Описание
Программа, предназначена для прогнозирования досрочного выхода из строя агрегатов и комплектующих (АиКИ) устройств, и может применяться в системах автоматизации, связанных с планированием и проведением работ по техническому обслуживанию и ремонту оборудования.
Основные входные данными программы − ретроспективные и плановые данные о снятиях и ремонтах АиКИ, а также данные о принадлежности АиКИ к различным подсистемам различного типа оборудования. Выходными данными является прогноз вероятности (и др. статических параметров) нерегламентированного ремонта АиКИ, сопряженного с заменами и ремонтами для других АиКИ.
Наименование: Модуль интеллектуального прогнозирования досрочного выхода из строя агрегатов.
Назначение: программа предназначена для построения прогнозов вероятности досрочного выхода из строя агрегатов и комплектующих (АиКИ) и может применяться в системах автоматизации, связанных с планированием и проведением работ по техническому обслуживанию и ремонту оборудования.
Программа содержит два основных подмодуля, реализующих предобработку исходных данных и нейросетевую модель. Программа имеет два режима работы – обучение нейросетевой модели на ретроспективных данных и прогон данной модели на данных планируемой эксплуатации оборудования для получения прогноза. Программа успешно апробирована при создании нейросетевой системы прогноза досрочного выхода из строя агрегатов и комплектующих воздушных судов.
Входные данные для обучения: Входными данными программы является ретроспективные данные об эксплуатационных ресурсах и действиях (снятия, установки, ремонты) над АиКИ и о жизненном цикле, условиях эксплуатации и планов эксплуатаций использующего их оборудования, собранные статистические данные по фактическим выходам деталей из строя, получение данных с бортовых устройств регистрации.
Признаки для прогнозирования:
- завод-изготовитель,
- время эксплуатации детали,
- режим эксплуатации детали (короткие вылеты или длинные),
- режимы эксплуатации двигателей, в том числе наличие фактов применения экстремальных режимов
- климатическая зона эксплуатации детали,
- срок службы, установленный производителем,
- количество перестановок с борта на борт,
- фирма, производившая ремонт,
- прочие признаки «истории» детали, по которым имеется статистика.
Размерность входного вектора: 10-30
Веса обучающих примеров: по стоимости запчасти ремонта времени доставки
Тип входных данных: численные, категориальные
Тип нейросетевой модели: многофакторная регрессия
Архитектура модели: глубинные нейронные сети
Целевая переменная: % времени от срока службы до требуемой замены агрегата
Верификация модели: контрольная выборка
Выходные данные: прогноз вероятности (и др. статических параметров) досрочного выхода из строя АиКИ для заданного периода заблаговременности прогноза
Требования к точности: погрешность не более 5% от срока службы
Если вы обнаружили ошибку, пожалуйста, уведомите нас — выделите текст с ошибкой и нажмите клавиши Ctrl+Enter. Отключите блокировщик рекламы, если после нажатия комбинации кнопок не срабатывает всплывающее окно.
