Целью настоящей работы является исследование подхода к формированию информационного обеспечения по управлению моделями интеллектуального анализа данных для предиктивного технического обслуживания промышленных роботов. Данный подход включает в себя методы детектирования аномальных значений и методы прогнозирования целевого параметра. Для формирования информационного обеспечения использованы методы оценки меры сходства исторических данных о производственном процессе и методы оценки точности моделей анализа данных на базе конвейера обработки данных. Для оценки внедрения данного подхода была разработана имитационная модель, демонстрирующая повышение экономической эффективности информационного обеспечения процесса принятия решений на основе данных за счет сокращения расходов на процесс конструирования моделей анализа данных при наличии массива ранее обученных моделей. Результаты моделирования продемонстрировали увеличение эффективности технического обслуживания на основе данных за счет сокращения временных ресурсов на конструирование новых моделей анализа данных. Расчет имитационной модели проводился на наборах данных, отражающих время на обучение и тестирование пяти моделей анализа данных, а также время прогнозирования значений целевого параметра выборки (на примере решения задачи прогнозирования температуры электропривода промышленного робота).
The purpose of this work is to investigate an approach to the formation of information support for managing data mining models for predictive maintenance of industrial robots. This approach includes methods for detecting abnormal values and methods for predicting the target parameter. To form information support, methods for evaluating the similarity of historical data on the production process and methods for evaluating the accuracy of data analysis models based on the data processing pipeline were used. To assess the implementation of this approach, a simulation model was developed that demonstrates an increase in the economic efficiency of information support for the data-based decision-making process by reducing the cost of constructing data analysis models in the presence of an array of previously trained models. The simulation results demonstrated an increase in data-based maintenance efficiency by reducing time resources for constructing new data analysis models. The simulation model was calculated on data sets reflecting the time for training and testing of five data analysis models, as well as the time for predicting the values of the target sample parameter (using the example of solving the problem of predicting the temperature of an electric drive of an industrial robot).
1. Kayan H., Heartfield R., Rana O., Burnap P. Penera C. CASPER: Context-aware IoT anomaly detection system for industrial robotic arms // ACM Transactions on Internet of Things. 2024. Т. 5, №. 3. С. 1-36. DOI: 10.1145/3670414.
2. Carvalho T.P., Soares F.A., Vita R., Francisco R.P. A systematic literature review of machine learning methods applied to predictive maintenance // Computers & Industrial Engineering. 2019. Т. 137. С. 106024. DOI: 10.1016/j.cie.2019.106024.
3. Torim A., Liiv I., Ounoughi C., Yahia S. B. Pattern Based Software Architecture for Predictive Maintenance // Symposium of the Norwegian AI Society. Cham: Springer International Publishing, 2022. С. 26-38. DOI: 10.1007/978-3-031-17030-0_3.
4. Gopaluni R.B., Tulsyan A., Chachuat B., Huang B. Modern machine learning tools for monitoring and control of industrial processes: A survey // IFAC-PapersOnLine. 2020. Т. 53, № 2. С. 218-229. DOI: 10.1016/j.ifacol.2020.12.126.
5. Larocque-Villiers J., Dumond P., Knox D. Automating predictive maintenance using state-based transfer learning and ensemble methods // 2021 IEEE international symposium on robotic and sensors environments (ROSE). IEEE, 2021. С. 1-7. DOI: 10.1109/ROSE52750.2021.9611768.
6. Чепкасов А. Ю., Писанкин А. С. Исследование зависимостей физических характеристик при работе промышленного манипулятора с использованием методов машинного обучения // Молодежь и современные информационные технологии: сборник трудов XVII Международной научно-практической конференции студентов, аспирантов и молодых учёных, 17-20 февраля 2020 г. Томск: Томский политехнический университет, 2020. С. 68-69.
7. Goncharov A., Savelev A., Krinitsyn N., Mikhalevich S. Automated anomalies detection in the work of industrial robots // IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2021. Т. 1019, № 1. С. 012095. DOI: 10.1088/1757-899X/1019/1/012095.
8. Liu G.J., Chen H., Wang L.Y., Zhu D. Metric learning based similarity measure for attribute description identification of energy data // 2020 International Conference on Machine Learning and Cybernetics (ICMLC). IEEE. 2020. С. 219-223. DOI: 10.1109/ICMLC51923.2020.9469547.
9. Zhuang F., Qi Z., Duan K., Xi D., Zhu Y., Zhu H., Xiong H., He Q. A comprehensive survey on transfer learning // Proceedings of the IEEE. 2020. Т. 109, № 1. С. 43-76. DOI: 10.1109/JPROC.2020.3004555.
10. Гончаров А.С., Савельев А.О., Писанкин А.С., Чепкасов А.Ю. Разработка алгоритма подбора модели анализа данных для прогнозирования работоспособности промышленных роботов // Моделирование, оптимизация и информационные технологии. 2023. Т. 11, № 4. URL: https://moitvivt.ru/ru/journal/pdf?id=1437 (дата обращения: 01.09.2024). DOI: 10.26102/2310-6018/2023.43.4.028.
11. Tidriri K., Braydi A., Kazmi H. Data-driven decision-making methodology for prognostic and health management of wind turbines // 2021 Australian & New Zealand Control Conference (ANZCC). IEEE. 2021. С. 104-109. DOI: 10.1109/ANZCC53563.2021.9628240.
12. Garan M., Tidriri K., Kovalenko I. A data-centric machine learning methodology: Application on predictive maintenance of wind turbines // Energies. 2022. Т. 15, № 3. С. 826. DOI: 10.3390/en15030826.
13. Arena S., Florian E., Zennaro I., Orrù P.F., Sgarbossa F. A novel decision support system for managing predictive maintenance strategies based on machine learning approaches // Safety science. 2022. Т. 146. С. 105529. DOI: 10.1016/j.ssci.2021.105529.