Классификационный подход на основе комбинации глубоких нейронных сетей для прогнозирования отказов сложных многообъектных систем

Научно-технический прогресс способствовал бурному росту сложности систем и выполняемых ими функций, что особенно характерно для различных отраслей современной примышленности. Здесь цена отказа или сбоя оборудования может быть очень высокой а иногда и привести к неоценимым потерям, связанным с гибелью людей. Обслуживание подобных систем требует высоких материальных затрат, и всё же не исключает возможного возникновения сбоев. Это свидетельствует о том, что задача обеспечения надежности сложных многообъектных систем еще далека от своего решения. В связи с этим в настоящее время на первое место выходит задача обеспечения надежного функционирования систем при минимизации затрат на их содержание и техническое обслуживание. Решение которой невозможно без разработки и внедрения интеллектуальных систем, выполняющих функции предсказательной аналитики и предсказательного технического обслуживания. В данной статье предлагается гибридная нейросетевая модель прогнозирования отказов сложных многообъектных систем на основе классификационного подхода, направленная на повышение эксплуатационной надежности оборудования при минимальных затратах. Представлены результаты вычислительных экспериментов, подтверждающие высокую эффективность предложенного решения.

1. Сай Ван Квонг, Щербаков М. В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем. Прикаспийский журнал: управление и высокие технологии. 2019;(1):33-44.

2. Сай Ван Квонг, Щербаков М. В. Прогнозирование отказов сложных многообъектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования. Прикаспийский журнал: управление и высокие технологии. 2020;(1):49-60.

3. Сай Ван Квонг. Глубокие нейронные сети для предсказательного технического обслуживания. Моделирование, оптимизация и информационные технологии : научный сетевой журнал. 2019;4(27):11.

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. 2019.

5. Chen, Z., Cao, S., Mao, Z. Remaining useful life estimation of aircraft engines using a modified similarity and supporting vector machine (SVM) approach. Energies. 2018;11(1):28.

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. In ASME 2018 International Mechanical Engineering Congress and Exposition. American Society of Mechanical Engineers Digital Collection. 2018.

7. Li, X., Ding, Q., Sun, J. Q. Remaining useful life estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety. 2018;172:1-11.

8. Zheng, S., Ristovski, K., Farahat, A., Gupta, C.: Long Short-Term Memory Network for Remaining Useful Life estimation. In Proceedings of the 2017 IEEE In-ternational Conference on Prognostics and Health Management (ICPHM). Dallas,TX, USA, 19–21 June, 88-95 (2017).

9. Python. Режим доступа: https://www.python.org/ свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 25.02.2020).

10. Keras. Режим доступа: https://keras.io, свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 30.02.2020).

11. TensorFlow. Режим доступа: https://www.tensorflow.org/, свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 30.02.2020).

12. Keras Tuner. Режим доступа: https://keras-team.github.io/keras-tuner/. – Заглавие с экрана. – Яз. англ. (дата обращения 15.02.2020).