ПРОГНОЗИРОВАНИЕ ОТКАЗОВ ОБОРУДОВАНИЯ С ПРИМЕНЕНИЕМ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ

PREDICTION OF EQUIPMENT FAILURES USING MATHEMATICAL MODELS

Artem Gonets

1^th year master’s student, Department of Applied Mathematics, MIREA — Russian Technological University (RTU MIREA),

Russia, Moscow

Egor Gridasov

1^st year master’s student, Department of Artificial Intelligence Technologies, MIREA — Russian Technological University (RTU MIREA),

Russia, Moscow

АННОТАЦИЯ

На сегодняшний момент основным методом прогнозного обслуживания промышленного оборудования является интуитивный подход, основанный на опыте экспертов, и нормативный подход, который основан на использовании нормативной документации для соответствующего оборудования. Однако, точность прогноза в любом случае зависит от квалификации и внимательности специалиста, что может приводить к неточным оценкам при распознавании аномалий работы оборудования и построении прогноза. Для решения данных задач существует множество методов и моделей для прогнозирования, которые используют различные математические подходы. В данной статье представлен обзор математических моделей и используемых решений для прогнозирования состояния и отказов оборудования.

ABSTRACT

Today, the main method of predictive maintenance of industrial equipment is an intuitive approach based on the experience of experts, and a regulatory approach based on the use of regulatory documentation for the relevant equipment. However, the accuracy of the forecast in any case depends on the qualification and attentiveness of a specialist, which can lead to inaccurate estimates when recognizing anomalies in the operation of equipment and making a forecast. To solve these problems, there are many methods and models for forecasting that use various mathematical approaches. This article provides an overview of mathematical models and solutions used to predict the condition and failures of equipment.

Ключевые слова: прогнозирование, отказ оборудования, математическая модель, машинное обучение.

Keywords: forecasting, equipment failure, mathematical model, machine learning.

При использовании в прогнозном обслуживании оборудования интуитивного или нормативного подходов из-за человеческого фактора неточное прогнозирование может привести к финансовым потерям, сбоям в работе и аварийным ситуациям. Предприятиям требуется нанимать очень квалифицированных сотрудников, что требует значительных вложений, а постоянная нехватка кадров усложняет поиск специалистов. Существует множество методов и моделей для прогнозирования, которые используют различные математические модели, однако, эффективность этих методов зависит от конкретной задачи.

Например, для прогнозирования отказов и сбоев оборудования на предприятии ООО «Брянский арматурный завод» для выполнения задачи выбирается набор однотипного оборудования, находится суммарное время его работы, определяется математическое ожидание и дисперсия, вычисляется интервал, на котором наиболее вероятен отказ нового оборудования данного типа. Система может быть использована для оценки технического состояния и эффективности эксплуатации любого оборудования.

Другим подходом к прогнозированию отказов сложного оборудования является вариант на основе алгоритмов машинного обучения. Этот подход позволяет использовать максимальное количество информации о работе агрегата, собранной с его узлов в нормальном режиме работы.

Для прогнозирования сигнала используется алгоритм машинного обучения «случайный лес» (Random Forest). Задача алгоритма машинного обучения в данном случае заключается в прогнозировании нормального сигнала для каждого датчика, используя показания за предыдущий промежуток времени. Для выявления отказов и диагностики узлов агрегата модель анализирует разность в показаниях фактического и прогнозного времени. Модель также выявляет паттерны в показаниях датчиков, которые были зафиксированы в моменты времени, предшествующие отказам оборудования. При совпадении этих паттернов с фактическим сигналом модель фиксирует потенциальный отказ.

В условиях малого количества поломок данные об отказах используются только при настройке модели для минимизации неверных оповещений об отказе оборудования и минимизации пропусков реальных поломок. Этот подход может использоваться для прогнозирования отказов любого сложного оборудования.

В зарубежной практике разработано несколько программных продуктов, которые основаны на алгоритмах машинного обучения и позволяют предсказывать вероятность отказа оборудования. К примеру, можно привести опыт компании TerraLink, где для связи между источником данных PI System и Microsoft Azure Machine Learning Services был разработан интеграционный сервис, который считывает данные технологических параметров из PI System, передает их в модель машинного обучения и возвращает полученные результаты обратно.

В целом же, при прогнозировании состояния оборудования требуется использовать модели временных рядов, чтобы обеспечить их обобщающую способность и эффективность в различных областях. Модели временных рядов могут быть статистическими или структурными.

В статистических моделях (Рисунок 1) зависимость между целевым показателем и историческими данными описывается уравнением, которое может включать в себя модели максимального правдоподобия, линейной и нелинейной регрессии, авторегрессионные модели и модели с экспоненциальным сглаживанием.

Рисунок 1. Статистические модели, преимущества и недостатки

В структурных моделях (Рисунок 2) зависимости между значениями задаются в виде структуры, которая может включать правила-переходы. К таким моделям относятся модели на основе классификационно-регрессионных деревьев, нейронных сетей и цепей Маркова.

Рисунок 2. Структурные модели, преимущества и недостатки

Для использования той или иной модели временных рядов необходимо принимать во внимание приведенные преимущества и недостатки, которые могут повлиять на результат в конкретной предметной области. Зарубежный и отечественный опыт развития применения математических моделей и алгоритмов машинного обучения показывает, что прогнозирование позволяет увеличить потенциал производства.

Список литературы:

1. Авдеев А.С. Алгоритм и система прогнозирования отказов и сбоев оборудования / А.С. Авдеев, Н.Н. Барышева // Вестник Алтайского государственного аграрного университета. — 2019. — №10. — С. 134-141.
2. Прогнозирование отказов оборудования в условиях малого количества поломок / Н.И. Шаханов [и др] // Вестник Череповецкого государственного университета. — 2016. — №6. — С. 36-41.
3. Применение машинного обучения для прогнозирования сбоев оборудования [Электронный ресурс] — URL: https://terralink.ru/articles/resheniya-dlya-proizvodstvennoy-sfery/primenenie-mashinnogo-obucheniya-dlya-prognozirovaniya-sboev-oborudovaniya/.