Система предиктивной аналитики технического состояния эксгаустера агломашины с помощью методов искусственного интеллекта

Обложка

Цитировать

Полный текст

Аннотация

В статье описаны подходы к построению программной системы, позволяющей прогнозировать возможные отказы и неисправности промышленного оборудования на основе данных о его состоянии. Для задачи прогнозирования неисправностей оборудования предложена модель, основанная на «мягком голосовании» между тремя алгоритмами, имеющими различные подходы к классификации: сверточная нейронная сеть, логистическая регрессия и метод опорных векторов. Для прогнозирования отказов показана модель, основанная на алгоритме изолирующего леса и нейронной сети на базе LSTM. Разработан веб-сервис, реализующий основные функции программной системы предиктивной аналитики на базе методов искусственного интеллекта: мониторинг технического состояния эксгаустеров в режиме реального времени, статистический анализ произошедших неисправностей, прогнозирование неисправностей и обучение моделей.

Об авторах

Артём Валерьевич Чернухин

Российский химико-технологический университет имени Д. И. Менделеева

Автор, ответственный за переписку.
Email: chernukhin.a.v@muctr.ru

аспирант кафедры кибернетики химико-технологических процессов

Россия, Москва

Елизавета Александровна Богданова

Московский государственный университет имени М. В. Ломоносова

Email: eabogdanova.bioinf@gmail.com

аспирант кафедры биоинженерии

Россия, Москва

Татьяна Вадимовна Савицкая

Российский химико-технологический университет имени Д. И. Менделеева

Email: savitskaia.t.v@muctr.ru

доктор технических наук, профессор кафедры кибернетики химико-технологических процессов

Россия, Москва

Дмитрий Геннадьевич Кулаков

Российский химико-технологический университет имени Д. И. Менделеева

Email: dimacreator1998@gmail.com

инженер-программист, магистрант кафедры информационных компьютерных технологий

Россия, Москва

Илья Русланович Павлов

Российский химико-технологический университет имени Д. И. Менделеева

Email: ilyapavlo667@gmail.com

инженер-программист, магистрант кафедры информационных компьютерных технологий

Россия, Москва

Список литературы

  1. Alimam H., Mazzuto G., Ortenzi M., Ciarapica F.E, Bevilacqua M. Intelligent Retrofitting Paradigm for Conventional Machines towards the Digital Triplet Hierarchy // Sustainability. 2023. V. 15. No 2. P. 1441.
  2. Кузьмин В. В. Система прогнозирования отказов оборудования промышленных предприятий // Надежность и качество сложных систем. 2015. № 3 (11). С. 87-90.
  3. Bhakta K., Sikder N., Al Nahid A., Islam M.M. Fault Diagnosis of Induction Motor Bearing Using Cepstrum-based Preprocessing and Ensemble Learning Algorithm // Proceedings of the International Conference on Electrical, Computer and Communication Engineering. (ECCE). 2019. P. 1–6.
  4. Иванов А. А. Автоматизация технологических процессов и производств. М.: Инфра-М, 2018.
  5. Оклей П. И. Прогнозирование остаточного ресурса и вероятности наступления отказа оборудования основа проектирования производственной программы ремонтных работ тепловой электростанции // Контроллинг. 2017. № 65. С. 54–63.
  6. Nan X, Zhang B, Liu C, Gui Z, Yin X. Multi-Modal Learning-Based Equipment Fault Prediction in the Internet of Things // Sensors. 2022. V. 22. No 18. 6722.
  7. Кузьмин В. В., Косов Д. С., Новиков А. Л., Иващенко А. В. Интеллектуальные технологии диагностики оборудования промышленных предприятий // Труды Международного симпозиума «Надежность и качество». 2015. Т. 2. С. 28-29.
  8. Haixin Lv., Jinglong Chen., Tong-Lin Pan., Tianci Zhang., Yong Feng., Shen Liu. Attention Mechanism in Intelligent Fault Diagnosis of Machinery: A Review of Technique and Application // Measurement. 2022. V. 199. P. 111594-111594.
  9. Боровский А. С. Нечеткая ситуационная сеть для оценки проектного риска отказа // Труды Института системного анализа Российской академии наук. 2018. Т. 68, № 1. С. 87–93.
  10. Oliver Cromwell., Zifei Xu., Zifei Xu., Xuan Mei., Xinyu Wang., Minnan Yue., Jiang-Tao Jin., Yang Yang., Chun Li. Fault diagnosis of wind turbine bearing using a multi-scale convolutional neural network with bidirectional long short term memory and weighted majority voting for multi-sensors // Renewable Energy. 2022. V. 182. P. 615-626.
  11. Антонов А. В. Методика статистического анализа данных об отказах оборудования АЭС в условиях неоднородного потока событий // Известия вузов. Ядерная энергетика. 2016. № 3. С. 20-29.
  12. Nurullah Yüksel, Hüseyin Rıza Börklü, Hüseyin Kürşad Sezer, Olcay Ersel Canyurt. Review of artificial intelligence applications in engineering design perspective // Engineering Applications of Artificial Intelligence. 2023. V. 118. 105697.
  13. Mao W., Feng W., Liu Y., Zhang D., Liang X. A new deep auto-encoder method with fusing discriminant information for bearing fault diagnosis // Mechanical Systems and Signal Processing. 2021. V. 150. P. 107233.
  14. Иванов В.К., Виноградова Н.В., Палюх Б.В., Сотников А.Н. Современные направления развития и области приложения теории Демпстера-Шафера // Искусственный интеллект и принятие решений. 2018. № 4. С. 32-42.
  15. Jenis J., Ondriga J., Hrcek S., Brumercik F., Cuchor M., Sadovsky E. Engineering Applications of Artificial Intelligence in Mechanical Design and Optimization // Machines. 2023. V. 11. No 6. P. 577.
  16. Hossain M.L., Abu-Siada A., Muyeen S.M. Methods for Advanced Wind Turbine Condition Monitoring and Early Diagnosis: A Literature Review // Energies. 2018. V. 11. No 5. P. 1309.
  17. Xiao C., Liu Z., Zhang T., Zhang X. Deep Learning Method for Fault Detection of Wind Turbine Converter // Applied Sciences. 2021. V. 11. No 3. P. 1280.
  18. Антонов В. В. Прогнозирование на основе искусственной нейронной сети второго поколения для поддержки принятия решений в особо значимых ситуациях // Программные продукты и системы. 2022. № 3. С. 384–395.
  19. Rahman M.A., Saleh T., Jahan M.P., McGarry C., Chaudhari A., Huang R., Tauhiduzzaman M., Ahmed A., Mahmud A.A., Bhuiyan M.S., et al. Review of Intelligence for Additive and Subtractive Manufacturing: Current Status and Future Prospects // Micromachines. 2023. V. 14. No 3. P. 508.
  20. Namuduri S., Narayanan B.N., Davuluru V.S.P., Burton L., Bhansali S. Deep learning methods for sensor based predictive maintenance and future perspectives for electrochemical sensors // Journal of The Electrochemical Society. 2020. V. 167. P. 037552.
  21. Mahesh K. Singh, Sanjeev Kumar, Durgesh Nandan. Faulty voice diagnosis of automotive gearbox based on acoustic feature extraction and classification technique // Journal of Engineering Research. 2023. V. 11. P. 100051.
  22. Pietrangeli I., Mazzuto G., Ciarapica F.E., Bevilacqua M. Smart Retrofit: An Innovative and Sustainable Solution // Machines. 2023. V. 11. No 5. P. 523.
  23. Звонарев С. Л., Зубко А. И. О возможных причинах отказов подшипников // Вестник Самарского государственного аэрокосмического университета им. академика С.П. Королёва. 2012. № 3-3 (34). С. 16-22.
  24. Исмагилов Р. Н., Гареев Р. Р., Ямалиев В. У., Мацибора А. А. Прогнозирование остаточного ресурса подшипника по уровню вибрации механизма // Экспозиция Нефть Газ. 2015. № 3 (42). С. 65-68.
  25. Wang A., Wang J. Temperature distribution and scuffing of tapered roller bearing // Chinese Journal of Mechanical Engineering. 2014. V. 27, P. 1272–1279.
  26. Бирюков Р. В., Киселев Ю. В. Температурная диагностика роторных подшипников газотурбинных двигателей // Научный вестник Московского государственного технического университета гражданской авиации. 2014. № 205. С. 55-61.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».