ЖУРНАЛ СТА №1/2026

или же персоналом эксплуатирую- щей организации, прошедшим соответ- ствующее обучение. Обучение моделей После определения типов моделей машинного обучения и набора обучаю- щих и целевых технологических пара- метров важным этапом является под- готовка данных для обучения наших моделей. Качество подготовки данных может сильно повлиять на точность прогнозирования обученных моделей. В процессе сбора и сохранения значе- ний параметров технологического про- цесса могут происходить следующие моменты: прерывания связи между БД и средствами измерения, ошибки пере- дачи, ошибки записи и чтения БД, не- исправности средств измерения и дру- гие. Подобные ситуации приводят к по- явлению в обучающих данных пустых и заведомо недостоверных значений. Такие значения обычно удаляют или модифицируют, заменяя на некие кор- ректные значения (константные или расчётные). В нашем случае данных для обучения моделей было собрано до- статочное количество, так что мы уда- лили все обнаруженные записи с не- корректными значениями. Кроме действий с некорректными значениями в обучающей выборке по- лезно проанализировать данные с точ- ки зрения технологического процесса. Совместно с эксплуатирующей органи- зацией мы решили, что система будет анализировать контрольные парамет- ры и в случае отклонений формиро- вать сигнализацию только на усто- явшихся режимах работы компрессор- ной установки. Поэтому из обучающей выборки полезным будет удалить все данные, относящиеся к другим режи- мам работы установки (пуск, останов, простой и т.п.). Для определения устоявшегося режи- ма работы мы отталкивались от значе- ний частоты вращения вала компрессо- ра: частота вращения вала находится в рабочем диапазоне, и скорость измене- ния частоты за последние 5 минут не бо- лее заданного околонулевого значения. После того как мы сформировали об- работанную выборку данных, мы при- ступили к непосредственному обучению и тестированиюмоделеймашинного об- учения. Опытным путём на тестовых данных мы получили лучшее качество прогнозирования в инспекторе откло- нений с помощью регрессионных моде- лей, основанных на методе опорных век- торов (модели типа LSVR). В инспекторе аномалий модели типа Isolation Forest и k-NN показали одинаковое качество, и был сделан выбор в пользу Isolation Forest из-за меньших требований к вы- числительным ресурсам. После загрузки обученных моделей в систему СППР было проведено ком- плексное опробование системы. Для этого на вход системы подавались ре- альные значения параметров с рабо- тающей компрессорной установки, при этом последовательно на контролируе- мые параметры вносились искажения от 0 до 15% от измеренного значения. При появлении небольших искажений система реагировала повышением ано- малии и ростом значений отклонений между искажёнными данными на вхо- де и ожидаемыми (типичными для за- данного режима работы). На рис. 3 представлены временны́е диаграммы значений следующих пара- метров: – давления на всасе 2-й ступени ком- прессора PI_TO_STG2 (синий цвет); – ожидаемого значения давления на всасе 2-й ступени компрессора PI_TO_STG2_expectation (зелёный цвет); – отклонения (разности) измерен- ного и ожидаемого давления на всасе 2-й ступени компрессора PI_TO_STG2_deviation (жёлтый цвет); – степени аномальности CS404_anomaly (красный цвет). Из рисунка видно, что плавное иска- жение (увеличение) измеренных зна- чений давления приводит к росту соот- ветствующего отклонения и с некото- рой задержкой – к росту степени ано- мальности. Задержка в росте степени аномаль- ности, а также её плавное снижение при мгновенном возврате искажённо- го параметра к нормальным значе- СТА 1/2026 10 www.cta.ru НОУ - ХАУ Рис. 3. Временны́е диаграммы изменения контролируемого параметра его ожидаемого значения, его отклонения и значения степени аномальности