В статье автор представляет программное обеспечение системы прогнозирования временных рядов для использования в системах технической диагностики.

Ключевые слова: программное обеспечение, техническая диагностика, прогнозирование, временной ряд.

В современном мире временные ряды стали одним из главных предметов анализа протекающих процессов в различных областях научно-технической, экономической, социальной и других сферах деятельности человека. Анализ временных рядов позволяет извлекать полезную информацию, выявлять закономерности, осуществлять прогнозы. Техническая диагностика является одной из тех областей, где использование методов анализа и прогнозирования временных рядов диагностических параметров имеет первостепенное значение для эффективной эксплуатации технических систем.

При разработке системы прогнозирования временных рядов диагностических параметров технических систем (ТС) необходимо учитывать, что, с точки зрения теории технической диагностики, любая техническая система является динамической системой, функционирующей в пространстве известных информационных признаков [1]. Таким образом, в процессе функционирования ТС, характеристики диагностических параметров могут меняться, следовательно система прогнозирования должна обеспечивать возможность адаптации модели временного ряда и метода прогнозирования к изменяющимся условиям.

Среди специализированного программного обеспечения (ПО), решающего задачи прогнозирования временных рядов, можно выделить два типа ПО — desktop-приложения и специализированные программные инструменты для построения систем прогнозирования временных рядов. В ряду desktop-приложений можно рассмотреть ПО CaterpillarSSA и Novo Forecast [2, 3]. Среди программных инструментов — библиотека Prophet, платформа NeuralProphet и платформа FEDOT [4, 5, 6].

Обзор аналогов программного обеспечения (ПО) и инструментальных средств (ИС) для прогнозирования временных рядов показал следующее:

— возможности ПО и ИС для прогнозирования временных рядов ограничены моделями, на основе которых вычисляется прогноз и наоборот — модели прогнозирования временных последовательностей, используемые при прогнозировании, определяют класс задач, которые могут решать ПО и ИС;

— сложность ПО и ИС определяется набором используемых моделей временных рядов и алгоритмом их применения;

— использование в ПО и ИС искусственных нейронных сетей (ИНС) и алгоритмов машинного обучения позволяет упростить для пользователя решение задачи прогнозирования временны последовательностей.

Для прогнозирования временных рядов диагностических параметров необходимо ПО, с помощью которого можно было бы не только выполнить прогнозирование, но и провести предварительную обработку входных данных, а также проанализировать входные данные на наличие различных составляющих и их связь с другими диагностическими параметрами. Также ПО должно обеспечивать возможность использования различных моделей временных рядов и методов их прогнозирования.

В конечном итоге нами была разработано ПО для прогнозирования временных рядов. В основе работы ПО лежит метод разложения входной последовательности на периодические компоненты синусоидальной формы с последующим прогнозированием каждой из компонент предиктором на основе нейронной сети. Для получения окончательного решения результаты прогнозирования компонент суммируются [7, 8].

Данный метод позволяет гибко подходить к построению моделей временных рядов и выбору предикторов для прогнозирования компонент. Для примера, на рис. 1 представлен результат прогнозирования диагностического параметра сопротивления изоляции якорной цепи привода поворота шагающего экскаватора ЭШ 40.100. Наблюдения производились каждые 12 часов — в начале рабочей смены, в соответствии с режимом работы оперативного персонала. Сопротивление изоляции измерялось мегаомметром ЭСО210/2 (измерительное напряжение 1000 В) с пределом шкалы измерения 50 МОм, поэтому значения сопротивления изоляции находятся в диапазоне 0–50 МОм.

Рис. 1. Пример работы ПО системы прогнозирования

На рис. 1 представлены исходный сигнал, обработанный сигнал, а также результат прогнозирования и график ошибки прогнозирования временного ряда для интервала упреждения D=4 , что с учетом интервала дискретизации выборки Δt = 12 ч , составляет 48 часов или двое суток наблюдений.

В таблице 1 представлены настройки алгоритмов обработки и прогнозирования для данной временной последовательности.

Таблица 1

Параметры алгоритмов обработки и прогнозирования

Согласно данным, представленным в таблице 1 для прогнозирования всех компонент использовалась одинаковая модель предиктора. При использование линейной активационной функции нет смысла строить многослойные сети, так как линейную сеть с любым количеством слоев и нейронов в ней можно свести, путем линейных преобразований, к модели простого адаптивного сумматора. Для настройки ИНС использовался алгоритм Левенберга-Марквардта, который, при сравнимой с другими алгоритмами оптимизации точности, обеспечивает высокую скорость сходимости.

Результаты прогнозирования сопротивления изоляции якорной цепи привода поворота экскаватора ЭШ 40.100 представлены в таблице 2.

Таблица 2

Результаты прогнозирования сопротивления изоляции

Использованный в программном обеспечении системы прогнозирования временных рядов диагностических параметров технических систем подход к обработке и прогнозированию временных рядов позволяет гибко подходить к построению моделей временных рядов, а также обеспечивает выбор модели предиктора и алгоритмов оптимизации для прогнозирования данных временных рядов с различными характеристиками.

Литература:

1. Проников А. С. Надежность машин. –М.: Машиностроение, 1978. — 592 с., ил. — (Межиздательская серия «надежность и качество»).
2. Программная реализация метода «Гусеница» CaterpillarSSA 3.40 // [электронный ресурс]. URL: https://www.gistatgroup.com/gus/programs.html (дата обращения 03.09.2024).
3. Novo Forecast// [электронный ресурс]. URL: https://novoforecast.com/ (дата обращения 03.09.2024).
4. Prophet// [электронный ресурс]. URL: https://github.com/facebook/prophet (дата обращения 03.09.2024).
5. NeuralProphet// [электронный ресурс]. URL: https://neuralprophet.com/ (дата обращения 03.09.2024).
6. FEDOT// [электронный ресурс]. URL: https://github.com/aimclub/FEDOT (дата обращения 03.09.2024).
7. Шамаль М. А., Карякин А. Л. Прогнозирование диагностических параметров электротехнических комплексов главных приводов мощных экскаваторов// Журнал «Научное обозрение. Технические науки». — 2014. — № 2. — С. 219–220.