ПОБУДОВА РЕГРЕСІЙНОЇ МОДЕЛІ ІНТЕНСИВНОСТІ ВІДМОВ ЗА АГРЕГОВАНИМИ ДАНИМИ З ВИКОРИСТАННЯМ МЕТОДІВ ЯДЕРНОГО МАШИННОГО НАВЧАННЯ

Автор(и)

  • Олена Ахієзер Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0002-7087-9749
  • Галина Грінберг Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0002-0774-5414
  • Леонід Любчик Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0003-0237-8915
  • Клим Ямковий Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0001-9512-4150

DOI:

https://doi.org/10.20998/2079-0023.2022.02.08

Ключові слова:

надійність, факторний аналіз, рівень відмов, ядерні методи, машинне навчання, виробничі процеси, прогнозне технічне обслуговування, хребтова регресія, регресійна модель

Анотація

Розглянуто задачу побудови регресійної моделі інтенсивності відмов обладнання з використанням наборів даних, що містять інформацію про кількість відмов відновлюваних систем та вимірювання технологічних і експлуатаційних факторів, що впливають на надійність виробничої системи. Ця проблема є важливою для вибору оптимальної стратегії профілактичного ремонту та відновлення елементів технологічного обладнання, що, у свою чергу, суттєво впливає на ефективність системи управління виробництвом. З практичної точки зору найбільший інтерес представляє розробка методів побудови регресійних моделей для оцінки впливу на інтенсивність відмов різноманітних технологічних та експлуатаційних факторів, контрольованих під час роботи системи. Звичайний підхід до побудови регресійних моделей передбачає попередній вибір структури моделі у формі параметризованого функціонального зв’язку між інтенсивністю відмов і технологічними змінними з наступною статистичною оцінкою невідомих параметрів моделі або навчанням моделі на наборах даних виміряних коваріат і відмов. Основна проблема полягає саме у виборі структури моделі, складність якої повинна відповідати кількості даних, доступних для навчання моделі, що в задачі моделювання інтенсивності відмов значно ускладнюється відсутністю апріорної інформації про її залежність від впливаючих змінних. У даній роботі така задача вирішується за допомогою методів машинного навчання, а саме ядерної гребневої регресії, що дає змогу ефективно апроксимувати складні нелінійні залежності інтенсивності відмов обладнання від технологічних факторів, при цьому немає необхідності попереднього вибору структури моделі. Попереднє агрегування даних шляхом поєднання факторного та кластерного аналізу може значно спростити структуру моделі. Пропонована методика проілюстрована розв’язанням практичної задачі побудови моделі інтенсивності відмов обладнання для виробництва напівпровідників на основі реальних даних.

Біографії авторів

Олена Ахієзер, Національний технічний університет «Харківський політехнічний інститут»

кандидат технічних наук, доцент, Національний технічний університет «Харківський політехнічний інститут», завідувачка кафедри комп’ютерної математики і аналізу даних; м. Харків, Україна

Галина Грінберг, Національний технічний університет «Харківський політехнічний інститут»

кандидат технічних наук, доцент, Національний технічний університет «Харківський політехнічний інститут», доцент кафедри маркетингу; м. Харків, Україна

Леонід Любчик, Національний технічний університет «Харківський політехнічний інститут»

доктор технічних наук, професор, Національний технічний університет «Харківський політехнічний інститут», професор кафедри комп’ютерної математики і аналізу даних; м. Харків, Україна

Клим Ямковий, Національний технічний університет «Харківський політехнічний інститут»

Національний технічний університет «Харківський політехнічний інститут», асистент кафедри комп’ьютернї математики і аналізу даних; м. Харків, Україна

Посилання

Boardman N., Hu W., Mishra R. Optimal Maintenance Design for a Simple Reparable System. Proceedings of the 58th IEEE Conference on Decision and Control. 2019, pp. 3098–3103.

Wang J., Yin H. Failure Rate Prediction Model of Substation Equipment Based on Weibull Distribution and Time Series Analysis. IEEE Access. 2019, vol. 7, pp. 298–309.

Jones H. A Method and Model to Predict Initial Failure Rates. Annual Reliability and Maintainability Symposium. 2020, pp. 1–6.

Yastrebeneckij M. A., Solyanik B.A. Opredelenie nadezhnosti apparatury promyshlennoj avtomatiki v usloviyah ekspluatacii [Determination of the reliability of industrial automation equipment in operating conditions]. Moscow, Energiya, 1968. 128 p.

Jürgensen J. Individual Failure Rate Modelling and Exploratory Failure Data Analysis for Power System Components. Doctoral Thesis. Stockholm, KTH, 2018. 79 p.

Jürgensen J., Nordström L., Hilber P. Estimation of Individual Failure Rates for Power System Components Based on Risk Functions. IEEE Trans. on Power Delivery. 2019, vol. 34, no. 4, pp. 1599–1607.

Susto G., Schirru A., Pampuri S., McLoone S., Beghi A. Machine Learning for Predictive Maintenance. IEEE Transactions Industrial Information. 2015, vol. 11, pp. 812–820.

Scholkopf B., Smola A. Learning with Kernels. Cambridge, MA, MIT Press. 2002. 640 p.

Guo X., Uehara K. Graph-based Semi-Supervised Regression and Its Extensions. International Journal of Advanced Computer Science and Applications. 2015, vol. 6, no. 6, pp. 260–269.

Pozdnoukhov A., Bengio S. Semi-supervised kernel methods for regression estimation. Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing. 2006, pp. 577–580.

Sindhwani V., Niyogi P., Belkin M. Beyond the Point Cloud: from Transductive to Semi-supervised Learning. Proc. of the 22nd international conference on Machine learning. 2005, pp. 824–831.

McCann M., Johnston A. SECOM Data Set 2008. Available at: https://archive.ics.uci.edu/ml/datasets/secom (accessed 20.08.2021).

##submission.downloads##

Опубліковано

2023-01-13

Як цитувати

Ахієзер, О., Грінберг, Г., Любчик, Л., & Ямковий, К. (2023). ПОБУДОВА РЕГРЕСІЙНОЇ МОДЕЛІ ІНТЕНСИВНОСТІ ВІДМОВ ЗА АГРЕГОВАНИМИ ДАНИМИ З ВИКОРИСТАННЯМ МЕТОДІВ ЯДЕРНОГО МАШИННОГО НАВЧАННЯ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (2 (8), 51–56. https://doi.org/10.20998/2079-0023.2022.02.08

Номер

Розділ

УПРАВЛІННЯ В ТЕХНІЧНИХ СИСТЕМАХ