ЖУРНАЛ СТА №3/2025

дования корреляционная связь между одними и теми же параметрами может быть различной (рис. 5), поэтому дан- ный метод анализа может использо- ваться с ограничениями. Помимо этого, к недостаткам корреляционного анали- за следует отнести невозможность на- глядного выявления взаимосвязей для групп из 4 и более параметров. При этом анализ корреляционных связей крайне эффективен для неболь- ших групп из 2 или 3 параметров, взаи- мосвязь между которыми очевидна: ● температура продуктов сгорания в разных точках камеры сгорания газо- турбинного двигателя; ● давление на входе в компрессор, обо- роты компрессора и давление на вы- ходе из компрессора; ● температуры группы подшипников установки. Применение машинного обучения при анализе значений взаимосвязан- ных контролируемых параметров поз- воляет обойти все ограничения, прису- щие корреляционному анализу. Для анализа значений взаимосвязан- ных контролируемых параметров при- меняются модели классификации, кото- рые классифицируют состояние объ- екта по какой-либо группе признаков, например, определяют наличие либо отсутствие аномалии по группе контро- лируемых параметров. Группа параметров, по которым опре- деляется аномалия, формируется исходя из предположения о наличии сложных корреляционных связей, например: ● виброперемещение вала; ● осевой сдвиг вала; ● температура подшипника вала; ● скорость вращения вала; ● давление масла на подаче; ● температура масла на подаче. Функционал моделей классификаций схож с корреляционным анализом, но при этом позволяет анализировать группы с произвольным количеством параметров, что невозможно в корре- ляционном анализе. Перед использованием любой моде- ли машинного обучения, в том числе и моделей классификации, их необходи- мо обучить на имеющихся выборках исторических данных. Необходимым условием для обучения любой модели машинного обучения является исполь- зование в обучении исторических значений контролируемых парамет- ров, охватывающих все допустимые ре- жимы работы установки при всех воз- можных допустимых внешних усло- виях (низкие температуры зимой, вы- сокие летом, высокая влажность вес- ной и т.д.). Результатом анализа моделями клас- сификаций является оценка о наличии либо отсутствии аномалии, которая, в свою очередь, отражает наличие либо отсутствие отклонений значений од- ного или нескольких параметров из ра- нее определённой группы от типичных для соответствующего режима работы. Главным преимуществом моделей классификаций перед корреляцион- ным анализом является возможность анализа групп с любым количеством параметров, а также учёт при анализе разных режимов работы, однако мо- дель классификации не даёт качест- венную оценку величины отклонения при выявлении аномалии. Аномалии, выявляемые моделя- ми классификации, являются пред- посылками к развитию сложных, неявных, но потенциально опасных ситуаций. Для формирования качественных оценок степеней аномальности выпол- няются статистические вычисления над заданным количеством оценок, сформированных моделями классифи- кации за заданный интервал времени. Например, рассчитывается среднее арифметическое от последних 100 ре- зультатов анализа, полученных от мо- дели классификации, где за классифи- кацию аномалии принимается «1», а за отсутствие аномалии «0», полученное значение будет являться степенью ано- мальности и будет принимать значе- ние от 0 (минимальная степень ано- мальности) до 1 (максимальная степень аномальности) с дискретностью 0,01, которое для удобства в дальнейшем мо- жет быть переведено в проценты. Как и исторические значения конт- ролируемых параметров, рассчитан- ные исторические значения степеней аномальности могут быть аппроксими- рованы для дальнейшего исследования с помощью математического анализа: ● выявления тенденции на рост степе- ни аномальности; ● определения мгновенной скорости изменения степени аномальности; ● расчёта времени, оставшегося до до- стижения степенью аномальности критического значения. Недостатком анализа моделями клас- сификации также является отсутствие указания причины, по которой была классифицирована аномалия, – указа- ние на параметр или группу парамет- ров, чьи значения внесли наибольший вклад в классификацию аномалии. Для решения этой задачи исполь- зуются регрессионные модели, которые определяют ожидаемое значение одно- го из контролируемых параметров из заданной группы взаимосвязанных па- раметров по фактическим значениям других контролируемых параметров из этой группы. В дальнейшем ожидаемое значение сравнивается с фактическим значением контролируемого парамет- ра, а их разность указывает на величи- ну отклонения фактического значения от типичного (ожидаемого) для данно- го режима работы. СТА 3/2025 14 www.cta.ru НОУ - ХАУ Рис. 5. Корреляционные зависимости двух параметров для разных режимов работы