Прогнозирование времени отказа оборудования технологического процесса с помощью искусственной нейронной сети

Введение

Для повышения качества и производительности производственного процесса контроль, мониторинг и техническое обслуживание оборудования производственной линии являются основными видами деятельности [1].

Датчики и исполнительные механизмы играют важную роль в работе различных компонентов технологического процесса, поэтому важно, чтобы они были в хорошем рабочем состоянии. Для достижения этой цели выполняются два вида обслуживания: запланированный и корректирующий. Плановое техническое обслуживание проводится регулярно; оборудование проверяется и при необходимости заменяется, чтобы избежать незапланированных остановок технологического процесса. Корректирующий ремонт проводится при возникновении сбоев; нерабочая деталь проверяется и при необходимости заменяется [2]. Несмотря на то что плановое техническое обслуживание более эффективно, оба вида повышают затраты из-за производственного сбоя. Для компенсации недостатков обоих видов обслуживания в промышленности стали широко использовать методы обслуживания на основе искусственного интеллекта. Эти методы позволяют спрогнозировать с большой точностью время сбоя в работе оборудования, что позволяет составить более эффективный график технического обслуживания. Этот вид обслуживания снижает количество остановок в производстве, а также ускоряет ремонт, поскольку может предсказать, на какой детали произойдёт сбой [3].

Цели этой работы:

Сопутствующие работы

Техническое обслуживание оборудования по его состоянию играет важную роль в сокращении лишнего обслуживания, времени простоя и снижении затрат.

Целью диагностики неисправностей является обнаружение происхождения сбоев и определение места сбоя. Это достигается выбором параметров и принятым диапазоном значений этих параметров. В отличие от систем диагностики, системы прогнозирования отказов направлены на прогнозирование будущего поведения оборудования и определение возможных моментов отказа оборудования, помогая в принятии решений по вопросам технического обслуживания. K. Verbert, B.D. Schutter и R.A. Babuska предложили систему оптимизации технического обслуживания, используя многомодульный метод для прогнозирования износа оборудования [4]. S. Ntalampiras представил систему диагностики неисправностей, где для обнаружения неисправностей использовался безмодельный метод с использованием данных с физического уровня контролируемой системы [5].
M. Yildirim, X.A. Sun, N.Z. Gebraeel создали метод для эффективного планирования технического обслуживания на основе прогнозируемого состояния системы с использованием байесовских методов прогнозирования. Этот прогнозный анализ динамически оценивает распределение оставшегося срока службы электрических генераторов, позволяя оценить стоимость обслуживания и лучшее время для проведения технического обслуживания [6, 7].

Одна из задач, которую может выполнять искусственная нейронная сеть (ИНС), – это прогнозирование. В медицине ИНС использовались для прогнозирования риска смертности и заболеваемости. Hao, Usama, Yang, Hossain и Ghoneim представили новую мультимодальную рекуррентную нейронную сеть на основе данных (MD-RCNN) для прогнозирования риска заболеваний [10]. F. Li, G. Ren и J. Lee разработали инновационную структуру для многоэтапного прогнозирования скорости ветра с использованием рекурсивной нейронной сети на основе скорости ветра и интенсивности турбулентности [11]. 

ИНС в прогнозировании сбоев

ИНС широко используются в прогнозировании сбоев. Orru, Zoccheddu, Sassu, Mattia, Cozza и Arena представили простую и легко реализуемую модель машинного обучения (ML) для раннего прогнозирования неисправностей центробежного насоса в нефтегазовой отрасли [5]. Cheng H., Kong X., Chen G., Wang Q. и Wang R. предложили метод для прогнозирования оставшегося срока полезного использования при множественных отказах системы, используя переносимую сверхточную нейронную сеть (TCNN) для изучения инвариантных функций домена [12]. Atma Ram Sahu, Sanjay Kumar Palei продемонстрировали подход к прогнозированию неисправностей в системе с использованием многослойного персептрона (MLP) в ИНС, а также данных о причинах, симптомах и неисправностях за последние два года, записанных с помощью датчика, журнала и визуального осмотра [13]. 

Методы, применённые при разработке системы прогнозирования

В реальных системах сбор и обработка данных, используемых для машинного обучения, исторически должны выполняться относительно интересующей проблемы, например, сбоя оборудования. Определяя, когда конкретное оборудование вышло из строя, можно собрать предварительный набор данных, содержащий данные датчиков. Далее обрабатываются данные для получения подходящей выборки для обучения нейронной сети.

В этой работе представлены 3 вида данных для обучения нейронной сети: линейные данные, нелинейные данные, исключающие «или» данные с 15 параметрами и более 7000 показаний [14].

Использовалось 3 вида оптимизации: метод роя частиц, алгоритм светлячков, стохастический градиентный спуск.

Цель данной работы – сравнить результаты алгоритмов и найти более подходящие алгоритмы для обучения нейронной сети при небольшом объёме данных, что позволяет применять методы прогнозирования в технологических процессах. 

Метод роя частиц

Оптимизация роя частиц (PSO) – это метаэвристика, введённая Кеннеди и Эберхартом [15]. PSO поддерживает набор решений, которые итеративно обновляются для перемещения в пространстве поиска. Математические формулы применяются к скорости и положению каждой частицы. Скорость частицы определяет, насколько быстро частица перемещается в пространстве поиска, в то время как положение частицы представляет собой решение исследуемой проблемы. Расчёты на каждой итерации основаны на двух ранее найденных позициях. Скорость частицы вычисляется на каждой итерации по следующему уравнению:

где t – текущая итерация, x_i(t) – текущее положение частицы в измерении i, v_i(t) – текущая скорость частицы в размерности i, y_i(t) – лучшее положение текущей частицы в измерении i, ý(t) – лучшая позиция в измерении i, ω – инерционный член, который применяет часть предыдущей скорости к следующей скорости, c₁ – когнитивный компонент, который влияет на эффект личного наилучшего найденного положения, c₂ – обобщённый компонент, который влияет на эффект глобального наилучшего найденного положения, а r₁ и r₂ – случайные значения в диапазоне [0, 1]. [19] 

Алгоритм светлячка

Алгоритм светлячка (FA) был основан на образцах мигания и поведении светлячков [13]. FA использует следующие три идеализированных правила:

Поскольку привлекательность светлячка пропорциональна интенсивности света, наблюдаемого соседними светлячками, можно определить изменение привлекательности b с расстоянием r следующим образом:

β = β₀e^{-γr 2},

где β₀ – привлекательность при r = 0.

Движение светлячка i, притягивающегося к другому, более привлекательному (более яркому) светлячку j, определяется следующим образом:

где вторая часть обусловлена притяжением. Третья часть – это рандомизация, где αt является параметром рандомизации, ∈_i^t – вектор случайных чисел, взятых из распределения Гаусса или равномерного распределения в момент времени t. Если β₀ = 0, это становится простым случайным блужданием.

С другой стороны, при γ = 0 FA сводится к варианту оптимизации роя частиц. Кроме того, рандомизацию можно легко распространить на другие распределения, такие как рейсы Леви [17]. 

Стохастический градиентный спуск

Это итерационный метод оптимизации целевой функции с подходящими свойствами гладкости. Его можно рассматривать как стохастическое приближение оптимизации градиентного спуска, поскольку оно заменяет фактический градиент (вычисленный из всего набора данных) его оценкой (вычисленной из случайно выбранного подмножества данных). Это снижает вычислительную нагрузку, особенно в задачах оптимизации большой размерности, обеспечивая более быстрые итерации для более низкой скорости сходимости [18, 19]. 

Результаты работы

В ходе исследования были созданы и обучены разные нейронные сети для разных задач (прогнозирование, линейные и нелинейные задачи) и получены следующие результаты.

Было выявлено, что метод роя частиц обучается быстрее (требует меньше итераций), чем остальные два метода в линейных задачах с маленьким пространством, но при использовании метода для обучения модуля прогнозирования результаты PSO были намного хуже, чем результаты FA и SGD. По результатам исследования PSO является плохим вариантом при обучении с большим количеством характеристик (входов) и маленькой обучающей выборкой.

FA дал лучшие результаты для таких задач, как исключающие «или». Разница увеличивается при большом количестве входов, при маленьком наборе данных FA не смог обучиться. Для задачи прогнозирования FA обучался быстрее и давал более точные результаты. 

Заключение

Всё чаще в промышленности ищут более эффективные способы планирования обслуживания. Прогнозирование сбоев помогает создавать более эффективный график обслуживания оборудования, что снижает затраты.

В интеллектуальной индустрии более точное предсказывание наблюдается тогда, когда оборудование выходит из строя, что помогает принимать решения относительно технического обслуживания, которое необходимо выполнять, сводя к минимуму затраты и снижая рабочую нагрузку.

Основной результат работы состоит в предложении методики прогнозирования сбоев и планировании технического обслуживания с помощью нейронных сетей и выбора наилучшего метода обучения при различных видах и количестве данных. Предложенная методика также может стать целью будущих работ с учётом измерений реальных систем. Набор обучающих данных может быть построен на основе реальных измерений или смоделирован с помощью нелинейных оценок, таких как логарифмические или экспоненциальные.

Важно подчеркнуть, что исследования и разработка методов, которые помогают принимать решения в промышленности, имеют важное значение для повышения эффективности производства и снижения затрат. 

Литература