Прогнозирование остаточного ресурса оборудования в условиях малой выборки данных

Автор(ы): Задиран К.С., Щербаков М.В., Сай Ван Квонг

Выпуск: 102

Рубрика: Надежность и диагностика средств и систем управления

Год: 2023

Библиография: Задиран К.С., Щербаков М.В., Сай Ван Квонг Прогнозирование остаточного ресурса оборудования в условиях малой выборки данных // Управление большими системами. Выпуск 102. М.: ИПУ РАН, 2023. С.99-113. DOI: https://doi.org/10.25728/ubs.2023.102.6

Дата опубликования: 31.03.2023

Ключевые слова: машинное обучение, остаточный ресурс, проактивное техническое обслуживание

Аннотация: Предлагается метод прогнозирования остаточного ресурса оборудования, использующий глубокое обучение и применимый в случаях с малым количеством информации об отказах в данных, где существующие классические методы могут не давать требуемой точности. Процесс поддержания оборудования в рабочем состоянии – один из наиболее важных процессов в эксплуатации оборудования. При этом процесс технического обслуживания зачастую страдает от недостаточной эффективности. Поэтому были разработаны методы прогнозирования, на основе которых была построена концепция проактивного управления процессом техобслуживания, позволяющая оптимизировать структуру и затраты управления оборудованием на протяжении жизненного цикла. Однако данные методы могут показывать недостаточную точность, если для их обучения недостаточно данных, например, в связи с редкостью возникновения отказов в оборудовании. Для решения этой проблемы предлагается новый метод прогнозирования, в основе которого лежит алгоритм, основанный на глубоком обучении и который может улучшить точность прогнозирования. В данном методе произведена замена непрерывного прогнозирования остаточного ресурса оборудования на всем интервале на систему генерации сигналов, содержащих рассчитанный прогноз.

Author(s): Zadiran K., Shcherbakov M., Sai C.

Article title: Forecasting of the remaining useful life in conditions of small data sample

Issue: 102

Year: 2023

Keywords: machine learning, remaining useful life, proactive maintenance

Abstract: In the article a method for forecasting the residual life of equipment using deep learning is proposed. The method is applicable in cases with a small amount of information about data failures, where existing classical methods may not provide the required accuracy. The process of maintaining the equipment in working condition is one of the most important processes in the operation of the equipment. At the same time, the maintenance process often suffers from inefficiency. Therefore, forecasting methods were developed, on the basis of which the concept of proactive maintenance process management was built, which allows optimizing the structure and costs of equipment management throughout the life cycle. However, these methods may show insufficient accuracy if there is not enough data to train them, for example, due to the rarity of equipment failures. To solve this problem, a new prediction method based on deep learning is proposed that can improve the prediction accuracy. In this method, the continuous prediction of the remaining service life over the entire interval is replaced by a model for generating signals containing the calculated prediction.