Метод и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства на основе машинного обучения тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Шаханов, Никита Иванович

  • Шаханов, Никита Иванович
  • кандидат технических науккандидат технических наук
  • 2018, Череповец
  • Специальность ВАК РФ05.13.06
  • Количество страниц 0
Шаханов, Никита Иванович. Метод и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства на основе машинного обучения: дис. кандидат технических наук: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (по отраслям). Череповец. 2018. 0 с.

Оглавление диссертации кандидат технических наук Шаханов, Никита Иванович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. ХАРАКТЕРИСТИКА ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО ПРОИЗВОДСТВАМ

1.1. Анализ моделей, методов и технических средств для решения задач прогнозирования отказов промышленного оборудования прокатного производства

1.2. Анализ оборудования уборочной группы прокатного производства как объекта прогнозирования отказов

1.3. Разработка требований к математическому и алгоритмическому обеспечению системы прогнозирования отказов оборудования уборочной группы прокатного производства

1.4. Выводы по разделу

2. МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО ПРОИЗВОДСТВА

2.1. Модель прогнозирования временных рядов крутящих моментов приводных электродвигателей отводящего рольганга уборочной группы прокатного производства

2.2. Результаты моделирования на основе стекинга алгоритмов машинного обучения Random Forest и Arima

2.3. Метод прогнозирования отказов оборудования с использованием параметрической идентификации

2.4. Выводы по разделу

3. АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО ПРОИЗВОДСТВА

3.1. Алгоритм сбора, хранения, извлечения и обработки данных о работе оборудования

3.2. Алгоритм распределенного обучения модели прогнозирования работы оборудования

3.3. Алгоритм выявления отказов в условиях малого количества поломок

3.4. Обобщенный алгоритм функционирования системы прогнозирования отказов оборудования уборочной группы прокатного производства

3.5. Выводы по разделу

4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНОЙ ПРОВЕРКИ АЛГОРИТМОВ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО ПРОИЗВОДСТВА

4.1. Основные функциональные элементы и блоки системы прогнозирования отказов оборудования уборочной группы прокатного производства

4.2. Методика настройки алгоритмического обеспечения системы прогнозирования для обработки больших объемов данных на платформе Наёоор

4.3. Результаты экспериментальных исследований алгоритмического обеспечения

4.4. Перспективы применения разработанных метода и алгоритмов прогнозирования отказов оборудования уборочной группы прокатного

производства

4.5. Выводы по разделу

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ

ПРИЛОЖЕНИЕ 2. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

ПРИЛОЖЕНИЕ 3. ИСХОДНЫЙ КОД СКРИПТОВ

ПРИЛОЖЕНИЕ 4. АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

Рекомендованный список диссертаций по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК

Введение диссертации (часть автореферата) на тему «Метод и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства на основе машинного обучения»

ВВЕДЕНИЕ

Актуальность темы. Эксплуатация промышленного оборудования предполагает воздействие на него большого количества различных факторов, которые вызывают изменения в техническом состоянии, что со временем приводит к отказу. Существенной особенностью этих факторов является их случайный (стохастический) характер. К факторам, оказывающим наиболее существенное влияние на скорость изменения технического состояния оборудования, относятся: технологические нагрузки, прочностные характеристики материала, геометрические размеры. Кроме них, необходимо выделить такие факторы как: соблюдение условий технологического процесса, качество технического обслуживания и ремонта, вибрация, температура и др. Случайных характер рассмотренных факторов приводит к непредсказуемому изменению технического состояния устройств, их узлов, механизмов, следовательно, и времени работы до отказа.

В настоящее время основными стратегиями выполнения ремонтов являются стратегия «Ремонт после отказа», что сопровождается большими затратами и стратегия «Планово-предупредительный ремонт», что в половине случаев является, как правило, преждевременным. Вместе с тем наиболее перспективной представляется стратегия «Ремонт по состоянию» с использованием предиктивного подхода к техническому обслуживанию, который позволяет заранее определять возможные отказы оборудования, тем самым повышая эксплуатационную надежность.

Для решения задачи прогнозирования отказов промышленного оборудования предложено множество моделей и методов, отличающихся набором входных данных и формой представления результатов. Традиционно применяются вероятностные методы и методы статистического анализа данных,

изложенные в работах: [1-8]. Данные методы обеспечивают достоверность прогноза отказов оборудования при различных условиях эксплуатации только при наличии модели формирования отказов, описывающей процессы повреждения или отклонения от нормального функционирования, основанной на данных об оборудовании, относящихся к прошедшим периодам.

Другая группа применяемых методов основана на интеллектуальном анализе относительно больших массивов данных [9-18]. Целью такой обработки является извлечение из имеющихся массивов данных закономерностей и зависимостей, позволяющих строить прогнозные модели на основе статистических методов. Данные методы дают хорошие результаты для выявления одиночных отказов и идентификации их локальных эффектов. Однако они не обеспечивают приемлемых результатов в случае множественных отказов и их эффектов на системном уровне, что ограничивает применение в режиме реального времени.

Наиболее перспективными являются методы, основанные на машинном обучении [19-26], позволяющие строить прогнозные модели с использованием как ретроспективных, так и текущих данных, поступающих в реальном времени с измерительной аппаратуры и получать неочевидные на первый взгляд закономерности. Способность к обучению дает возможность оперативно корректировать параметры моделей прогнозирования при изменяющихся условиях функционирования оборудования и определять новые сроки проведения плановых ремонтов, значительно минимизируя простои оборудования. Существенным ограничением использования данных методов являются ситуации, когда отказы оборудования происходят достаточно редко или отсутствуют статистические данные по отказам.

В связи с этим разработка математического и алгоритмического обеспечения для прогнозирования отказов на основе методов машинного обучения в условиях малого количества поломок и изменяющихся режимах работы оборудования является актуальной научной задачей.

Цель и задачи диссертационной работы. Целью диссертационной работы является повышение точности прогнозирования отказов оборудования уборочной группы прокатного производства.

Для достижения поставленной цели в работе решены следующие задачи:

1. Выполнить анализ проблемы прогнозирования отказов оборудования уборочной группы прокатного производства.

2. Разработать математическое обеспечение для прогнозирования отказов на основе методов машинного обучения в условиях малого количества поломок и изменяющихся режимах работы оборудования.

3. Разработать алгоритмическое обеспечение для прогнозирования отказов оборудования уборочной группы.

4. Выполнить экспериментальные исследования разработанного математического и алгоритмического обеспечения программного комплекса с применением платформы Hadoop.

Объект и предмет исследования. Объектом исследования является система прогнозирования отказов оборудования уборочной группы прокатного производства. Предметом исследования являются методы и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства.

Методы исследования. Для решения поставленных задач в работе использовались методы математического моделирования, алгоритмы машинного обучения, бинарные деревья решений, алгоритмы распределенной и параллельной обработки данных, программные и языковые средства современных компьютерных технологий.

Научная новизна и основные положения, выносимые на защиту:

1. Разработана новая модель прогнозирования временных рядов крутящих моментов приводных электродвигателей отводящего рольганга уборочной группы прокатного производства, использующая стекинг алгоритмов машинного

обучения Random Forest и ARIMA при изменяющихся режимах работы оборудования.

2. Разработан метод прогнозирования отказов оборудования с использованием параметрической идентификации в условиях малого числа аномальных прецедентов для обучения, больших объемов данных и изменяющихся режимах работы оборудования.

3. Разработано алгоритмическое обеспечение прогнозирования отказов оборудования уборочной группы прокатного производства, в составе:

- алгоритма сбора, хранения, извлечения и обработки данных о работе оборудования;

- алгоритма распределенного обучения модели прогнозирования работы оборудования;

- алгоритма выявления отказов в условиях малого количества поломок;

- обобщенного алгоритма функционирования системы прогнозирования отказов оборудования уборочной группы прокатного производства.

Практическая значимость результатов исследования заключается в том, что реализация разработанных теоретических положений позволила:

- повысить точность прогнозирования отказов на 9,5 %;

- снизить количество внеплановых простоев до 15 %;

- разработать структурно-функциональную организацию системы прогнозирования отказов оборудования уборочной группы прокатного производства;

- разработать методику настройки алгоритмического обеспечения системы прогнозирования для обработки больших объемов данных на платформе Hadoop;

- повысить качество планирования ремонтов оборудования уборочной группы прокатного производства.

Реализация результатов диссертационной работы.

Разработанные метод и алгоритмы прогнозирования отказов оборудования уборочной группы прокатного производства прошли экспериментальную

проверку в листопрокатном цехе №2 производства горячекатаного проката ПАО «Северсталь».

Результаты исследования были успешно внедрены и используются в Центре автоматизированных систем ПАО «Северсталь» Центр «Промсервис» при построении системы прогнозирования отказов оборудования уборочной группы прокатного производства.

Предложенные метод и алгоритмы прогнозирования отказов используются в учебном процессе на кафедре «Математическое и программное обеспечение ЭВМ» Череповецкого государственного университета в дисциплинах: «Моделирование программно-информационных систем», «Методы и средства разработки информационного и программного обеспечения», «Надежность информационных систем», по направлениям подготовки 09.03.01 Информатика и вычислительная техника (уровень бакалавриата), 09.03.02 Информационные системы и технологии (уровень бакалавриата) и 09.04.04 Программная инженерия (уровень магистратуры).

Соответствие паспорту специальности. Проблематика, рассмотренная в диссертации, соответствует пунктам 14, 16 паспорта специальности 05.13.06 Автоматизация и управление технологическими процессами и производствами (в металлургии) (п. 14. Теоретические основы, методы и алгоритмы диагностирования, (определения работоспособности, поиск неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и др., п.16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.).

Апробация результатов работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на научно -практических конференциях: Всероссийской научно-практической конференции «Череповецкие научные чтения - 2016» (Череповец, 16-17 ноября 2016 г.), Всероссийской научно-практической конференции молодых ученых в рамках Программы развития деятельности студенческих объединений Череповецкого

государственного университета «PAHON IT» «Молодежь и новые информационные технологии» (Череповец, 17-18 ноября 2016 г.), III Всероссийской научно-практической конференции «Современные информационные технологии. Теория и практика» (Череповец, 30 ноября 2016 г.), XV Всероссийской научной конференции с международным участием «Вузовская наука - региону» (Вологда, 28 февраля 2017 г.), XII Международной научно-технической конференции «Автоматизация и энергосбережение машиностроительного и металлургического производств, технология и надежность машин, приборов и оборудования» (Вологда, 21 марта 2017 г.), XIII Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 16-19 мая 2017 г.).

Публикации. По теме диссертации опубликовано 10 печатных работ, в том числе 3 статьи в ведущих рецензированных журналах и изданиях из перечня ВАК Министерства образования и науки РФ, а также получено 2 свидетельства о государственной регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 102 наименования, и 4 приложений. Объем диссертационной работы 141 страница. В тексте диссертации содержится 21 рисунок и 8 таблиц.

В первом разделе проанализированы существующие модели, методы, технические средства для решения задач прогнозирования отказов промышленного оборудования прокатного производства, рассмотрено оборудование уборочной группы прокатного производства как объект прогнозирования отказов; разработаны требования к математическому и алгоритмическому обеспечению системы прогнозирования отказов оборудования уборочной группы прокатного производства.

Во втором разделе дано описание модели прогнозирования временных рядов крутящих моментов приводных электродвигателей отводящего рольганга

уборочной группы прокатного производства, приведены результаты моделирования. Представлен метод прогнозирования отказов оборудования, основанный на предиктивном анализе полученных временных рядов значений крутящих моментов.

В третьем разделе разработано алгоритмические обеспечение системы прогнозирования отказов оборудования уборочной группы прокатного производства: алгоритм сбора, хранения, извлечения и обработки данных о работе оборудования; алгоритм распределенного обучения модели прогнозирования работы оборудования; алгоритм выявления отказов в условиях малого количества поломок и обобщенный алгоритм функционирования системы прогнозирования отказов оборудования уборочной группы прокатного производства.

В четвертом разделе определены основные функциональные элементы и блоки системы прогнозирования отказов оборудования уборочной группы прокатного производства, разработана методика настройки алгоритмического обеспечения системы прогнозирования для обработки больших объемов данных на платформе Hadoop, проведены экспериментальные исследования алгоритмического обеспечения, представлены перспективы применения разработанных метода и алгоритмов прогнозирования отказов оборудования уборочной группы прокатного производства.

Заключение содержит краткое описание основных результатов диссертационной работы.

1. ХАРАКТЕРИСТИКА ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ОБОРУДОВАНИЯ УБОРОЧНОЙ ГРУППЫ ПРОКАТНОГО

ПРОИЗВОДСТВА

1.1. Анализ моделей, методов и технических средств для решения задач прогнозирования отказов промышленного оборудования

прокатного производства

Эксплуатация промышленного оборудования предполагает воздействие на него большого количества различных факторов, которые вызывают изменения в техническом состоянии, что со временем приводит к отказу. Существенной особенностью этих факторов является их случайный (стохастический) характер. К факторам, оказывающим наиболее существенное влияние на скорость изменения технического состояния оборудования, относятся: технологические нагрузки, прочностные характеристики материала, геометрические размеры. Кроме них, необходимо выделить такие факторы как: соблюдение условий технологического процесса, качество технического обслуживания и ремонта, вибрация, температура и др. Случайных характер рассмотренных факторов приводит к непредсказуемому изменению технического состояния устройств, их узлов, механизмов, следовательно, и времени работы до отказа.

В настоящее время основными стратегиями выполнения ремонтов являются стратегия «Ремонт после отказа», что сопровождается большими затратами и стратегия «Планово-предупредительный ремонт», что в половине случаев является, как правило, преждевременным. Вместе с тем наиболее перспективной представляется стратегия «Ремонт по состоянию» с использованием предиктивного подхода к техническому обслуживанию, который позволяет заранее определять возможные отказы оборудования, тем самым повышая

эксплуатационную надежность, безопасность и экономическую эффективность эксплуатации промышленных объектов.

Для решения задачи прогнозирования отказов промышленного оборудования предложено множество моделей и методов, отличающихся набором входных данных и формой представления результатов. В том числе предлагается и готовое программное обеспечение (ПО), реализующее систему методов и алгоритмов, направленных на прогнозирование отказов промышленного оборудования.

Традиционно для прогнозирования отказов применяются вероятностные методы и методы статистического анализа данных.

Вероятностные методы. Методы вероятностного прогнозирования опираются на теорию вероятностей, математическую статистику и теорию случайных процессов [27]. Их использование предполагает определение вероятностей безотказной работы системы и ее подсистем и элементов, построение функций распределения случайных величин, характеризующих безотказную работу объектов. Для реализации методов необходимы экспериментальные данные относящиеся к объектам исследования, сбор которых предполагает накопление данных, относящихся ко всем режимам работы оборудования и различным причинам поломок и отказов. Прогнозирование состояния оборудования осуществляется на основе расчета показателей надежности системы, характеризующие надежность реализации функций, опасность возникновения аварийных ситуаций. К таким показателям относятся коэффициенты эксплуатационной надежности функций подсистем, коэффициенты технического использования подсистем, узлов, механизмов, коэффициенты сохранения эффективности по функциям, показатели вероятности успешного выполнения заданных процедур и другие.

Методы статистического анализа также используют данные, относящиеся к предыдущим периодам эксплуатации оборудования. На их основе строятся статистические модели. В литературе выделяют:

• регрессионные модели - однофакторные и многофакторные, которые позволяют получить прогноз значений заданной характеристики в зависимости от значений выделенных факторов в наблюдаемый период времени;

• марковские процессы и цепи - с их помощью производится моделирование переходов системы из одного состояния в другое;

• имитационные модели - структура и используемые показатели этих моделей разрабатываются в зависимости от поставленных задач, оборудования и условий эксплуатации.

Предиктивная аналитика (Predictive Analytics). Набор методов интеллектуального анализа данных, направленный на прогнозирование [28-31]. Для получения прогноза используются данные о характеристиках оборудования, его использовании, внешних воздействиях, состоянии среды функционирования. В основе прогнозной аналитики лежит автоматизированная обработка относительно больших массивов данных. Целью такой обработки является извлечение из имеющихся массивов закономерностей и зависимостей, позволяющих строить прогнозные модели. Осуществляется это преимущественно с помощью статистических методов [32-38].

Примером реализации метода предиктивной аналитики является анализ дерева отказов. Дерево отказов (аварий, происшествий, последствий, нежелательных событий) представляет собой многоуровневую графологическую структуру причинных взаимосвязей, полученных в результате прослеживания опасных ситуаций в обратном порядке для того, чтобы отыскать возможные причины их возникновения [39].

Ценность метода дерева отказов состоит в следующем: • позволяет показать в явном виде ненадёжные места;

• даёт возможность выполнять качественный или количественный анализ надёжности системы;

• позволяет специалистам поочередно сосредотачиваться на отдельных конкретных отказах системы;

• обеспечивает глубокое представление о поведении системы и проникновение в процесс её работы;

Недостатки дерева отказов состоят в следующем:

• реализация метода требует значительных затрат средств и времени;

• дерево отказов представляет собой схему булевой логики, на которой показывают только два состояния: рабочее и отказавшее;

• трудно учесть состояние частичного отказа элементов;

• требует от специалистов по надёжности глубокого понимания системы и конкретного рассмотрения каждый раз только одного определённого отказа;

• дерево отказов описывает систему в определённый момент времени (обычно в установившемся режиме), и последовательности событий могут быть показаны с большим трудом, а иногда это оказывается невозможным. Метод анализа дерева отказов способствует тщательному анализу причин

отказов технических систем и выработке мероприятий, наиболее эффективных для их устранения. Такой анализ проводят для каждого периода функционирования, каждой части или системы в целом [39].

Главный плюс прогнозной аналитики заключается в том, что предсказать можно все. К минусам можно отнести то, что интеграция и правильный подход к прогнозной аналитике требует много сил и энергии и к тому же очень дорог. Поэтому реализовать все это довольно сложно, но использовать можно практически везде.

Методы, основанные на машинном обучении.

Благодаря разнообразным моделям обучения, данная группа методов может быть использована для решения задач, предполагающих использование

различных типов данных, получение различных, в том числе неочевидных, закономерностей [40-46].

Различают следующие модели машинного обучения:

• Байесовское обучение [47-50];

Задается априорное распределение вероятностей для выборок, затем Р(выборка) использует теорему Байеса, чтобы найти апостериорную вероятность Р(выборка | х). Модель позволяет работать с малыми объемами данных и имеет высокую гибкость. Однако, требует явного задания адекватной априорной величины, из-за чего требуется значительное участие человека. Данный подход предполагает ограниченную автоматизацию.

• Графические/генеративные модели [51, 52];

Задается архитектура со свободными параметрами и применяется к данным градиентный спуск для настройки параметров. Модель дает невысокую вычислительную стоимость, но серьезная проблема - переобучение.

• Обучение на базе ядер [53-59];

Выбирается ядро К(х,х'), удовлетворяющее определенным условиям, и используется, как мера подобия при обучении.

Данный метод МО используется для мониторинга производительности и прогнозирования отказов в оптических сетях [60], где данный метод дал точность прогнозирования 95%.

Основной недостаток вычислительная сложность 0(п2) не обеспечивает достаточную эффективность при больших объемах данных.

• Бустинг [61-65];

Данный метод предполагает создание алгоритма обучения, который может быть несовершенным, но при этом обеспечивает определенный уровень прогнозирования. После чего данный алгоритм применяется многократно различными способами, чтобы получить итоговый предиктор. К достоинствам относится скорость работы и хорошая автоматизация, но при этом фреймворк бустинга ничего не говорит о том, как создать исходный алгоритм.

• Обучение на основе дерева решений [67-69];

Обучение представляет собой процесс разрезания входного пространства и присваивания прогнозов фрагментам пространства. К достоинствам данного алгоритма относятся хорошая автоматизация и достаточно быстрая работа. К основному минусу можно отнести то, что некоторые задачи прогнозирования не могут быть решены с использованием деревьев решений.

Примером обучения на основе дерева решений, является алгоритм МО Random Forest [69]. Данный алгоритм основан на построении большого числа (ансамбля) деревьев решений, каждое из которых строится по выборке, получаемой из исходной обучающей выборки с помощью бутстрепа (выборки с возвращением). В отличие от классических алгоритмов построения деревьев решений у Random Forest при построении каждого дерева на стадиях расщепления вершин используется только фиксируемое число отбираемых признаков обучающей выборки и строится полное дерево (без усечения). Классификация осуществляется с помощью голосования классификаторов, определяемыми отдельными деревьями, а оценка регрессии - усреднением оценок регрессии всех деревьев. Точность классификации зависит от разнообразия классификаторов ансамбля, чем больше классификаторов, тем выше вероятность.

К плюсам Random Forest относятся: высокая точность классификации, защита от переподгонки; легкая параллелизация; обучающая выборка для построения случайного леса может содержать признаки, измеренные в разных шкалах; случайные леса могут использоваться не только для задач классификации и регрессии, но и для задач выявления наиболее информативных признаков, кластеризации, определения прототипов классов и выделения аномальных наблюдений [70, 71].

Решения по прогнозированию отказов оборудования предлагаются производителями ПО. Программное обеспечение Meridium Enterprice APM. Программное обеспечение (ПО) Meridium APM (Управление эффективностью основных фондов) сочетает в себе все качества результативной программы

управления эффективностью производственных активов. Для прогнозирования отказов Meridium предлагает следующие программные модули: «Показатели APM», «Учет производственных убытков», «Причинно-следственный анализ» и «Анализ надежности». В своей основе прогнозирования заложена методика RCM - обслуживание ориентированные на надежность и FMEA - анализ видов и последствий отказов [72].

Особое внимание стоит уделить модулю PROCACT® для Meridium. Причинно-следственный анализ (PROACT® для Meridium) является ключевым рабочим процессом и приложением для проверки и анализа нежелательных событий. С его помощью можно зафиксировать отказы и разработать стратегии для предотвращения их повторного появления. В рабочем процессе PROACT® аналитик последовательно проходит стадии регистрации события отказа, фиксации вида отказа, определения основных причин, выполнения рекомендаций и отслеживания результатов. При внедрении процесса Meridium «Причинно-следственный анализ» на предприятии создается база знаний, в которой содержатся повторяющиеся и критические ошибки, а также база данных с корректирующими действиями. Эти базы данных помогают определять стратегии активов, которые помогут предотвратить нежелательные события в будущем [72].

Таким образом в основе предиктивного анализа ПО Meridium заложена база знаний о предыдущих поломках оборудования, и в случае недостатка таких данных или вовсе их отсутствия, использование данного ПО является не целесообразным.

Методология RCM. RCM (Reliability-сentered Maintenance - техническое обслуживание, ориентированное на надежность) методология, позволяющая определить необходимые меры для того, чтобы каждая производственная система и ее элементы исполняли возложенную на них функцию в рамках производственного процесса [73-74].

Методология RCM основана на постулате, согласно которому поддержание единицы оборудования в безупречном состоянии не является самоцелью, целью

же является обеспечение надежности критических для деятельности предприятия производственных и технических процессов.

Данная методика позволяет совестить систему полного аутсорсинга и стратегию планово-принудительного ремонта без потери эффективности [75].

RCM-анализ дает возможность предсказать отказ по целевой совокупности параметров. Он позволяет отказаться от плановых ремонтов, порой неэффективных операций. Ремонтируется только оборудование, которое действительно в этом нуждается [76].

Похожие диссертационные работы по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК

Список литературы диссертационного исследования кандидат технических наук Шаханов, Никита Иванович, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Прогнозирование сроков отказа металлургического оборудования / Седуш В.Я., Ченцов Н.А., Ченцова Н.С. // Металлургическая и горнорудная промышленность. - 1994. №3. - С.75-77. 1. Прогнозирование сроков отказа металлургического оборудования / Седуш В.Я., Ченцов Н.А., Ченцова Н.С. // Металлургическая и горнорудная промышленность. - 1994. №3. - С.75-77.

2. Антонов А.В. Вероятностные методы оценки остаточной наработки восстанавливаемых элементов ЯЭУ в условиях ограниченности исходных данных /Соколов С.В., Антонов А.В., Чепурко В.А. // Ядерная физика и инжиниринг. 2011. - Т. 2. - № 5. - С. 421-424.

3. Антонов А.В. Методика статистического анализа данных об отказах оборудования АЭС в условиях неоднородного потока событий / Антонов А.В., Чепурко В.А. // Известия высших учебных заведений. - Ядерная энергетика. -2016. -№ 3. - С. 20-29.

4. Alestra S., Brand C., Burnaev E., Erofeev P., Papanov A., Bordry C., Silveira-Freixo. C. Rare eventanticipationanddegradationtrendingforaircraftpredictivemaintenance // В сборнике: 11th World Congresson Computational Mechanics, WCCM 2014, 5th European Conference on Computational Mechanics, ECCM 2014 and 6th European Conference on Computational Fluid Dynamics, ECFD 2014 11, - 2014. - С. 6571-6582.

5. Перехвост В.С., Прогнозирование параметрических отказов и особенность случайных процессов старения технических систем / В.С. Перехвост, Е.А. Кривонос, А.А. Чебукина // Краснодар: Научные труды кубанского государственного технологического университета, №3, - 2014 - С. 38-44.

6. Javed K. State of the artand taxonomy of prognostics approaches, trends of prognostics application sand openissues to wardsmaturity at different technology

readiness levels / Javed K., Gouriveau R. Zerhouni N. // MECHANICAL SYSTEMS AND SIGNAL PROCESSING. - № 9, 2017. - V. 94. - p. 214-236.

7. Gorjian N. Remaining usefull if eprediction of rotating equipment using covariate-based hazard models - Industry applications / Gorjian N., Sun Y., Ma L., Yarlagadda P., Mittinty M. // AUSTRALIAN JOURNAL OF MECHANICAL ENGINEERING. - № 1, 2017. - V. 15. - p. 36-45.

8. Pitsyk V.V. Probabilistic Prediction of Residual Operating Life of Measurement Equipment Using Results of Parametric Monitoring / Pitsyk V.V. // MEASUREMENT TECHNIQUES. - № 3, 2016. - V. 59. - p. 216-221.

9. Чугреев В. Л., Баданин Д. А. Использование прогнозной аналитики в информационно-аналитических системах поддержки принятия решений // Молодой ученый. — 2016. — №6. — С. 49-52.

10. Боровиков С.М., IT-система прогнозирования надёжности сложных электронных систем методом анализа дерева отказов / С.М. Боровиков, А.Е. Епехин // Информационные системы и технологии: управление и безопасность, №2, Т., 2013, с. 140-144.

11. Mangalova M.S., Dysfunctional components prediction using cubic smoothing splines / Mangalova M.S, Shesterneva O.V., Kurenkova T.N. // Молодежь. Общество. Современная наука, техника и инновации, №13, Красноярск - 2014, с. 198-199.

12. Липатов М. Первый в России комплекс предиктивной аналитики для энергетического и промышленного оборудования / Липатов М. // Экспозиция Нефть Газ. 2016. № 3 (49). С. 82-83.

13. Гаврилюк Е.А. Прогнозирование отказов систем автоматического управления газоперекачивающими агрегатами на основе индекса технического состояния и степени риска / Гаврилюк Е.А., Манцеров С.А., Панов А.Ю. // Фундаментальные исследования. 2015. № 7-2. С. 309-313.

14. Исмагилов Р.Н. Прогнозирование остаточного ресурса подшипника по уровню вибрации механизма / Исмагилов Р.Н., Гареев Р.Р., Ямалиев В.У., Мацибора А.А. // Экспозиция Нефть Газ. 2015. № 3 (42). С. 65-68.

15. J. Weighted-feature and cost-sensitive regression model for component continuous degradation assessment / Liu J.,Zio E. // Reliability Engineering & System Safety.- № 12, 2017.-V. 168. -p. 210-217.

16. Abu-Samah A. Bayesian based methodology for the extraction and validation of time bound failure signatures for online failure prediction / Abu-Samah A., Shahzad M.K., Zamai E. // Reliability Engineering & System Safety.- № 11, 2017.-V. 167. -p. 616-628.

17. Baraldi P. Prediction of industrial equipment Remaining Useful Life by fuzzy similarity and belief function theory / Baraldi P., Di Maio F., Al-Dahidi S., Zio E.,Mangili F. // EXPERT SYSTEMS WITH APPLICATIONS.- № 10, 2017.-V. 83. -p.226-241.

18. Liu S. Machinery condition prediction based on wavelet and support vector machine / Liu S., Hu Y., Li C., Lu H., Zhang H. // JOURNAL OF INTELLIGENT MANUFACTURING.- № 4, 2017.-V. 28. -p.1045-1055.

19. Зиберт А.О. Применения алгоритмов машинного обучения для повышения эффективности использования горной техники / Зиберт А.О., Мирошниченко В.В. // Universum: технические науки. Электрон.научн. журн. -2016. - № 2 (24).

20. Цикора М. Применение гибридного метода машинного обучения для описания и непрерывной оценки уровня метановой опасности в горной выработке / Цикора М., Кшистанек З., Бойко Б., Сьпехович К. // Физико-технические проблемы разработки полезных ископаемых. 2011. № 4. С. 95-107.

21. Уткин Н.Н., Использование методов машинного обучения для виброакустического диагностирования динамической системы шлифовальных станков / Уткин Н.Н., Игнатьев А.А. // Вестник Саратовского государственного технического университета. 2011. Т. 2. № 2 (56). С. 271-275.

22. Дюк В.А. Прогнозирование временных рядов на основе методов DataMining / Дюк В.А., Фомин В.В. // Известия Санкт-Петербургского государственного технологического института (технического университета). 2012. № 13. С. 108-111.

23. Бажинов А.Н. Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов / А.Н.Бажинов: дис. ... канд. техн. наук. - Череповец, 2011. - 167 с.

24. Wang Z. Failure prediction using machine learning and time series in optical network / Wang Z., ZhangM., WangD., SongC., LiuM., LiJ., LouL., LiuZ. // OPTICSEXPRESS. - № 8, 2017. - V. 25. - p. 18553-18565.

25. WuW. A quantum multi-agent based neural network model for failure prediction / WuW., LiuM., LiuQ., ShenW. // JOURNAL OF SYSTEMS SCIENCE AND SYSTEMS ENGINEERING. - № 2, 2016. - V. 25. - p. 210-228.

26. Shao Z. Research on Condition Monitoring of Intelligent Substation Equipment Based on Hadoop and MapReduce / Shao Z., Min Y., Yan Y. // 10th International Conference on Intelligent Computation Technology and Automation (ICICTA). - CHINA. - OCT 09-10, 2017. -pp. 402-405.

27. Фейгенберг И.М. Быстрота моторной реакции и вероятностное прогнозирование //Физиология человека. - 2008. - Т. 34. - №. 5. - С. 51-62.

28. Waller M. A., Fawcett S. E. Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management //Journal of Business Logistics. - 2013. - Т. 34. - №. 2. - С. 77-84.

29. Hazen B. T. et al. Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications //International Journal of Production Economics. - 2014. -Т. 154. - С. 72-80.

30. Schoenherr T., Speier- Pero C. Data science, predictive analytics, and big data in supply chain management: Current state and future potential //Journal of Business Logistics. - 2015. - Т. 36. - №. 1. - С. 120-132.

31. Eckerson W. W. Predictive analytics //Extending the Value of Your Data Warehousing Investment. TDWI Best Practices Report. - 2007. - Т. 1. - С. 1-36.

32. Чугреев В.Л. Системы поддержки принятия решений с использованием методов машинного обучения и прогнозной аналитики \ Чугреев В.Л. \\ Проблемы экономического роста и устойчивого развития территорий Материалы научно-практической интернет-конференции г. Вологда, 27-29 апреля 2016 г. С. 79-83.

33. Siegel E. Predictive analytics: The power to predict who will click, buy, lie, or die. - Hoboken : Wiley, 2013. - С. 148.

34. Waller M. A., Fawcett S. E. Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management //Journal of Business Logistics. - 2013. - Т. 34. - №. 2. - С. 77-84.

35. Shmueli G., Koppius O. R. Predictive analytics in information systems research //Mis Quarterly. - 2011. - С. 553-572.

36. Schoenherr T., Speier- Pero C. Data science, predictive analytics, and big data in supply chain management: Current state and future potential //Journal of Business Logistics. - 2015. - Т. 36. - №. 1. - С. 120-132.

37. Eckerson W. W. Predictive analytics //Extending the Value of Your Data Warehousing Investment. TDWI Best Practices Report. - 2007. - Т. 1. - С. 1-36.

38. Боровиков С.М. IT-система прогнозирования надёжности сложных электронных систем методом анализа дерева отказов \ С. М. Боровиков, А. Е. Епихин \\ Информационные системы и технологии: управление и безопасность. 2013. №2. С. 140-144.

39. Боровиков С.М. IT-система прогнозирования надёжности сложных электронных систем методом анализа дерева отказов \ С. М. Боровиков, А. Е. Епихин \\ Информационные системы и технологии: управление и безопасность. 2013. №2. С. 140-144.

40. Гречко И.А. Использование методов машинного обучения для прогнозирования опасных конвективных явлений с помощью численной модели конвективного облака \ Санкт-Петербург 2017 г.

41. Wirth, Rüdiger and Jochen Hipp. "CRISP-DM: Towards a Standard Process Model for Data Mining." (2000).

42. Кожевников А.В. Применение методов машинного обучения в рамках прогнозирования состояния электромеханических систем прокатного производства \ Кожевников А.В., Илатовский И.С., Соловьева О.И. \\ Вестник Череповецкого государственного университета, 2017, №1. С. 33-39.

43. Shipp M. A. et al. Diffuse large B-cell lymphoma outcome prediction by gene-expression profiling and supervised machine learning //Nature medicine. - 2002. -Т. 8. - №. 1. - С. 68.

44. Nielsen H., Brunak S., von Heijne G. Machine learning approaches for the prediction of signal peptides and other protein sorting signals //Protein engineering. -1999. - Т. 12. - №. 1. - С. 3-9.

45. Challagulla V. U. B. et al. Empirical assessment of machine learning based software defect prediction techniques //International Journal on Artificial Intelligence Tools. - 2008. - Т. 17. - №. 02. - С. 389-400.

46. Suthaharan S. Big data classification: Problems and challenges in network intrusion prediction with machine learning //ACM SIGMETRICS Performance Evaluation Review. - 2014. - Т. 41. - №. 4. - С. 70-73.

47. Тулупьев А. Л., Фильченков А. А., Вальтман Н. А. Алгебраические байесовские сети: задачи автоматического обучения //Информационно-измерительные и управляющие системы. - 2011. - Т. 9. - №. 11. - С. 57-61.

48. van Hinsbergen C. P. I. J., Van Lint J. W. C., Van Zuylen H. J. Bayesian training and committees of state-space neural networks for online travel time prediction //Transportation Research Record. - 2009. - Т. 2105. - №. 1. - С. 118-126.

49. MacKay D. J. C. et al. Bayesian nonlinear modeling for the prediction competition //ASHRAE transactions. - 1994. - Т. 100. - №. 2. - С. 1053-1062.

50. Akoush S., Sameh A. Mobile user movement prediction using bayesian learning for neural networks //Proceedings of the 2007 international conference on Wireless communications and mobile computing. - ACM, 2007. - С. 191-196.

51. Суворова А. В. и др. Вероятностные графические модели социально-значимого поведения индивида, учитывающие неполноту информации //Труды СПИИРАН. - 2012. - Т. 3. - №. 22. - С. 101-112.

52. Artamonov Y. S. Prediction of cluster system load using adaptive model mixture //International Journal of Open Information Technologies. - 2017. - Т. 5. - №. 5. - С. 9-15.

53. Singh S. et al. SVM based system for classification of microcalcifications in digital mammograms //Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th Annual International Conference of the IEEE. - IEEE, 2006. - С. 47474750.

54. Wee L. J. K. et al. SVM-based prediction of linear B-cell epitopes using Bayes Feature Extraction //BMC genomics. - BioMed Central, 2010. - Т. 11. - №. 4. -С. S21.

55. Ma C. Y. et al. Prediction models of human plasma protein binding rate and oral bioavailability derived by using GA-CG-SVM method //Journal of pharmaceutical and biomedical analysis. - 2008. - Т. 47. - №. 4-5. - С. 677-682.

56. Deris A. M., Zain A. M., Sallehuddin R. Hybrid GR-SVM for prediction of surface roughness in abrasive water jet machining //Meccanica. - 2013. - Т. 48. - №. 8. - С. 1937-1945.

57. Chen J. H., Lin J. Z. Developing an SVM based risk hedging prediction model for construction material suppliers //Automation in construction. - 2010. - Т. 19.

- №. 6. - С. 702-708.

58. Lin J. Y., Cheng C. T., Chau K. W. Using support vector machines for long-term discharge prediction //Hydrological Sciences Journal. - 2006. - Т. 51. - №. 4.

- С. 599-612.

59. Sapankevych N. I., Sankar R. Time series prediction using support vector machines: a survey //IEEE Computational Intelligence Magazine. - 2009. - Т. 4. - №. 2.

60. Wang Z. Failure prediction using machine learning and time series in optical network \ Zhilong Wang, Min Zhang, Danshi Wang, Chuang Song, Min Liu, In Li, Liqi Lou, Zhuo Liu \\ Opt Express. 2017 Aug 7; 25(16):18553-18565.

61. Маценов А. А. Комитетный бустинг: минимизация числа базовых алгоритмов при простом голосовании //Всероссийская конференция ММРО-13. -2007. - С. 180-183.

62. Кашницкий Ю. С., Игнатов Д. И. Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов/Machine Learning in Python, Journal of Machine Learning Research, 12.-2825-2830. - 2011.

63. Попова Т. П. Ансамбли моделей как современный инструмент анализа данных //ББК 65.04 К64 Ответственные за выпуск: доктор экономических наук, ректор Уральского государственного экономического университета. - 2017. - С. 256.

64. Schapire R. E., Singer Y. Improved boosting algorithms using confidence-rated predictions //Machine learning. - 1999. - Т. 37. - №. 3. - С. 297-336.

65. Freund Y., Schapire R., Abe N. A short introduction to boosting //Journal-Japanese Society For Artificial Intelligence. - 1999. - Т. 14. - №. 771-780. - С. 1612.

66. Берестнева О. Г., Муратова Е. А. Построение логических моделей с использованием деревьев решений //Известия Томского политехнического университета. - 2004. - Т. 307. - №. 2.

67. Freund Y., Mason L. The alternating decision tree learning algorithm //icml. - 1999. - Т. 99. - С. 124-133.

68. Prasad A. M., Iverson L. R., Liaw A. Newer classification and regression tree techniques: bagging and random forests for ecological prediction //Ecosystems. -2006. - Т. 9. - №. 2. - С. 181-199.

69. Летова М.С. Реализация регрессивных и классификационных задач с помощью метода Random Forest \ М.С. Летова \\ E-Scio. 2017. №8 (11). С. 15-21.

70. Чистяков С. П. Случайные леса: обзор //Труды Карельского научного центра Российской академии наук. - 2013. - №. 1.

71. Пальмов С.В. Случайный лес: основные особенности / С.В. Пальмов, А.О. Денискова // Наука сегодня: теоретические и практические аспекты. - 2017, стр.: 51-52.

72. Meridium [Электронный ресурс] URL: http://maintex.ru/upload/iblock/935/935ece1a18b99a8d698cbd6a8b92acf9.pdf (дата обращения: 21.02.2017).

73. Беляков М. И. Оптимизация программы обслуживания оборудования на основе методологии RCM //Главный механик. - 2015. - №. 9. - С. 69.

74. Мухарямов Т. Ш. Современные подходы к автоматизации управления состоянием основного оборудования в гидроэнергетике России //Известия высших учебных заведений. Проблемы энергетики. - 2006. - №. 7-8.

75. Баскакова Н.Т. Использование методологии RCM в технологическом обслуживании и ремонтах металлургического оборудования \ Баскакова Н.Т., Сидорук И.Л., Ганникова А.А. \\ Моделирование и развитие поцессов ОМД. 2013. № 19. С. 235-239.

76. Баскакова Н.Т. Оптимизация затрат ремонтов в условиях теории ограничений с применением методов RCM \ Н.Т. Баскакова, И.Л. Сидорук \\ Актуальные проблемы современной науки, техники и образования. 2014. Т.2. №1. С. 207-211.

77. Швидченко Н.В. Система управления электроприводом отводящего рольганга широкополосного стана горячей прокатки \ Н.В. Швидченко, С.И. Лукьянов, Р.С. Пишнограев \\ «Вестник ИГЭУ» Вып. 6 2012 г. С. 1-6.

78. С.И. Лукьянов Система диагностирования оборудования электропривода отводящего рольганга стана 2000 горячей прокатки \ Лукьянов С.И., Пишнограев Р.С., Швидченко Н.В., Мухин А.П., Лазаренко А.С., Юдина

А.А., Астафьев Е.В. \\ Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2005. № 4 (12). С. 51-53.

79. Коробейников А.Б. Анализ существующих методов диагностирования электродвигателей и перспективы их развития \ Коробейников А.Б., Сарваров А.С. \\ ЭСиК. №1(26). 2015. С. 4-9.

80. Шаханов Н.И. Прогнозирование отказов оборудования на основе алгоритмов машинного обучения \ Н.И. Шаханов, В.М. Осколков, И.А. Варфоломеев, О.В. Юдина \\ Вопросы образования и науки. По материалам международной научно-практической конференции, 31 мая 2016. С. 315-317.

81. Liaw A. et al. Classification and regression by randomForest //R news. -2002. - Т. 2. - №. 3. - С. 18-22.

82. Чистяков С. П. Случайные леса: обзор //Труды Карельского научного центра Российской академии наук. - 2013. - №. 1.

83. Strobl C. et al. Bias in random forest variable importance measures: Illustrations, sources and a solution //BMC bioinformatics. - 2007. - Т. 8. - №. 1. - С. 25.

84. Крюков Ю.А. ARIMA - модель прогнозирования значений трафика / Ю.А. Крюков, Д.В. Чернягин \ Информационные технологии и вычислительные системы. 2011. №2. С. 41-49.

85. Пилюгина А.В. Использование моделей ARIMA для прогнозирования валютного курса \ А.В. Пилюгина, А.А. Бойко \\ Прикаспийский журнал: управление и высокие технологии №4 (32) 2015 Математическое моделирование численные методы и комплексы программ. С. 249-267.

86. Шаханов Н.И. Прогнозирование отказов роликов отводящего рольганга при производстве горячекатаного проката \ Н.И. Шаханов, И.А. Варфоломеев, Е.В. Ершов, О.В. Юдина \\ Производство проката. - 2018. - №7, С. 9-14.

87. Шаханов Н.И. Прогнозирование отказов оборудования в условиях малого количества поломок \ Н.И. Шаханов, В.М. Осколков, И.А. Варфоломеев,

О.В. Юдина \\ Вестник Череповецкого государственного университета. №6 (75) -2016. С-36-41.

88. Шаханов Н.И. Определение пороговых значений нормальной работы для прогнозирования отказов оборудования \ Н.И. Шаханов, О.В. Юдина \\ ЧНЧ -

2016. Материалы Всероссийской научно-практической конференции. В 3 частях.

2017. С. 216-218.

89. Липаев В.В. Сертификация программынх продуктов для управляющих систем / В.В. Липаев // Программная инженерия. М.: «Новые технологии», 2011, №4 - С 2-11.

90. Осколков В.М. Применение параллельных вычислений для прогнозирования на основе алгоритма машинного обучения Random Forest \ В.М. Осколков, Н.И. Шаханов, И.А. Варфоломеев, О.В. Юдина, Л.Н. Виноградова, Е.В. Ершов \\ Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание -2017 сборник материалов XIII Международной научно-технологической конференции. 2017. С. 267-269.

91. Шаханов Н.И. Универсализация к подходу сбора данных с ПЛК в БД Oracle. \ Н.И. Шаханов, И.А. Варфоломеев \\ Молодежь и новые информационные технологии Всероссийская научно-практическая конференция молодых ученых в рамках Программы развития деятельности студенческих объединений ЧГУ «P^TON IT». 2016. С. 146-150.

92. Sage W. et al. A scalable high-performance distributed file system //Proceedings of the 7th USENIX Symposium on Operating Systems Design and Implementation.

93. Shvachko K. et al. The hadoop distributed file system //Mass storage systems and technologies (MSST), 2010 IEEE 26th symposium on. - Ieee, 2010. - С. 110.

94. Taylor R. C. An overview of the Hadoop/MapReduce/HBase framework and its current applications in bioinformatics //BMC bioinformatics. - BioMed Central, 2010. - Т. 11. - №. 12. - С. S1.

95. Thusoo A. et al. Hive-a petabyte scale data warehouse using hadoop //Data Engineering (ICDE), 2010 IEEE 26th International Conference on. - IEEE, 2010. - С. 996-1005.

96. Leverich J., Kozyrakis C. On the energy (in) efficiency of hadoop clusters //ACM SIGOPS Operating Systems Review. - 2010. - Т. 44. - №. 1. - С. 61-65.

97. Dittrich J., Quiane-Ruiz J. A. Efficient big data processing in Hadoop MapReduce //Proceedings of the VLDB Endowment. - 2012. - Т. 5. - №. 12. - С. 2014-2015.

98. O'Malley O. Terabyte sort on apache hadoop //Yahoo, available online at: http://sortbenchmark. org/Yahoo-Hadoop. pdf,(May). - 2008. - С. 1-3.

99. Шаханов Н.И. Многопоточное приложение сбора технологической информации с PLC на основе технологии OPC \ Н.И. Шаханов, О.В. Юдина \\ Современные информационные технологии. Теория и практика. Материалы III Всеросийской научно-практической конференции. Под редакцией Т.О. Петровой. 2017. С. 121-125.

100. Осколков В.М. Использование метода машинного обучения для повышения продуктивности на предприятии \ В.М. Осколков, Н.И. Шаханов, И.А. Варфоломеев, О.В. Юдина, Е.В. Ершов \\ Автоматизация и энергосбережение машиностроительного и металлургических производств, технология и надежность машин, приборов и оборудования. Материалы XII Международной научно-технологической конференции. 2017. С. 177-180.

101. Шаханов Н.И. Универсальный подход сбора технологической информации с контроллеров промышленных агрегатов \ Н.И. Шаханов, В.М. Осколков, И.А. Варфоломеев, О.В. Юдина, Л.Н. Виноградова, Е.В. Ершов \\ Вузовская наука - региону Материалы XV Всеросийской научной конференции с международным участием. 2017. С. 113-115.

102. Шаханов Н.И. Прогнозирование аномалий в работе натяжных устройств агрегата полимерных покрытий металла в условиях малого количества поломок \ Н.И. Шаханов, И.А. Варфоломеев, Е.В. Ершов, О.В. Юдина \\ Программные продукты и системы. 2018. С. 2012-2018.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.