priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2022-65-9-648-655pribor-272Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКАINFORMATION TECHNOLOGIES AND SYSTEMS, COMPUTER TECHNIQUEАлгоритм прогнозирования состояния оборудования на основе машинного обученияAlgorithm for Predicting the State of Equipment Based on Machine LearningСалиховМ. Р.SalikhovM. R.

Максим Русланович Салихов - студент, факультет систем управления и робототехники

Санкт-Петербург

Maxim R. Salikhov - Student, Faculty of Control Systems and Robotics

St. Petersburg

fanny2man@gmail.comЮрьеваР. А.YurievaR. A.

Радда Алексеевна Юрьева - канд. техн. наук, доцент, факультет систем управления и робототехники

Санкт-Петербург

Radda A. Yurieva - PhD, Associate Professor, Faculty of Control Systems and Robotics

St. Petersburg

 

raddaiureva@itmo.ruУниверситет ИТМОРоссияITMO UniversityRussian Federation202202122024659648655Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/272

Проведен анализ показаний датчиков производственного оборудования и представлена методика агрегации данных для оценки вероятности выхода оборудования из строя. Актуальность исследования обусловлена недостаточным развитием научно-методического аппарата оценивания состояния оборудования на основе больших данных. С целью формирования набора данных, предназначенного для разработки прогностической модели состояния оборудования, сконструирован ряд признаков, характеризующих состояние станка с числовым программным управлением. Практическая значимость исследования обусловлена возможностью включения сформированного набора данных в производственный процесс и использования его для сохранения во времени и в установленных пределах значений параметров оборудования, которые характеризуют его способность выполнять требуемые функции в заданных режимах и при необходимых условиях применения.

Analysis of production equipment sensors readings is carried out and a data aggregation technique is presented to assess the probability of equipment failure. The study relevance is due to the insufficient development of the scientific and methodological apparatus for assessing equipment condition based on big data. In order to form a data set intended for development of a predictive model of the equipment state, a number of features characterizing the state of machine with numerical program control are constructed. Practical significance of the study is related with the possibility of including the generated data set in the production process and using it to save the values of equipment parameters in time and within the established limits, which characterize its ability to perform the required functions in the specified modes and under the necessary conditions of use.

анализ данныхмашинное обучениенейронные сетиавтоматизация производстваLSTMdata analysismachine learningneural networksproduction automationLSTMReferencesСедуш В. Я., Ченцов Н. А., Ченцова Н. С. Прогнозирование сроков отказа металлургического оборудования // Металлургическая и горнорудная промышленность. 1994. № 3. С. 75-77.Sedush V.Ya., Chentsov N.A., Chentsova N.S. Metallurgicheskaya i gornorudnaya promyshlennost', 1994, no. 3, pp. 75-77. (in Russ.)Антонов А. В. Вероятностные методы оценки остаточной наработки восстанавливаемых элементов ЯЭУ в условиях ограниченности исходных данных // Ядерная физика и инжиниринг. 2011. Т. 2, № 5. С. 421-424.Sokolov S.V., Antonov A.V., Chepurko V.A. Nuclear Physics and Engineering, 2011, no. 5(2), pp. 421-424, DOI: 10.1134/S2079562911050058Антонов А. В. Методика статистического анализа данных об отказах оборудования АЭС в условиях неоднородного потока событий // Изв. вузов. Ядерная энергетика. 2016. № 3. С. 20-29.Antonov A.V., Chepurko V.A. Izvestiya vuzov. Yadernaya Energetika, 2016, no. 3, pp. 20-29. (in Russ.)Перехвост В. С. Прогнозирование параметрических отказов и особенность случайных процессов старения технических систем // Научные труды КубГТУ. 2014. № 3. С. 38-44.Perehvost V.S. Scientific Works of the Kuban State Technological University, 2014, no. 3, рр. 38-44. (in Russ.)Javed K. State of the artand taxonomy of prognostics approaches, trends of prognostics applications and openissues towards maturity at different technology readiness levels // Mechanical Systems and Signal Processing. 2017. Vol. 94, N 9. P. 214-236.Javed K. Mechanical Systems and Signal Processing, 2017, no. 9(94), pp. 214-236.Gorjian N. Remaining usefull оf prediction of rotating equipment using covariate-based hazard models – Industry applications // Australian Journal of Mechanical Engineering. 2017. Vol. 15, N 1. P. 36-45.Gorjian N. Australian Journal of Mechanical Engineering, 2017, no. 1(15), pp. 36-45.Pitsyk V. V. Probabilistic Prediction of Residual Operating Life of Measurement Equipment Using Results of Parametric Monitoring // Measurement Techniques. 2016. Vol. 59, N 3. P. 216-221.Pitsyk V.V. Measurement Techniques, 2016, no. 3(59), pp. 216-221.Чугреев В. Л., Баданин Д. А. Использование прогнозной аналитики в информационно-аналитических системах поддержки принятия решений // Молодой ученый. 2016. № 6. С. 49-52.Chugreev V.L., Badanin D.А. Molodoy uchenyy (Young Scientist), 2016, no. 6, pp. 49-52. (in Russ.)Боровиков С.М., IT-система прогнозирования надѐжности сложных электронных систем методом анализа дерева отказов // Информационные системы и технологии: управление и безопасность. 2013. № 2. С. 140-144.Borovikov S.M. Information Systems and Technologies: Management and Security, 2013, no. 2, pp. 140-144. (in Russ.)Mangalova M. S. Dysfunctional components prediction using cubic smoothing splines // Молодежь. Общество. Современная наука, техника и инновации. 2014. № 13. С. 198-199.Mangalova M.S. Molodezh'. Obshchestvo. Sovremennaya nauka, tekhnika i innovatsii, Krasnoyarsk, 2014, no. 13, pp. 198-199. (in Russ.)Липатов М. Первый в России комплекс предиктивной аналитики для энергетического и промышленного оборудования // Экспозиция Нефть Газ. 2016. № 3 (49). С. 82-83.Lipatov M. Exposition Oil & Gas Magazine, 2016, no. 3(49), pp. 82-83. (in Russ.)Гаврилюк Е. А. Прогнозирование отказов систем автоматического управления газоперекачивающими агрегатами на основе индекса технического состояния и степени риска // Фундаментальные исследования. 2015. № 7-2. С. 309-313.Gavrilyuk Е.А. Fundamental Research, 2015, no. 7-2, pp. 309-313. (in Russ.)https://toir.pro/mod/book/view.php?id=470&chapterid=370https://toir.pro/mod/book/view.php?id=470&chapterid=370.Зиберт А. О. Применения алгоритмов машинного обучения для повышения эффективности использования горной техники // Universum: технические науки (Электронный науч. журн.). 2016. № 2 (24).Zibert А.О. Universum, 2016, no. 2(24). (in Russ.)Цикора М. Применение гибридного метода машинного обучения для описания и непрерывной оценки уровня метановой опасности в горной выработке // Физико-технические проблемы разработки полезных ископаемых. 2011. № 4. С. 95-107.Tsikora M. Physical and Technical Problems of Mineral Development, 2011, no. 4, pp. 95-107. (in Russ.)Уткин Н. Н. Использование методов машинного обучения для виброакустического диагностирования динамической системы шлифовальных станков // Вестн. Саратов. гос. техн. ун-та. 2011. Т. 2, № 2 (56). С. 271-275.Utkin N.N. Bulletin of the Saratov State Technical University, 2011, no. 2(2), pp. 271-275. (in Russ.)Wang Z. Failure prediction using machine learning and time series in optical network // Optics Express. 2017. Vol. 25, N 8. P. 18553-18565.Wang Z. Optics Express, 2017, no. 8(25), pp. 18553-18565.Wu W. A quantum multi-agent based neural network model for failure prediction // J. of Systems Science and Systems Engineering. 2016. Vol. 25, N 2. P. 210-228.Wu W. Journal of Systems Science and Systems Engineering, 2016, no. 2(25), pp. 210-228.

The authors declare that there are no conflicts of interest present.