Використання алгоритмів машинного навчання для діагностики систем керування рухомим обладнанням
DOI:
https://doi.org/10.31548/Анотація
Досліджується застосування алгоритмів машинного навчання для автоматизованої діагностики систем керування рухомим обладнанням. Актуальність роботи зумовлена зростаючою складністю систем керування, де відмова окремих компонентів може призводити до значних економічних втрат та загроз безпеці. В умовах сучасного промислового виробництва та транспорту необхідність створення автоматизованих рішень для моніторингу технічного стану є особливо важливою.
Метою дослідження є розробка та впровадження методів машинного навчання для підвищення ефективності виявлення та прогнозування відмов у системах керування. Завдання роботи включають створення моделей на основі глибоких нейронних мереж, їх тренування на даних про роботу систем керування та оцінку їхньої продуктивності.
Аналіз даних роботи систем керування, отриманих із сенсорів рухомого обладнання, створення та тестування моделей машинного навчання беруться за методи дослідження. Для експериментів використовувалися дані з відкритих джерел та синтетично згенеровані набори. Основними інструментами були нейронні мережі типу LSTM та CNN, які реалізовано у фреймворках TensorFlow та PyTorch. Дослідження проводилося з використанням обчислювальних кластерів для пришвидшення тренувань.
Результати дослідження показали, що використання машинного навчання дозволяє досягти високої точності діагностики технічного стану. Наприклад, моделі LSTM забезпечили точність прогнозування відмов до 95 %, тоді як CNN ефективно визначали аномалії в реальному часі. Проведено порівняльний аналіз із класичними методами машинного навчання, який продемонстрував переваги глибоких нейронних мереж у швидкості адаптації до нових даних та стійкості до шуму. Водночас основними викликами залишаються потреба у великих обсягах даних для тренування моделей та забезпечення їхньої енергетичної ефективності під час використання в реальних умовах.
Ключові слова: машинне навчання, діагностика систем керування, нейронні мережі, прогнозування відмов, автоматизація обслуговування
Посилання
1. Artelt, M., et al. (2024). Hybrid Approaches and Datasets for Remaining Useful Life Prediction: A Review. Procedia CIRP, 130, 294–300. Available at: https://doi.org/10.1016/j.procir.2024.10.090
2. Bruneo, D., & De Vita, F. (2019). On the Use of LSTM Networks for Predictive Maintenance in Smart Industries. 2019 IEEE International Conference on Smart Computing (SMARTCOMP), 241–248. Available at: https://doi.org/10.1109/SMARTCOMP.2019.00059
3. Chen, X. (2024). A novel gear RUL prediction method by diffusion model generation health index and attention guided multi-hierarchy LSTM. Scientific Reports, 14(1). Available at: https://doi.org/10.1038/s41598-024-52151-y
4. Mirlekar, S., Kanojia, K. P., & Chourasia, B. (2024). A Stacked CNN-BiLSTM Model with Majority Technique for Detecting the Intrusions in Network. International Journal of Intelligent Systems and Applications in Engineering, 12(5s), 152–162.
5. Traini, E., Bruno, G., & Lombardi, F. (2021). Design of a Physics-Based and Data-Driven Hybrid Model for Predictive Maintenance. IFIP Advances in Information and Communication Technology, 536–543. Available at: https://doi.org/10.1007/978-3-030-85914-5_57
6. Shcherbakov, M., & Sai, C. (2022). A hybrid deep learning framework for intelligent predictive maintenance of Cyber-Physical Systems. ACM Transactions on Cyber-Physical Systems, 1–22. Available at: https://doi.org/10.1145/3486252
7. Chen, C., et al. (2023). The advance of digital twin for predictive maintenance: The role and function of machine learning. Journal of Manufacturing Systems, 71, 581–594. Available at: https://doi.org/10.1016/j.jmsy.2023.10.010
8. Serradilla, O., et al. (2022). Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects. Applied Intelligence. Available at: https://doi.org/10.1007/s10489-021-03004-y
9. Lu, L., Zhang, C., Cao, K., Deng, T., & Yang, Q. (2022). A Multichannel CNN-GRU Model for Human Activity Recognition. IEEE Access, 10, 66797–66810. Available at: https://doi.org/10.1109/ACCESS.2022.3185112
10. Meriem, H., Nora, H., & Samir, O. (2023). Predictive Maintenance for Smart Industrial Systems: A Roadmap. Procedia Computer Science, 220, 645–650. Available at: https://doi.org/10.1016/j.procs.2023.03.082
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
