ЖУРНАЛ СТА №1/2026

● TI_FROM_STG2 – температура газа на нагнетании 2-й ступени компрессора; ● PI_FROM_STG2 – давление газа на на- гнетании 2-й ступени компрессора. Методы анализа временны́х рядов (значений параметров) можно разде- лить на статические и динамические (не путать со статическими и динами- ческими моделями машинного обуче- ния, о них ниже). Статические методы используются для оценки состояния си- стемы в конкретный момент времени, данные анализируются как «срез» вре- мени, порядок следования «срезов» иг- норируется. Динамические методы предназначены для оценки изменения и развития системы во времени, про- гнозирования её будущих состояний. В их математическом описании обяза- тельно присутствует временна́я со- ставляющая. Нам будет достаточно статических методов анализа, так как оценивать пе- реходные процессы или прогнозиро- вать будущие значения параметров в рамках поставленной задачи нам не требуется. По набору из ранее определённых де- сяти параметров мы будем определять: ● степень аномальности по совокуп- ности значений параметров; ● отклонения значения параметра от ожидаемого (типичного) для текуще- го режима работы (прогноз значения параметра формируется на основе со- вокупности значений остальных де- вяти параметров). Степень аномальности будет пока- зывать, насколько совокупность значе- ний всех параметров отличается от ожидаемой (типичной) для текущего режима работы. Для этой метрики предусмотрим размерность в процен- тах, соответственно 0% будет соответ- ствовать полному отсутствию анома- лии, а 100% будет соответствовать мак- симальной аномальности. Отклонение значения параметра бу- дет показывать, насколько измеренное значение заданного параметра отлича- ется от ожидаемого (типичного) для те- кущего режима работы. Соответствен- но, размерность этой метрики будет аналогичной размерности параметра, по которому она определяется. Так как компрессорная установка со- стоит из нескольких ступеней, мы мо- жем реализовать две стратегии диаг- ностики. 1. Рассматривать две ступени компрес- сорной установки как единый объект моделирования. 2. Рассматривать каждую ступень ком- прессорной установки как независи- мый объект моделирования. В первом случае мы получаем еди- ную степень аномальности для всей компрессорной установки, рассчитан- ную по всем десяти параметрам, уча- ствующим в помпажном регулирова- нии. Также мы получаем 10 метрик от- клонений для каждого из контроли- руемых параметров, участвующих в помпажном регулировании. При этом данная стратегия будет учитывать ин- тенсивность охлаждения газа, прохо- дящего через теплообменник. Во втором случае мы получаем неза- висимые степени аномальности для каждой ступени компрессора, а также метрики отклонений, рассчитанные по группе из 6 контролируемых парамет- ров соответствующей ступени. Проверив обе стратегии на историче- ских данных, предоставленных экс- плуатирующей организацией, мы сде- лали выбор в пользу первой стратегии, так как она оказалась более точной. Стоит отметить, что для некоторых задач моделирования набор парамет- ров для анализа может быть не огра- ничен только измеряемыми величина- ми, но и содержать расчётные метри- ки, такие как мгновенная скорость из- менения параметра, прогнозное время до достижения уставки и т.д. (подробно описанные в предыдущей статье «Чис- ленный и математический анализ при диагностике динамического оборудо- вания»). Однако в нашей задаче анали- за динамического состояния установки не потребовалось. Выбор инструментов диагностики Для статического анализа данных технологических процессов моделями машинного обучения в СППР Sdisol PAD предусмотрены следующие инст- рументы. ● Инспектор аномалий – служит для определения текущей степени ано- мальности по совокупным значениям взаимосвязанной группы параметров и в своей работе использует модель определения аномалий Isolation Forest или алгоритм кластеризации k-NN. ● Инспектор отклонений – служит для прогнозирования значения парамет- ра по совокупным значениям связан- ной с ним группы параметров и сравнения прогнозного и фактиче- ски измеренного значений. Для про- гнозирования можно использовать одну из нескольких регрессионных моделей машинного обучения. ● Инспектор отказов – служит для оценки риска возникновения строго определённой неисправности по со- вокупным значениям взаимосвязан- ной группы параметров. Может быть использован при наличии значи- тельной базы исторических данных с размеченными однотипными фак- тами отказа технологического обору- дования. Для решения наших задач мы будем использовать инспектор аномалий и инспектор отклонений. Ранее мы упомянули о статических и динамических моделях машинного об- учения. Они отличаются по способу адаптации к изменениям среды (изме- нениям объекта). Статическая модель обучается на од- ном наборе исторических данных, про- ходит финальную валидацию и затем развёртывается на объекте заказчика для прогнозирования на новых данных. Такие модели дают предсказуемый ре- зультат и не требуют значительных вы- числительных ресурсов в процессе экс- плуатации. Однако со временем стати- ческие модели могут терять качество прогнозирования в случае существен- ного изменения окружающей их среды (применительно к нашему случаю – оборудование изнашивается и взаимо- связь параметров непрерывно, хоть и достаточно медленно, меняется). Динамическая модель постоянно об- новляется (дообучается) по мере поступ- ления новых данных. Для работы таких моделей требуются значительные вы- числительные мощности, так как в про- цессе работы происходит их постоянное дообучение. К существенным недостат- кам динамических моделей можно от- нести их непредсказуемость: качество прогнозирования может резко упасть при попадании шума и недостоверных данных в выборку, на которой происхо- дит дообучение модели. В своих решениях мы используем статические модели машинного обуче- ния, так как они в первую очередь предсказуемы, а также не требуют значительных вычислительных мощ- ностей на инфраструктуре заказчика. При этом при изменении характери- стик технологического оборудования (износ, ремонт, модернизация) суще- ствует возможность дообучить или пе- реобучить модели, используемые в ин- спекторах СППР Sdisol PAD, силами представителей разработчика системы СТА 1/2026 9 www.cta.ru НОУ - ХАУ