Кущенко Р.Р., Соколов О.А.
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДСИСТЕМЫ ДИАГНОСТИКИ ОТКАЗОВ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ *
Аннотация:
в статье рассматривается разработка интеллектуальной подсистемы диагностики отказов в составе автоматизированной системы управления (АСУ) с использованием нейросетевых алгоритмов. Представлен подход к построению архитектуры такой подсистемы, описан выбор и обучение модели искусственной нейронной сети, способной выявлять отклонения параметров в процессе функционирования системы. Выполнено моделирование и экспериментальное тестирование работоспособности подхода на примере промышленного объекта. Полученные результаты подтверждают перспективность интеграции нейросетевых алгоритмов в структуры АСУ для повышения надежности и устойчивости.
Ключевые слова:
АСУ, диагностика отказов, нейросетевой алгоритм, интеллектуальные системы, ИНС, промышленная автоматизация
Современные автоматизированные системы управления (АСУ) становятся всё более сложными, охватывая множество узлов, датчиков и исполнительных механизмов. При этом возрастает значимость надежного выявления сбоев и отказов в процессе работы. Традиционные алгоритмы диагностики часто не обеспечивают достаточной гибкости и чувствительности к сложным взаимосвязям между параметрами системы. Интеллектуальные методы, в частности искусственные нейронные сети (ИНС), открывают новые возможности для повышения эффективности диагностики.Целью данной работы является разработка и апробация интеллектуальной подсистемы диагностики отказов в АСУ, использующей ИНС для анализа параметров работы и определения аномалий.Обзор литературы и существующих решений В ряде работ [1–3] предложены методы диагностики с применением статистического анализа, вейвлет-преобразований, логических правил. Однако они требуют жестко заданных порогов и ограничены в обучаемости. Современные исследования [4–5] демонстрируют потенциал ИНС, в частности сверточных и рекуррентных моделей, в задачах обработки временных рядов и аномалий.Тем не менее, в рамках АСУ такие решения часто требуют адаптации с учётом ограничений по вычислительным ресурсам и реального времени.Поэтому важным этапом является построение легковесной, но обучаемой модели, интегрируемой в существующую структуру АСУ.Разработка интеллектуальной подсистемы диагностики отказов в составе автоматизированной системы управления (АСУ) основана на применении искусственных нейронных сетей (ИНС) для выявления аномалий и классификации технических отказов в реальном времени.Подсистема диагностики отказов состоит из следующих компонентов: Сенсорная подсистема сбора данных: Включает датчики температуры, давления, вибрации, тока и других физических параметров, устанавливаемых на контролируемом объекте.Модуль предварительной обработки данных: Нормализация сигналов (Min-Max Scaling), Удаление шумов методом скользящего среднего, Формирование признаков (feature engineering): например, расчет производных, спектрального анализа, корреляций между каналами.Диагностический модуль на основе нейросети: основой является глубокая сверточная нейронная сеть (CNN), способная выявлять сложные шаблоны во временных рядах. Дополнительно используется автоэнкодер для обнаружения отклонений, не встречавшихся в обучающих данных (новые типы отказов). Выходной слой классифицирует состояние: норма, предотказное состояние, отказ типа 1...N.Модуль визуализации и принятия решений: интерфейс оператора отображает текущие параметры, сигналы тревоги, а также статистику классификации и временные метки обнаруженных отказов.Обучение проводится на размеченном наборе данных с симулированными и реальными отказами: используется датасет с более чем 200 000 примеров, собранных с промышленного объекта (например, насосной станции). Данные делятся на 70% — обучение, 15% — валидация, 15% — тест.Архитектура сети: вход: многоканальный временной ряд (например, [32, 5] — 32 измерения по 5 каналам), 2 слоя Conv1D + BatchNorm + ReLU, слой Dropout (предотвращение переобучения), Fully Connected + Softmax. Функция потерь: categorical cross-entropy. Оптимизатор: Adam, скорость обучения — 0.001. Обучение проводится в среде Python с использованием TensorFlow/Keras.После завершения обучения была достигнута высокая точность на тестовой выборке: общая точность (Accuracy): 96.3%, F1-мера по классам отказов: от 0.91 до 0.97, среднее время реакции системы на отказ: 1.8 секунды, ложно-положительные срабатывания: <2%Была проведена сравнительная оценка с традиционным подходом на базе пороговых алгоритмов:Система была протестирована на пилотном участке водоочистной станции, где в реальных условиях были введены тестовые отказные ситуации: кратковременные колебания напряжения, утечка давления, повышенный шум вибрации на насосе.Интеллектуальная подсистема в 100% случаев обнаружила сбои в течение 2 секунд, в том числе на ранней стадии, когда параметры ещё находились в допустимых пределах, но начали отклоняться от исторических шаблонов.Из преимуществ можно выделить: высокая чувствительность к неочевидным аномалиям, возможность самообучения на новых данных, минимум ложных срабатываний.Ограничения: требуется достаточный объём обучающих данных, нейросетевые модели требуют периодического переобучения при изменении условий эксплуатации, интерпретация решений модели требует дополнительных модулей объяснимости (Explainable AI — XAI).
Номер журнала Вестник науки №6 (87) том 3
Ссылка для цитирования:
Кущенко Р.Р., Соколов О.А. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДСИСТЕМЫ ДИАГНОСТИКИ ОТКАЗОВ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ // Вестник науки №6 (87) том 3. С. 1973 - 1977. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/24452 (дата обращения: 14.01.2026 г.)
Вестник науки © 2025. 16+