ПРОГНОЗИРОВАНИЕ НЕИСПРАВНОСТЕЙ В ТЕХНИЧЕСКИХ СИСТЕМАХ НА ОСНОВЕ МОДЕЛИ СХОДСТВА ОСТАВШЕГОСЯ ПОЛЕЗНОГО СРОКА СЛУЖБЫ:

Ю.А. Кораблев

Ю.А. Кораблев Санкт-Петербургский государственный электротехнический университет СПбГЭТУ «ЛЭТИ» им. В.И. Ульянова (Ленина)

Ключевые слова: Неисправности, диагностика состояния технической системы, прогнозирование возникновения неисправностей, оставшийся полезный срок службы, индикатор работоспособности, оценщик сходства RUL

Аннотация

В этой статье показано, как построить полный рабочий процесс оценки оставшегося по-
лезного срока службы (Remaining Useful Life - RUL), включая этапы предварительной обработки,
выбора трендовых функций, построения индикатора работоспособности путем объединения
датчиков, обучения оценщиков сходства RUL и проверки эффективности прогнозирования. Тес-
тирование метода проводилось в демонстрационной программе MATLAB, реализующей данныйметод прогнозирования возникновения неисправностей в технических системах
(https://www.mathworks.com/help/predmaint/ug/similarity-based-remaining-useful-life-estimation.html)
на основе данных из "PHM08 Challenge Data Set", NASA Ames Prognostics Data Repository
(http://ti.arc.nasa.gov/project/prognostic-data-repository), NASA Ames Research Center, Moffett Field,
CA. Метод ориентирован на использование обоснованных технических характеристик оценивае-
мого оборудования, достаточно полно освещенных в справочной литературе. Поэтому хорошие
результаты метод дает при оценке оборудования, условия эксплуатации которого, близки к сред-
нестатистическим. В статье используется Predictive Maintenance Toolbox™ системы MATLAB,
который включает в себя несколько специализированных моделей, разработанных для вычисления
RUL из различных типов измеренных системных данных. Эти модели полезны, когда у вас есть
исторические данные и информация, такие как: – истории работы до отказа машин, похожих на
ту, которую необходимо диагностировать. Исторические данные для каждого члена ансамбля
данных подгоняются под модель идентичной структуры; – известное пороговое значение некото-
рого индикатора состояния, указывающего на отказ; – данные о том, сколько времени или сколь-
ко использования потребовалось для выхода из строя похожих машин (срок службы). Модели
оценки RUL предоставляют методы для обучения модели с использованием исторических данных
и их использования для выполнения прогнозирования оставшегося срока службы. Термин срок
службы здесь относится к сроку службы машины, определяемому с точки зрения любой величины,
используемой для измерения срока службы системы. Аналогично, эволюция времени может озна-
чать эволюцию значения с использованием, пройденным расстоянием, количеством циклов или
другой величиной, которая описывает срок службы. Общий рабочий процесс для использования
моделей оценки RUL: – создать и настроить соответствующий объект модели; – обучите модель
оценки с использованием имеющихся исторических данных; – используя тестовые данные того же
типа, что и имеющиеся исторические данные, оценить RUL тестового компонента. Также мож-
но использовать тестовые данные рекурсивно для обновления модели по мере поступления новых
данных, т.е. отслеживать эволюцию прогноза RUL по мере поступления новых данных.

Литература

1. Kak sokratit' raskhody na obsluzhivanie oborudovaniya na 40 %. Blog Kirilla Kostanetskogo [How to
reduce equipment maintenance costs by 40%. Blog by Kirill Kostanetsky]. Available at:
https://nv.ua/techno/technoblogs/chto-takoe-prediktivnoe-obsluzhivanie-2476568.html.
2. Proactive Asset Management with IIoT and Analytics, ARC Advisory Group, January 15, 2015, By
Ralph Rio.
3. Reyli R., Shvays R. Otsenka nematerial'nykh aktivov [Evaluation of intangible assets]: transl. from
english. Moscow: ID «KVINTO-KONSALTING», 2005, 792 p.
4. Saxena A. and Goebel K. "PHM08 Challenge Data Set", NASA Ames Prognostics Data Repository.
Available at: http://ti.arc.nasa.gov/project/prognostic-data-repository. NASA Ames Research Center,
Moffett Field, CA, 2008.
5. Lyubimov I.V., Meshkov S.A. Statisticheskie metody kontrolya kachestva i nadezhnosti: ucheb. posobie
[Statistical methods of quality and reliability control: a tutorial]. Baltic State Technological University.
St. Petersburg., 2010, 96 p. ISBN 978-5-85546-522-8.
6. E.A., Mantserov S.A., Panov A.Yu. Prognozirovanie otkazov sistem avtomaticheskogo upravleniya
gazoperekachivayushchimi agregatami na osnove indeksa tekhnicheskogo sostoyaniya i stepeni riska
[Forecasting failures of automatic control systems of gas pumping units based on the technical condition
index and risk degree], Fundamental'nye issledovaniya [Fundamental research], 2015, No. 7-2,
pp. 309-313.
7. Lyubimov I.V., Meshkov S.A., Ushakov, A.P., Chalyy R.A. Metody i sredstva diagnostirovaniya
tekhnicheskikh sistem: ucheb. posobie [Methods and tools for diagnosing technical systems: a tutorial].
Baltic State Technological University. St. Petersburg., 2011, 120 p. ISBN 978-5-85546-863-8.
8. Kashnitskiy Yu.S., Ignatov D.I. Ansamblevyy metod mashinnogo obucheniya, osnovannyy na
rekomendatsii klassifikatorov [Ensemble method of machine learning based on classifier recommendations],
Machine Learning in Python, Journal of Machine Learning Research [Machine Learning in
Python, Journal of Machine Learning Research], 2011, 12, pp. 2825-2830.
9. Popova T.P. Ansambli modeley kak sovremennyy instrument analiza dannykh [Model ensembles as a
modern tool for data analysis], responsible for the release: dr. of econ. sc., Rector of the Ural State
University of Economics, 2017, 256 p.
10. Shishmarev V.Yu. Nadezhnost' tekhnicheskikh sistem: uchebnik dlya stud. vyssh. ucheb. zavedeniy
[Reliability of technical systems: textbook for students of higher educational institutions]. Moscow:
Izdatel'skiy tsentr «Akademiya», 2010, 304 p.
11. Dyuk V.A., Fomin V.V. Prognozirovanie vremennykh ryadov na osnove metodov DataMining [Forecasting
of time series based on DataMining methods], Izvestiya Sankt-Peterburgskogo
gosudarstvennogo tekhnologicheskogo instituta (tekhnicheskogo universiteta) [Bulletin of the St. Petersburg
State Technological Institute (Technical University)], 2012, No. 13, pp. 108-111.
12. Shakhanov N.I., Oskolkov V.M., Varfolomeev I.A., Yudina O.V. Prognozirovanie otkazov oborudovaniya
na osnove algoritmov mashinnogo obucheniya [Forecasting of equipment failures based on machine
learning algorithms], Voprosy obrazovaniya i nauki. Po materialam mezhdunarodnoy nauchnoprakticheskoy
konferentsii, 31 maya 2016 [Issues of education and science. Based on the materials of the
international scientific and practical conference, May 31, 2016], pp. 315-317.
13. Flakh P. Mashinnoe obuchenie. Nauka i iskusstvo postroeniya algoritmov, kotorye izvlekayut znaniya
iz dannykh [Machine learning. The science and art of building algorithms that extract knowledge from
data]. Moscow: DMK Press, 2015, 402 p.
14. Kormen T., Leyzerson Ch., Rivest R., Shtayn K. Algoritmy: postroenie i analiz [Algorithms: construction
and analysis]. 2nd ed.: transl. from engl. Moscow, 2005, 1296 p.
15. Makkonnell Dzh. Osnovy sovremennykh algoritmov [Fundamentals of modern algorithms]. 2nd ed.
Moscow: Tekhnosfera, 2004, 368 p.
16. Vadzinskiy R.N. Spravochnik po veroyatnostnym raspredeleniyam [Handbook of probability distributions].
St. Petersburg, 2001.
17. Chugreev V.L., Badanin D.A. Ispol'zovanie prognoznoy analitiki v informatsionno-analiticheskikh
sistemakh podderzhki prinyatiya resheniy [Using Predictive Analytics in Information and Analytical
Systems for Decision Support], Molodoy uchenyy [Young Scientist], 2016, No. 6, pp. 49-52.
18. Lipatov M. Pervyy v Rossii kompleks prediktivnoy analitiki dlya energeticheskogo i promyshlennogo
oborudovaniya [The first predictive analytics complex for energy and industrial equipment in Russia],
Ekspozitsiya Neft' Gaz [Expositsiya Neft Gas], 2016, No. 3 (49), pp. 82-83.
19. Prognoznaya analitika – sposob adaptatsii v novykh ekonomicheskikh realiyakh [Predictive analytics -
a way to adapt to new economic realities]. Available at: http://www.iksmedia.ru/articles/5292204-
Prognoznaya-analitika-sposob-adapta.html.
20. Kobl Dzheymi Baalis. Ob"edinenie istochnikov dannykh dlya predskazaniya ostavshegosya sroka
poleznogo ispol'zovaniya – avtomatizirovannyy metod dlya identifikatsii prognosticheskikh
parametrov [Combining data sources to predict remaining useful life - an automated method for identifying
prognostic parameters], 2010.