Прогнозирование технического состояния оборудования методами машинного обучения по данным телеметрии

1.

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
Прогнозирование технического состояния оборудования методами
машинного
обучения по данным телеметрии
Лотфуллин Ильфат Ильясович
студент группы 11-008
Научный руководитель
Мухамеджанов Амир Исмаилович
к.т.н, старший преподаватель

2.

Проблема
Текущие методы контроля и обслуживания оборудования ориентированы на
ручной анализ и проверку состояния, что может приводить к ошибкам,
неэффективности, потере времени и потенциальным финансовым убыткам для
предприятий. Прогнозирование тех. состояния оборудования методами
машинного обучения поможет отслеживать неисправности оборудования на
ранних этапах, тем самым предотвратить возможные последствия.
Лотфуллин И.И.
Прогнозирование технического состояния автомобиля по звуку работы двигателя
2/8

3.

Анализ отказов оборудования

4.

Актуальность
- Увеличение объема данных телеметрии, собираемых с оборудования.
- Необходимость в оперативном прогнозировании возможных
неисправностей и сбоев в работе оборудования.
- Потребность в повышении эффективности и надежности работы
оборудования.
- Возможность сокращения времени и ресурсов, затрачиваемых на ручной
анализ и проверку состояния оборудования.
Фамилия И.О.
Тема выпускной квалификационной работы
4/8

5.

Альтернативные решения проблемы
Экспертная система
1
2
3
4
+
+
+
-
1 – Отсутствие погрешности
прогноза
Статистический
анализ
-
+
-
-
Ручное
прогнозирование
-
-
-
-
Сенсорные сети
+
2 – Вычислительные
ресурсы
3 – Наличие моментального
+
-
+
прогнозирования
4 – Отсутствие
отказоустойчивости
Фамилия И.О.
Тема выпускной квалификационной работы
3/8

6.

Экспертные системы
Вместо машинного обучения, можно создать экспертную систему, основанную на
правилах, разработанных опытными специалистами.
Плюсы: возможность учесть знания экспертов, принятие решений на основе
логических правил.
Минусы: система может быть ограничена знаниями экспертов и не учитывать
сложные взаимосвязи в данных, требуется постоянное обновление правил.

7.

Ручное прогнозирование
Можно прогнозировать техническое состояние оборудования с помощью опыта и
экспертного мнения
Плюсы: возможность учесть важные факторы, которые не учтены в данных; не
требуется больших вычислительных ресурсов.
Минусы: метод не структурирован, требует большого опыта и знаний эксперта,
времязатратный.

8.

Сенсорные сети
Вместо использования телеметрии, можно использовать сети сенсоров для
непосредственного мониторинга состояния оборудования.
Плюсы: получение данных в режиме реального времени, высокая точность
измерений, мгновенная реакция на изменения состояния.
Минусы: дорогостоящая установка и обслуживание сети сенсоров, сложность
обработки большого объема сгенерированных данных.

9.

Методы статистического анализа
Вместо использования алгоритмов машинного обучения, можно применить
статистические методы анализа данных, такие как регрессионный анализ или
методы временных рядов.
Плюсы: относительно прост в реализации, не требует большого объема данных.
Минусы: менее точный прогноз по сравнению с методами машинного обучения, не
учитывает сложные взаимосвязи между данными.

10.

Цель и задачи
• Цель работы – разработка и обучение модели для прогнозирования
технического состояния оборудования на основе методов машинного обучения
и данных телеметрии.
Задачи:
• Обработка и анализ данных
• Выбор и обучение моделей машинного обучения
• Разработка алгоритма для прогнозирования возможных неисправностей и
сбоев в работе оборудования
• Оптимизировать модель с целью увеличения скорости обработки данных.
• Провести тестирование модели и внести необходимые доработки.
Фамилия И.О.
Тема выпускной квалификационной работы
4/8

11.

Предмет, объект
Объект - прогноз технического состояния оборудования методами машинного
обучения по данным телеметрии
Предмет - процесс прогнозирования технического состояния оборудования с
использованием методов машинного обучения на основе телеметрических данных.

12.

Заключение
В ходе выполнения выпускной квалификационной работы была достигнута цель и
разработано программное средство для прогнозирования технического состояния
оборудования методами машинного обучения на основе телеметрических данных.
Основные выполненные задачи:
- Разработана модель, способная адаптироваться под различные типы данных
телеметрии и учитывать специфические потребности каждого оборудования.
- Произведена оптимизация модели с целью повышения точности прогнозирования
и ускорения обработки данных.
- Проведено тестирование модели на реальных данных с последующими
корректировками и улучшениями.
Программный код решения, разработанного в результате выполнения ВКР,
опубликован в
репозитории GitLab: http://gititis.kpfu.ru/abvgd/