ПРИКАСПИЙСКИЙ ЖУРНАЛ

УПРАВЛЕНИЕ И ВЫСОКИЕ ТЕХНОЛОГИИ

МЕТОД ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА НА ОСНОВЕ ОБРАБОТКИ ДАННЫХ МНОГООБЪЕКТНЫХ СЛОЖНЫХ СИСТЕМ

Читать Сай Ван Квонг, Щербаков Максим Владимирович МЕТОД ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА НА ОСНОВЕ ОБРАБОТКИ ДАННЫХ МНОГООБЪЕКТНЫХ СЛОЖНЫХ СИСТЕМ // Прикаспийский журнал:  управление и высокие технологии. — 2019. — №1. — Стр. 33-44.

Сай Ван Квонг - аспирант, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. Ленина, 28, svcuonghvktqs@gmail.com

Щербаков Максим Владимирович - доктор технических наук, профессор, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. Ленина, 28, maxim.shcherbakov@vstu.ru

Поддержка функционирования оборудования на этапе эксплуатации с минимальными затратами является актуальной задачей для различных производств. Классические подходы к техническому обслуживанию (корректи-рующее и профилактическое обслуживание) в значительной мере теряют свою эффективность в современных условиях. Это обусловлено возрастающей сложностью многообъектных целевых технических систем и запаздыва-нием развития систем диагностики и методик технического обслуживания и ремонта. В статье описывается метод проактивного обслуживания оборудования на основе прогнозирования его остаточного ресурса (Remaining Useful Life (RUL)). Основной целью данного исследования является разработка метода прогнозирования RUL, направ-ленного на минимизацию эксплуатационных расходов при обслуживании оборудования. Основные научные ре-зультаты статьи следующие. 1. Новая архитектура системы прогностического обслуживания, функционирующая в режиме реального времени. 2. Результаты исследования эффективности применения различных подходов (как глубоких нейронных сетей, так и типовых алгоритмов машинного обучения) при прогнозировании RUL. 3. Новая гибридная модель CNN-LSTM, построенная на основе объединения сверточных нейронных сетей (CNN) и сетей долгой краткосрочной памяти (LSTM), превосходящая аналоги при решении задачи прогнозирования RUL на данных Turbofan Engine Degradation Simulation Data Set от NASA

Ключевые слова: интернет вещей, прогностическое обслуживание, остаточный ресурс (RUL), машинное обучение, глубокое обучение, CNN, LSTM, XGBoost, SVM, Random Forest, internet of thing, predictive maintenance, remaining useful life, machine learning, deep learning, CNN, LS