Найти

Результаты поиска

• ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM

  Ю.А. Кораблев

  277-288

  2025-11-10

  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

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

  Ю.А. Кораблев

  2025-01-14

  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 данный метод 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.