變化，并搜索系統的異常情況。結果表明，基于NN噪聲的診斷系統足夠精確，可以確定鍋爐運行的穩定性（83.4%），負載水平（90.3%），溫度跳動（超過81%）和蒸汽壓力（84.2%），并記錄異常運行模式。

圖5顯示了異常檢測的一個例子，即動力鍋爐加熱面管上的一個孔。可以清楚地看到接收信號的強度和頻率響應發生了多么顯著的變化。圖6顯示了發生異常時Echo操作員工作站的視頻幀。這種異常不能由分布式控制系統快速確定。然而，Echo系統允許立即檢測此類故障，這使得該系統的開發和基于噪聲的診斷作為一個整體的改進成為一項緊迫的任務。

在此階段，計劃創建一個數據庫，其中包含從操作設備的聲學噪聲中獲得的診斷標志與可能的異常之間的對應關系。

五、結束語

本文分析了現有用于診斷CHPP設備的主要被動方法的優缺點，這些方法可以監控設備運行，預測故障并調整設備維護周期。事實證明，目前解決分配任務的最有效方法是基于振動的診斷，然而，由于多種原因振動診斷不能總是在大型和小型能源設施中使用。對操作設備的聲學噪聲進行診斷可能是一種更有效的方法。以前由于軟件數據處理的問題，噪聲診斷沒有廣為使用，但現在，隨著人工智能方法的發展，這種方法變得更加實用。事實證明，基于噪聲的診斷是診斷和監測CHPP設備的一種有前途的方法，它包含了基于振動的診斷的所有優點。而且，這種方法沒有以下缺點：設備成本高，測量傳感器安裝侵入性強。建議使用人工神經網絡進行基于噪聲的診斷，以實現設備監控系統。

作者單位：德米特里·米哈伊洛夫? ? 朱禹濤? ? 金磚國家未來網絡研究院（中國·深圳）

亞歷山大·基謝列夫? ? 埃琳娜·托麗娜? ? 亞歷山大·弗拉索夫? ? 莫斯科動力工程學院（技術大學）熱電與核電工程研究所

參? 考? 文? 獻

[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，高級研究員，研究方向：物聯網與人工智能。