Optimization of probabilistic operational characteristics of a neural network algorithm for predictive diagnostics of industrial equipment failures through automated processing of a training sample

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The paper considers the optimization of probabilistic operational characteristics of a neural network algorithm for predictive diagnostics of industrial equipment malfunctions. The probability of a false alarm and the probability of detecting a malfunction are accepted as optimized parameters, which are generally accepted metrics for the effectiveness of situation analysis and decision-making systems. The task of optimizing operational characteristics is decomposed to the level of influencing technical parameters of the system and reduced to finding the optimal values of the base calculation time of the derivatives of the measured technological parameters and the time of fault development. Automated processing of the training sample allows you to reduce the time spent on creating a system for predictive diagnostics of industrial equipment failures. The result of optimization of the probabilistic operational characteristics of the neural network algorithm is presented and optimal values of the variable parameters are obtained, as well as a result of training and testing on real telemetry data of the electric power pump of the turbine unit of the CHP, optimal values of the optimized parameters are obtained, according to which conclusions are drawn and further actions are proposed to improve the result.

.

Авторлар туралы

Ivan Nekrasov

V. A. Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Хат алмасуға жауапты Автор.
Email: ivannekr@mail.ru
ORCID iD: 0000-0003-0520-7222
SPIN-код: 1204-7269
Scopus Author ID: 57200274156

Ph.D.

Ресей, Moscow

Yuriy Konstantinovskiy

Bauman Moscow State Technical University

Email: uran9000@mail.ru

Student

Ресей, Moscow

Nikolay Kukin

Autonomous Non-Profit Organization “Institute of Engineering Physics”

Email: n.s.kukin@mail.ru
ORCID iD: 0000-0003-3889-2094

Candidate of Science (Engineering), Head of the group

Ресей, Moscow

Әдебиет тізімі

  1. Divya, D., Marath, B. and Kumar, M. B. (2022), “Review of fault detection techniques for predictive maintenance”, Journal of Quality in Maintenance Engineering, vol. 29, no. 2, pp. 420-441. doi: 10.1108/JQME-10-2020-0107.
  2. Neupane, D., Mohamed, R. B., Dazeley, R. and Aryal, S. (2024), Data-driven Machinery Fault Detection: A Comprehensive Review, School of IT, Deakin University, WaurnPonds, Geelong, Australia.
  3. Fernandes, M., Corchado, J. M. and Marreiros, G. (2022), “Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: a systematic literature review”, Applied Intelligence, vol. 52, pp. 14246-14280. doi: 10.1007/s10489-022-03344-3
  4. Agasiev, T. A. and Karpenko, A. P. (2016), “Meta-model method of permanent parameter tuning of optimization algorithms”, Mashinostroenie i komp‘yuternye tekhnologii. Nauka i obrazovanie. Elektronnyy zhurnal MGTU im. N. E. Baumana, vol. 9, pp. 92-110. (In Russian).
  5. Kashirina, I. and Demchenko, M. (2018), “Research and comparative analysis of optimization methods used in training neural networks”, Vestnik Voronezhskogo Gosudarstvennogo Universiteta. Seriya: Sistemnyy analiz i informatsionnye tekhnologii, pp. 123-132. doi: 10.17308/sait.2018.4/1262. (In Russian).
  6. Federal Agency for Technical Regulation and Metrology (2019), GOST P 53564-2009: Monitoring sostoyaniya oborudovaniya opasnykh proizvodstv. Trebovaniya k sistemam monitoringa. [GOST P 53564-2009. Monitoring of the equipment condition of hazardous industries. Requirements for monitoring systems], Standartinform, Moscow, Russia. (In Russian).
  7. Nekrasov, I. V., Konstantinovskiy, Yu. D. and Kukin, N. S. “Predictive Diagnostics of Power Generating Equipment Failures Based on Neural Network Technology”, 5th International Conference on Neural Networks and Neurotechnologies (NeuroNT'2024). Saint Petersburg Electrotechnical University "LETI" – accepted for publication. (https://events.etu.ru/#/application/8096/info - authorization is required)
  8. Fedotov, A. V. and Skabkin, N. G. (2010), Osnovy teorii nadezhnosti i tekhnicheskoy diagnostiki: konspekt lektsiy [Fundamentals of reliability theory and technical diagnostics: lecture notes], Izdatel’stvo Omskogo Gosudarstvennogo Tekhnicheskogo Universiteta, Omsk, Russia. (In Russian).
  9. Schmidt, A. A. and Kozyrev, A. V. (2023), “Analiz nauchno-metodicheskogo apparata diagnostiki i kontrolya, monitoringa I prognozirovanya voennoy techniki svyazi”, Tekhnika sredstv svyazi, vol. 164, no. 4, pp. 81-92. (In Russian).
  10. Smola, A. and Vishwanathan, S. V. N. (2008), Introduction to machine learning, Cambridge University Press, Cambridge, UK.
  11. Gmurman, V. E. (1972), Teoriya veroyatnostey i matematicheskaya statistika [Probability theory and mathematical statistics], Vishaya Shkola, Moscow, Russia. (In Russian).
  12. Johnson, N. and Lyon, F. (1980), Statistika i planirovanie eksperementa v tekhnike i nauke. Metody obrabotki dannykh [Statistics and experiment planning in engineering and science. Data processing methods], Translated from English by E. K. Letsky (ed.), Mir, Moscow, Russia. (In Russian).
  13. Solodovnikov, V. V., Plotnikov, V. N. and Yakovlev, A. V. (1985), Osnovy teorii i element system avtomaticheskogo regulirovaniya: Uchebnoe posobie dlya priborostroitel’nykh spetsial’nostey VUZov [Fundamentals of theory and elements of automatic control systems: A textbook for instrument-making specialties of universities], Mashinostroenie, Moscow, Russia. (In Russian).
  14. Attetkov, A. V., Galkin, S. V. and Zarubin, V. S. (2003), Metody optimizatsii [Optimization methods], Izdatel’stvo MGTU im. N.E. Baumana, Moscow, Russia. (In Russian).
  15. Cherdyntsev, V. A. (2007), Priem signalov na fone pomekh. Uchebnoe posobie dlya studentov radiotekhnicheskikh spetsial’nostey [Reception of signals against the background of interference. A textbook for students of radio engineering specialties], Belorusskiy Gosudarstvennyy Universitet Informatiki b Radioelektroniki, Minsk, Belarus. (In Russian).
  16. Scikit-learn reference (2024), avalible at: https://scikit-learn.org/ (Accessed 27 August 2024).
  17. Croall, I. F. and Mason, J. P. (Eds.) (1992), Industrial Applications of Neural Networks, ECSC — EEC — EAEC, Brussels, Luxembourg.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

© Nekrasov I.V., Konstantinovskiy Y.D., Kukin N.S., 2024

Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».