Разработка интеллектуальной системы мониторинга технического состояния промышленного оборудования на основе методов машинного обучения и анализа потоковых данных

Аннотация

Эксплуатация промышленного оборудования сопровождается непрерывным потоком разнородных телеметрических измерений, информационная ёмкость которого далеко превосходит возможности порогового контроля по фиксированным уставкам. Расхождение между объёмом регистрируемых данных и глубиной их интерпретации порождает разрыв: отказ нередко распознаётся уже после перехода узла в предотказное состояние, тогда как опережающие признаки деградации присутствуют в сигнале существенно раньше. Цель работы – построение интеллектуальной системы мониторинга, согласующей потоковую обработку измерений с обучаемыми моделями распознавания состояния и прогноза остаточного ресурса. Реализована авторская расчётная модель: сформирован модельный набор телеметрии вращательного агрегата по пяти измерительным каналам, на котором сопоставлены алгоритмы классификации состояния (логистическая регрессия, случайный лес, градиентный бустинг, рекуррентная сеть GRU) и регрессионного прогноза ресурса, оценены характеристики обработки потока в реальном времени и чувствительность к дрейфу распределения. Градиентный бустинг обеспечил F1 на уровне 0,914 при доле ложных тревог 3,8%, рекуррентная архитектура – опережение момента отказа в среднем на 41,6 ч при медианной задержке детектирования 0,67 с. Реакция качества на дрейф оказалась нелинейной: умеренный сдвиг признаков снижал F1 на 6,1 процентного пункта, а рекалибровка по скользящему окну возвращала метрику до 0,881. Опережающий характер вибрационно-токовых признаков по отношению к температурным означает, что раннее распознавание деградации достигается согласованием горизонта прогноза с инерционностью измерительных каналов, тогда как наращивание числа датчиков такого согласования само по себе не обеспечивает.