УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ
на главную написать письмо карта сайта


јвтор:  «адиран  .—., ўербаков ћ.¬., —ай ¬ан  вонг
Ќазвание:  ѕрогнозирование остаточного ресурса оборудовани€ в услови€х малой выборки данных
¬ыпуск:  102
–убрика:  Ќадежность и диагностика средств и систем управлени€
√од:  2023
Ѕиблиографи€:  «адиран  .—., ўербаков ћ.¬., —ай ¬ан  вонг ѕрогнозирование остаточного ресурса оборудовани€ в услови€х малой выборки данных // ”правление большими системами. ¬ыпуск 102. ћ.: »ѕ” –јЌ, 2023. —.99-113. DOI: https://doi.org/10.25728/ubs.2023.102.6
 лючевые слова:  машинное обучение, остаточный ресурс, проактивное техническое обслуживание
 лючевые слова (англ.):  machine learning, remaining useful life, proactive maintenance
јннотаци€:  ѕредлагаетс€ метод прогнозировани€ остаточного ресурса оборудовани€, использующий глубокое обучение и применимый в случа€х с малым количеством информации об отказах в данных, где существующие классические методы могут не давать требуемой точности. ѕроцесс поддержани€ оборудовани€ в рабочем состо€нии Ц один из наиболее важных процессов в эксплуатации оборудовани€. ѕри этом процесс технического обслуживани€ зачастую страдает от недостаточной эффективности. ѕоэтому были разработаны методы прогнозировани€, на основе которых была построена концепци€ проактивного управлени€ процессом техобслуживани€, позвол€юща€ оптимизировать структуру и затраты управлени€ оборудованием на прот€жении жизненного цикла. ќднако данные методы могут показывать недостаточную точность, если дл€ их обучени€ недостаточно данных, например, в св€зи с редкостью возникновени€ отказов в оборудовании. ƒл€ решени€ этой проблемы предлагаетс€ новый метод прогнозировани€, в основе которого лежит алгоритм, основанный на глубоком обучении и который может улучшить точность прогнозировани€. ¬†данном методе произведена замена непрерывного прогнозировани€ остаточного ресурса оборудовани€ на всем интервале на систему генерации сигналов, содержащих рассчитанный прогноз.
јннотаци€ (англ.):  In the article a method for forecasting the residual life of equipment using deep learning is proposed. The method is applicable in cases with a small amount of information about data failures, where existing classical methods may not provide the required accuracy. The process of maintaining the equipment in working condition is one of the most important processes in the operation of the equipment. At the same time, the maintenance process often suffers from inefficiency. Therefore, forecasting methods were developed, on the basis of which the concept of proactive maintenance process management was built, which allows optimizing the structure and costs of equipment management throughout the life cycle. However, these methods may show insufficient accuracy if there is not enough data to train them, for example, due to the rarity of equipment failures. To solve this problem, a new prediction method based on deep learning is proposed that can improve the prediction accuracy. In this method, the continuous prediction of the remaining service life over the entire interval is replaced by a model for generating signals containing the calculated prediction.

¬ формате PDF

ѕросмотров: 275, загрузок: 84, за мес€ц: 13.

Ќазад

»ѕ” –јЌ © 2007. ¬се права защищены