Интеллектуализация процесса прогнозирования отказов оборудования на высоконадежных автономных объектах управления при помощи многомерного вариационного модального разложения с использованием нейронных сетей

На оборудование высоконадежных автономных объектов управления, характеризуемое сложной и изменчивой рабочей средой, а также длительным временем непрерывной работы, в процессе эксплуатации влияют естественные факторы, в результате чего последовательность отказов колеблется, но в то же время имеет определенную периодичность. Прогнозирование отказов оборудования, имеет большое значение для рационального распределения ресурсов и составления планов по техническому обслуживанию. Для решения этой проблематики в данной статье исследуется модель прогнозирования, основанная на сочетании многомерного вариационного модального разложения с искусственными нейронными сетями, целью которой является повышение точности и достоверности прогнозирования, а также более точное отражение взаимосвязи между частотой отказов и множеством влияющих факторов.

1. Карпухин Д.Н. Структура системы управления внутренним электроснабжением автономного объекта энергообеспечения / Д.Н. Карпухин, В.Л. Бурковский // Завалишинские чтения 23: сборник докладов XVIII международной конференции по электромеханике и робототехнике. – Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2023. – С. 221–225.

2. Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. / C. Хайкин. – Москва: Издательский дом «Вильямс», 2006. – 1104 с.

3. Холево А.С. Вероятностные и статистические аспекты квантовой теории: учебное пособие / А.С. Холево. – Москва: МЦНМО, 2020. – 364 c.

4. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – Москва: ДМК Пресс, 2015. – 400 с.

5. Большаков А.А. Методы обработки многомерных данных и временных рядов: учебное пособие / А.А. Большаков, Р.Н. Каримов. – Москва: Горячая линия-Телеком, 2007. – 522 с.

6. Хофер Э. Численные методы оптимизации / Э. Хофер, P. Лундерштедт; пер. с нем. Т.А. Летовой; под ред. В.В. Семенова. – Москва: Машиностроение, 1981. – 192 с.

7. Шалев-Шварц Ш. Идеи машинного обучения: учебное пособие / Ш. Шалев-Шварц, Ш. Бен-Давид; пер. с англ. А.А. Слинкина. – Москва: ДМК Пресс, 2019. – 436 с.