Вестник МГТУ, 2025, Т. 28, № 4/1.

Вестник МГТУ. 2025. Т. 28, № 4/1. С. 532-538. DOI: https://doi.org/10.21443/1560-9278-2025-28-4/1-532-538 Введение Актуальность темы исследования обусловлена широким применением асинхронных электроприводов в промышленности, особенно в условиях эксплуатации ленточных конвейеров на предприятиях металлургической, нефтехимической и горнодобывающей отраслей, где предъявляются высокие требования к надежности, энергоэффективности и безопасности. Современные системы управления электроприводами все чаще интегрируются с методами искусственного интеллекта и машинного обучения, что позволяет переходить от традиционного регулирования к интеллектуальному мониторингу и прогнозированию рабочих режимов (Bishop, 2006; Цуканов и др., 2024). Это особенно важно для предотвращения аварийных ситуаций, снижения износа оборудования и повышения общей эффективности производственных процессов. Целью данной работы является исследование системы управления асинхронным электроприводом и разработка модели машинного обучения для прогнозирования его рабочих режимов на основе данных имитационного моделирования. Для достижения поставленной цели решались следующие задачи: моделирование замкнутой системы скалярного регулирования скорости асинхронного двигателя в среде MATLAB Simulink с учетом IR-компенсации и регулятором скольжения; формирование обучающей выборки на основе данных переходных процессов; реализация и сравнительный анализ алгоритмов классификации k-ближайших соседей (kNN) и случайного леса (Random Forest). В отличие от большинства исследований, ориентированных на сложные нейросетевые архитектуры, данная работа показывает, что даже простые алгоритмы машинного обучения, основанные на данных имитационной модели реалистичной скалярной системы управления, способны с высокой точностью классифицировать динамические режимы. Это актуально для промышленных систем с ограниченными ресурсами, где важна не только точность, но интерпретируемость и скорость работы модели. Объектом исследования является система автоматического регулирования скорости асинхронного электропривода. Предметом исследования выступают режимы работы электропривода и их классификация с использованием методов машинного обучения. Работа выполнена с акцентом на применение технологий искусственного интеллекта в промышленной автоматизации. Научная новизна заключается в комплексном подходе к интеграции имитационного моделирования электропривода и последующему обучению моделей машинного обучения для классификации динамических режимов работы. Представлена принципиальная возможность и эффективность использования моделей машинного обучения, обученных исключительно на данных реалистичной имитационной модели, для решения задачи классификации рабочих режимов с высокой точностью (96,44 % для Random Forest). Это доказывает, что даже при отсутствии обширных натурных экспериментов симуляционные данные могут служить надежной основой для создания прототипов систем прогнозной диагностики. Практическая значимость исследования состоит в обосновании целесообразности применения указанных алгоритмов как компромиссного решения, обеспечивающего высокую точность, интерпретируемость результатов и вычислительную эффективность, что актуально для промышленных систем с ограниченными вычислительными ресурсами и требованием к скорости работы в реальном времени, также она заключается в возможности применения разработанных моделей для создания систем прогнозирующей диагностики и цифровых двойников электроприводов на реальных промышленных объектах, что соответствует концепции Индустрии 4.0 и способствует цифровой трансформации промышленности. Материалы и методы Исследование основано на имитационном моделировании скалярной системы управления асинхронным электроприводом в среде MATLAB Simulink. Объект моделирования - асинхронный двигатель 5АИ100Ь4, 4 кВт. Данные с модели (скорость, ток, момент, напряжение) с шагом 0,01 с экспортированы в формат .csv и обработаны в Python (Jupyter Notebook). Выделены пять режимов работы: пуск, холостой ход, наброс нагрузки и установившиеся режимы. Данные нормализованы, временной столбец удален. В рамках данного исследования были выбраны два алгоритма машинного обучения - k-ближайших соседей (kNN) и случайный лес (Random Forest) - как базовые, но эффективные методы классификации, хорошо зарекомендовавшие себя на задачах с умеренным объемом данных и нелинейными зависимостями. Выбор kNN обусловлен его простотой, отсутствием этапа обучения в классическом понимании и высокой интерпретируемостью: решение принимается на основе локального окружения точки в признаковом пространстве, что особенно полезно при анализе переходных процессов, где важна локальная динамика сигналов. Случайный лес был выбран благодаря своей устойчивости к шуму, переобучению и выбросам, а также способности автоматически учитывать взаимодействие признаков без необходимости их предварительного масштабирования или сложной инженерии. Более сложные методы, такие как глубокие нейронные сети (DNN) или метод опорных векторов (SVM) с нелинейными ядрами, хотя и могут демонстрировать высокую точность в задачах диагностики электроприводов, требуют значительно большего объема обучающих данных, тщательной настройки архитектуры, длительного времени обучения и высоких вычислительных ресурсов (Hasan et al., 2024; 533