О.В. Дрозд 1

1 Сибирский федеральный университет (г. Красноярск, Россия)
1 odrozd@sfu-kras.ru

Постановка проблемы. Современные достижения в области интеллектуальных датчиков и промышленного Интернета вещей предоставляют возможность непрерывного контроля работы технологического оборудования, оценки его производительности и эффективности функционирования. При этом формируется большой массив данных о текущем состоянии объектов контроля, что позволяет использовать методы искусственного интеллекта для решения задач прогнозирования сбоев и формирования рекомендаций по техническому обслуживанию. Также для решения актуальной проблемы автоматизации оперативного контроля технологического оборудования, прогнозирования его состояния и визуализации рекомендаций по техническому обслуживанию могут использоваться человеко-машинные интерфейсы с применением технологии дополненной реальности.

Цель. Осуществить реализацию механизмов оперативного контроля и прогнозирования состояния технологического оборудования в условиях механообрабатывающего производства.

Результаты. Разработана система оперативного контроля технологического оборудования с использованием технологии дополненной реальности, обеспечивающая сбор и вывод данных о функционировании технологического оборудования, прогностическую аналитику и вывод полученных результатов в доступном для персонала формате. Подробно рассмотрены техническая реализация и результаты программно-аппаратного моделирования предлагаемой системы оперативного контроля технологического оборудования. Отмечено, что процесс оперативного контроля технологического оборудования с использованием данной системы предполагает регистрацию и статистический анализ параметров объекта контроля, обучение нейросетевой модели с последующим формированием массива прогнозируемых значений параметров, регистрацию и оперативную обработку графических маркеров целевых объектов с форматированием и выводом полученных рекомендаций с использованием технологии дополненной реальности.

Практическая значимость. Результаты моделирования показали, что используемые методы статистического анализа не обеспечивают прогнозирования значений функциональных параметров объекта оперативного контроля. При этом для решения данной задачи может использоваться комбинированная модель машинного обучения в форме последовательного соединения сверточной и рекуррентной нейронных сетей.

Дрозд О.В. Система оперативного контроля технологического оборудования с использованием технологии дополненной реальности // Динамика сложных систем. 2025. Т. 19. № 1. С. 24−32. DOI: 10.18127/j19997493-202501-03

1. Yan W., Shi Y., Ji Z., Sui Y., Tian Z., Wang W., Cao Q. Intelligent predictive maintenance of hydraulic systems based on virtual knowledge graph. Engineering Applications of Artificial Intelligence. 2023. V. 126. P. 106798. DOI: 10.1016/j.engappai.2023.106798.
2. Hurtado J., Salvati D., Semola R., Bosio M., Lomonaco V. Continual learning for predictive maintenance: Overview and challenges. Intelligent Systems with Applications. 2023. V. 19. P. 200251. DOI: 10.1016/j.iswa.2023.200251.
3. Liao R., He Y., Feng T., Yang X., Dai W., Zhang W. Mission reliability-driven risk-based predictive maintenance approach of multistate manufacturing system. Reliability Engineering & System Safety. 2023. V. 236. P. 109273. DOI: 10.1016/j.ress.2023.109273.
4. Zhong D., Xia Z., Zhu Y., Duan J. Overview of predictive maintenance based on digital twin technology. Heliyon. 2023. V. 9, № 4. P. e14534. DOI: 10.1016/j.heliyon.2023.e14534.
5. Zhuang L., Xu A., Wang X.-L. A prognostic driven predictive maintenance framework based on Bayesian deep learning. Reliability Engineering & System Safety. 2023. V. 234. P. 109181. DOI: 10.1016/j.ress.2023.109181.
6. Wu D., Jennings C., Terpenny J., Gao R.X., Kumara S. A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests. ASME Journal of Manufacturing Science and Engineering. 2017. V. 139, № 7. P. 071018. DOI: 10.1115/1.4036350.
7. Feng Q., Zhang Y., Sun B., Guo X., Fan D., Ren Y., Song Y., Wang Z. Multi-level predictive maintenance of smart manufacturing systems driven by digital twin: A matheuristics approach. Journal of Manufacturing Systems. 2023. V. 68. P. 443–454. DOI: 10.1016/j.jmsy.2023.05.004.
8. Wang B., Zheng P., Yin Y., Shih A., Wang L. Toward human-centric smart manufacturing: A human-cyber-physical systems (HCPS) perspective. Journal of Manufacturing Systems. 2022. V. 63. P. 471–490. DOI: 10.1016/j.jmsy.2022.05.005.
9. Liu Q, Liu M., Zhou H., Yan F., Ma Y., Shen W. Intelligent manufacturing system with human-cyber-physical fusion and collaboration for process fine control. Journal of Manufacturing Systems. 2022. V. 64. P. 149–169. DOI: 10.1016/j.jmsy.2022.06.004.
10. Taşci B., Omar A., Ayvaz S. Remaining useful lifetime prediction for predictive maintenance in manufacturing. Computers & Industrial Engineering. 2023. V. 184. P. 109566. DOI: 10.1016/j.cie.2023.109566.
11. Nasir V., Sassani F. A review on deep learning in machining and tool monitoring: methods, opportunities, and challenges. The International Journal of Advanced Manufacturing Technology. 2021. V. 115. P. 2683–2709. DOI: 10.1007/s00170-021-07325-7.