Волгоградский технический университет ВолгГТУ сообщил, что ученые университета разработали метод по прогнозированию времени выхода газовых турбин из строя, основанный на нейросетевых моделях глубокого обучения, который в два раза точнее аналогов.

Метод уже прошел проверку на газовых турбинах, а в перспективе, по словам создателей, он применим для любых промышленных двигателей и силовых установок.

Как объяснили создатели, разработка способна давать точные прогнозы при минимальном наборе данных об исходных характеристиках оборудования. Особенность нового подхода – использование нейросетевых механизмов, не требующих заранее обработанного массива данных.

Ученые использовали сверточные нейронные сети и нейронные сети для обработки последовательностей, благодаря чему новый метод можно применять для оборудования разных типов и для анализа редких повреждений, статистика по которым отсутствует.
"Классические подходы оценки ресурса оборудования построены на статистике поломок, но тут есть существенные ограничения: производители оборудования не всегда предоставляют развернутую статистику, и в целом количество зафиксированных отказов подобной техники слишком мало даже для самых мощных алгоритмов машинного обучения, "тренирующихся" на заранее подготовленных данных", – сообщил заведующий кафедрой систем автоматизированного проектирования и поискового конструирования факультета электроники и вычислительной техники ВолгГТУ Максим Щербаков.

Снижение ошибки прогнозирования дает техническому персоналу больше времени на принятие решения, объяснили ученые. По их словам, диспетчер будет проинформирован не только о времени потенциального отказа, но и об изменениях в работе установок, связанных с износом компонентов.

"Имея точную оценку времени отказа оборудования, можно скорректировать программу технического обслуживания или оптимизировать режим работы оборудования. Это позволит перейти к качественно новому уровню технического обслуживания", – подчеркнул Щербаков.

Фото: iStock.com / Dizfoto