Оптимизация вероятностных эксплуатационных характеристик нейросетевого алгоритма предиктивной диагностики отказов промышленного оборудования за счёт автоматизированной обработки обучающей выборки

Обложка

Цитировать

Полный текст

Аннотация

В работе рассматривается оптимизация вероятностных эксплуатационных характеристик нейросетевого алгоритма предиктивной диагностики неисправностей промышленного оборудования. В качестве оптимизируемых параметров приняты вероятность ложной тревоги и вероятность обнаружения неисправности, являющиеся общепринятыми метриками эффективности систем анализа обстановки и принятия решений. Задача оптимизации эксплуатационных характеристик декомпозирована до уровня влияющих технических параметров системы и сведена к нахождению оптимальных значений базового времени расчёта производных измеряемых технологических параметров и времени развития неисправности. Автоматизированная обработка обучающей выборки позволяет сократить затраты времени на создание системы предиктивной диагностики отказов промышленного оборудования. Приведён результат оптимизации вероятностных эксплуатационных характеристик нейросетевого алгоритма и получены оптимальные значения варьируемых параметров, а также в результате обучения и тестирования на реальных телеметрических данных питающего электронасоса турбоагрегата ТЭЦ получены оптимальные значения оптимизируемых параметров, по которому сделаны выводы и предложены дальнейшие действия для улучшения результата.

Об авторах

Иван Васильевич Некрасов

Институт проблем управления РАН тм.В.А.Трапезникова

Автор, ответственный за переписку.
Email: ivannekr@mail.ru
ORCID iD: 0000-0003-0520-7222
SPIN-код: 1204-7269
Scopus Author ID: 57200274156

кандидат технических наук, старший научный сотрудник

Россия, г. Москва

Юрий Денисович Константиновский

МГТУ им. Н.Э.Баумана

Email: uran9000@mail.ru

студент

Россия, г. Москва

Николай Сергеевич Кукин

АНО «Институт инженерной физики»

Email: n.s.kukin@mail.ru
ORCID iD: 0000-0003-3889-2094

кандидат технических наук, начальник группы

Россия, г. Москва

Список литературы

  1. Divya, D. Review of fault detection techniques for predictive maintenance / D. Divya, B. Marath, M. B. Kumar // Journal of Quality in Maintenance Engineering. 2022. – Vol. 29, No. 2, pp. 420-441. doi: 10.1108/JQME-10-2020-0107.
  2. Data-driven Machinery Fault Detection : A Comprehensive Review / D. Neupane, M. R. Bouadjenek, R. Dazeley, S. Aryal ; School of IT. – Australia : School of IT, 2024. – 50 p.
  3. Fernandes, M. Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: a systematic literature review / M. Fernandes, J. M. Corchado, G. Marreiros // Applied Intelligence. – 2022. – Vol. 52, pp. 14246-14280. doi: 10.1007/s10489-022-03344-3
  4. Агасиев, Т. А. Мета-модельный метод перманентной настройки параметров алгоритмов оптимизации / Т. А. Агасиев, А. П. Карпенко // Машиностроение и компьютерные технологии: наука и образование / Электронный журнал МГТУ им. Н.Э.Баумана. – 2016. – № 9. – C. 92-110.
  5. Каширина, И. Л. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей / И. Л. Каширина, В. М. Демченко // Вестник Воронежского Государственного Университета. Серия: Системный анализ и информационные технологии. – 2018. – № 4. – С. 123-132. doi: 10.17308/sait.2018.4/1262.
  6. ГОСТ Р 53564-2009. Мониторинг состояния оборудования опасных производств. Требования к системам мониторинга : национальный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии : дата введения. 2009-15-12. – Москва: Стандартинформ, 2019. – 19 с.
  7. Nekrasov, I. V. Predictive Diagnostics of Power Generating Equipment Failures Based on Neural Network Technology / I. V. Nekrasov, Yu. D. Konstantinovskiy, N. S. Kukin. // 5th International Conference on Neural Networks and Neurotechnologies (NeuroNT'2024). – 2024. Принято к публикации. (https://events.etu.ru/#/application/8096/info - требуется авторизация)
  8. Федотов, А. В. Основы теории надежности и технической диагностики: конспект лекций / А. В. Федотов, Н. Г. Скабкин. – Омск : Издательство Омcкого Государственного Технического Университета, 2010. – 64 с.
  9. Шмидт, А. А. Анализ научно-методического аппарата диагностики и контроля, мониторинга и прогнозирования технического состояния военной техники связи / А. А. Шмидт, А. В. Косырев // Техника средств связи. – 2023. – №4 (164). – С. 81-92.
  10. Smola, A. Introduction to machine learning / A. Smola, S. V. N. Vishwanathan. – UK : Cambridge University Press, Cambridge, 2008. – 234 p. (pp.136-137).
  11. Гмурман, В. Е. Теория вероятностей и математическая статистика / В. Е. Гмурман. – Москва : Высшая школа, 1972. – 368 с.
  12. Джонсон, Н. Статистика и планирование эксперимента в технике и науке. Методы обработки данных / Н. Джонсон, Ф. Лион.; пер. с англ. под ред. Э. К. Лецкого. – Москва : Мир, 1980. – 611 с.
  13. Солодовников, В. В. Основы теории и элементы систем автоматического регулирования: Учебное пособие для приборостроительных специальностей ВУЗов / В. В. Солодовников, В. Н. Плотников, А. В. Яковлев. – Москва : Машиностроение, 1985. – 535 с.
  14. Аттетков, А. В. Методы оптимизации / А. В. Аттетков, С. В. Галкин, В. С. Зарубин. – Москва : МГТУ им. Н. Э. Баумана, 2003. – 440 с.
  15. Чердынцев, В. А. Прием сигналов на фоне помех. Учебное пособие для студентов радиотехнических специальностей / В. А. Чердынцев. – Минск : Белорусский Государственный Университет Информатики и Радиоэлектроники, 2007. – 148 с.
  16. Scikit-learn reference // Python Package Index : [сайт Machine learning in Python]. – 2024. – URL: https://scikit-learn.org/ (дата обращения 27.05.2024).
  17. Croall, I. F. Industrial Applications of Neural Networks / I. F. Croall, J. P. Mason (Eds.). – Luxembourg : ECSC – EEC – EAEC, 1992. – 312 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Некрасов И.В., Константиновский Ю.Д., Кукин Н.С., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».