close

Вход

Забыли?

вход по аккаунту

?

Метод и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства на основе машинного обучения

код для вставкиСкачать
На правах рукописи
ШАХАНОВ НИКИТА ИВАНОВИЧ
МЕТОД И АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ
ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО
ПРОИЗВОДСТВА НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
Специальность
05.13.06 Автоматизация и управление технологическими процессами и
производствами (в металлургии)
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Череповец – 2018
Работа выполнена в федеральном государственном бюджетном
образовательном учреждении высшего образования «Череповецкий
государственный университет».
Научный руководитель: Юдина Ольга Вадимовна
кандидат технических наук
Научный консультант: Ершов Евгений Валентинович
доктор технических наук, профессор
Официальные
Орлов Алексей Александрович
доктор технических наук, доцент,
оппоненты:
Муромский институт (филиал) ФГБОУ ВО
«Владимирский государственный университет
имени Александра Григорьевича и Николая
Григорьевича
Столетовых»,
заведующий
кафедрой «Физика и прикладная математика»
(г. Муром)
Ведущая организация:
Кабакова Ирина Юрьевна
кандидат технических наук, ФГКВОУ ВО
«Череповецкое высшее военное инженерное
училище радиоэлектроники», доцент кафедры
«Математика»
Федеральное
государственное
бюджетное
образовательное
учреждение
высшего
образования «Юго-Западный государственный
университет», г. Курск
Защита состоится «26» декабря 2018 г. в 15:00 часов на заседании
диссертационного совета Д 212.297.02 при Череповецком государственном
университете по адресу: 162600, г. Череповец, пр. Луначарского, 5, аудитория
208.
С диссертацией можно ознакомиться в библиотеке Череповецкого
государственного университета. Автореферат диссертации размещен на сайте
ЧГУ www.chsu.ru.
Отзывы на автореферат в двух экземплярах, заверенные печатью
организации просим высылать по адресу: 162600, г. Череповец, пр.
Луначарского, 5, диссертационный совет ЧГУ. Тел.: (8202) 55-65-97, факс
(8202) 55-70-49. Копии отзывов можно прислать на e-mail:
shestakovni@chsu.ru.
Автореферат разослан «25» октября 2018 г.
Ученый секретарь
диссертационного
совета Д 212.297.02
Харахнин Константин Аркадьевич
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Эксплуатация промышленного оборудования
предполагает воздействие на него большого количества различных факторов,
которые вызывают изменения в техническом состоянии, что со временем
приводит к отказу. Существенной особенностью этих факторов является их
случайный (стохастический) характер. К факторам, оказывающим наиболее
существенное влияние на скорость изменения технического состояния
оборудования, относятся: технологические нагрузки, прочностные
характеристики материала, геометрические размеры. Кроме них, необходимо
выделить такие факторы, как: соблюдение условий технологического
процесса, качество технического обслуживания и ремонта, вибрация,
температура и др. Случайный характер рассмотренных факторов приводит к
непредсказуемому изменению технического состояния устройств, их узлов,
механизмов, следовательно, и времени работы до отказа.
В настоящее время основными стратегиями выполнения ремонтов
являются стратегия «Ремонт после отказа», что сопровождается большими
затратами и, стратегия «Планово-предупредительный ремонт», что в половине
случаев является, как правило, преждевременным. Вместе с тем, наиболее
перспективной представляется стратегия «Ремонт по состоянию» с
использованием предиктивного подхода к техническому обслуживанию,
который позволяет заранее определять возможные отказы оборудования, тем
самым повышая эксплуатационную надежность.
Для решения задачи прогнозирования отказов промышленного
оборудования предложено множество моделей и методов, отличающихся
набором входных данных и формой представления результатов. Традиционно
применяются вероятностные методы и методы статистического анализа
данных, изложенные в работах А.В. Антонова, С.В. Соколова, В.Я. Седуша,
В.С. Перехвоста, N. Gorjian, S. Alestra, K. Javed и др. Данные методы
обеспечивают достоверность прогноза отказов оборудования при различных
условиях эксплуатации только при наличии модели формирования отказов,
описывающих процессы повреждения или отклонения от нормального
функционирования, основанных на данных об оборудовании, относящихся к
прошедшим периодам.
Другая группа применяемых методов основана на интеллектуальном
анализе относительно больших массивов данных (В.Л. Чугреев, С.М.
Боровников, М.С. Мангалова, М. Липатов, Е.А. Гаврилюк, Р.Н. Исмагилов, J.
Lui, A. Abu-Samah, P. Baraldi, S. Liu и др.). Целью такой обработки является
извлечение из имеющихся массивов данных закономерностей и зависимостей,
позволяющих строить прогнозные модели на основе статистических методов.
Данные методы дают хорошие результаты для выявления одиночных отказов
и идентификации их локальных эффектов. Однако они не обеспечивают
приемлемых результатов в случае множественных отказов и их эффектов на
3
системном уровне, что ограничивает применение в режиме реального
времени.
Наиболее перспективными являются методы, основанные на машинном
обучении (Н.И. Уткин, В.А. Дюк, А.Н. Бажинов, Z. Wang, А. Wuw и др.),
позволяющие строить прогнозные модели с использованием как
ретроспективных, так и текущих данных, поступающих в реальном времени с
измерительной аппаратуры, и получать неочевидные на первый взгляд
закономерности. Способность к обучению дает возможность оперативно
корректировать параметры моделей прогнозирования при изменяющихся
условиях функционирования оборудования и определять новые сроки
проведения плановых ремонтов, значительно минимизируя простои
оборудования. Существенным ограничением использования данных методов
являются ситуации, когда отказы оборудования происходят достаточно редко
или отсутствуют статистические данные по отказам.
В связи с этим разработка математического и алгоритмического
обеспечения для прогнозирования отказов на основе методов машинного
обучения в условиях малого количества поломок и изменяющихся режимах
работы оборудования является актуальной научной задачей.
Цель и задачи диссертационной работы. Целью диссертационной
работы является повышение точности прогнозирования отказов оборудования
уборочной группы прокатного производства.
Для достижения поставленной цели в работе решены следующие
задачи:
1. Выполнен анализ проблемы прогнозирования отказов оборудования
уборочной группы прокатного производства.
2. Разработано математическое обеспечение для прогнозирования
отказов на основе методов машинного обучения в условиях малого количества
поломок и изменяющихся режимах работы оборудования.
3. Разработано алгоритмическое обеспечение для прогнозирования
отказов оборудования уборочной группы.
4. Выполнены экспериментальные исследования разработанного
математического и алгоритмического обеспечения программного комплекса с
применением платформы Hadoop.
Объект и предмет исследования. Объектом исследования является
система прогнозирования отказов оборудования уборочной группы
прокатного производства. Предметом исследования являются методы и
алгоритмы прогнозирования отказов оборудования уборочной группы
прокатного производства.
Методы исследования. Для решения поставленных задач в работе
использовались методы математического моделирования, алгоритмы
машинного обучения, бинарные деревья решений, алгоритмы распределенной
и параллельной обработки данных, программные и языковые средства
современных компьютерных технологий.
4
Научная новизна и основные положения, выносимые на защиту:
1. Разработана новая модель прогнозирования временных рядов
крутящих моментов приводных электродвигателей отводящего рольганга
уборочной группы прокатного производства, использующая стекинг
алгоритмов машинного обучения Random Forest и ARIMA при изменяющихся
режимах работы оборудования.
2. Разработан метод прогнозирования отказов оборудования с
использованием параметрической идентификации в условиях малого числа
аномальных прецедентов для обучения, больших объемов данных и
изменяющихся режимах работы оборудования.
3. Разработано алгоритмическое обеспечение прогнозирования отказов
оборудования уборочной группы прокатного производства, в составе:
- алгоритм сбора, хранения, извлечения и обработки данных о работе
оборудования;
- алгоритм распределенного обучения модели прогнозирования работы
оборудования;
- алгоритм выявления отказов в условиях малого количества поломок;
- обобщенный алгоритм функционирования системы прогнозирования
отказов оборудования уборочной группы прокатного производства.
Практическая значимость результатов исследования заключается в
том, что реализация разработанных теоретических положений позволила:
- повысить точность прогнозирования отказов на 9,5 %;
- снизить количество внеплановых простоев до 15 %;
- разработать структурно-функциональную организацию системы
прогнозирования отказов оборудования уборочной группы прокатного
производства;
- разработать методику настройки алгоритмического обеспечения
системы прогнозирования для обработки больших объемов данных на
платформе Hadoop;
- повысить качество планирования ремонтов оборудования уборочной
группы прокатного производства.
Реализация результатов диссертационной работы. Разработанные
метод и алгоритмы прогнозирования отказов оборудования уборочной группы
прокатного производства прошли экспериментальную проверку в
листопрокатном цехе № 2 производства горячекатаного проката ПАО
«Северсталь».
Результаты исследования были успешно внедрены и используются в
Центре автоматизированных систем ПАО «Северсталь» (Центр
«Промсервис») при построении системы прогнозирования отказов
оборудования уборочной группы прокатного производства.
Предложенные метод и алгоритмы прогнозирования отказов
используются в учебном процессе на кафедре «Математическое и
программное обеспечение ЭВМ» Череповецкого государственного
университета в дисциплинах: «Моделирование программно-информационных
систем», «Методы и средства разработки информационного и программного
5
обеспечения», «Надежность информационных систем», по направлениям
подготовки 09.03.01 Информатика и вычислительная техника (уровень
бакалавриата), 09.03.02 Информационные системы и технологии (уровень
бакалавриата) и 09.04.04 Программная инженерия (уровень магистратуры).
Соответствие паспорту специальности. Проблематика, рассмотренная
в диссертации, соответствует пунктам 14 и 16 паспорта специальности
05.13.06 Автоматизация и управление технологическими процессами и
производствами (в металлургии) (п. 14. Теоретические основы, методы и
алгоритмы диагностирования (определения работоспособности, поиск
неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и др., п.16.
Теоретические основы, методы и алгоритмы построения экспертных и
диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.).
Апробация
результатов
работы.
Основные
результаты
диссертационной работы докладывались и получили положительную оценку
на научно-практических конференциях: Всероссийской научно-практической
конференции «Череповецкие научные чтения – 2016» (Череповец, 16-17
ноября 2016 г.), Всероссийской научно-практической конференции молодых
ученых в рамках Программы развития деятельности студенческих
объединений Череповецкого государственного университета «РАЙON IT»
«Молодежь и новые информационные технологии» (Череповец, 17-18 ноября
2016 г.), III Всероссийской научно-практической конференции «Современные
информационные технологии. Теория и практика» (Череповец, 30 ноября 2016
г.), XV Всероссийской научной конференции с международным участием
«Вузовская наука – региону» (Вологда, 28 февраля 2017 г.), XII
Международной научно-технической конференции «Автоматизация и
энергосбережение машиностроительного и металлургического производств,
технология и надежность машин, приборов и оборудования» (Вологда, 21
марта 2017 г.), XIII Международной конференции «Оптико-электронные
приборы и устройства в системах распознавания образов, обработки
изображений и символьной информации» (Курск, 16-19 мая 2017 г.).
Публикации. По теме диссертации опубликовано 10 печатных работ, в
том числе 3 статьи в ведущих рецензированных журналах и изданиях из
перечня ВАК Минобрнауки РФ, а также получено 2 свидетельства о
государственной регистрации программы для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из
введения, четырех разделов, заключения, списка литературы, включающего
102 наименования и 4 приложения. Объем диссертационной работы 141
страница. В тексте диссертации содержится 21 рисунок и 8 таблиц.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность, сформулированы цель и задачи
исследования, представлены положения, выносимые на защиту, их научная
новизна и практическая значимость работы.
6
В первом разделе по данным отечественной и зарубежной литературы
выполнен анализ методов, моделей и программных средств для решения задач
прогнозирования отказов промышленного оборудования прокатного
производства. Из анализа методов и программных средств прогнозирования
отказов оборудования был сделан вывод о том, что описанные методы и
программное обеспечение (ПО) не позволяют в полной мере решить задачу
прогнозирования отказов оборудования в условиях малого количества
поломок, больших объемов данных, изменяющихся режимов работы
оборудования и в случае множественных отказов.
Для определения конкретных моделей и методов, применение которых
возможно для прогнозирования отказов, было проанализировано
оборудование уборочной группы прокатного производства как объекта
прогнозирования.
Для оборудования уборочной группы прокатного производства был
проведен анализ статистики по отказам за несколько месяцев работы, было
отмечено, что большая часть внеплановых простоев вызвана выходом из строя
роликов отводящего рольганга (6 отказов за 4 месяца работы). В общей
сложности отводящий рольганг содержит 267 роликов и электродвигателей.
Установлено, что для отводящего рольганга уборочной группы обеспечено
хранение большого объема ретроспективных данных по крутящим моментам
приводных
электродвигателей,
в
общей
сложности
для
всех
электродвигателей за одну секунду времени фиксируется и сохраняется 26700
значений моментов.
Установлено, что электродвигатели роликов являются надежными в
плане отказоустойчивости, при этом наличие неисправности крепежей,
роликов и приводов оказывает влияние на показания крутящих моментов,
соответственно эти данные могут быть использованы для построения
прогнозных моделей. При построении модели необходимо учитывать данные
обо всех режимах работы отводящего рольганга, модель должна быть
способна выполнять анализ большого объема входной информации в режиме
реального времени.
На основе анализа оборудования уборочной группы прокатного
производства как объекта прогнозирования отказов был сделан вывод о
необходимости разработать систему прогнозирования отказов оборудования
уборочной группы в условиях малого количества поломок, больших объемов
данных и изменяющихся режимах работы оборудования.
На рис. 1 представлена обобщенная функциональная схема системы
прогнозирования отказов оборудования уборочной группы прокатного
производства.
На функциональной схеме показаны следующие блоки:
- Блок прогнозирования - использует прогнозные модели и данные,
полученные с оборудования уборочной группы прокатного производства для
прогнозирования отказов;
- Блок обработки данных - формирует входной набор данных, как для
обучения модели, так и данные для прогнозирования отказов;
7
- Блок запроса модели - реализует алгоритмы построения моделей по
данным блока обработки.
Все спрогнозированные отказы, модели и данные от датчиков должны
сохраняться в системе прогнозирования отказов оборудования уборочной
группы прокатного производства.
Рис. 1. Обобщенная функциональная схема системы прогнозирования
отказов оборудования уборочной группы прокатного производства
С учетом функционирования системы были разработаны требования к
математическому обеспечению
системы
прогнозирования отказов
оборудования уборочной группы прокатного производства:
1. Система прогнозирования должна работать в режиме реального времени
при больших объемах входных данных, получаемых от оборудования
уборочной группы.
2. Спрогнозированный отказ должен быть получен за оптимальное время
до его наступления для обеспечения возможности своевременно
отреагировать ремонтному подразделению на потенциальный отказ.
3. Обеспечение адаптивности системы, с возможностью расширения на
другие группы агрегатов, за счет настройки набора входных параметров.
Во втором разделе разработано математическое обеспечение системы
прогнозирования отказов оборудования уборочной группы прокатного
производства. Для системы требуется реализовать модель прогнозирования
временных рядов крутящих моментов приводных электродвигателей
уборочной группы прокатного производства и метод прогнозирования отказов
оборудования с использованием параметрической идентификации.
Для оборудования уборочной группы определено, что предиктивный
анализ будет проводиться с использованием прогноза временных рядов
8
Рис. 2. Структурная схема модели прогнозирования временных рядов
 =  − , 
 =  − , 
 = 1, 
крутящих моментов двигателей роликов отводящего рольганга уборочной
группы прокатного производства. Для построения модели прогнозирования
временных рядов крутящих моментов было предложено использование
стекинга алгоритмов машинного обучения Random Forest и ARIMA, т.к.
результаты тестирования показали высокую точность прогнозирования
значений моментов при различных режимах работы отводящего рольганга.
Структурная схема модели представлена на рис. 2.
9
Средняя ошибка, %
Для достижения необходимой точности прогнозирования (средняя
ошибка прогнозирования менее 1 %) проведена параметрическая настройка
алгоритма машинного обучения Random Forest, с помощью которой
установлено оптимальное значение параметра количества деревьев решений –
50, позволяющее получить требуемый результат. На рис. 3 приведен график,
показывающий результат тестирования.
Количество деревьев решений
Рис. 3. График зависимости средней ошибки модели прогнозирования
временных рядов от количества деревьев решений в модели
Конечная модель прогнозирования значения временного ряда крутящего
момента представляет собой уравнение вида:
(), для холостого хода
 ′ = () = {
,
(), для других режимов
где  – входная матрица фактических значений крутящих моментов,
′ - выходная матрица спрогнозированных значений крутящих моментов,
RA – модель прогнозирования крутящих моментов,
AR – модель ARIMA,
RF – модель построенная по алгоритму Random Forest.
10
Входные и выходные матрицы модели определяются по накопленному
временному ряду значений крутящих моментов:
1 −2−1
⋮
 =[
 −2−1
1 ′−
′ = [ ⋮
 ′−
⋯ 1 
⋱
⋮ ],
⋯  
⋯ 1 ′
⋱
⋮ ],
⋯  ′
(1)
где  – текущий момент времени;
W – временное окно, интервал времени, в течение которого собираются
данные по крутящим моментам;
N – количество электродвигателей.
⃗⃗ :
 формируется из входного вектора ⃗М
⃗⃗⃗ = [
⃗⃗⃗⃗⃗1 … ⃗⃗⃗⃗⃗⃗
М
 ],
⃗М
⃗⃗  = [ ( − ) …  ()],
где  () – значение крутящего момента в момент времени t;
⃗М
⃗⃗  – временной ряд c крутящими моментами для i-го двигателя.
Средняя абсолютная ошибка модели (MAE) и коэффициент дисперсии
при использовании только модели RF и моделей RF и AR вместе показана в
табл. 1.
Таблица 1
Результаты моделирования на основе сочетания алгоритмов машинного
обучения Random Forest и ARIMA
Модель
MAE

RF
0,23
0,995
RF+AR
0,20
0,997
На основе точной модели прогнозирования временных рядов крутящих
моментов
приводных
электродвигателей
был
разработан
метод
прогнозирования отказов оборудования уборочной группы прокатного
производства.
Метод прогнозирования состоит (рис. 4): в использовании
ретроспективных данных по крутящим моментам электродвигателей для
построения модели прогнозирования временных рядов; анализе фактических
 и расчетных значений моментов ′, полученных моделью  для
11
прогнозирования отказов оборудования по зафиксированным аномалиям в
работе электродвигателей; аномалия в работе i-го двигателя фиксируется,
когда доля отклонений фактических значений моментов относительно
расчетных на величину порога ℎ во временном окне  превышает
допустимое значение .
⃗⃗⃗
M
Рис. 4. Функциональная схема метода прогнозирования
Блок вычисления момента
Для вычисления моментов ′ (формула 1) разработан блок, содержащий
в себе новую модель прогнозирования временных рядов RA, позволяющую
рассчитать значения моментов в заданном окне по данным матрицы М.
Модель дает высокую точность прогнозирования при различных режимах
работы оборудования, не требует ретроспективных данных по отказам для
обучения и эффективно прогнозирует временные ряды при больших объемах
данных: 267 приводных электродвигателей, 267 значений крутящих моментов,
за 1 секунду времени модели требуется спрогнозировать 267 значений
моментов по 26700 ∙  фактическим значениям моментов.
Блок принятия решения
На основе фиксации аномального сигнала в работе электродвигателя в
течение определенного интервала времени принимается решение о
спрогнозированном отказе. Если будет зафиксировано превышение порога ℎ
разности прогнозируемого и фактического момента, для некоторых точек
свыше максимальной допустимой доли  относительно всех точек окна , в
таком случае производится информирование о том, что i-й ролик неисправен
 = 1:
1, если  > 
 ( , ′ , , ℎ , ) = {
,
0, если  ≤ 
1 
∑ (, ),
 =
 =1
 = | − ′ |,
12
1, если [][] ≥ ℎ
(, ) = {
,
0, если [][] < ℎ
где  = [1. . ],  = [ − . . ];
ℎ – допустимое отклонение фактического значения крутящего момента от
прогнозируемого для двигателя .
Блок параметрической идентификации
Для управления модели сформированы три типа параметров: , ℎ , .
Для получения прогноза об отказах для уборочной группы требуется, чтобы
эти параметры были идентифицированы. С их помощью можно управлять
моделью, а именно от данных параметров зависит количество ложных
срабатываний, количество выявленных аномалий, время обработки данных
моделью и желаемое время прогнозирования до потенциального отказа.
Определение параметров длины окна и допустимой доли превышений в
заданном окне было сведено к задаче поиска путем полного перебора.
При полном переборе параметров определяют наилучшее значение
параметров , ℎ ,  и требуемое время прогнозирования до отказа по формуле
2:

сверн. ∑
=1 ∏=1 {
1,  ( , ′ , , ℎ , ) = ′ ()
-
0,  ( , ′ , , ℎ , ) ≠ ′ ()
0,  ( , ′ , , ℎ , ) = ′ ()


сложн. ∑=1 ∏=1 {
→  ,
1,  ( , ′ , , ℎ , ) ≠ ′ ()
(2)
где ℎ =  ∙  , и каждый коэффициент  входит в диапазон значений
[0.1,100];
 – длина окна прогнозирования, диапазон значений [1, +∞), с;
 – максимальная доля точек в окне, превышающих порог ℎ – не считающийся
аномалией в работе (0,1);
 – признак аномалии j-го ролика;
′ () – наличие отказа j-го ролика из i-й тестовой выборки, ′ = 1, когда
тестовая выборка взята за 4-8 часов до зафиксированного отказа -го ролика;
D – количество исходных тестовых выборок;
сверн. - коэффициент при верном прогнозировании отказа(-ов);
сложн. - коэффициент при ложных срабатываниях.
После окончания полного перебора всех значений P, выбирается вариант
с максимальным результирующим значением формулы 2, при этом значения
параметров , ℎ ,  становятся целевыми для прогнозирования отказов.
В третьем разделе на основе разработанной модели и метода
прогнозирования отказов разработано алгоритмическое обеспечение,
необходимое для дальнейшей реализации системы прогнозирования отказов
13
оборудования уборочной группы: алгоритм сбора, хранения, извлечения и
обработки данных о работе оборудования; алгоритм распределенного
обучения модели прогнозирования работы оборудования; алгоритм выявления
отказов в условиях малого количества поломок и обобщенный алгоритм
функционирования системы прогнозирования отказов оборудования
уборочной группы прокатного производства, блок-схема которого
представлена на рис. 5.
Рис. 5. Блок-схема обобщенного алгоритма функционирования системы
прогнозирования отказов оборудования уборочной группы
Обобщенный алгоритм функционирования является центральным и
осуществляет последовательное использование других алгоритмов. Всего
выполняется 3 этапа: извлечение данных, обучение моделей с
параметрической идентификацией и анализ данных для прогнозирования
отказов оборудования уборочной группы прокатного производства.
На первом этапе проводится извлечение ретроспективных данных из БД
с последующей обработкой их в нужном формате. Полученные данные
сохраняются в распределенную файловую систему Hadoop (HDFS).
На втором этапе выполняется обучение модели прогнозирования
временных рядов крутящих моментов приводных электродвигателей. Далее
вычисляются оптимальные значения параметров окна, порогов и доли. После
успешного обучения итоговая модель и ее параметры сохраняются в HDFS.
Третий этап выполняется в режиме реального времени, всего
выполняется 2 итерации. В качестве входных параметров на первой итерации
14
используются фактические данные с контроллеров установки и модель
прогнозирования временных рядов. На данной итерации проводится
прогнозирование всех моментов в указанном окне прогнозирования по всем
фактическим моментам этого окна. На второй итерации вычисляется наличие
аномалии в работе на всех электродвигателях отводящего рольганга
уборочной группы прокатного производства, на основе сравнения
фактических и прогнозируемых данных. В случае длительной фиксации
аномалии, отправляется информация о спрогнозированном отказе в цеховую
БД.
Разработка алгоритмического обеспечения системы прогнозирования
позволила реализовать систему прогнозирования отказов оборудования
уборочной группы прокатного производства для ее дальнейшей
экспериментальной проверки в реальных промышленных условиях.
В четвертом разделе разработаны основные функциональные элементы
и блоки системы прогнозирования отказов отводящего рольганга уборочной
группы, предложена методика настройки алгоритмического обеспечения
системы прогнозирования для обработки больших объемов данных на
платформе Hadoop.
Экспериментальные исследования системы прогнозирования отказов
осуществлялись в реальных промышленных условиях с целью проверки
надежности и эффективности функционирования всех блоков системы,
состоящей из:
- программного обеспечения для получения и сохранения данных с
контроллеров агрегата;
- программного обеспечения прогнозирования отказов оборудования;
- программного обеспечения для вычислительного комплекса,
осуществляющее обучение и параметрическую идентификацию моделей
прогнозирования временных рядов;
- базы данных, где хранятся данные параметров модели и
ретроспективные данные с контроллеров.
На рис. 6 представлена структурно-функциональная организация
системы прогнозирования отказов оборудования уборочной группы
прокатного производства.
Для выполнения экспериментального исследования разработано ПО
«Модель прогнозирования отказов в условиях малого количества поломок»
(программа для ЭВМ №2017661580).
На первом этапе проводилась выгрузка исторических данных из БД и
преобразование в нужный формат данных для эффективного хранения в HDFS
по предложенной методике, обучение модели прогнозирования временных
рядов с получение  для каждого электродвигателя и параметрическая
идентификация.
Алгоритм
идентификации
определил
оптимальное
окно
прогнозирования в 200 секундах и допустимую долю превышения в окне – 0,9.
Для каждого электродвигателя модели коэффициент k варьировался от 0,5 до
15.
15
Рис. 6. Структурно-функциональная организация системы
прогнозирования отказов оборудования уборочной группы прокатного
производства
На втором этапе было проведено экспериментальное исследование
алгоритма, реализующего модель прогнозирования временных рядов
крутящих моментов приводных электродвигателей. На тестовых данных за 14
дней работы отводящего рольганга при различных режимах работы
оборудования средняя абсолютная ошибка модели прогнозирования составила
2,5 %. Результаты приведены на рис. 7-8. Рис. 7 показывает отклонение
спрогнозированного значения крутящего момента от фактического в
абсолютном значении |′ − | по времени .
Рис. 7. Отклонение прогнозных и фактических значений крутящих
моментов за первые 14 дней работы
16
′, %
На последнем этапе было проведено тестирование алгоритма
прогнозирования отказов на данных за 4 месяца работы оборудования.
Выборка содержала 126 зафиксированных неисправностей, из них 7 отказов,
которые привели к внеплановой остановке прокатного стана. В результате
тестирования выполнен прогноз 1 отказа и 14 неисправностей за 4 часа до их
реального наступления. По 6 отказам и 61 неисправности прогноз выполнен
менее чем за 4 часа. Остальные 44 неисправности были зафиксированы в
момент их наступления и 35 оповещений о них были отмечены как ложные.
, %
Рис. 8. Усредненный график зависимости между предсказанными ’ и
наблюдаемыми значениями М крутящих моментов для всех
электродвигателей ОР
Итоги тестирования системы представлены в табл. 2. Из всех
зафиксированных отказов:
9,3 % - прогноз за 4 часа,
41,7 % - прогноз менее чем за 4 часа,
27,3 % - зафиксированы в момент наступления отказа,
21,7 % - ложные.
Тестирование
подтвердило
надежность
разработанного
алгоритмического
обеспечения
системы
прогнозирования
отказов
оборудования отводящего рольганга уборочной группы прокатного
производства. Достигнутые процентные соотношения выявленных и ложных
срабатываний являются приемлемыми показателями для использования этих
данных в планировании ремонтов агрегата, сокращения количества
внеплановых простоев.
17
Таблица 2
Результаты тестирования разработанной системы прогнозирования
Время обнаружения
аномалии системой до
наступления отказа
8 часов
7 часов
6 часов
5 часов
4 часа
3 часа
2 часа
1 час
Во время отказа
Ложное срабатывание
Количество
выявленных отказов
Количество
обнаруженных
неисправностей
1
1
2
1
9
18
19
24
44
0
0
0
0
1
1
3
2
0
35
Результаты
экспериментального
исследования
системы
прогнозирования отказов оборудования в реальных промышленных условиях
показали увеличение точности прогнозирования отказов оборудования
отводящего рольганга уборочной группы прокатного производства на 9,5 % в
сравнении с общеизвестными системами прогнозирования отказов.
Заключение
содержит
перечень
основных
результатов
диссертационной работы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
В диссертационной работе в рамках решения поставленной научнотехнической задачи повышения точности прогнозирования отказов
оборудования уборочной группы прокатного производства были получены
следующие результаты:
1. Выполнен анализ проблемы прогнозирования отказов оборудования
уборочной группы прокатного производства.
2. Разработана модель прогнозирования временных рядов крутящих
моментов приводных электродвигателей отводящего рольганга уборочной
группы прокатного производства, использующая стекинг алгоритмов
машинного обучения Random Forest и ARIMA при изменяющихся режимах
работы оборудования.
3. Разработан метод прогнозирования отказов оборудования с
использованием параметрической идентификации в условиях малого числа
аномальных прецедентов для обучения, больших объемов данных и
изменяющихся режимах работы оборудования.
4. Разработано алгоритмическое обеспечение системы прогнозирования
отказов оборудования уборочной группы прокатного производства, в
составе: алгоритма сбора, хранения, извлечения и обработки данных о работе
18
оборудования; алгоритма распределенного обучения модели прогнозирования
работы оборудования; алгоритма выявления отказов в условиях малого
количества поломок; обобщенного алгоритма функционирования системы
прогнозирования отказов оборудования уборочной группы прокатного
производства.
5. Использование системы прогнозирования отказов оборудования
уборочной группы прокатного производства позволило увеличить точность
прогнозирования отказов оборудования уборочной группы прокатного
производства на 9,5 %.
ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
по перечню ВАК
1. Шаханов Н.И. Прогнозирование отказов оборудования в условиях
малого количества поломок / Н.И. Шаханов, В.М. Осколков, И.А.
Варфоломеев, О.В. Юдина // Вестник Череповецкого государственного
университета. №6 (75) – 2016. - С. 36-41.
2. Шаханов Н.И. Прогнозирование аномалий в работе натяжных устройств
агрегата полимерных покрытий металла в условиях малого количества
поломок / Н.И. Шаханов, И.А. Варфоломеев, Е.В. Ершов, О.В. Юдина //
Программные продукты и системы. 2018. - №. 1 (31). - С. 2012-2018.
3. Шаханов Н.И. Прогнозирование отказов роликов отводящего рольганга
при производстве горячекатаного проката / Н.И. Шаханов, И.А. Варфоломеев,
Е.В. Ершов, О.В. Юдина // Производство проката. - 2018. - №7, С. 9-14.
в других изданиях:
4. Шаханов Н.И. Прогнозирование отказов оборудования на основе
алгоритмов машинного обучения / Н.И. Шаханов, В.М. Осколков, И.А.
Варфоломеев, О.В. Юдина // Вопросы образования и науки. По материалам
международной научно-практической конференции, – Тамбов, 2016. – С. 315317.
5. Шаханов Н.И. Определение пороговых значений нормальной работы
для прогнозирования отказов оборудования / Н.И. Шаханов, О.В. Юдина //
ЧНЧ – 2016. Материалы Всероссийской научно-практической конференции. В
3 частях. – Череповец, 2017. – С. 216-218.
6. Шаханов Н.И. Универсализация к подходу сбора данных с ПЛК в БД
Oracle. / Н.И. Шаханов, И.А. Варфоломеев // Молодежь и новые
информационные
технологии
Всероссийская
научно-практическая
конференция молодых ученых в рамках Программы развития деятельности
студенческих объединений ЧГУ «РАЙON IT». – Череповец, 2016. – С. 146-150.
7. Осколков В.М. Применение параллельных вычислений для
прогнозирования на основе алгоритма машинного обучения Random Forest /
В.М. Осколков, Н.И. Шаханов, И.А. Варфоломеев, О.В. Юдина, Л.Н.
Виноградова, Е.В. Ершов // Оптико-электронные приборы и устройства в
системах распознавания образов, обработки изображений и символьной
19
информации. Распознавание – 2017 сборник материалов XIII Международной
научно-технологической конференции. – Курск, 2017. – С. 267-269.
8. Шаханов Н.И. Многопоточное приложение сбора технологической
информации с PLC на основе технологии OPC / Н.И. Шаханов, О.В. Юдина //
Современные информационные технологии. Теория и практика. Материалы
III Всероссийской научно-практической конференции. Под редакцией Т.О.
Петровой. – Череповец, 2017. – С. 121-125.
9. Осколков В.М. Использование метода машинного обучения для
повышения продуктивности на предприятии / В.М. Осколков, Н.И. Шаханов,
И.А. Варфоломеев, О.В. Юдина, Е.В. Ершов // Автоматизация и
энергосбережение машиностроительного и металлургических производств,
технология и надежность машин, приборов и оборудования. Материалы XII
Международной научно-технологической конференции. – Вологда, 2017. – С.
177-180.
10.
Шаханов Н.И. Универсальный подход сбора технологической
информации с контроллеров промышленных агрегатов / Н.И. Шаханов, В.М.
Осколков, И.А. Варфоломеев, О.В. Юдина, Л.Н. Виноградова, Е.В. Ершов //
Вузовская наука – региону Материалы XV Всероссийской научной
конференции с международным участием. – Вологда, 2017. – С. 113-115.
свидетельства о регистрации программы для ЭВМ:
11.
Свидетельство о регистрации программы для ЭВМ №2016616932
от 22.06.2016. Генератор программного кода моделей Random Forest / И.А.
Варфоломеев, В.М. Осколков, Н.И. Шаханов, Д.П. Осичев, Е.В. Ершов.
12.
Свидетельство о регистрации программы для ЭВМ №2017661580
от 22.05.2017. Модель прогнозирования отказов в условиях малого количества
поломок / Н.И. Шаханов, И.А. Варфоломеев, Е.В. Ершов, О.В. Юдина.
Отпечатано: ФГБОУ ВО «Череповецкий государственный
университет»
Полиграфический центр
162600, г. Череповец, ул. Горького, 14, каб. 107.
Тел.: (8292) 555-291
20
1/--страниц
Пожаловаться на содержимое документа