ІНТЕЛЕКТУАЛЬНА СИСТЕМА УПРАВЛІННЯ КОМПЛЕКСОМ ОБЛАДНАННЯ З ПРОГНОЗУВАННЯМ ВІДМОВ
DOI:
https://doi.org/10.32782/3041-2080/2025-4-32Ключові слова:
прогнозування відмов, інтелектуальні системи, технічна діагностика, керування машинами, оптимізація, технічне обслуговування, математичне моделюванняАнотація
У статті розглянуто методологічні та прикладні аспекти розроблення інтелектуальної системи управління технічним обладнанням із функцією прогнозування відмов. Актуальність роботи зумовлена необхідністю забезпечення високої надійності, безперервності та економічної ефективності функціонування сучасних агрегатованих технологічних комплексів в умовах промислової цифровізації. Поставлено завдання переходу від традиційного обслуговування за регламентом до адаптивного превентивного управління технічним станом на основі аналізу реальних експлуатаційних параметрів. У межах дослідження запропоновано архітектурне рішення системи, що включає модулі збору даних, попередньої обробки сигналів, аналітики, прогнозування та прийняття рішень. Для реалізації прогнозної функції застосовано модель штучної нейронної мережі типу LSTM, навченої на часових рядах вібраційних та температурних характеристик. Математична модель технічного стану описується функцією деградації σ(t), що відображає поточний рівень зношення обладнання, а прогноз залишкового ресурсу (RUL) визначається як оцінка часу до досягнення критичного стану. Для поліпшення точності результатів використано об’єднання спектрального аналізу (STFT) та багатовимірного нормалізованого ознакового простору. Експериментальну перевірку системи проведено на лабораторному стенді з моделлю механічного приводу. Отримано підтвердження високої точності прогнозування (до 91,3 %) та практичної ефективності алгоритмів у режимі реального часу. Показано, що впровадження інтелектуального управління дає змогу зменшити кількість незапланованих простоїв на понад 25 %, оптимізувати графіки технічного обслуговування, інтегрувати обробку даних у SCADA/MES-системи підприємства. Результати дослідження доводять доцільність упровадження інтелектуального моніторингу для критично важливого обладнання, а також створюють передумови для формування цифрових двійників і мультиагентних систем управління в рамках концепції Індустрії 4.0.
Посилання
Бєлих А. В., Клочан С. М. Інтелектуальні системи керування: методи та алгоритми. Київ : Техніка, 2021. 356 с.
Hwang Y. R., Jen K. K., Shen Y. T. Application of cepstrum and neural network to bearing fault detectionю J. Mech. Sci. Technol. 2009. Vol. 23. P. 2730–2737. DOI:10.1007/s12206‑009‑0802‑9
Li C., Chen J., Yang C., Yang J., Liu Z., Davari P. Convolutional neural network‑based transformer fault diagnosis using vibration signals. Sensors. 2023. Vol. 23, No. 10. Article 4781.
Ding X., He D. Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals. Artif. Intell. Rev. 2022. Vol. 59. P. 331–346.
Wang L. H., Xie Y. Y., Zhang Y. H. Motor fault diagnosis based on short‑time Fourier transform and convolutional neural network. Chin. J. Mech. Eng. 2017. Vol. 30. P. 1357–1368.
Zio E., Di Maio F. A data-driven fuzzy approach for predicting the remaining useful life in dynamic failure scenarios of a nuclear power plant. Reliab. Eng. Syst. Safety. 2010. Vol. 95, No. 1. P. 49–57.
Морозов А. В., Поліщук Н. П. Використання методів машинного навчання для адаптивного керування промисловими механізмами. Вісник Київського національного університету технологій та дизайну. 2021. № 6. С. 89–97.
Гончаров В.І. Інтелектуальні транспортні системи: концепції та перспективи розвитку. Вісник НТУ «ХПІ». Серія «Автоматизація та приладобудування». 2020. № 2(1365). С. 35–42.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
