В Самаре научили нейросеть предсказывать поломки
Учёные Самарского национального исследовательского университета разработали интеллектуальный диагностический комплекс, способный предсказывать технические сбои, неполадки и отказы в работе сложных технических систем, предупреждая о них заранее.
По замыслу разработчиков, в перспективе подобные решения могут использоваться для повышения безопасности авиационных перевозок, но уже сейчас полученные характеристики позволяют применять их в промышленности, в беспилотных летательных аппаратах и автомобилях. Самарский национальный исследовательский университет сделал прототип устройства для диагностики технологического оборудования на производстве, который способен повысить надежность и безопасность действующих технологических линий, уменьшить вероятность простоев на промышленных предприятиях, предотвращая внезапные отказы оборудования.
Разработана концепция комплекса предсказательной диагностики технологического оборудования с её реализацией на практике: создан прототип комплекса и его аппаратные модули, сформирована база данных по типовым отказам и неполадкам. В разработке используется технология глубокого машинного обучения, которая помогает системе самообучаться и, диагностируя состояние техники, сообщает человеку, какой элемент той или иной системы находится в предотказном состоянии и может вскоре выйти из строя.
Уникальность изобретённого учёными метода диагностики заключается в программном сопоставлении так называемых «динамических портретов» узлов и систем: реальное, актуальное состояние оборудования, данные о котором собираются с помощью набора датчиков, в процессе работы постоянно сравнивается с идеальным состоянием техники, закреплённым в базе данных программы. Комплекс выявляет отклонения от этого «идеального портрета» — например, это могут быть изменения в показателях давления в маслосистеме, разница в уровнях температуры или расходе топлива, причем показатели фиксируются на каждом участке узла или системы, после чего программа принимает решение о вероятности возникновения неполадки.
Чтобы обучить нейросеть, учёные создали имитационные модели на базе немецкого программного пакета StimulationX, затем комплекс прошёл дополнительное обучение в ходе экспериментов на стенде. В качестве пробного объекта диагностики использовалась собранная на стенде гидравлическая система вертолетов семейства «Ми». Стенд имитировал утечку рабочей жидкости и газа гидравлической системы, изменения в частоте вращения насоса, повышение температуры и давления, а также различные действия пилота вертолёта.
Результаты показали, что нейросетевая система в ходе диагностирования может в буквальном смысле эволюционировать, постепенно обучаясь и набираясь опыта на практике, словно человек. Точность обнаружения неисправностей по результатам экспериментов достигла 98%. Учёным удалось сделать комплекс предсказательной диагностики достаточно компактным, дешёвым и энергоэффективным — аппаратная платформа комплекса (без датчиков) выполнена на базе мобильного нейропроцессора стоимостью порядка 9000 рублей. Плата с процессором сравнима по размерам с обычным смартфоном.
По замыслу разработчиков, в перспективе подобные решения могут использоваться для повышения безопасности авиационных перевозок, но уже сейчас полученные характеристики позволяют применять их в промышленности, в беспилотных летательных аппаратах и автомобилях. Самарский национальный исследовательский университет сделал прототип устройства для диагностики технологического оборудования на производстве, который способен повысить надежность и безопасность действующих технологических линий, уменьшить вероятность простоев на промышленных предприятиях, предотвращая внезапные отказы оборудования.
Разработана концепция комплекса предсказательной диагностики технологического оборудования с её реализацией на практике: создан прототип комплекса и его аппаратные модули, сформирована база данных по типовым отказам и неполадкам. В разработке используется технология глубокого машинного обучения, которая помогает системе самообучаться и, диагностируя состояние техники, сообщает человеку, какой элемент той или иной системы находится в предотказном состоянии и может вскоре выйти из строя.
Уникальность изобретённого учёными метода диагностики заключается в программном сопоставлении так называемых «динамических портретов» узлов и систем: реальное, актуальное состояние оборудования, данные о котором собираются с помощью набора датчиков, в процессе работы постоянно сравнивается с идеальным состоянием техники, закреплённым в базе данных программы. Комплекс выявляет отклонения от этого «идеального портрета» — например, это могут быть изменения в показателях давления в маслосистеме, разница в уровнях температуры или расходе топлива, причем показатели фиксируются на каждом участке узла или системы, после чего программа принимает решение о вероятности возникновения неполадки.
Чтобы обучить нейросеть, учёные создали имитационные модели на базе немецкого программного пакета StimulationX, затем комплекс прошёл дополнительное обучение в ходе экспериментов на стенде. В качестве пробного объекта диагностики использовалась собранная на стенде гидравлическая система вертолетов семейства «Ми». Стенд имитировал утечку рабочей жидкости и газа гидравлической системы, изменения в частоте вращения насоса, повышение температуры и давления, а также различные действия пилота вертолёта.
Результаты показали, что нейросетевая система в ходе диагностирования может в буквальном смысле эволюционировать, постепенно обучаясь и набираясь опыта на практике, словно человек. Точность обнаружения неисправностей по результатам экспериментов достигла 98%. Учёным удалось сделать комплекс предсказательной диагностики достаточно компактным, дешёвым и энергоэффективным — аппаратная платформа комплекса (без датчиков) выполнена на базе мобильного нейропроцессора стоимостью порядка 9000 рублей. Плата с процессором сравнима по размерам с обычным смартфоном.
Ещё новости по теме:
18:20