Журнал Современные наукоемкие технологии 1812-7320 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" 10.17513/snt.40822 ART-40822 РЕЖИМНО-АДАПТИВНОЕ АРХИВИРОВАНИЕ ТЕЛЕМЕТРИИ ВИБРОДИАГНОСТИКИ НА ОСНОВЕ МЕРТВОЙ ЗОНЫ С СОХРАНЕНИЕМ ПЕРЕХОДНЫХ ПРОЦЕССОВ И УМЕНЬШЕНИЕМ ОБЪЕМА ДАННЫХ Журавлева М. О. Zhuravleva М. О. kiselevmirea@gmail.com Киселев Д. С. Kiselev D. S Российская Федерация Зорина Н. В. Zorina N. V. Российская Федерация Федеральное государственное бюджетное образовательное учреждение высшего образования «МИРЭА – Российский технологический университет» Federal State Budgetary Educational Institution of Higher Education “MIREA – Russian Technological University” 30 06 2026 6 98 109 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://top-technologies.ru/ru/article/view?id=40822

В работе рассматривается задача архивирования агрегированных диагностических показателей вибрации в системах вибродиагностики промышленного оборудования, включая среднеквадратичное значение виброскорости. Целью исследования является разработка и экспериментальное обоснование метода режимно-адаптивного архивирования телеметрии вибродиагностики по мертвой зоне, обеспечивающего сокращение объема хранимых данных при контролируемом уровне искажения переходных процессов. Стационарные режимы формируют основную долю записей и отражают преимущественно шум измерительного канала, тогда как переходные процессы содержат наиболее информативные участки для диагностики и прогноза. Предложен режимно-адаптивный метод архивирования по мертвой зоне, в котором порог записи автоматически снижается при обнаружении переходного процесса по локальной изменчивости сигнала и возвращается к исходному значению в стационарном режиме. На модельном сигнале среднеквадратичного значения виброскорости (SimInTech, 2000 отсчетов, среднеквадратическое отклонение шума 0,020) метод обеспечил степень сжатия 4,6 при максимальной ошибке на переходном участке 0,027, что в 2,6 раза лучше варианта с фиксированным порогом при степени сжатия того же порядка (6,3 против 4,6). Параметры метода выражаются через уровень шума измерительного канала, что упрощает настройку без идентификации модели объекта.

This paper addresses the problem of archiving aggregated vibration diagnostic indicators in industrial equipment vibration diagnostics systems, including the root-mean-square vibration velocity. The purpose of the study is to develop and experimentally validate a regime-adaptive dead-zone-based method for archiving vibration-diagnostic telemetry, which reduces the volume of stored data while maintaining a controlled level of distortion in transient processes. Steady-state operating modes account for the majority of records and mainly reflect measurement-channel noise, whereas transient processes contain the most informative segments for diagnostics and prognostics. A regime-adaptive dead-zone-based archiving method is proposed, in which the recording threshold is automatically reduced when a transient process is detected from the local variability of the signal and is restored to its initial value under steady-state conditions. On a simulated root-mean-square vibration-velocity signal generated in SimInTech, consisting of 2000 samples with a noise standard deviation of 0.020, the method achieved a compression ratio of 4.6 with a maximum error of 0.027 in the transient interval. This is 2.6 times better than the fixed-threshold approach at a compression ratio of the same order, 6.3 versus 4.6. The method parameters are expressed through the measurement-channel noise level, which simplifies tuning without requiring identification of the plant model.

 вибродиагностика мертвая зона СКЗ виброскорости SCADA информатика адаптивное архивирование система архивации переходный процесс SimInTech предиктивное обслуживание vibration diagnostics deadband RMS vibration velocity SCADA informatics data archiving system adaptive archiving transient process SimInTech predictive maintenance

1. AlQemlas T., Saber A., Abdelfattah A., Mokhiamar O., Amine S., Gazo-Hanna E.Artificial Intelligence-Driven Fault Detection and Predictive Maintenance in Renewable Energy Systems: A Review // Engineered Science. 2026. Vol. 39. Art. 2061. DOI: 10.30919/es2061.

2. Syed M. A. B., Hasan M. R., Chowdhury N. I., Rahman M. H., Ahmed I. A systematic review of time series algorithms and analytics in predictive maintenance // Decision Analytics Journal. 2025. Vol. 15. Art. 100573. DOI: 10.1016/j.dajour.2025.100573.

3. Chiarot G., Silvestri C. Time Series Compression Survey // ACM Computing Surveys. 2023. Vol. 55. Is. 10. Art. 198. P. 1–32. DOI: 10.1145/3560814.

4. Correa J. D. A. Pinto A. S. R., Montez C. Lossy Data Compression for IoT Sensors: A Review // Internet of Things. 2022. Vol. 19. Art. 100516. DOI: 10.1016/j.iot.2022.100516.

5. El Sayed A., Ruiz M., Harb H., Velasco L. Deep Learning-Based Adaptive Compression and Anomaly Detection for Smart B5G Use Cases Operation // Sensors. 2023. Vol. 23. Is. 2. Art. 1043. DOI: 10.3390/s23021043.

6. Gong Q., Zhang C., Liang X., Reshniak V., Chen J., Rangarajan A., Ranka S., Vidal N., Wan L., Ullrich P., Podhorszki N., Jacob R., Klasky S. Spatiotemporally Adaptive Compression for Scientific Dataset with Feature Preservation – A Case Study on Simulation Data with Extreme Climate Events Analysis // 2023 IEEE 19th International Conference on e-Science (e-Science). Limassol, Cyprus. 2023. P. 1–10. DOI: 10.1109/e-Science58273.2023.10254796.

7. Agrawal V., Kuldeep G., Dey D. Near Lossless Time Series Data Compression Methods Using Statistics and Deviation // 2022 IEEE Globecom Workshops (GC Wkshps). Rio de Janeiro, Brazil. 2022. DOI: 10.1109/GCWkshps56602.2022.10008693.

8. Pandey R., Grimm F., Nille D., Böckenhoff C., Gamez J., Uziel S., Dorneich A., Hutschenreuther T., Krug S. Case Study on Compression of Vibration Data for Distributed Wireless Condition Monitoring Systems // Applied Sciences. 2025. Vol. 15. Is. 22. Art. 12346. DOI: 10.3390/app152212346.

9. Панина О. В., Завалько Н. А., Еремин С. Г., Харченко К. В., Зуденкова С. А. Разработка нейронных сетей для анализа вибрационных сигналов горного оборудования и предупреждения аварийных ситуаций // Горная промышленность. 2025. № 2. С. 97–104. DOI: 10.30686/1609-9192-2025-2-97-104.

10. Turkin I., Leznovskyi V., Zelenkov A., Nabizade A., Volobuieva L., Turkina V. The Use of IoT for Determination of Time and Frequency Vibration Characteristics of Industrial Equipment for Condition-Based Maintenance // Computation. 2023. Vol. 11. Is. 9. Art. 177. DOI: 10.3390/computation11090177.

11. Baron P., Kočiško M., Hlavatá S., Franas E. Vibrodiagnostics as a Predictive Maintenance Tool in the Operation of Turbo Generators of a Small Hydropower Plant // Advances in Mechanical Engineering. 2022. Vol. 14. Is. 5. DOI: 10.1177/16878132221101023.

12. Tao X., Zhao Y., Chen Y. Vibration Monitoring and Health Status Recognition Technology of Machine Tool Electric Spindle // Journal of Engineering and Applied Science. 2025. Vol. 72. Art. 102. DOI: 10.1186/s44147-025-00672-2.

13. Forbicini F. Time Series Analysis in Compressor-Based Machines: A Survey / Forbicini F., Vago N. O. P., Fraternali P. // Neural Computing and Applications. 2025. DOI: 10.1007/s00521-025-11065-0.

14. Zheng M., Man J., Wang D., Chen Y., Li Q., Liu Y. Semi-Supervised Multivariate Time Series Anomaly Detection for Wind Turbines Using Generator SCADA Data // Reliability Engineering & System Safety. 2023. Vol. 235. Art. 109235. DOI: 10.1016/j.ress.2023.109235.

15. ГОСТ ИСО 10816-1-97. Вибрация. Контроль состояния машин по результатам измерений вибрации на невращающихся частях. Ч. 1. Общие требования. Введ. 1999-07-01. М.: Стандартинформ, 1997. 16 с. URL: https://docs.cntd.ru/document/1200008666 (дата обращения: 24.05.2026).

16. ГОСТ ИСО 10816-3-2002. Вибрация. Контроль состояния машин по результатам измерений вибрации на невращающихся частях. Ч. 3. Промышленные машины номинальной мощностью более 15 кВт и номинальной скоростью от 120 до 15000 мин⁻¹. М.: Стандартинформ, 2007. 12 с.