ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM
Аннотация
Актуальность данного исследования обусловлена повсеместным внедрением предиктивных систем технического обслуживания. В современных промышленных условиях особую важность приобретает точное прогнозирование остаточного срока службы (RUL) критического оборудования. Однако традиционные методы анализа данных демонстрируют существенные ограничения при работе с многомерными нестационарными временными рядами, характеризующимися высокой степенью зашумленности и сложными нелинейными зависимостями. Это приводит к значительным погрешностям в прогнозах, неоптимальному планированию ремонтных работ и возрастанию рисков внезапных отказов, способных вызвать серьезные экономические потери и нарушения производственных процессов. Цель работы заключалась в разработке усовершенствованной модели прогнозирования RUL на основе глубоких рекуррентных нейронных сетей. Для достижения поставленной цели последовательно решались следующие задачи: проведение детального анализа и многоэтапной предобработки данных многомерного мониторинга; проектирование специализированной двухслойной LSTM-архитектуры с интегрированными механизмами регуляризации. Методы и подходы включали применение оригинальной методики, сочетающей каскадную организацию LSTM-слоев с нормализацией и dropout-регуляризацией. Обучение модели осуществлялось на наборе данных NASA Turbofan Engine Degradation Simulation с задействованием современного оптимизатора Adam и стратегии ранней остановки для предотвращения переобучения. Особое внимание уделялось разработке специализированных алгоритмов предобработки, позволяющих эффективно работать с зашумленными временными последовательностями и сохранять долгосрочные зависимости в данных. Основные результаты проведенных экспериментов демонстрируют высокую точность прогноза. Детальный визуальный анализ временных рядов подтвердил точное соответствие прогнозных значений реальной траектории износа механических компонентов. Выводы исследования свидетельствуют о высокой практической эффективности разработанной модели для решения актуальных задач промышленной прогностики. Установлена возможность успешной интеграции модели в современные системы предиктивного обслуживания технологического оборудования. Практическая значимость работы заключается в потенциале существенной оптимизации затрат на техническое обслуживание и минимизации рисков критических отказов. Перспективы дальнейших исследований связаны с развитием гибридных архитектур, интеграцией механизмов внимания и адаптацией модели для различных типов промышленного оборудования
Список литературы
1. Si X.-S., Wang W., Hu C.-H., & Zhou D.-H. Remaining useful life estimation – A review on the statisti-cal data driven approaches. European Journal of Operational Research, 16 August 2011, Vol. 213, Is-sue 1, pp. 1-14. DOI: 10.1016/j.ejor.2010.11.018.
2. Hochreiter S., & Schmidhuber J. Long short-term memory, Neural Computation, 15 November 1997, Vol. 9, Issue 8, pp. 1735-1780. DOI: 10.1162/neco.1997.9.8.1735.
3. Gers F.A., Schmidhuber J., & Cummins F. Learning to forget: Continual prediction with LSTM, Neural Computation, 2000, Vol. 12, Issue 10, pp. 2451-2471. DOI: 10.1162/089976600300015015.
4. Saxena A., Goebel K., Simon D. and Eklund N. Damage Propagation Modeling for Aircraft Engine Run-to-Failure Simulation, 2008 International Conference on Prognostics and Health Management, Denver, 6-9 October 2008, pp. 1-9. Available at: https://doi.org/10.1109/phm.2008.4711414.
5. Ren S., Sun Y., Cui J., Zhang L. A Deep Learning Approach for Remaining Useful Life Estimation of Bearings // Journal of Manufacturing Systems, 2018, Vol. 48, pp. 71-77. DOI: 10.1016/j.jmsy.2018.04.003.
6. Li X., Ding Q., Sun J.Q. Remaining Useful Life Estimation in Prognostics Using Deep Convolution Neural Networks, Reliability Engineering & System Safety, 2018, Vol. 172, pp. 1-11. DOI: 10.1016/j.ress.2017.11.021.
7. Wu Y., Yuan M., Dong S., Lin L., Liu Y. Remaining Useful Life Estimation of Engineered Systems Us-ing Vanilla LSTM Neural Networks, Neurocomputing, 2018, Vol. 275, pp. 167-179. DOI: 10.1016/j.neucom.2017.05.063
8. Zheng S., Ristovski K., Farahat A., Gupta C. Long Short-Term Memory Network for Remaining Useful Life Estimation // Proceedings of the 2017 IEEE International Conference on Prognostics and Health Management (ICPHM). Dallas, TX, USA, 2017, pp. 88-95. DOI: 10.1109/ICPHM.2017.7998311.
9. Lei Y., Li N., Guo L., Li N., Yan T., Lin J. Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction, Mechanical Systems and Signal Processing, 2018, Vol. 104,
pp. 799-834. DOI: 10.1016/j.ymssp.2017.11.016.
10. Si X.-S., Wang W., Hu C.-H., Zhou D.-H. Remaining Useful Life Estimation – A Review on the Statisti-cal Data Driven Approaches, European Journal of Operational Research, 2011, Vol. 213, No. 1,
pp. 1-14. DOI: 10.1016/j.ejor.2010.11.018.
11. Zhang C., Lim P., Qin A.K., Tan K.C. Multiobjective Deep Belief Networks Ensemble for Remaining Useful Life Estimation in Prognostics, IEEE Transactions on Neural Networks and Learning Systems, 2019, Vol. 30, No. 12, pp. 3816-3831. DOI: 10.1109/TNNLS.2018.2868936.
12. Zhao R., Yan R., Wang J., Mao K. Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks, Sensors, 2017, Vol. 17, No. 2, Art. № 273. DOI: 10.3390/s17020273.
13. Sateesh Babu G., Zhao P., Li X.-L. Deep Convolutional Neural Network Based Regression Approach for Estimation of Remaining Useful Life, Database Systems for Advanced Applications: DASFAA 2016 International Workshops. Lecture Notes in Computer Science. 2016, Vol. 9643, pp. 214–228. DOI: 10.1007/978-3-319-32025-0_11.
14. Wang J., Yan R., Li X. A Hybrid Deep Learning Model for Predictive Maintenance of Rotating Machin-ery Based on LSTM and Transformer, Mechanical Systems and Signal Processing, 2023,
Vol. 189, Art. No. 110069. DOI: 10.1016/j.ymssp.2022.110069.
15. Lei Y., Yang B., Jiang X. Remaining Useful Life Prediction of Bearings Using a Novel Health Indicator and a Deep Temporal Convolutional Network, IEEE Transactions on Industrial Informatics, 2022, Vol. 18, No. 9, pp. 6001-6010. DOI: 10.1109/TII.2022.3142618.
16. Raddatz M.S., Sousa J.B.G. Explainable AI for LSTM-Based Remaining Useful Life Prediction: An Application to the C-MAPSS Dataset, Journal of Intelligent Manufacturing, 2024, Vol. 35, No. 2,
pp. 345-361. DOI: 10.1007/s10845-023-02147-8.
17. Liao H., Wang Z., Zhao Y. Digital Twin-Driven Remaining Useful Life Prediction Using a Physics-Informed LSTM Network, Reliability Engineering & System Safety, 2023, Vol. 239, Art. No. 109560. DOI: 10.1016/j.ress.2023.109560.
18. Guo L., Li Y., Li N. A Comparative Study of LSTM, GRU and Attention Mechanisms for Remaining Useful Life Prediction, Engineering Applications of Artificial Intelligence, 2022, Vol. 116, Art.
No. 105472. DOI: 10.1016/j.engappai.2022.105472.
19. Zhang K., Wang T., Chen Z. A Self-Attentive LSTM Approach for RUL Prediction with Adaptive Fea-ture Extraction, IEEE Access, 2021, Vol. 9, pp. 154233-154245. DOI: 10.1109/ACCESS.2021.3127890.
20. Sansawat A., Zhang L., Wang P. A Survey on Deep Learning for Predictive Maintenance in Industry 4.0: Methods, Challenges and Future Directions, Computers & Industrial Engineering, 2024, Vol. 187, Art. No. 109810. DOI: 10.1016/j.cie.2023.109810.
