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 На основе полученных переходных процессов (скорость, ток, момент) сформирован набор данных (dataset), включающий временные ряды напряжения, скорости, тока и момента. Данные были размечены по пяти режимам работы (табл.): "Отключен" (режим 1), "Разгон" (2), "Переход под нагрузкой" (3), "Переход без нагрузки" (4) и "Торможение" (5). Согласно таблице наибольшее количество точек приходится на режимы разгона и перехода под нагрузкой, что обеспечивает сбалансированность выборки для обучения моделей. Таблица. Количество строк в массиве для каждого режима работы Table. The number of rows in the array for each operating mode Mode (режим работы) Count (количество точек) 2 8 997 3 7 794 5 5 210 1 2 475 4 2 382 Для классификации режимов работы были применены два алгоритма машинного обучения: k-ближайших соседей (kNN) и случайный лес (Random Forest) (Чистяков, 2013; Кулинча, 2024). Путем кросс-валидации с использованием GridSearchCV были оптимизированы гиперпараметры: для kNN оптимальным оказалось число соседей k = 13, метрика расстояния - евклидова (p = 2), веса - равномерные. Для случайного леса выбраны параметры: количество деревьев - 50, критерий разбиения - gini, максимальная глубина - 10, минимальное число образцов в листе - 9. Оценка качества моделей на тестовой выборке показала, что оба алгоритма демонстрируют высокую точность. Модель kNN достигла accuracy = 94,56 %, модель случайного леса - 96,44 %. Это свидетельствует о высокой эффективности применения методов машинного обучения для диагностики и прогнозирования режимов работы электропривода. Для более детального анализа качества классификации были рассчитаны метрики precision, recall и F1-score по каждому из пяти режимов (рис. 3), а также построена матрица ошибок (confusion matrix) (рис. 4, 5). === KNN === p r e c is io n r e c a l l f l - s c o r e su p p o rt 1 Ѳ.99 1 .0 0 1.Ѳ0 710 2 0 .9 6 0 .8 8 0 .9 2 2729 3 0 .9 8 0 .9 9 0 .9 9 2319 4 0 .6 8 0 .8 7 0 .7 6 751 5 1 .0 0 1 .0 0 1.Ѳ0 1549 a c cu racy 0 .9 5 8058 macro avg 0 .9 2 0 .9 5 0 .9 3 8058 weighted avg 0 .9 5 0 .9 5 0 .9 5 8058 === Random F o re s t === p r e c is io n r e c a l l f l - s c o r e su p p o rt 1 0 .9 9 1 .0 0 1.Ѳ0 710 2 0 .9 9 0 .9 0 0 .9 4 2729 3 1 .0 0 1 .0 0 1.00 2319 4 0.73 0 .9 8 0 .84 751 5 1 .0 0 1 .0 0 1.Ѳ0 1549 a c cu racy 0 .96 8058 macro avg 0 .9 4 0 .9 8 0 .96 8058 weighted avg 0 .9 7 0 .9 6 0 .96 8058 Рис. 3. Метрики анализа качества Fig. 3. Quality analysis metrics 535