Обнаружение аномалий на основе суррогатных моделей

Автор(ы): Бурнаев Е.В.

Выпуск: 86

Рубрика: Системный анализ

Год: 2020

Библиография: Бурнаев Е.В. Обнаружение аномалий на основе суррогатных моделей // Управление большими системами. Выпуск 86. М.: ИПУ РАН, 2020. С.5-31. DOI: https://doi.org/10.25728/ubs.2020.86.1

Дата опубликования: 31.07.2020

Ключевые слова: предиктивная (предсказательная) аналитика, индустриальная инженерия, машинное обучение, предсказательное техническое обслуживание, предсказание поломок

Аннотация: Методы предиктивного технического обслуживания используются для скорейшего обнаружения существенных изменений (разладок) в работе механизмов. Основной целью этого подхода к обслуживанию является непрерывный мониторинг и корректировка технического состояния или полная замена механизмов до того, как выявленные изменения станут критичными для работы отдельных компонент или системы в целом. Диагностические возможности методов предиктивного обслуживания значительно возросли в последние годы в связи с улучшением сенсорных технологий наблюдения и разработкой новых алгоритмов обработки информации. Использование предсказательного обслуживания имеет ряд преимуществ по сравнению с другими практикуемыми подходами к обслуживанию, а именно, возможность вести более точный и своевременный контроль работоспособности отдельных узлов и всей системы в целом; постоянный мониторинг и анализ внутреннего и внешнего состояния повышает безопасность работы и позволяет более оперативно и в некоторых случаях превентивно реагировать на возможные аварии и выходы из строя; значительное сокращение затрат на техническое обслуживание благодаря исключению плановых замен технически исправных и надежных узлов системы. В данной работе рассматривается задача построения предсказательных моделей (суррогатных моделей) для решения задачи предиктивного технического обслуживания. Проанализированы особенности задач обнаружения аномалий и прогнозирования поломок. Проведен обзор основных потребностей индустриальных приложений и описана структура соответствующих систем предиктивного технического обслуживания. Приведен пример применения методов обнаружения аномалий на основе суррогатных моделей для предиктивного технического обслуживания лопаточных машин.

Author(s): Burnaev E.

Article title: Anomaly detection based on surrogate models

Issue: 86

Year: 2020

Keywords: predictive analytics, industrial engineering, machine learning, predictive maintenance, failure prediction

Abstract: Predictive maintenance methods are used to detect as soon as possible significant changes (disorders) in the operation of mechanisms. The main purpose of this approach to maintenance is to continuously monitor and correct the technical condition or completely replace the mechanisms before the detected changes become critical for the operation of individual components or the system as a whole. The diagnostic capabilities of predictive maintenance methods have significantly increased in recent years due to the improvement of sensory observation technologies and the development of new information processing algorithms. The use of predictive maintenance has a number of advantages in comparison with other practiced approaches to maintenance, namely, the ability to conduct more accurate and timely monitoring of the health of individual parts and the entire system as a whole; continuous monitoring and analysis of internal and external conditions improves the safety of operation and allows for a more rapid and in some cases preventive response to possible accidents and failures; significant reduction in maintenance costs, due to the exclusion of planned replacements of technically sound and reliable system components. In this paper, we consider the problem of constructing predictive models (surrogate models) to solve the predictive maintenance problem. The special features of the problems of detecting anomalies and predicting failures are analyzed. An overview of the main needs of industrial applications and a description of the structure of the corresponding predictive maintenance systems is provided. An example of using methods for detecting anomalies based on surrogate models for predictive maintenance of shovel machines is given.