Обзор исследований

Cтандарт EN 13306 определяет предсказательное обслуживание как обслуживание по техническому состоянию, которое осуществляется на основе прогнозов, полученных из анализа и оценки существенных параметров деградации изделия. Его основная цель – диагностика и прогнозирование отказов и неисправностей оборудования.

Для диагностики и прогнозирования отказов в предсказательном обслуживании было представлено много методов. В основном их можно разделить на два типа – методы, осно- ванные на обработке данных (МОД), и ме- тоды, основанные на моделях (МОМ) [6].

МОМ используют математические модели для описания физического поведения и процессов деградации оборудования, при этом значения параметров изменяются на основе собранных данных [7, 8]. Наиболее часто используемыми МОМ являются модели марковского процесса [9], винеровского процесса [9], гауссовой смеси [10] и т.д. Основной недостаток МОМ заключается в необходимости регулярной структурной и параметрической оптимизации моделей из-за динамически меняющегося окружения [11]. Кроме того, сложные системы требуют значительных затрат на создание и настройку МОМ, в том числе и с привлечением экспертов [12]. Для преодоления данных недостатков были предложены и в настоящее время активно развиваются методы, основанные на использовании данных [13].

МОД описывают процесс деградации оборудования на основе измеряемых данных с использованием статистических методов или методов искусственного интеллекта [6]. МОД обладают свойствами универсальности, поскольку они абстрагированы от физической природы объектов, не требуют знаний его внутренней структуры и функциональных связей между элементами [14]. Часто используемыми статистическими методами являются регрессионные модели, метод главных компо- нент, анализ выживаемости и т.д. Пространственные модели состояний, такие как скрытые марковские модели или скрытые полумарковские модели, динамические байесовские сети и прочие, также являются широко используемыми статистическими методами. Методы искусственного интеллекта – это обычно различные варианты методов машинного обучения и искусственных нейронных сетей, таких как нейронные сети долгой краткосрочной памяти, сверточные нейронные сети и т.д. Для применения МОМ требуется решить две важные задачи – сбор данных и их обработка.

Сбор данных. В работе [15] описывается сбор данных как процесс получения и хранения полезных данных от целевых физических активов для обслуживания по техническому состоянию. Собранные данные могут быть разделены на два типа – данные мониторинга состояния и событийные данные. В [16] определено, что данные мониторинга состояния, как и любые данные, в том числе эксплуатационные, данные о производительности, об окружающей среде, сигналы деградации, можно использовать для прогнозирования состояния оборудования для предотвращения отказов. Событийные данные включают информацию о том, что произошло с целевыми физическими активами. Событийные данные и данные мониторинга состояния играют исключительную роль в обслуживании по техническому состоянию.

Развитие и удешевление повсеместных систем сбора данных и удешевление систем сбора данных, в том числе в дистанционном режиме и в реальном масштабе времени, позволяют собирать большие объемы данных о многообъектных целевых системах. Однако данные хранятся и обрабатываются в различных и неоднородных системах, таких как компьютеризированные системы управления техническим обслуживанием для ведения учета технического обслуживания, системы мониторинга состояния активов и системы диспетчерского управления и сбора данных SCADA для управления мониторингом процессов и управления активами [17, 18]. В работе [19] утверждается, что объединение компьютеризированных систем управления техническим обслуживанием, систем мониторинга и управления знаниями по техническому обслуживанию является ключевой частью технологии технического обслуживания в будущем.

Обработка данных. В любом приложении, основанном на данных в общем и для предсказательного обслуживания в частности, обработка данных имеет первостепенное значе- ние [20]. Необходимость обработки исходных данных может быть вызвана разными причинами, например, некоторые статистические методы требуют, чтобы все предикторы измерялись в одинаковых единицах. В других случаях качество предсказательных моделей может в значительной мере зависеть от характера распределения данных или наличия выбросов. В общем, процесс обработки данных включает в себя следующие шаги: очистка данных, обработка пропущенных значений, нормализация данных, преобразование данных, инженерия признаков.

Основная цель очистки данных – выявление и удаление ошибок, выбросов и повторяющихся данных для улучшения их качества. Существует огромное количество методов обнаружения выбросов, такие как статистические, машинного обучения, подмены задачи, метрические методы и другие.

Большинство алгоритмов машинного обучения очень чувствительны к шкалированию данных. Поэтому для получения максимальной точности от алгоритмов машинного обучения чаще всего осуществляется нормализация или преобразование исходных данных перед запуском алгоритмов. Некоторыми известными методами преобразования данных являются преобразование по методу Box–Cox, логарифмическое преобразование, нормализация min-max, центрирование и т.д. [21].

Часто в реальных данных присутствуют пропуски, в результате чего возникает необходимость обработки этих пропусков. Существуют два подхода к решению данной задачи: игнорироваение объектов, имеющих пропуски, и замена специальными значениями с помощью различных методов, таких как метод ближайших соседей, метод случайного леса, метод k средних и другие [22].

Инженерия признаков является самым важным и творческим процессом отбора и создания признаков с целью поиска оптимальных подмножеств, на которых построенная модель дает наилучшее качество. Для этой цели используются методы рекурсивного исключения признаков, главных компонент и другие [23].

Предлагаемая архитектура системы предсказательного технического обслуживания в концепции Индустрии 4.0

На рисунке 3 отображена структура предложенной системы предсказательного технического обслуживания на основе обработки накопленных данных и потоковых данных в концепции Индустрии 4.0, которая состоит из трех методологических модулей: оффлайн-анализа данных, онлайн-анализа данных, поддержки принятия решений.

Первым важным элементом для развертывания этой системы является процесс мониторинга и сбора данных о поведении анализируемой системы. Этот процесс осуществляется на основе технологий интернета вещей или промышленного интернета вещей. Для обеспечения работы предложенной системы могут использоваться данные мониторинга состояния оборудования и эксплуатационных условий, такие как вибрация от акселерометров, температура и т.д., а также событийные данные о неисправностях, отказах, воздействиях по техническому обслуживанию и т.д. Перед сбором данных важно определить: а) критические компоненты системы (эта задача выполняется на основе различных видов анализа, таких как функциональный анализ, дисфункциональный анализ, анализ критичности, накопленный опыт и другие [24]); б) физические параметры, необходимые для наблюдения; в) датчики для отслеживания процесса деградации оборудова- ния.

После сбора полученные данные будут храниться в системах БД для последующей обработки.

Модуль оффлайн-анализа данных осуществляет анализ исторически накопленных данных, полученных из однотипных систем с использованием различных алгоритмов машинного обучения, глубоких нейронных сетей и технологий инженерии признаков, преобразования данных для формирования моделей, позволяющих раннее обнаружение и диагностику неисправностей, прогнозирование ос- таточного ресурса оборудования и т.д. Эти модели оцениваются и выбираются для последующего использования в модуле онлайн-анализа данных.

Известно много подходов искусственного интеллекта, используемых для создания предсказательных моделей. В работе [1] были исследованы различные алгоритмы для прогнозирования остаточного ресурса, такие как метод опорных векторов (SVM), деревья решений (CART), случайный лес (RF), экстремальный метод градиентного бустинга (XGBoost), сети долгой краткосрочной памяти (Long short-term memory, LSTM), сверточные нейронные сети (Convolutional Neural Network, СNN) и т.д. В работе [25] изучены алгоритмы для раннего обнаружения неисправностей для предсказательного обслуживания, такие как скрытые марковские модели, модель ARIMA, LSTM-автоэнкодеры и другие.

Модуль онлайн-анализа данных осуществяет сбор новых данных в реальном времени только из критических компонентов, выбранных на основе анализа в модуле оффлайн-анализа данных. Выбранные из модуля оффлайн-анализа данных модели используются для определения и прогнозирования состояния оборудования в реальном времени.

Однако эти модели в процессе использования на потоковых данных в реальном времени могут устареть в силу многих факторов, например, возможности возникновения новых типов неисправностей, на которых модели не обучались в прошлом. Поэтому возникает необходимость переобучения и обновления моделей. Модуль онлайн-анализа данных предложенной системы предусматривает решение и этой проблемы.

Модуль принятия решений по ТОиР. Основной целью этого модуля является оптимальное планирование воздействий по ТОиР. Информация, полученная в процессе дигностики и прогностики в модуле онлайн-анализа данных, используется для выработки рекомендаций по оптимальному использованию оборудования в режиме онлайн. В этом модуле предоставляется пользовательский интерфейс, обеспечивающий передачу информации между пользователем-человеком и программно-аппаратными компонентами системы о результатах процесса анализа (обнаружение/диагностика/ прогностика), а также визуализации потоковых данных в реальном времени. На их основе при необходимости формируются оптимальные воздействия по ТОиР.

Заключение

В данной работе рассматриваются ограничения классических подходов (корректирующее и профилактическое обслуживание) к организации ТОиР и преимущества проактивной стратегии технического обслуживания на основе обработки накопленных и потоковых данных – предсказательного обслуживания. Анализируются ключевые элементы для реализации предсказательного обслуживания. В результате предложена архитектура интеллектуальной системы технического обслуживания сложных многообъектных систем в концепции Индустрии 4.0. Эта системная архитектура учитывает предварительный оффлайн-анализ собранных накопленных и онлайн-анализ потоковых данных для раннего обнаружения возникновения возможных отказов, прогнозирования остаточного ресурса оборудования.

Дальнейшая работа будет направлена на последующее развитие нескольких модулей архитектуры системы и их развертывание в реальных промышленных производственных подразделениях для технического обслуживания сложных многообъектных систем.

Работа выполнена при поддержке РФФИ, проект № 19-47-340010 r_a.

Литература

1.     Сай Ван Квонг, Щербаков М.В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. № 1. С. 33–44.

2.     Wang Y., Deng C., Wu J., Wang Y., Xiong Y. A corrective maintenance scheme for engineering equipment. Engineering Failure Analysis, 2014, no. 36, pp. 269–283.

3.     Allen T.M. Us navy analysis of submarine maintenance data and the development of age and reliability profiles. URL: https://www.plant-maintenance.com/articles/SubmarineMaintenanceDataRCM.pdf (дата обращения: 15.12.2019).

4.     Khoury E., Deloux E., Grall A., Berenguer C. On the use of time-limited information for maintenance decision support: a predictive approach under maintenance constraints. Mathematical Problems in Engineering, 2013, no. 2, pp. 1–11.

5.     Huang Z.Y., Xu Z.G., Wang W.H., and Sun Y.X. Remaining useful life prediction for a nonlinear heterogeneous Wiener process model with an adaptive drift. IEEE Trans. Rel., 2015, vol. 64, no. 2, pp. 687–700.

6.     Ying Peng, Ming Dong, Ming Jian Zuo. Current status of machine prognostics in condition-based maintenance: a review. Int. J. Adv. Manuf. Technol., 2010, no. 50, pp. 297–313. DOI: 10.1007/s00170-009-2482-0.

7.     Hanachi H., Liu J., Banerjee A., Chen Y., Koul A. A physics-based modeling approach for performance monitoring in gas turbine engines. IEEE Transactions on Reliability, 2015, vol. 64, no. 1, pp. 197–205.

8.     Dui H., Si S., Zuo M., Sun S. Semi-Markov process-based integrated importance measure for multi-state systems. IEEE Transactions on Reliability, 2015, vol. 2, no. 64, pp. 754–765.

9.     Khoury E., Deloux E., Grall A., Berenguer C. On the use of time-limited information for maintenance decision support: a predictive approach under maintenance constraints. Mathematical Problems in Engineering, 2013, no. 2, pp. 1–11. DOI: 10.1155/2013/983595.

10. Zhang L., Li X., Yu J. A review of fault prognostics in condition based maintenance. Proc. of SPIE, 2006, vol. 6357. DOI: 10.1117/12.717514.

11. Liu J., Saxena A., Goebel K., Saha B., Wang W. An adaptive recurrent neural network for remaining useful life prediction of lithiumion batteries. Proc. Annual Conf. of the Prognostics and Health Management Society, 2010, pp. 1–9.

12. Yaguo L., Naipeng Li, Gontarz S., Lin J., Radkowski S., Dybala J. A model-based method for remaining useful life prediction of machinery. IEEE Transactions on Reliability, 2016, no. 65, pp. 1–13.

13. Goebel K., Saha B., Saxena A., Celaya J.R., Christophersen J.P. Prognostics in battery health management. IEEE Instrumentation & Measurement Magazine, 2008, vol. 8, pp. 33–40.

14. Liu J., Wang W., Golnaraghi F. A multi-step predictor with a variable input pattern for system state forecasting. Mech. Syst. Signal Process., 2009, vol. 23, pp. 1586–1599.