Формирование обучающих выборок для диагностирования технического состояния гидравлических систем методами машинного обучения

Abstract

Современные системы диагностирования и контроля сложных технических систем базируются на методах машинного обучения, для реализации которых требуется накопление и обработка больших объемов информации. Формирование данных на основе математического или имитационного моделирования является предпочтительным по сравнению с экспериментом, так как не только затрачивает меньше времени, но и позволяет имитировать неисправности, которые затруднительно или невозможно реализовать на стенде. Однако при этом возникает необходимость в разработке адекватной реальным процессам модели объекта диагностирования, а также в обработке и систематизации полученной информации. В работе на основе моделирования динамических процессов в гидравлической системе в исправном и неисправном состояниях при управляющем и возмущающем воздействиях сформированы массивы данных, используемые в машинном обучении для диагностирования её неисправностей. В результате виртуального моделирования в программном пакете SimulationX рассчитаны переходные процессы по основным параметрам гидравлической системы, адекватные экспериментальным данным. Разработан алгоритм обработки и систематизации переходных процессов, позволяющий формировать обучающие выборки при различных технических состояниях системы. Публикуемый материал может быть полезен для специалистов, разрабатывающих методы контроля и диагностирования гидравлических систем энергетических и технологических комплексов на основе методов машинного обучения. Modern systems for diagnosing and monitoring complex technical systems are based on machine learning methods, which require the accumulation and processing of large amounts of information. The compilation of data based on mathematical or simulation modeling is preferable in comparison with the experiment, since it not only spends less time, but also allows you to simulate malfunctions that are difficult or impossible to implement at the test rig. However, this necessitates the development of a model of the diagnostic object adequate to real processes, as well as the processing and systematization of the information received. In this work, based on the modeling of dynamic processes in the hydraulic system in good and faulty states in the SimulationX software package training sets are compiled that are used in machine learning to diagnose system failures. The transients of the main parameters of the system are calculated that are adequate to experimental data, an algorithm for their processing and the compilation of training sets is developed. The published material may be useful for specialists developing methods for monitoring and diagnosing hydraulic systems of energy and technological complexes based on machine learning methods.