Современная электроника №5/2022

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ 49 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2022 Рис. 3. Прогнозирование момента отказа насоса мися, с высокой скоростью поступают в зоны основных загрязнений автомоби- ля: колёса, пороги и арки автомобиля. Отпадающие куски снега и льда продав- ливаются колесами в лоток (рис. 1(3)), тают и вместе с грязной водой попада- ют по сбросному трубопроводу в очист- ные сооружения. Центробежный насос является одним из основных составля- ющих в данном технологическом про- цессе. В случае если насос выйдет из строя, процесс не сможет функциони- ровать. Центробежные насосы в любом технологическом процессе занима- ют основную роль, а также являются жизненно важными и дорогостоящи- ми системами, которые потребляют большое количество энергии и требуют больших затрат на ремонт или замену. Система прогнозирования состоит из трёх этапов: формирование моделей обучения, обучение нейронной сети, прогнозирование нормальной работы. Первоначально формируются моде- ли из групп параметров, собранных с узлов процесса и состоящих из значе- ний, соответствующих нормальному режиму работы. На этапе обучения происходит фор- мирование обучающих выборок, коли- чество которых соответствует коли- честву моделей обучения. Выборки подразделяются на группы, состоя- щие из n значений, и каждой группе соответствует фактическое состояние процесса в следующий момент вре- мени, то есть правильным ответом на группу является нулевое значение сле- дующей группы. На основе сформиро- ванных выборок происходит обучение модели. В качестве алгоритма обуче- ния был выбран Random Forest. Дан- ный алгоритм основан на построении множества решающих деревьев. Этот алгоритм машинного обучения являет- ся одним из наиболее часто использу- емых алгоритмов из-за его простоты и разнообразия (его можно использовать как для задач классификации, так и для задач регрессии). Для решения задачи прогнозирования состояния процесса лучше всего подходит регрессия дере- ва решений. К основным преимуществам исполь- зования Random Forest для прогнози- рования состояния процесса относит- ся возможность выявления значимых параметров, оказывающих определяю- щее влияние на прогноз. На третьем этапе на основе обучен- ных моделей определяется возникно- вение критической работы процесса. Модели прогнозируют следующий вре- менной период, и полученное значение сравнивается с фактическим. Произ- водится расчёт отклонения прогноз- ного значения от фактического, при этом задаётся порог для отклонения. Если было зафиксировано определён- ное количество отклонений, то проис- ходит сигнал о возможном прекраще- нии выполняемости технологического процесса и указывается, какая модель выдаёт сигнал, что может послужить определению причины критической работы процесса. В качестве параметров технологиче- ского процесса будут выступать значе- ния с датчиков, установленных на цен- тробежном насосе. Предоставленная выгрузка показаний датчиков состав- ляет более 200 000 значений. Данные с двух датчиков собраны в базе данных в процессе эксплуатации. На рис. 2 зафиксировано 7 случаев отказа насоса. На этапе обучения рассматривае- мые данные с датчиков центробежно- го насоса делятся на выборки с группа- ми, состоящими из 20 значений. После обучения алгоритма получаем две обу- ченные модели для дальнейшего про- гнозирования отказов агрегата. В рассматриваемом технологическом процессе было определено отклонение прогнозного сигнала от фактического, которое составило 5%, что позволя- ет спрогнозировать нерабочее состо- яние центробежного насоса заранее. В данном случае был определён порог в виде 95% и более случаев фиксации аномалий для последних 20 прогнозов. Для проверки работоспособности алгоритма были взяты группы дан- ных из выгрузки, близких к значениям отказа насоса, и поочередно по группам поданы в систему. Такой вариант позво- лил сымитировать работу системы в реальном времени, что также позво- а б в г