ИССЛЕДОВАНИЕ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПРЕДИКТИВНОГО АНАЛИЗА СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ

INVESTIGATION OF NEURAL NETWORKS IN PREDICTIVE MAINTENANCE OF INDUSTRIAL EQUIPMENT

Alexey Kolpaschikov

master's student, Department of Technical Cybernetics, Samara National Research University named after Academician S.P. Korolev,

Russia, Samara

АННОТАЦИЯ

В работе представлено исследование гибридной нейронной сети для прогнозирования остаточного ресурса турбореактивного двигателя (RUL) на основе данных C-MAPSS NASA. Рассмотрены методы предобработки данных, включая нормализацию и кусочно-линейное преобразование RUL. Показано, что комбинация сверточных (CNN), рекуррентных (LSTM) и полносвязных слоев обеспечивает высокую точность прогнозирования (MSE = 141,915).

ABSTRACT

This paper presents a study of a hybrid neural network for predicting the remaining useful life (RUL) of turbofan engines using NASA's C-MAPSS dataset. The research examines data preprocessing methods, including normalization and piecewise linear transformation of RUL values. The study demonstrates that a combination of convolutional (CNN), recurrent (LSTM), and fully connected layers achieves high prediction accuracy (MSE = 141.915).

Ключевые слова: предиктивная аналитика, остаточный ресурс, нейронные сети, LSTM, CNN, турбореактивный двигатель.

Keywords:  predictive analytics, remaining useful life, neural networks, LSTM, CNN, turbofan engine.

Современные авиационные системы требуют эффективных методов прогнозирования отказов оборудования. Предиктивное обслуживание (PdM) на основе анализа данных позволяет минимизировать простои и снизить затраты на ремонт [1]. Одной из ключевых задач является прогнозирование остаточного ресурса (RUL) турбореактивных двигателей, что особенно актуально для обеспечения безопасности полетов.

Целью данной работы является разработка и исследование гибридной нейронной сети для повышения точности прогнозирования RUL на основе датасета C-MAPSS NASA [2].

Использован поднабор FD001, содержащий данные о 100 запусках двигателей с показаниями 21 датчика. Данные включают временные ряды до момента отказа оборудования. Для решения поставленной задачи необходимо произвести исследования влияния предобработки исходных данных и подбор архитектуры и гиперпараметров для нейронной сети. Для решения задачи предобработки данных использовалась простейшая нейронная сеть, состоящая из трех слоев Dense с количеством нейронов равным 64.

Для предобработки данных одним из ключевых методов решения задачи приведения данных к более понятному для нейронной сети виду является их нормализация, а также удаление признаков с нулевой дисперсией. Поэтому были исключены признаки, которые не меняются на протяжении работы двигателя, после исключения неизменяемых параметров осталось 14 значимых признаков. При исследовании влияния нормализации данных на метрики были выбраны для тестирования такие функции как: StandardScaler () и MinMaxScaler () с диапазоном (0,1) и (-1,1) из библиотеки Sklearn.preprocessing. В таблице 1 представлены результаты метрики MSE для разных способов нормализации значений.

Таблица 1.

Значение метрики MSE для разных способов нормализации значений

Наилучшего показателя MSE удалось достичь при помощи MinMaxScaler (0, 1). Так же использовалась кусочно-заданная функция насыщения для значения RUL при обучении, для значения RUL большего определённого значения использовалось пограничное значение больше которого рассматривать RUL не выгодно, если значение RUL меньше, то использовалось исходное значение RUL. Каждое значение метрики MSE в последующих таблицах, получено в результате среднего значения после десяти запусков. Для набора данных CMAPSS в данной работе использовалась нормализация, а также преобразование RUL.  В таблице 2 предоставлены результаты исследования влияния использования кусочно-заданной функции на результаты обучения и тестирования нейронной сети.

Таблица 2.

Значение метрики MSE при использовании кусочно-заданной функции и ее неиспользовании

Так же были произведены тесты с пограничным значением, после которого в кусочно-заданной функции, будет устанавливаться одно значение. Результаты данного исследования приведены в таблице 3.

Таблица 3.

Значение метрики MSE от пограничного значения RUL

На основе проведённых опытов наилучшим пограничным значением оказалось 150.

Далее были проанализированы разные архитектуры нейронных сетей и наборы гиперпараметров для них. Разработанная гибридная модель сочетает три ключевых типа нейронных слоев, каждый из которых выполняет специфические функции в процессе обработки данных. Сверточные слои (CNN) предназначены для автоматического выделения пространственных признаков из временных рядов данных датчиков [3]. Рекуррентные слои (LSTM) обеспечивают анализ временных зависимостей в данных, сохраняя информацию о предыдущих состояниях системы [4]. Использование двух последовательных LSTM-слоев позволяет модели выявлять как краткосрочные, так и долгосрочные зависимости в динамике изменения параметров двигателя. Для обучения модели использовался оптимизатор Adam с learning rate = 0.0001. В качестве функции потерь выбрана MSE (Mean Squared Error), что типично для задач регрессии. Обучение проводилось в течение 100 эпох с batch size = 32.

После анализа и предобработки данных были произведены испытания для разных архитектур. Экспериментальная оценка эффективности модели проводилась на тестовом наборе данных FD001 из датасета C-MAPSS. Данные о значениях наилучших метрик MSE для разных моделей нейронных сетей представлены в таблице 4.

Таблица 4.

Значение метрики MSE для разных моделей нейронных сетей

Наилучшей архитектурой оказалась гибридная модель из Dense, LSTM и CNN слоев. Для наилучшей модели с набором нейронов на скрытых слоях [128, 256, 256, 256, 256, 128, 64], где [1 слой свёртки, 2 слой свёртки, 3 слой свёртки, 1 слой LSTM, 2 слой LSTM, 1 Dense слой, 2 Dense слой] график отличия реальных значений от предсказанных нейронной сетью представлены на рисунке 1.

Рисунок 1. График, сопоставляющий реальные значения RUL с полученными в результате предсказаний модели

В ходе проделанной работы был проанализирован набор данных C-MAPSS от NASA, разные подходы к предобработке данных и разные архитектуры нейронных сетей. Была создана модель нейронной сети, состоящая из комбинации сверточных, рекуррентных и полносвязных слоев. Данная нейронная сеть показала хороший результат при прогнозировании RUL для выбранного набора данных, среднеквадратическая ошибка MSE составила 141,915.

Список литературы:

1. Ерохин Е.А. Особенности организации служб технического обслуживания оборудования на предприятиях // Экономинфо. 2009. № 12. С. 11-13.
2. C-MAPSS Dataset [Электронный ресурс]. URL: https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/ (дата обращения: 15.05.2023).
3. Романов А.А. Сверточные нейронные сети // 21-я Международная научно-практическая конференция «Научные исследования: ключевые проблемы III тысячелетия». Москва, Россия, 2018. С. 5.
4. Бендерская Е.Н., Никитин К.В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению // Информатика, телекоммуникации и управление. 2013. № 4. С. 29-40.