Современная электроника №5/2022

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ 48 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2022 Прогнозирование состояния технологического процесса Рис. 1. Схема автоматической мойки колёс автомобиля Рис. 2. Данные с датчиков, установленных на центробежном насосе Для прогнозирования состояния технологического процесса была предложена система с использованием искусственных нейронных сетей и алгоритма машинного обучения Random Forest. Были рассмотрены этапы системы прогнозирования на примере работы и настройки системы прогнозирования технологического процесса. Обучающая выборка состоит только из значений нормальной работы. Появление сигнала о критическом состоянии процесса зависит от отклонения прогнозного сигнала и фактического. Андрей Бриллиантов Введение Основную роль на производстве занимают технологические процессы, отвечающие за изменение форм, раз- меров, физико-химических и других свойств продукции. В условиях круп- носерийного, массового производства и автоматизации технологических про- цессов, а также в условиях жёсткой кон- курентной борьбы качество выпускае- мой продукции и оказания услуг вышло на первый план. Важнейшими пара- метрами технологических процессов является обеспечение стабильности работы технологического оборудова- ния, качество выпускаемой продукции и оказания технически сложных услуг. Основная часть Сегодня большое внимание уделяется возможности отслеживания в реальном времени сбоев в работе технологиче- ского оборудования с использованием интеллектуальных систем. Быстрое и своевременное обнаружение неисправ- ности в работе агрегатов даёт наимень- шие финансовые затраты на починку и восстановление работоспособности всего процесса, что, в свою очередь, повышает эффективность и произво- дительность производства. Алгоритмы искусственного интеллек- та с большей эффективностью подхо- дят для прогнозирования состояния всего технологического процесса. Современные технологические про- цессы обеспечены необходимым коли- чеством датчиков, позволяющих вести контроль и отслеживание различных параметров работы. Таких параметров может быть очень много. При решении задачи прогнозирования необходимо выбрать основные, которые оказыва- ют наибольшее воздействие на объект исследования. Наиболее актуальными становятся решения этой задачи с при- менением методов машинного обуче- ния. В основном, построение про- гнозных моделей осуществляется на обучении на прецедентах, что зача- стую не подходит для применения ко многим объектам исследования. При таком подходе требуется большая база знаний, основанная на статисти- ке ремонта и сбоев, собираемая в тече- ние большого времени наблюдения за объектом. Именно поэтому сегодня актуально повышение качества про- гнозирования с целью своевременно- го определения состояния технологи- ческого процесса. Основой метода обучения является выборка, состоящая из групп данных, в которых нет значений, соответству- ющих отказам, сбоям или аномально- му режиму работы, то есть выборка состоит из групп значений, соответ- ствующих нормальному режиму рабо- ты объекта исследования. Таким обра- зом, обученная модель прогнозирует нормальный режим работы. При таком подходе затраченное время для сбора данных и начала работы системы про- гнозирования сводится к минимуму. В качестве примера работы и настройки алгоритма прогнозирова- ния был выбран технологический про- цесс «Система автоматической мойки колес, арок и порогов автомобилей при въезде на закрытые автостоян- ки «МОЙДОДЫР-К-10» (далее – «Мой- ка»). Автомобиль по пандусу со скоро- стью около 3 км/ч въезжает в лёгкий экранирующий тоннель (рис. 1(2)), где установлены фотодатчики. При срабатывании датчиков включаются центробежные насосы (рис. 1(6, 6а)), осуществляющие подачу подогретой воды на блоки форсунок (рис. 1(1)). Из форсунок под действием электро- двигателя струи воды под определён- ными углами, динамически меняющи-