ГОСТ Р ИСО 13379-2—2016
Обычнодля контроля состояния на основе данных применяют модели, реализующие процедуры
автоассоциативного ядерного сглаживания, регрессию методом дробных наименьших квадратов,
методопорных векторов или систему Махаланобиса—Тагути.
4.2 Критические повреждения оборудования и выбор контролируемых параметров
Применение процедур контроля состояния на основе данных подробно рассмотрено в [1]. Оно
включает всебя две основные стадии предварительногообследования:
- обследованиеоборудования (его идентификация иопределение выполняемыхфункций);
- оценка надежности и критичности оборудования (составление структурной схемы расчета
надежности, определение критичности оборудования и проведение анализа характера, последствий и
критичности отказов).
После того, как обследование проведено и составлен перечень критических неисправностей,
необходимосоставить переченьданных, которые можно получить из историй записей в системе управ
ления предприятием или изспециализированныхсистем мониторинга. Примером последнейможетслу
житьсистема вибрационного мониторинга.
Если обнаружение критических неисправностей не может быть в должной степени обеспечено
действующими системами мониторинга, то может оказаться необходимым рассмотреть возможность
установлениядополнительныхдатчиков или изменения местоположения существующих.
4.3 Сбор и редактирование данных
4.3.1 Общие положения
Для того чтобы построить устойчивую модель прогнозирования состояния, необходимо собрать
надежные данные для всех возможных режимов работы оборудования. Такие данные хранят в архиве
записей работы оборудования. Вдействительности собранные данные по ряду причин не всегда могут
реально отражать состояние оборудования на предприятии. К таким причинам относятся погрешности
интерполяции данных, случайные погрешности данных, отсутствие части данных, потеря значащих
цифр, повреждения записи данных и пр. Используемые данные всегда должны подвергаться
процедурам проверки и коррекции.
При решении вопросаобуничтожении какой-точасти архивныхданныхвсегдаследуетубедитьсяв
том. что эти данные не могутв дальнейшем потребоваться в процедурах контроля состояния.
4.3.2 Погрешности интерполяции
Одна из проблем, с которыми приходится сталкиваться при использовании архивных данныхдля
обучения модоли. состоит в том, что эти данные не являются исходными, а подверглись перед записью
процедурам сжатия всоответствиис используемой программой архивирования. Обычно архивныедан
ные представляютсобой записи временных рядов. Однако при этом в момент полученияданныхсохра
няют не все из них, а только те, в которых изменения превысили некоторый установленный допуск. Это
позволяет значительно уменьшить объем хранимой информации, но за счет потери ее качества. Если
такие данные используют в целях обучения, то обычно либо восстанавливают данные, соответствую
щие моментам времени междудвумя последующими записями, методом простой линейной интерполя
ции, либо считают, что изменениеданных произошлоскачкообразно. При этом можетбытьзначительно
искажена корреляцияданных, полученных с разныхдатчиков.
Важно, чтобы данные, используемые в целях обучения, были реальными, а допуск на изменения
данных в критерии архивирования либо устанавливался минимальным, либо отсутствовал вовсе.
4.3.3 Качестводанных
Наиболее общие проблемы ухудшения качестваданных связаны с:
- отсутствием части данных:
- зашумлениемданных или наличием в нихслучайных погрешностей;
- наличием данных, полученных с применением неисправныхдатчиков, но не помеченных соот
ветствующим образом;
- нереалистичными значениямиданных (выходящими за пределы ожидаемогодиапазона).
Большинствоизуказанныхнедостатковданныхможет бытьобнаруженовизуально илисиспользо
ванием простых программ редактирования. Такие программы удаляют недостоверные данные или
заменяютих наиболеевероятнымизначениямипозаданномуалгоритму. Какправило, ненадежныедан
ные из набора, предназначенногодля обучения модели, удаляют. Большинство программных средств
включаютвсебя встроенныеинструменты редактированияданных. Такие инструментылегко выявляют
сильно выпадающиеданные, нообычно нечувствительны кошибкамданных, еслитенаходятсявожида
емом диапазоне их изменения. Пропуск плохих данных в наборе для обучения может привести к
отбраковке модели при проверкеее работоспособности.
з