Математическая модель снижения неопределенности на основе теории свидетельств Демпстера–Шафера на уровне сбора данных в автоматизированных системах прогнозируемого обслуживания

Постановка проблемы. Отличительная особенность работы современных промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания многостадийных технологических процессов, систем поддержки принятия решений, аналитических, экспертных и других производственных систем заключается в наличии большого числа факторов неопределенности при сборе и анализе данных от большого числа датчиков промышленного Интернета вещей, которые эксплуатируются при различных внешних и внутренних условиях окружающей среды. Одним из общих подходов для снижения неопределенности в собираемых данных и повышения степени доверия к ним может быть объединение методов интеллектуальной обработки нечеткой информации, методов нейронных сетей и теории свидетельств Демпстера–Шафера. В этих условиях необходима разработка новых моделей, алгоритмов и программ, которые бы могли решать задачи снижения факторов неопределенности данных для улучшения работы прогнозных моделей, подготовки экспертных заключений и оптимизации
на их основе, расписаний по техническому обслуживанию промышленного оборудования.

Цель. Разработать математическую модель снижения неопределенности данных, получаемых с устройств (датчиков, шлюзов и др.) промышленного Интернета вещей и обрабатываемых в системах прогнозируемого обслуживания промышленных предприятий на основе теории свидетельств Демпстера–Шафера, которая позволит повысить точность прогнозов состояний работы эксплуатируемого оборудования, а также внести необходимые уточнения в графики и расписания проведения различных видов работ, необходимых для поддержания оборудования в рабочем состоянии.

Результаты. Разработана математическая модель снижения неопределенности в системах прогнозируемого обслуживания на основе теории свидетельств Демпстера–Шафера. Представлены алгоритм и его программная реализация на языке программирования Python. Установлено, что разработанная модель не требует априорной информации о гипотезе, она поддерживает моделирование конфликтов между различными источниками данных, и хорошо подходит для малодостоверных или неоднозначных показаний датчиков. Отмечено, что особенностью программы является ее универсальность, в которой предусмотрена возможность: работы с большим количеством датчиков, добавлением новых состояний оборудования и интеграции в работу промышленных систем прогнозируемого обслуживания.

Практическая значимость. Результаты исследования могут быть использованы для улучшения работы промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания, в которых мультимодальные данные собираются с разных типов и видов устройств промышленного Интернета вещей, эксплуатируемых при различных внешних и внутренних условиях окружающей среды.