Аннотация. 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.

Ключевые слова: анализ данных, машинное обучение, нейронные сети, автоматизация производства, LSTM

Список литературы:

1. Седуш В. Я., Ченцов Н. А., Ченцова Н. С. Прогнозирование сроков отказа металлургического оборудования // Металлургическая и горнорудная промышленность. 1994. № 3. С. 75—77.
2. 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.
3. Антонов А. В. Методика статистического анализа данных об отказах оборудования АЭС в условиях неоднородного потока событий // Изв. вузов. Ядерная энергетика. 2016. № 3. С. 20—29.
4. Перехвост В. С. Прогнозирование параметрических отказов и особенность случайных процессов старения технических систем // Научные труды КубГТУ. 2014. № 3. С. 38—44.
5. 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.
6. 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.
7. 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.
8. Чугреев В. Л., Баданин Д. А. Использование прогнозной аналитики в информационно-аналитических системах поддержки принятия решений // Молодой ученый. 2016. № 6. С. 49—52.
9.  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.
10. Mangalova M. S. Dysfunctional components prediction using cubic smoothing splines // Молодежь. Общество. Современная наука, техника и инновации. 2014. № 13. С. 198—199.
11. Липатов М. Первый в России комплекс предиктивной аналитики для энергетического и промышленного оборудования // Экспозиция Нефть Газ. 2016. № 3 (49). С. 82—83.
12. 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.
13. https://toir.pro/mod/book/view.php?id=470&chapterid=370
14. Зиберт А. О. Применения алгоритмов машинного обучения для повышения эффективности использования горной техники // Universum: технические науки (Электронный науч. журн.). 2016. № 2 (24).
15. 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.
16. 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.
17. Wang Z. Failure prediction using machine learning and time series in optical network // Optics Express. 2017. Vol. 25, N 8. P. 18553—18565.
18. 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.