Современная электроника №5/2022

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ 42 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2022 Прогнозирование времени отказа оборудования технологического процесса с помощью искусственной нейронной сети Одной из целей интеллектуальной индустрии является снижение количества сбоев и времени, потраченного на устранение этих сбоев, что сокращает производственные издержки. Профилактическое обслуживание помогает решить эту проблему, но не всегда является эффективным способом. В контексте повышения эффективности технологического процесса основной вклад в эту работу может заключаться в том, чтобы предложить методику прогнозирования выполнимости технологического процесса. Обработка и преобразование собранных данных технологического процесса для обучения нейронной сети способны предсказать будущее состояние оборудования, указав, когда может произойти сбой, что позволяет точнее составлять график обслуживания. В результате лишних остановок оборудования для обслуживания становится меньше. Для достижения этой цели была создана модель, имитирующая технологический процесс, вывод параметров и ожидаемое время возникновения отказа. Данные были использованы для обучения нейронной сети, а кроссвалидация – для тестирования. Также были применены другие методы обучения нейронной сети. Имад Хамамех Введение Для повышения качества и произво- дительности производственного про- цесса контроль, мониторинг и техни- ческое обслуживание оборудования производственной линии являются основными видами деятельности [1]. Датчикииисполнительныемеханизмы играютважнуюрольвработеразличных компонентовтехнологическогопроцесса, поэтому важно, чтобы они были в хоро- шемрабочемсостоянии. Длядостижения этойцеливыполняютсядвавидаобслужи- вания: запланированныйикорректирую- щий. Плановое техническое обслужива- ниепроводитсярегулярно; оборудование проверяетсяипринеобходимостизаме- няется, чтобыизбежатьнезапланирован- ныхостановоктехнологическогопроцес- са. Корректирующийремонтпроводится при возникновении сбоев; нерабочая деталь проверяется и при необходимо- стизаменяется [2]. Несмотрянаточтопла- новое техническое обслуживание более эффективно, оба вида повышают затра- ты из-за производственного сбоя. Для компенсации недостатков обоих видов обслуживаниявпромышленностистали широкоиспользоватьметодыобслужива- ниянаосновеискусственногоинтеллекта. Этиметодыпозволяют спрогнозировать сбольшойточностьювремя сбояврабо- теоборудования, чтопозволяет составить болееэффективныйграфиктехническо- гообслуживания. Этотвидобслуживания снижает количество остановок в произ- водстве, атакжеускоряетремонт, посколь- ку может предсказать, на какой детали произойдёт сбой [3]. Цели этой работы: ● использовать исторические данные или сгенерировать данные для обу- чения нейронной сети; ● использовать генетические алгоритмы для обучения нейронной сети с мень- шимколичествомданныхипроверить качество обучения. Это важно, пото- му что в большинстве случаев невоз- можно получить нужное количество данных о технологическомпроцессе; ● использовать статистические мето- ды для выявления важных факторов, которые влияют на технологический процесс. Сопутствующие работы Техническое обслуживание оборудо- вания по его состояниюиграет важную роль в сокращениилишнегообслужива- ния, временипростояи снижении затрат. Цельюдиагностики неисправностей является обнаружение происхождения сбоев и определение места сбоя. Это достигается выбором параметров и при- нятым диапазоном значений этих пара- метров. В отличие от систем диагности- ки, системы прогнозирования отказов направленына прогнозирование буду- щего поведения оборудования и опре- деление возможных моментов отка- за оборудования, помогая в принятии решений по вопросам технического обслуживания. K. Verbert , B.D. Schutter и R.A. Babuska предложили систему опти- мизации технического обслуживания, используя многомодульный метод для прогнозирования износа оборудо- вания [4]. S. Ntalampiras представил систему диагностики неисправностей, где для обнаружения неисправностей использовался безмодельный метод с использованием данных с физическо- го 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 рас- пределение оставшегося срока служ- бы электрических генераторов, позво- ляя оценить стоимость обслуживания и лучшее время для проведения техни- ческого обслуживания [6, 7]. Одна из задач, которуюможет выпол- нять искусственная нейронная сеть (ИНС), – это прогнозирование. В меди- цине ИНС использовались для прогно- зирования риска смертности и заболе- ваемости. Hao , Usama , Yang , Hossain и Ghoneim представили новуюмультимо- дальнуюрекуррентнуюнейронную сеть на основе данных (MD-RCNN) для про- гнозирования риска заболеваний [10]. F. Li , G. Ren и J. Lee разработали иннова- ционную структуру для многоэтапно- го прогнозирования скорости ветра с использованием рекурсивной ней- ронной сети на основе скорости ветра и интенсивности турбулентности [11]. ИНС в прогнозировании сбоев ИНС широко используются в про- гнозировании сбоев. Orru , Zoccheddu , Sassu , Mattia , Cozza и Arena представи- ли простуюи легко реализуемуюмодель