Архив статей журнала
Алгоритмы машинного обучения предоставляют широкий спектр возможностей для предиктивного анализа работы технологического оборудования. Они позволяют выявлять скрытые закономерности и прогнозировать будущие события на основе имеющихся данных. Целью данного исследования является анализ и сравнение методов машинного обучения для реализации задач прогнозирования состояния вибрации компрессорной установки. Каждый из методов имеет свои преимущества и ограничения, поэтому выбор конкретного алгоритма зависит от решаемой задачи применительно к характеристикам оборудования и данных. В данной работе исследованы методы машинного обучения для решения задачи регрессии: в случае прогнозирования одномерных рядов использованы методы авторегрессии и авторегрессии со скользящей средней; для прогнозирования многомерных рядов использованы методы линейной регрессии, деревьев решений, случайный лес и градиентный бустинг. Проведен сравнительный анализ методов машинного обучения. Из результатов анализа видно, что для задачи регрессии наилучшими методами являются ансамблевые методы, такие как случайный лес и XGBoost. Применение XGBoost значительно улучшает качество прогнозов, особенно при работе с большим объемом данных. Для моделей AutoReg и ARIMA необходим стационарный временной ряд для получения точных и интерпретируемых результатов. Важно экспериментировать и настраивать параметры для каждого конкретного временного ряда, учитывая такие факторы, как наличие сезонности, тренда и выбросов в данных. При выборе метода прогнозирования необходимо учитывать не только его математические характеристики, но и особенности конкретных данных, на которых он будет применен.
До сих пор неполно освещены вопросы прогнозирования эффективности работы оборудования обогатительных фабрик как одного из основных подразделений по переработке добытого полезного ископаемого на горно-обогатительном комбинате при реализации технологических процессов измельчения руды; приведенные оценки являются в основном приближенными и характеризуются низким уровнем достоверности. Целью данной работы является разработка моделей для построения прототипов подсистемы, которая поспособствует повышению эффективности работы измельчительного оборудования и фабрики в целом за счет гибкого и оперативного планирования производственных затрат. Проведенный анализ указывает на актуальность в данном аспекте методов предиктивной аналитики, обеспечивающих установление научно обоснованных обратных связей, актуализацию выработки управляющих решений в сфере планирования производства на основе высокоточных модельных оценок и прогнозирования результатов производственных операций и процессов с учетом изменений широкого спектра технологических параметров. Представлены концептуальная теоретико-множественная и схематичные функциональные модели исследуемой подсистемы, которые позволили выявить, детализировать и изучить ее функции и реализующие их компоненты, параметры состояния этих компонентов, механизмы их взаимодействия между собой, внешней средой и другими подсистемами, вовлеченными в процесс автоматизации производственного процесса. Разработка и внедрение подсистемы предиктивной аналитики позволят реализовать высокоточные модельные оценки показателей работы оборудования в режиме онлайн и, что крайне важно, их прогнозирование при переходе к сырью с другими характеристиками, а также при изменении технологических параметров. В данной работе были представлены результаты разработки и исследования моделей подсистемы предиктивной аналитики в составе интегрирующего уровня при автоматизированном управлении обогатительной фабрикой горно-обрабатывающего комбината.