|
Архив публикацийТезисыXXXIII-ая конференцияНейросетевой подход к анализу и прогнозированию показателей инженерного оборудованияОбъединенный институт ядерных исследований, Россия, 141980, г. Дубна, ул. Жолио-Кюри, 6, 7 (49621) 6-50-59, surjko@jinr.ru 1 стр. (принято к публикации)В Объединенном институте ядерных исследований действует многофункциональный информационно-вычислительный комплекс (МИВК), включающий суперкомпьютер «Говорун», центры обработки данных и систему хранения информации. Для обеспечения стабильной работы комплекса требуется мониторинг инженерного оборудования для своевременного выявления неисправностей. В исследовании проводится работа над подбором подхода к прогнозированию состояний оборудования. Раннее предложенные решения на базе классических методов машинного обучения (градиентный бустинг, случайный лес, ARIMA) не позволили достичь требуемой точности прогноза. В рамках настоящего исследования был выбран альтернативный подход — рекуррентная нейронная сеть [1] на базе архитектуры LSTM, демонстрирующая высокую эффективность при работе с временными рядами. Для обучения и валидации модели были использованы наборы данных, собранные в реальных условиях эксплуатации инженерного оборудования МИВК в следующие периоды: 01.09.23-27.10.23 и 19.02.25-02.03.25. Данные были собраны с 8 кондиционерных стоек с минутной дискретизацией и включали измерения следующих параметров: температура охлаждающей жидкости, воздушный поток, поток охлаждающей жидкости, внутренняя температура воздуха, выходная температура воздуха, процент открытия клапана. Выбранные временные периоды охватывали различные режимы работы оборудования, включая: нормальное функционирование инженерной инфраструктуры, нештатные ситуации, период перехода с зимнего режима на весенний, что позволяет гарантировать хорошую генерализацию модели. При размере окна прогнозирования в 100 минут модель на валидационном наборе данных 2025 года продемонстрировала следующие показатели: средняя квадратическая ошибка (MSE) 0,3605, корень из средней квадратической ошибки (RMSE) 0,6004, а коэффициент детерминации (R²) 0,771. В ходе исследования была проведена комплексная работа по анализу и прогнозированию технического состояния оборудования МИВК ОИЯИ с использованием методов машинного и нейронного обучения. Дальнейшая работа включает модернизацию LSTM-архитектуры с расширением набора входных параметров и тестирование модели трансформера. После успешного апробирования планируется внедрение разработанных решений в действующую систему мониторинга.
Литература 1. Дж. Вандер Плас, Python для сложных задач, СПб.: Питер, 2018., 576 стр. |
