Интересные изобретения молодых челябинских ученых

Еще недавно они сами сидели за студенческими партами, а сегодня придумывают технологии, которые могут пригодиться промышленности по всей стране. Например, карманный сенсор, способный обнаружить опасный формальдегид в воздухе. Или нейросеть, которая учится находить неисправности в электродвигателях, невидимые человеческому глазу. Героям нашей статьи — по 23 года. За плечами у каждого — научные публикации, конференции и разработки, которые уже вызывают интерес у крупных предприятий. Знакомимся с молодыми челябинскими учеными в новом выпуске проекта «Поколение Че», который реализуется при содействии Фонда поддержки СМИ Челябинской области. «Видеть, чем дышишь»: в Челябинске придумали доступный сенсор для определения формальдегида в воздухе Ученый-эколог ЮУрГУ Глеб Лычкин разработал браслет с сенсором, который меняет цвет при контакте с формальдегидом. В перспективе такой девайс пригодится не только рабочим в промышленном цехе — любой желающий сможет проверить, насколько безопасная атмосфера у него дома, в офисе или на даче. — Глеб, чем опасен формальдегид и почему важно измерять его уровень? — Формальдегид — один из распространенных загрязнителей воздуха, он может раздражать слизистые оболочки и верхние дыхательные пути, вызывать головные боли и аллергию. При этом его широко используют в промышленности — при производстве полимеров, красок, клея, ДСП и других материалов. Поскольку для сотрудников таких предприятий полностью исключить контакт с токсичным веществом невозможно, важно хотя бы контролировать его содержание. — Сегодня на предприятиях всё чаще используют специальные газоанализаторы — этого недостаточно? — Такие приборы хорошо справляются с задачей, но стоят дорого и требуют регулярного обслуживания. К тому же это стационарное оборудование, привязанное к одной точке, а концентрация формальдегида даже в разных местах одного цеха может отличаться. Поэтому возникла идея сделать компактный и доступный индикатор, который каждый сотрудник сможет носить с собой и контролировать состояние воздуха именно в той локации, где он сейчас находится. — Вы придумали сенсор в виде браслета? — Это может быть браслет, подвеска, значок или даже что-то вроде наклейки на спецодежду — любой удобный носитель, варианты пока прорабатываем. Непосредственно сам сенсор — это небольшая бумажная основа, пропитанная специальным реагентом, который вступает в реакцию с формальдегидом. В результате бумага меняет цвет — по оттенку можно определить наличие вещества и его концентрацию. Чем она выше и дольше время воздействия, тем сильнее изменение. Результат можно оценить на глаз или через приложение на смартфоне. — Как быстро можно сделать замеры? — Изменение цвета можно оценить примерно через час, а для более выраженного накопительного эффекта требуется до 24 часов. Для практического применения это довольно долго, хотелось бы получать результат примерно за 10–15 минут. — В теории это возможно? — Да, и одна из основных задач, над которыми мы сейчас работаем. Чтобы ускорить процесс, пробуем менять состав реагента и условия реакции, в том числе дополнительно подкислять среду. — После использования сенсор будет как-то перезаряжаться? — Он одноразовый: реакция происходит, цвет бумаги меняется, обратно этот процесс не провернуть. Но технология простая и не требует больших материальных затрат. Так что мы рассчитываем сделать сенсор достаточно дешевым, чтобы можно было спокойно проводить замеры так часто, как нужно. — То есть в перспективе это может быть не только промышленное устройство, но и что-то для обычного человека? — Потенциально да. Например, сенсор можно было бы использовать дома после ремонта или на каком-нибудь плохо проветриваемом складе, где много материалов, способных выделять формальдегид. — Вы работаете не только с формальдегидом. Какие еще вещества можно определять похожим способом? — Мы параллельно занимаемся сенсорами для аммиака. Там реакция идет быстрее, а контролируемые на производстве концентрации выше, поэтому получить выраженный сигнал проще. Мы уже проверили два типа сенсоров с разными механизмами реакции и продолжаем работу в этом направлении. В перспективе можно подбирать реагенты и создавать отдельные сенсоры для разных загрязнителей. «Пока человек поймет, обмотка уже начнет плавиться»: как нейросеть учится видеть поломки оборудования А эту разработку челябинских ученых особенно ждут предприятия тяжелой промышленности. Изобретение тоже поможет заботиться о здоровье и безопасности, но уже не персонала, а техники. Не секрет, что одна небольшая поломка может остановить целую цепочку производства. 23-летний сотрудник лаборатории технической самодиагностики и самоконтроля приборов и систем ЮУрГУ Дмитрий Галышев разрабатывает алгоритмы для «умных» датчиков, которые заметят неисправность гораздо раньше человека. — Дмитрий, почему возник такой запрос? — В современных производственных цехах много потенциально уязвимых элементов: электродвигатели, редукторы, насосы. Если что-то из этого выйдет из строя хотя бы на час, это может привести к серьезным финансовым потерям. Чтобы избежать простоев, важно заранее отслеживать состояние оборудования и понимать, что какой-то узел не в порядке. Моя специализация — диагностика электродвигателей. — А разве на предприятиях нет плановой диагностики? — Проблема в том, что дефект может развиться между двумя проверками. Условно, если оборудование проверяют даже раз в несколько дней, а неисправность развивается за несколько часов, плановая диагностика ее просто не заметит. — Какую альтернативу создаете? — Мы работаем над диагностическим комплексом на основе нейросетевых моделей. Знаете, сейчас многие пользуются фитнес-браслетами и смарт-часами, которые измеряют пульс, уровень стресса, качество сна и еще кучу показателей. Образно говоря, мы надеваем такие «часы» на электродвигатель — и они следят за его здоровьем, оценивают состояние с нужной периодичностью, хоть каждые 10 минут. Если система замечает малейшие признаки неисправности, то сообщает об этом оператору. В нашей команде есть инженеры, которые собирают сами «часы», а я отвечаю за то, чтобы они были умными — работаю с данными и нейросетями, чтобы алгоритм понимал, что именно происходит с двигателем. — Как нейросеть понимает, что двигатель начинает ломаться? — Мы знаем, какие дефекты могут возникнуть, и как каждый из них проявляется в конкретных сигналах — на основе этих данных обучаем нашу модель. Чаще всего причина неисправностей электродвигателей — в повреждении обмотки или подшипников. Если обнаружить и локализовать только эти два типа дефектов, уже можно покрыть около 80% причин внезапных отказов. — И какие сигналы подает поврежденный подшипник? — Например, если внутри подшипника появляется небольшая ямка, проходящий через нее элемент создает микроудар. Этот микроудар отражается в сигнале вибрации, и алгоритмы на него реагируют. Повреждение обмотки меняет распределение тока внутри электродвигателя — возникает асимметрия фаз, которую тоже «ловят» алгоритмы. Если есть дефект на стержне ротора — система зафиксирует, как меняется сигнал тока статора, и так далее. — Все эти неисправности без помощи технологий не поймать? — На ранней стадии практически невозможно. Когда подшипник только начинает разрушаться, рабочий вряд ли что-то услышит. Позже появится характерный шум — но и его может заглушить гул предприятия. Проблемы с обмоткой тоже обычно замечают, когда она уже начинает плавиться или гореть. А нейросеть «почувствует» все эти сигналы гораздо раньше — в этом ценность системы. Следующий уровень — научить модель не просто сообщать о неисправности, но и оценивать оставшийся ресурс и строить прогноз. Проще говоря, отвечать, сколько еще двигатель сможет проработать в таком состоянии. — Когда такие системы появятся на наших заводах? — Пока что технология на стадии разработки, одна из главных научных проблем — недостаток данных. Чтобы обучать нейросетевую модель, нужно собрать большой массив данных с производства, а на многих заводах такой информации очень мало или попросту нет. — На чем тогда обучать модель? — Одно из направлений — искусственное расширение данных. Если удалось собрать хотя бы небольшой объем информации о дефекте, мы можем на этой основе математически сгенерировать дополнительные данные, зная физику процесса. Но бывает еще более сложная ситуация, когда у нас есть только данные об исправном оборудовании. Предприятие устанавливает систему мониторинга, двигатель работает нормально, неисправностей пока не произошло. Мы не знаем заранее, когда и где возникнет реальный дефект, а ждать можно полгода, год… — Можно смоделировать ситуацию в лаборатории? — Да, это еще одно направление исследований. Мы можем использовать лабораторный стенд и искусственно воспроизводить на нем различные дефекты. Но стенд отличается от настоящего промышленного оборудования. И возникает вопрос: можно ли обучить модель на лабораторных данных, а затем заставить ее хорошо работать на реальном предприятии? Это как обучить нейросеть управлять автомобилем в видеоигре, на симуляторе вождения. Готова ли она будет управлять не виртуальным, а настоящим автомобилем? Мы работаем и над этой задачей.