Разработка алгоритма подбора модели анализа данных для прогнозирования работоспособности промышленных роботов

В связи с интенсивным темпом развития систем сбора, накопления и анализа данных разрабатывается все больше методов, подходов и систем для принятия решений в области предиктивного обслуживания в современных роботизированных производствах с целью увеличения производительности и эффективности использования временных, финансовых и материальных ресурсов. Процесс технического обслуживания основных средств производства является одним из ключевых для обеспечения безопасного, эффективного и непрерывного производства. Современное оборудование оснащено множеством систем мониторинга, самодиагностики и интеллектуальных датчиков, позволяющих осуществлять сбор значительного объема первичных данных, которые могут содержать полезные знания. В статье представлен подход по разработке алгоритма подбора моделей машинного обучения при анализе данных о работе промышленных манипуляторов в рамках процесса предиктивного обслуживания. Разработанный алгоритм позволяет сократить временные издержки на обучение моделей анализа данных (в том числе машинного обучения и искусственных нейронных сетей) за счет подбора массивов данных, собранных с парка оборудования (на примере промышленных роботов), которые имеют наибольшую степень подобия относительно данных собранных с единичного оборудования, что позволяет избежать обучение дополнительных моделей анализа данных, при удовлетворительных результатах тестирования. Сбор данных производился с четырех разных промышленных роботов; для анализа использованы методы: линейная модель, сверточная нейронная сеть, многослойный перцептрон; для оценки степени подобия использован алгоритм динамической трансформации временной шкалы.

1. Mohammadi N., Taylor J. Knowledge discovery in smart city digital twins. Proceedings of the 53rd Hawaii International Conference on System Sciences. 2020. DOI: 10.24251/HICSS.2020.204.

2. Bodo R., Bertocco M., Bianchi A. Fault classification driven by maintenance management for smart maintenance applications. 2020 IEEE International Workshop on Metrology for Industry 4.0 & IoT. 2020;27–32. DOI: 10.1109/MetroInd4.0IoT48571.2020.9138294.

3. Ortiz G., Caravaca J.A., Garcia-de-Prado A. et al. Real-time context-aware microservice architecture for predictive analytics and smart decision-making. IEEE Access. 2019;7:183177–183194. DOI: 10.1109/ACCESS.2019.2960516.

4. Silvestrin L.P., Hoogendoorn M., Koole G.A comparative study of state-of-the-art machine learning algorithms for predictive maintenance. 2019 IEEE Symposium Series on Computational Intelligence (SSCI). 2019;760–767. DOI: 10.1109/SSCI44817.2019.9003044.

5. Raja H.A., Asad B., Vaimann T. et al. Custom simplified machine learning algorithms for fault diagnosis in electrical machines. 2022 International Conference on Diagnostics in Electrical Engineering (Diagnostika). 2022;1–4. DOI: 10.1109/Diagnostika55131.2022.9905174.

6. Schelter S., Biesmann F., Januschowski T. et al. On challenges in machine learning model management. IEEE Data Engineering Bulletin. 2015.

7. Ashmore R., Calinescu R., Paterson C. Assuring the machine learning lifecycle: Desiderata, methods, and challenges. ACM Computing Surveys (CSUR). 2021;54(5):1–39. DOI: 10.1145/3453444.

8. Naing Y.T., Raheem M., Batcha N.K. Feature selection for customer churn prediction: a review on the methods & techniques applied in the Telecom industry. 2202 IEEE International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE). 2022;1–5. DOI: 10.1109/ICDCECE53908.2022.9793315.

9. Dsouza J., Velan S. Preventive maintenance for fault detection in transfer nodes using machine learning. 2019 International conference on computational intelligence and knowledge economy (ICCIKE). 2019;401–404. DOI: 10.1109/ICCIKE47802.2019.9004230.

10. Singh P., Agrawal S., Chakraborty A. Multi-Classifier Predictive Maintenance Strategy for a Manufacturing Plant. 2021 International Conference on Maintenance and Intelligent Asset Management (ICMIAM). 2021;1–4. DOI: 10.1109/ICMIAM54662.2021.9715224.

11. Chianese R., Cicala L., Angelino C.V. et al. A Risk and Priority Model for Cost-Benefit Analysis and Work Scheduling within Predictive Maintenance Scenarios. 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). 2021;1–4.

12. Алимова И.С., Соловьев В.Д., Батыршин И.З. Сравнительный анализ мер сходства, основанных на преобразовании скользящих аппроксимаций, в задачах классификации временных рядов. Труды Института системного программирования РАН. 2016;28(6):207–222. DOI: 10.15514/ISPRAS-2016-28(6)-15.