No abstract

Advancements in energy technologies created a new application for gas turbine generators, which are used to balance load. This usage also brought new challenges for maintenance because of harsh operating conditions that make turbines more susceptible to random failures. At the same time, reliability requirements for energy equipment are high. Reliability-centered maintenance based on forecasting the remaining useful life (RUL) of energy equipment, offers improvements to maintenance scheduling. It requires accurate forecasting methods to be effective. Defining stages in energy equipment operation allows for the improvement of quality of data used for training. At least two stages can be defined: normal operation and degradation process. A new method named Head move—Head move is proposed to robustly identify the degradation process by detecting its starting point. The method is based on two partially overlapping sliding windows moving from the start of operation to the end of life of the energy equipment and Kruskal-Wallis test to compare data within these windows. Using this data separation, a convolutional neural network-based forecasting model is applied for RUL prediction. The results demonstrate that the proposed degradation process identification (DPI) method doubles the accuracy when compared to the same forecasting model but without degradation process identification.

(Волгоградский государственный технический университет, просп. Ленина, 28, г. Волгоград, 400005, Россия) В статье описан разработанный фреймворк для автоматизации исследований в области проектирования математи-ческого и ПО проактивных систем поддержки принятия решений. В частности, рассматривается проблема анализа и прогнозирования временных рядов для формирования компонент автоматизации прогнозирования различных процес-сов.На практике для прототипирования компонент используются различные библиотеки анализа данных (на языках R, Python). Основная проблема -отсутствие или недостатки реализации методики анализа, то есть последовательности действий при анализе. Кроме этого, следует выделить ряд сдерживающих факторов, влияющих на эффективность про-ектирования компонент анализа и прогнозирования: рутинные операции при ручном анализе временных рядов, отни-мающие много времени разработчика; недостаточная квалификация разработчика как сдерживающий фактор реали-зации компонент проактивных систем; зачастую необходимость анализа большого числа однотипных данных.Предлагаемое программное решение, представляющее собой ПО на языке Python, позволяет автоматизировать процесс анализа временных рядов и формировать отчет в формате LaTeX. Формирование осуществляется в автомати-ческом режиме в соответствии с методологией CRISP-DM. Отчет содержит результат комплексного анализа времен-ных рядов в соответствии с опубликованными и признанными методиками.Все функции фреймворка можно отнести к одной из следующих групп: функции загрузки данных и формирование внутреннего фрейма данных; функции дескриптивного анализа временных рядов с визуализацией; функции прогно-зирования и функции формирования отчета. Показан пример использования фреймворка для решения задачи под-держки принятия проактивных управленческих решений в системах энергетического менеджмента (прогнозирование потребления электроэнергии).Ключевые слова: проактивные системы, программный фреймворк, анализ временных рядов, прогнозирование вре-менных рядов, визуализация данных.Низкая степень автоматизации бизнес-процес-сов все еще остается серьезной проблемой для про-изводства и бизнеса, а следовательно, и для разра-ботчиков автоматизированных систем и системных интеграторов [1]. Развитие современных подходов и методов анализа данных позволяет расширить область объектов автоматизации, автоматизиро-вать операции, связанные с принятием решений (поддержка принятия решений), повышая уровень зрелости бизнес-процессов предприятий.Одним из направлений автоматизации является совершенствование механизмов прогнозирования развития ситуации и оценка риска возникновения неблагоприятных исходов. В этом случае рассмат-ривается новый класс систем поддержки принятия решений -проактивные системы принятия реше-ний. Эти системы позволяют выявлять проактив-ные ситуации, требующие внимания или вмеша-тельства заинтересованных лиц. В результате вы-рабатываются и принимаются превентивные меры для минимизации риска возникновения неблаго-приятной ситуации [2].В основе подобных систем лежат модели и ме-тоды п...

No abstract