CC BY
0
4. Дорожкин А. М., Соколова О. И. Понятие «неопределенность» в современной науке и философии // Вестник Вятского государственного гуманитарного университета. 2015. № 12. С. 5-12.
5. Кэллахан Джин "Экономика для обычных людей: Основы австрийской экономической школы"-2012.
© Амангельдыева Г.Т., Атамурадова Е.А., Артыкова. Дж., Оразов П.А., 2024
УДК 004.942
Горячев А.С.,
студент, факультет информационных технологий, кафедра информационных систем и технологий НХТИ ФГБОУ ВО «КНИТУ»
Россия, г. Нижнекамск Научный руководитель: Вотякова Л.Р., кандидат педагогических наук, доцент кафедры информационных систем
и технологий ФГБОУ ВО «КНИТУ» Россия, г. Казань
ОБЗОР АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ ПРЕДИКТИВНОГО АНАЛИЗА РАБОТЫ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ
Аннотация
Растущая сложность и разнообразие современных производственных систем требует разработки эффективных алгоритмов для прогнозирования, диагностики и управления работой технологического оборудования. В статье представлен обзор наиболее распространенных алгоритмов машинного обучения, таких как алгоритмы классификации, регрессии и кластеризации. Описываются основные особенности и применение этих алгоритмов в решении задач предиктивного анализа работы технологического оборудования.
Ключевые слова:
алгоритмы машинного обучения, предиктивный анализ, технологическое оборудование, линейная регрессия, случайный лес, градиентный бустинг, нейронные сети.
Annotation
The growing complexity and diversity of modern production systems requires the development of effective algorithms for forecasting, diagnosing and controlling the operation of technological equipment. The article provides an overview of the most common machine learning algorithms, such as classification, regression and clustering algorithms. The main features and application of these algorithms in solving problems of predictive analysis of technological equipment are described.
Key words:
machine learning algorithms, predictive analysis, technological equipment, linear regression, random forest, gradient boosting, neural networks.
Введение
Современные производственные системы и технологии все больше и больше полагаются на технологическое оборудование для выполнения различных операций и процессов. Промышленность во
всем мире в последние годы претерпевает значительные изменения, в том числе направления развития и функционирования ведущей отрасли переработки нефти в России обусловлены структурными и технологическими изменениями, произошедшими в связи с модернизацией, связанной с увеличением глубины переработки нефти, а также действий международных санкций и ограничительных мер [1-3]. Большое влияние на изменение структуры производства оказывают технологические изменения, связанные с постоянным развитием и обновлением оборудования и техники, что приводит к необходимости опережающего развития целых направлений, как в науке, так и в производственной индустрии. Более того, применяемое для обеспечения технологических процессов оборудование, становится все более сложным и разноплановым, что требует разработки инновационных методов анализа и управления его работой. Существующие в основной массе системы автоматизированного управления и контроля за технологическими процессами и работой технологического оборудования, нацелены на мониторинг, сбор и хранение данных, с индикацией сигнализирующих и блокирующих показателей процесса [4,5]. При этом, весь информационный анализ возложен только на специалистов, задействованных в эксплуатации и техническом обслуживании. Количество накопленных, и вновь формируемых данных, настолько объемно и велико, что их сбор, хранение и обработка, уже превратились в рутинный процесс для пользователей. Сложность анализа таких больших данных (Big Data) состоит в их большом разнообразии, неоднородности, не структурированности, и зачастую избыточности, что, для возможностей человека, становится непосильной задачей [6]. Один из подходов, который способен облегчить решение этого вопроса, и который получил значительное развитие в последние десятилетия, — это применение машинного обучения и искусственного интеллекта [7-9]. В этой статье рассмотрены некоторые разновидности алгоритмов, используемых для машинного обучения, и их возможности применения, например, в системах поддержки принятия решений, предназначенных для контроля за работой технологического оборудования.
Основной целью внедрения технологии предиктивного обслуживания и ремонта, основанных на прогнозировании (predictive maintenance, PdM), для обеспечения более эффективной и надёжной эксплуатации оборудования, являются две задачи [10-14]. Первая заключается в прогнозировании возможных поломок, таких как определение неправильных режимов работы агрегатов и предсказание оставшегося безопасного срока службы компонентов. Вторая задача состоит в предотвращении отказа оборудования путем проведения своевременного технического обслуживания. Контроль возможных отказов позволяет планировать техническое обслуживание до возникновения поломки, что позволяет уменьшить необходимость в ремонте по срочной необходимости и минимизировать риск поломки оборудования.
Получивший развитие подход машинного обучения, благодаря которому компьютеры могут анализировать данные и обучаться на их основе подобно человеческому мозгу, позволяет автоматизировать процесс анализа больших данных, получаемых от технических систем, и на основе этих данных прогнозировать возможные поломки или неисправности. Алгоритмы, используемые в машинном обучении, представляют собой математические модели и методы, которые позволяют компьютерным системам обрабатывать данные и извлекать информацию из них. Они основаны на методах статистики, оптимизации и теории вероятности. В задачах предиктивного анализа работы оборудования, алгоритмы машинного обучения могут быть использованы для прогнозирования будущих значений производственных показателей, диагностики и определения причин неисправностей или сбоев, а также помогать управлять работой оборудования и определять момент его замены или ремонта. При организации работ по техническому обслуживанию и ремонту, как и при оценивании целостности и надежности оборудования, наряду с ранним диагностированием возможных неисправностей актуальна задача достоверной оценки срока службы оборудования, оставшегося до функционального отказа. И
оперативный анализ данных, онлайновая аналитическая обработка данных для поддержки принятия своевременных решений, играет очень важную роль. Для успешной реализации предиктивного анализа работы технологического оборудования необходимо правильно выбрать и настроить соответствующие алгоритмы машинного обучения.
Данные для обучения моделей могут включать давление, температуру, уровень, вибрацию, скорость вращения, звуковые сигналы и другие. Эти данные могут быть собраны с помощью датчиков, установленных на оборудовании, и переданы в систему для анализа. На основании этих данных модель обучается распознавать закономерности, которые предшествуют отказам или потребностям в обслуживании, позволяя предпринимать профилактические меры, что снижает простои и увеличивает общую надежность оборудования.
Контроль за работой технологического оборудования является сложной задачей, поскольку оно может быть подвержено различным видам повреждений и отказов. Некоторые из основных проблем, которые могут возникнуть при контроле за работой оборудования, включают:
1. Перегрузки и перегревы;
2. Износ и коррозия;
3. Неисправности электронных компонентов;
4. Неожиданные сбои в работе оборудования.
Традиционные методы контроля за работой оборудования, такие как ручное наблюдение и мониторинг, могут быть неэффективными в выявлении этих проблем. Это может привести к повреждению оборудования, остановке производства и угрозе безопасности персонала.
В отличие от указанного, алгоритмы анализа, закладываемые в современных системах поддержки принятия решений, могут обнаружить аномалию, предупредить персонал и предложить рекомендации по устранению проблемы.
Для анализа работы технологического оборудования, например, с целью эффективного планирования технического обслуживания и ремонта, могут использоваться различные алгоритмы машинного обучения. Один из основных алгоритмов, используемых в предиктивном анализе, — это методы классификации, которые позволяют определить к какому классу относится данное наблюдение на основе имеющихся данных. Например, она может быть использована для определения состояния работоспособности оборудования (рабочее/неисправное), или для категорирования типа поломки (электрическая/механическая). Для решения этих задач часто используются такие методы классификации как логистическая регрессия или логит-модель (Logit Model, LM), метод опорных векторов (Support Vector Machine, SVM) и случайный лес (Random Forest, RF).
Еще одним типом алгоритмов машинного обучения являются методы кластеризации. Они позволяют группировать наблюдения на основе их сходства. В контексте предиктивного анализа технологического оборудования, кластеризация может быть использована для выделения подобных по характеристикам устройств или для определения группы оборудования с похожими закономерностями поломок. Некоторые из наиболее распространенных методов кластеризации включают k-средних (k-means), основанная на плотности пространственная кластеризация для приложений с шумами (density-based spatial clustering of applications withnoise, DBSCAN) и иерархическая кластеризация (hierarchical cluster analysis, HCA) [15].
Другим алгоритмом, используемом в предиктивном анализе работы оборудования, являются временные ряды. Методы временных рядов позволяют моделировать изменение параметров объекта со временем и прогнозировать его будущее состояние. Это может быть использовано для прогнозирования будущих значений таких параметров как температура, давление, расход, скорость вращения. Некоторые из наиболее распространенных методов временных рядов включают интегрированную модель
авторегрессии - скользящего среднего (autoregressive integrated moving average, ARIMA), интегрированную скользящую среднюю с сезонной авторегрессией (seasonal autoregressive integrated moving average, SARIMA), длинную цепь элементов краткосрочной памяти (long short-term memory, LSTM) [16].
Кроме того, алгоритмы машинного обучения могут быть использованы для построения регрессионных моделей. Регрессия позволяет оценивать зависимость одной переменной от других и строить прогнозы для непрерывных значений. В рамках предиктивного анализа работы технологического оборудования, регрессионные модели могут быть использованы для прогнозирования времени до отказа оборудования или для определения оптимального уровня производства при заданных условиях работы. Некоторые из наиболее распространенных методов регрессии включают линейную регрессию (linear regression, LR), градиентный бустинг (gradient boosting, GB) и нейросетевую регрессию (neural network regression, NNR) [17,18].
Метод глубокой авторегрессии (deep auto regression, DeepAR), относится к авторегрессионной рекуррентной нейронной сети (auto regressive recurrent neural network, AR-RNN), и может учитывать сезонность, тренды и другие временные закономерности в данных, что позволяет делать более точные прогнозы по сравнению с классическими методами прогнозирования временных рядов [19].
Свёрточные нейронные сети (Convolutional Neural Network, CNN) -могут быть полезны при работе с вибрационными данными и звуковыми сигналами, которые можно использовать для обнаружения аномалий в работе оборудования [20]. CNN могут научиться обнаруживать закономерности и характеристики изображений, которые людям трудно заметить. CNN можно научить распознавать такие характеристики, как края, углы и текстуры, используя большие наборы данных.
Искусственные нейронные сети (Artificial Neural Networks, ANN) — используются для моделирования и предсказания сложных нелинейных отношений между входными и выходными переменными в данных, и могут быть использованы, например, для определения класса возможного отказа оборудования или для прогнозирования временного интервала до возникновения отказа [21, 22].
Алгоритмы машинного обучения представляют широкий спектр возможностей для предиктивного анализа работы технологического оборудования. Они позволяют выявить скрытые закономерности и прогнозировать будущие события на основе имеющихся данных. Каждый из методов имеет свои преимущества и ограничения, поэтому выбор конкретного алгоритма зависит от поставленной задачи применительно к оборудованию и характеристик данных. Для более точного сравнения возможностей алгоритмов для предиктивного анализа необходимо провести эксперименты, оценивая метрики качества моделей на различных наборах данных. Систематическое сравнение и оценка возможностей различных алгоритмов помогут выбрать наиболее подходящий метод для конкретной задачи.
Заключение и выводы
В настоящей статье были рассмотрены алгоритмы машинного обучения для решения задач предиктивного анализа работы технологического оборудования. Основной целью этих алгоритмов является прогнозирование возможных сбоев и отказов в работе оборудования, что позволяет предпринять необходимые меры по его профилактике и устранению неполадок.
Они позволяют проанализировать и предсказать различные параметры работы оборудования, такие как срок службы, эффективность или вероятность отказа.
Было выяснено, что для успешной реализации задачи предиктивного анализа работы оборудования необходимо использовать различные методы машинного обучения. Каждый из этих методов имеет свои преимущества и ограничения, поэтому выбор конкретного алгоритма должен осуществляться с учетом специфики задачи и доступных данных.
Важной особенностью алгоритмов машинного обучения является их способность к обучению на исторических данных, что позволяет учитывать изменения в работе оборудования и адаптироваться к
новым условиям. Это позволяет предотвращать отказы и производить обслуживание оборудования в нужный момент, что в свою очередь способствует экономии ресурсов и повышению безопасности.
Однако, необходимо отметить, что для успешного использования машинного обучения в задачах предиктивного анализа работы технологического оборудования требуется качественная и актуальная информация о его работе. Также необходимо учитывать потребности и специфику каждой конкретной задачи для выбора наиболее подходящего алгоритма.
В целом, использование машинного обучения в предиктивном анализе является актуальной и перспективной темой для исследований и разработок. Данные технологии позволяют не только облегчить выполнение рутинных задач эксплуатирующему и обслуживающему персоналу, но и повысить эффективность и надежность работы оборудования, что в свою очередь поспособствует развитию промышленности и улучшению качества производства. Список использованной литературы:
1. Информационно-технический справочник по наилучшим доступным технологиям ИТС 30-2021 " Переработка нефти", Росстандарт, 2021.
2. Молодцов К.В. Нефтепереработка: в ответ на вызовы. Нефтегазовая вертикаль, №3, 2018. С. 44-46
3. Колодин В.С. Проблемы модернизации нефтеперерабатывающей промышленности России в условиях санкционного давления / В.С. Колодин, Г.В. Давыдова, 2022. Т. 13, № 2.
4. Минин П.Е., Конев В.Н., Сычев Н.В., Крымов А.С., Савчук А.В., Анализ существующих автоматизированных систем управления технологическим процессом. Спецтехника и связь, №1, 2014. С. 29-37
5. Хлебенских Л.В., Зубкова М.А., Саукова Т.Ю., Автоматизация производства в современном мире, Молодой ученый. 2017. № 16 (150). С. 308-311.
6. Чехарин Е.Е., Большие данные: большие проблемы. Перспективы Науки и Образования. 2016. 3 (21) С.7-11
7. Архипова, Л. И. Большие данные и искусственный интеллект в бизнесе: развитие и регулирование, 2020. № 6-3. С.122-127.
8. Белова М.С. Искусственный интеллект при анализе больших данных, 2021. Т. 11, № 4(36), С. 136-141.
9. Андреев А.В. Искусственный интеллект и его роль в обработке больших данных, Умная цифровая экономика, том 3, №1, 2023. С.65-69
10. ГОСТ Р 57329-2016. Системы промышленной автоматизации и интеграция. Системы технического обслуживания и ремонта. Термины и определения.
11. Ильичев В.Ю., Юрик Е.А., Использование методов предиктивной аналитики для обработки сигналов с датчиков частоты вращения роторных машин. Научное обозрение. Технические науки 2019. № 1, С.22-26
12. Пена Д.В., Цыпин Б.В., Ляшенко А.В. Способ обработки сигналов в системе аварийной защиты с индукционных датчиков частоты вращения, Надёжность и качество, 2011: труды Международного 120 симпозиума: в 2-х т. Пенза: Изд-во ПГУ, 2011. Т. 2. С. 432-433.
13. Ляшенко А.В., Информационно-измерительная система контроля частоты вращения ротора турбоагрегата стартового двигателя, Измерение. Мониторинг. Управление. Контроль, 2016. № 1 (15), С. 37-42.
14. Морозова В. И., Логунова Д. И., Прогнозирование методом машинного обучения, Молодой ученый. 2022. № 21 (416), С. 202-204.
15. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В., Классические методы машинного обучения, Учебное пособие, Санкт-Петербург, 2022.
16. Алжеев А.В., Кочкаров Р.А. Сравнительный анализ прогнозных моделей ARIMA и LSTM на примере акций российских компаний. Финансы: теория и практика, 2020. 24(1), С.14-23.
17. Ковалев М.Я., Лукашевич М.Н., Модели и методы машинного обучения для решения задач
оптимизации и прогнозирования работы морских портов, Информатика, Т.19 (4), 2022. С.94-110.
18. Антонов Г.В., Иванов С.И., Линейная регрессия как один из методов статистического исследования, Известия Великолукской ГСХА, 2021. №2, С. 64-75.
19. D. Salinas, V. Flunkert, J. Gasthaus. DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks, 2019. URL: https://arxiv.org/abs/1704.04110.
20. Скрипачев В.О., Гуйда М.В., Гуйда Н.В., Жуков А.О., Особенности работы сверхточных нейронных сетей, International Journal of Open Information Technologies, ISSN: 2307-8162, vol. 10, no. 12, 2022. С. 53-61.
21. Макаров Д.А. Исскуственные нейронные сети, Теория и практика современной науки, №6(48) 2019. С.678-682.
22. Птухин А.А. Искусственные нейронные сети и их применение, Язык в сфере профессиональной коммуникации: материалы международной научно-практической конференции студентов и аспирантов, Екатеринбург, 2017. С.165-169.
© Горячев А.С., 2024
УДК 511
Стаценко И.В.
Кандидат технических наук, доцент кафедры высшей математики
Московский энергетический институт
ВЗАИМОСВЯЗИ "P''-ОБОБЩЕННЫХ ЧИСЕЛ СТИРЛИНГА ПЕРВОГО РОДА С ДРУГИМИ ОБОБЩЕННЫМИ ЧИСЛАМИ СТИРЛИНГА
Аннотация
В статье представлены результаты выражения '^'обобщенных чисел Стилинга первого рода с использованием других групп обобщенных чисел Стирлинга
Ключевые слова:
числа Стирлинга первого и второго рода, обобщенные числа Стирлинга первого рода.
Keywords:
Stirling numbers of the first and second genus, generalized Stirling numbers of the first genus.
Ранее в работе [1] введены "P''-обобщенные числа Стирлинга первого рода в виде
" n!
(m, n, k ) = £ n ^C (m, n, r), (1)
r=o r!
где
С, (т,п,к) = ^С:-ГК+т+1г+1(-1У, (2)
г=0
5 (т,п,к) - '^"-обобщенные числа Стирлинга первого рода m-го порядка ^130534, A094645,
A370518, соответственно, для m=0,1,2); 5 , - числа Стирлинга первого рода со знаком ^048994);
:,к
С (т,:,к) - '^"-обобщенные биномиальные коэффициенты m-го порядка ^007318, A159854, A370516,
