ПОБУДОВА РЕГРЕСІЙНОЇ МОДЕЛІ ІНТЕНСИВНОСТІ ВІДМОВ ЗА АГРЕГОВАНИМИ ДАНИМИ З ВИКОРИСТАННЯМ МЕТОДІВ ЯДЕРНОГО МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.20998/2079-0023.2022.02.08Ключові слова:
надійність, факторний аналіз, рівень відмов, ядерні методи, машинне навчання, виробничі процеси, прогнозне технічне обслуговування, хребтова регресія, регресійна модельАнотація
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.
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
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).