Предобработка данных при построении модели нейронной сети для прогнозирования состояния технического объекта

Обложка

Цитировать

Полный текст

Аннотация

В статье предложена методика для предобработки исходных данных при построении моделей нейронных сетей. Она включает алгоритмы поиска выбросов, восстановления пропущенных значений и удаления коррелирующих факторов. Для реализации предлагаемой методики написана специальная программа на языке программирования Python. Исследование эффективности предлагаемой методики проведено на примере двух объектов: турбореактивного двигателя и литий-ионного аккумулятора. Для сравнения результатов использованы следующие подходы: методика предобработки данных из библиотеки AutoKeras и метод, основанный на использовании профиля компактности. Показано, что применение предлагаемого подхода предобработки данных повышает точность прогнозирования моделей нейронных сетей примерно в 3–4 раза по сравнению с другими методами.

Об авторах

Юлия Евгеньевна Кувайскова

Ульяновский государственный технический университет

Автор, ответственный за переписку.
Email: u.kuvaiskova@mail.ru

кандидат технических наук, доцент, заведующая кафедрой «Прикладная математика и информатика»

Россия, Ульяновск

Александр Андреевич Немыкин

Ульяновский государственный технический университет

Email: nemykin.alexander@yandex.ru

аспирант кафедры «Прикладная математика и информатика»

Россия, Ульяновск

Список литературы

  1. Клячкин В.Н., Крашенинников В.Р., Кувайскова Ю.Е. Прогнозирование и диагностика стабильности функционирования технических объектов. М.: Русайнс. 2020. 200 с.
  2. Крашенинников В.Р., Бубырь Д.С., Клячкин В.Н. Повышение надёжности системы управления водоочисткой при использовании программного блока раннего предупреждения о нарушении показателей качества воды // Автоматизация. Современные технологии. 2017. Т. 71. № 2. С. 61-66.
  3. Huang H.Z., Wang H.K., Li Y.F., Zhang L., Liu Z. Support vector machine based estimation of remaining useful life: current research status and future trends // Journal of Mechanical Science and Technology. 2015. V. 29. P. 151-163.
  4. Yan M., Wang X., Wang B., Chang M., Muhammad I. Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model // ISA Transactions. 2020. V. 98. P. 471-482.
  5. Увайсов С.У., Черноверская В.В., Куан Д.А., Туан Н.В., Тхань З.В. Метод опорных векторов в задаче тепловой диагностики конструктивных дефектов радиоэлектронных устройств // Вестник Концерна ВКО Алмаз Антей. 2022. № 1. С. 58-70.
  6. Patil S., Patil A., Handikherkar V., Desai S., Phalle V.M., Kazi F.S. Remaining Useful Life (RUL) Prediction of Rolling Element Bearing Using Random Forest and Gradient Boosting Technique // Proceedings of the ASME 2018 International Mechanical Engineering Congress and Exposition. 2018. P.1-7.
  7. Kovalnogov V., Fedorov R., Klyachkin V., Generalov D., Kuvayskova Y., Busygin S. Applying the Random Forest Method to Improve Burner Efficiency // Mathematics. 2022. V. 10 (12). P. 2143.
  8. Calabrese M., Cimmino M., Fiume F., Manfrin M. et al. SOPHIA: An Event-Based IoT and Machine Learning Architecture for Predictive Maintenance in Industry 4.0 // Information. 2020. V. 11. P. 1-17.
  9. Kang Z., Catal C., Tekinerdogan B. Remaining Useful Life (RUL) Prediction of Equipment in Production Lines Using Artificial Neural Networks // Sensors. 2021. V. 21. P. 932.
  10. Gugulothu N., Vishnu TV, Malhotra P., Vig L., Agarwal P., Shroff G. Predicting Remaining Useful Life using Time Series Embeddings based on Recurrent Neural Networks // International Journal of Prognostics and Health Management. 2017. V. 9.
  11. Srinivasan A., Andresen J.C., Holst A. Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction // Proceedings of the Asia Pacific Conference of the PHM Society. 2023. V. 4. No 1.
  12. Qin Y., Cai N., Gao C., Zhang Y., Cheng Y., Chen X. Remaining Useful Life Prediction Using Temporal Deep Degradation Network for Complex Machinery with Attentionbased Feature Extraction // arXiv:2202.10916. 2022.
  13. Сай В.К., Щербаков М.В. Метод прогнозирования остаточного ресурса на основе обработки многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. № 1 (45). С. 33-44.
  14. Качановский Ю.П., Коротков Е.А. Предобработка данных для обучения нейронной сети // Фундаментальные исследования. 2011. № 12. С. 117-120.
  15. Jin H., Song Q., Hu X. Auto-keras: An efficient neural architecture search system // Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining. 2019. P. 1946-956.
  16. Jin H., Chollet F., Song Q., and Hu X. AutoKeras: An AutoML Library for Deep Learning // Journal of Machine Learning Research. 2023. V. 24. P. 1-6.
  17. Liu F.T., Ting K.M., Zhou Z.-H. Isolation Forest // 2008 Eighth IEEE International Conference on Data Mining. 2008. P. 413-422.
  18. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. 2nd ed., Hoboken, NJ: Wiley-Interscience, 2014. 408 p.
  19. Mera-Gaona M., Neumann U., Vargas-Canas R., López D.M. Correction: Evaluating the impact of multivariate imputation by MICE in feature selection // PLoS ONE. 2021. V. 16. No 7. P. e0261739.
  20. Jolliffe I.T., Trendafilov N.T., Uddin M. A modified principal component technique based on the LASSO // Journal of computational and Graphical Statistics. 2003. V. 12. No 3. P. 531-547.
  21. NASA, Prognostics Center of Excellence Data Repository, NASA’s Open Data Portal // Electronic resource. URL: https://data.nasa.gov/dataset/C-MAPSS Aircraft-EngineSimulator-Data/xaut-bemq (accessed 23.01.2025).
  22. NASA Intelligent Systems Division. Discovery and Systems Health PCoE Data Set Repository // Electronic resource. URL: https://www.nasa.gov/intelligent-systems- division/discovery-and-systems-health/pcoe/pcoe-data-setrepository/ (accessed 23.01.2025).
  23. Zou F., Shen L., Jie Z., Zhang W., Liu W. A sufficient condition for convergences of Adam and RMSProp // Proceedings of the IEEE / CVF Conference on computer vision and pattern recognition. 2019. P. 11127-11135.

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».