ПРОГНОЗИРОВАНИЕ ОТКАЗОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ФАКТОРНОГО АНАЛИЗА
Аннотация
Рассматривается применение метода оценки рисков, основанного на объединении методологии FMEA (failure mode and effect analysis) – анализ рисков и последствий отказа и методов многокритериального принятия решений MCDM (Multiple Criteria Decision Making). Такой подход позволяет учитывать как экспертные знания, так и исторические данные о работе оборудования. Методы MCDM обрабатывают оценку более гибко в сравнении со стандартным способом расчета приоритетного числа риска (ПЧР), что помогает качественнее оценить риски по трем критериям: вероятность возникновения, сложность обнаружения и тяжесть последствий. Один из критериев возможно получить не только через оценку экспертом, но и на основе данных, фиксирующих работу оборудования. На примере синтетических данных из открытого доступа о режимах работы производственного оборудования был опробован данный подход. Задача заключалась в прогнозировании как самого отказа, так и его вида, а также выявлении факторов, сильнее всех оказывающих влияние на отказ. Для этого проводилась предобработка данных, в ходе которой потребовалось устранить дисбаланс классов. Существует несколько подходов к решению этой проблемы, направленные на сокращение преобладающего класса, либо генерацию экземпляров слабо представленных классов. В этом примере использовалось сокращение количества записей не имеющих ошибок случайным образом. Далее, в качестве алгоритмов классификации сравнивались AdaBoost, Random Forest и LinearSVC. Так как требовалась многоклассовая классификация, было решено использовать стратегию «one-vs-the-rest» (один против всех). В итоге удалось добиться точности прогнозирования по F-мере в 86% алгоритмами AdaBoost и Random Forest. LinearSVC оказался неэффективным. Таким образом, полученная модель прогнозирования распознает разные виды ошибок, но существует перспектива к улучшению, для чего требуется более объемная выборка, включающая больше примеров с разными видами отказа. Исходя из этого, такой подход как альтернатива экспертной оценки является перспективным, улучшая объективность, а также давая возможность предвидеть риски и не допустить реального отказа или инцидента, связанного с риском.
Список литературы
1. McDermott R.E., Mikulak, Raymond J., Beauregard Michael R. The Basics of FMEA. Productivity Press, 1996, 80 p. ISBN 9780527763206.
2. GOST R 51814.2–2001. Sistemy kachestva v avtomobilestroenii. Metod analiza vidov I posledstviy potentsial’nykh defektov [GOST R 51814.2–2001. Quality systems in the automotive industry. Method for analyzing the types and consequences of potential defects].
3. Podoplelova E.S., Knyazev I.I. Modifikatsiya metoda FMEA pri pomoshchi algoritmov mashinnogo obucheniya [Modification of the FMEA method using machine learning algorithms], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SfedU. Engineering Sciences], 2024, No. 6 (2023), pp. 88-95.
4. Sprajcer M., Matthew J.W. Thomas, Charli Sargent, Meagan E. Crowther, Diane B. Boivin, Imelda S. Wong, Alison Smiley, Drew Dawson. How effective are Fatigue Risk Management Systems (FRMS)? A review, Accident Analysis & Prevention, 2022, No. 165, pp. 106398.
5. Jin C., Ran Y., Zhang G. An improving failure mode and effect analysis method for pallet exchange rack risk analysis, Soft Comput, 2021, 25, pp. 15221-15241. Available at: https://doi.org/10.1007/ s00500-021-06359-z.
6. Filz M., Langner J.E., Herrmann C., Thiede S. Data-driven failure mode and effect analysis (FMEA) to enhance maintenance planning, Comput. Ind., 2021, 129, 103451.
7. Aboozar Jamalnia, Yu Gong, Kannan Govindan, Michael Bourlakis, Sachin Kumar Mangla. A decision support system for selection and risk management of sustainability governance approaches in multi-tier supply chain, International Journal of Production Economics, 2023, No. 264, pp. 108960.
8. Wan Suzila Wan Husin, Yazriwati Yahya, Nurulhuda Firdaus Mohd Azmi, Nilam Nur Amir Sjarif, Su-riayati Chuprat, Azri Azmi. Risk Management Framework for Distributed Software Team: A Case Study of Telecommunication Company, Procedia Computer Science, 2019, 161, pp. 178-186.
9. Nabil K., Dkhissi. P.B. A decision support system for evaluating the logistical risks in Supply chains based on RPN factors and multi criteria decision making approach, 2022 IEEE 6th International Confer-ence on Logistics Operations Management (GOL). Strasbourg, France, 2022, pp. 1-6.
10. Dent T.H.S. et al. Risk prediction models: a framework for assessment, Public health genomics, 2012, Vol. 15 (2), pp. 98-105. DOI: 10.1159/000334436.
11. Cai Y., Cai YQ., Tang, LY. et al. Artificial intelligence in the risk prediction models of cardiovascular disease and development of an independent validation screening tool: a systematic review, BMC Med., 2024, 22, 56. Available at: https://doi.org/10.1186/s12916-024-03273-7.
12. Matzka S. AI4I 2020 Predictive Maintenance Dataset, submitted to UCI Machine Learning Repository, 2020.
13. Kim Dzh.-O., M'yuller Ch.U. Faktornyy analiz: statisticheskie metody i prakticheskie voprosy [Factor analysis: statistical methods and practical issues], Sb. rabot «Faktornyy, diskriminantnyy i klasternyy an-aliz» [Collection of works "Factor, discriminant and cluster analysis"]: transl. from engl., ed. by
I.S. Enyukova. Moscow: Finansy i statistika, 1989, 215 p.
14. Byuyul' A., Tsefel' P. SPSS: Iskusstvo obrabotki informatsii. Analiz statisticheskikh dannykh i voss-tanovlenie skrytykh zakonomernostey [SPSS: The art of information processing. Analysis of statistical data and reconstruction of hidden patterns]. Saint Petersburg: OOO «DiaSoftYUP», 2002, 603 p.
15. Pearson K. On lines and planes of closest fit to systems of points in space, Philosophical Magazine, 1901, Vol. 2, pp. 559-572.
16. Scikit-learn. Feature importances with a forest of trees. Available at: https://scikit-learn.org/stable/ au-to_examples/ensemble/plot_forest_importances.html.
17. Freund Y., Schapire R. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting, 1995.
18. Zhu J., Zou H., Rosset S., Hastie T. Multi-class adaboost, Statistics and its Interface, 2009, Vol. 2,
pp. 349-360.
19. Prinzie A, Poel D. Random Multiclass Classification: Generalizing Random Forests to Random MNL and Random NB, Database and Expert Systems Applications. Lecture Notes in Computer Science, 2007, Vol. 4653, pp. 349. DOI: 10.1007/978-3-540-74469-6_35. ISBN 978-3-540-74467-2.
20. Denisko D, Hoffman M.M. Classification and interaction in random forests, Proceedings of the National Academy of Sciences of the United States of America, 2018, 115 (8), pp. 1690-1692. Bibcode: 2018PNAS..115.1690D. DOI: 10.1073/pnas.1800256115. PMC 5828645. PMID 29440440.
21. Bishop Christopher M. Pattern Recognition and Machine Learning. Springer, 2006.
22. Scikit-learn. User Guide. OneVsRestClassifier. Available at: https://scikit-learn.org/stable/modules/ mul-ticlass.html#ovr-classification
