И.В. Чеботарь1, Ю.Н. Гайчук2, М.А. Сиваш3, М.Я. Михлин4

1–4 Военный университет радиоэлектроники (г. Череповец, Россия)

1–4 vure_nio@mil.ru

Постановка проблемы. Модели прогнозирования на основе нейронных сетей, обученные на исторических данных функционирования технических систем и условий эксплуатации, для прогнозирования отказов оборудования со временем деградируют и эффективность их применения снижается. Основной причиной их деградации является нарушение фундаментального предположения о совпадении распределений обучающей выборки и эксплуатационных данных. Вместе с тем, классические методы обнаружения смещения распределения не нацелены на анализ изменения внутреннего представления модели, формируемого в скрытых слоях нейронных сетей, содержащих потенциальную информацию для раннего обнаружения смещения распределения.

Цель. Выявить и проверить устойчивость информативных признаков, указывающих на потенциальное снижение точности модели прогнозирования во времени.

Результаты. Проанализированы исторические данные на нормальность распределения для определения метрик оценки скрытых слоев модели прогнозирования на основе нейронной сети долгой краткосрочной памяти (Long Short-Term Memory, LSTM). Проведено моделирование процесса прогнозирования отказов радиоэлектронной аппаратуры на основе временных рядов климатических факторов влияния и эксплуатационных параметров, сформированных в различные временные периоды. Получены значения состояний скрытых слоев модели прогнозирования и приведена их оценка. Представлено сравнение точности модели прогнозирования при наличии и отсутствии смещения распределения.

Практическая значимость. Применение полученных результатов обеспечит повышение точности прогнозирования отказов радиоэлектронной аппаратуры с использованием рекуррентной нейронной сети LSTM за счет обнаружения смещения распределения в скрытых слоях модели и его последующего нивелирования.

Чеботарь И.В., Гайчук Ю.Н., Сиваш М.А., Михлин М.Я. Моделирование процесса прогнозирования отказов радиоэлектронной аппаратуры с использованием рекуррентной нейронной сети // Электромагнитные волны и электронные системы. 2025. Т. 30. № 4. С. 86−99. DOI: https://doi.org/10.18127/j15604128-202504-08

1. Соколович М.Г., Аксёненко М.А., Захарьев В.А. Системы предиктивного обслуживания технологического оборудования на основе методов искусственного интеллекта // Материалы Междунар. науч. конф. «Информационные технологии и системы 2024».  Минск: БГУИР. 2024. С. 32–33.
2. Яковлева М.В., Шалина А.И. Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях // Вопросы инновационной экономики. 2023. Т. 13. № 1. С. 159–172. DOI 10.18334/ vinec.13.1.117426.
3. ГОСТ Р ИСО 13381-1–2016. Контроль состояния и диагностика машин. Прогнозирование технического состояния. Часть 1. Общие руководство. М.: Стандартинформ. 2017. 20 с.
4. Перлов А.Ю., Панкратов В.А., Тимошенко А.В., Тихонов В.Б. Методика обработки данных контрольно-диагностической системы для поддержания энергетического потенциала РЛС дальнего обнаружения // Наукоемкие технологии. 2022. Т. 23. № 5. С. 66−73. DOI 10.18127/j19998465-202205-09.
5. Jardine A.K.S., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. 2006. V. 20. № 7. P. 1483–1510. DOI 10.1016/j.ymssp.2005.09.012.
6. BS EN 13306:2017. Maintenance. Maintenance terminology. Brussels: European Committee for Standardization. 2017.
7. Davari N., Veloso B., Costa G.De.A., Pereira P.M., Ribeiro R.P., Gama J. A Survey on Data-Driven Predictive Maintenance for the Railway Industry // Sensors. 2021. V. 21. № 17. P. 5739. DOI 10.3390/s21175739.
8. Le Nguyen M.H. Online machine learning-based predictive maintenance for the railway industry. Machine Learning. Institut Polytechnique de Paris. 2023. 191 p.
9. Hurtado Ju., 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.
10. Marcus G. Deep learning: A critical appraisal. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1801.00631v1, дата обращения 12.03.2025.
11. Bayram F., Ahmed B.S., Kassler A. From concept drift to model degradation: An overview on performance-aware drift detectors // Knowledge-Based Systems. 2022. V. 245. P. 108632. DOI 10.1016/j.knosys.2022.108632.
12. Moreno-Torres J.G., Raeder T., Alaiz-Rodríguez R., Chawla N.V., Herrera F. A unifying view on dataset shift in classification // Pattern recognition. 2012. V. 45. № 1. P. 521–530. DOI 10.1016/j.patcog.2011.06.019.
13. Palli A.S., Jaafar Ja., Gomes H.M., Hashmani M.A., Gilal A.R. An Experimental Analysis of Drift Detection Methods on Multi-Class Imbalanced Data Streams // Applied Sciences (Switzerland). 2022. V. 12. № 22. P. 11688. DOI 10.3390/app122211688.
14. Page E.S. Continuous inspection schemes // Biometrika. 1954. V. 41. № 1-2. P. 100.
15. Gama J., Medas P., Castillo G., Rodrigues P. Learning with drift detection // Advances in Artificial Intelligence. 2004. V. 3171. P. 286–295. DOI 10.1007/978-3-540-28645-5_29.
16. Ross G.J., Adams N.M., Tasoulis D.K., Hand D.J. Exponentially weighted moving average charts for detecting concept drift // Pattern Recognition Letters. 2012. V. 33. № 2. P. 191–198. DOI 10.1016/j.patrec.2011.08.019.
17. Sethi T.S., Kantardzic M. On the reliable detection of concept drift from streaming unlabeled data // Expert Systems with Applications. 2017. V. 82. P. 77–99. DOI 10.1016/j.eswa.2017.04.008.
18. Dasu T., Krishnan S., Venkatasubramanian S., Yi K. An information-theoretic approach to detecting changes in multi-dimensional data streams. [Электронный ресурс] – Режим доступа: https://cse.hkust.edu.hk/~yike/datadiff/datadiff.pdf, дата обращения 12.03.2025.
19. Bifet A., Gavalda R. Learning from time-changing data with adaptive windowing // Proceedings of the 2007 SIAM international conference on data mining. 2007. P. 443–448. DOI 10.1137/1.9781611972771.42.
20. Raab C., Heusinger M., Schleif F.-M. Reactive soft prototype computing for concept drift streams // Neurocomputing. 2020. V. 416. P. 340–351. DOI 10.1016/j.neucom.2019.11.111.
21. Намиот Д.Е., Ильюшин Е.А. Мониторинг сдвига данных в моделях машинного обучения // International Journal of Open Information Technologies. 2022. Т. 10. № 12. С. 84–93.
22. Lu J., Liu A., Dong F., Gu F., Gama J., Zhang G. Learning under Concept Drift: A Review // IEEE Transactions on Knowledge and Data Engineering. 2019. V. 31. № 12. P. 2346–2363. DOI 10.1109/TKDE.2018.2876857.
23. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. V. 9. № 8. P. 1735–1780. DOI 10.1162/ neco.1997.9.8.1735.
24. Kullback S., Leibler R.A. On Information and Sufficiency // Annals of Mathematical Statistics. 1951. V. 22. № 1. P. 79–86. DOI 10.1214/aoms/1177729694.
25. Gretton A., Borgwardt K.M., Rasch M.J., Schölkopf B., Smola A.J. A Kernel Two-Sample Test // Journal of Machine Learning Research. 2012. V. 13. P. 723–773.
26. ML Interview Q Series: Implement K-Means clustering from scratch in Python and return cluster labels for each data point. [Электронный ресурс] – Режим доступа: https://www.rohan-paul.com/p/ml-interview-q-series-implement-k, дата обращения 12.03.2025.
27. Метод SHAP для категориальных признаков. [Электронный ресурс] – Режим доступа: https://nuancesprog.ru/p/16186/, дата обращения 12.03.2025.
28. Бердникова О.М., Леденева Т.М. Особенности проведения разделяющей бинарной кластеризации для интервальных величин // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2016. № 4. С. 134–141.
29. Корячко В.П., Орешков В.И. Выбор числа кластеров в задачах кластеризации с использованием метода силуэтов // Сборник научных статей IX междунар. науч.-практич. конф. «BIG DATA и анализ высокого уровня». Минск: Белорусский государственный университет информатики и радиоэлектроники. 2023. Ч. 1. С. 333–340.
30. Кузнецов В.О. Использование метода главных компонент для анализа надежности цепей поставок // Логистика и управление цепями поставок. 2018. № 4(87). С. 27–33.
31. Денисенко А.А. Исследование методов сокращения размерности в задаче распознавания образов // Международный журнал прикладных и фундаментальных исследований. 2020. № 12. С. 65–69. DOI 10.17513/mjpfi.13161.
32. Архив погоды. [Электронный ресурс] – Режим доступа: https://arhivpogodi.ru, дата обращения 12.03.2025.
33. Shapiro S.S., Wilk M.B. An analysis of variance test for normality (complete samples) // Biometrika. 1965. V. 52. № 3-4. P. 591–611. DOI 10.2307/2333709.
34. Anderson T.W., Darling D.A. Asymptotic theory of certain «goodness of fit» criteria based on stochastic processes // Annals of Mathematical Statistics. 1952. V. 23. № 2. P. 193–212. DOI 10.1214/aoms/1177729437.
35. Отчет о выполнении Межведомственной программы научных исследований и наблюдений на архипелаге Шпицберген в 2022 году. [Электронный ресурс] – Режим доступа: https://data.aari.ru/rscs_new/files/doc/RSCS_report2022.pdf, дата обращения 12.03.2025.
36. Отчет о выполнении Межведомственной программы научных исследований и наблюдений на архипелаге Шпицберген в 2021 году. [Электронный ресурс] – Режим доступа: https://data.aari.ru/rscs_new/files/doc/RSCS_2021o.pdf, дата обращения 12.03.2025.