CC BY
25
Электротехнические и информационные комплексы и системы. 2023. Т. 19, № 2. С. 62-72. ISSN 1999-5458 (print) Electrical and Data Processing Facilities and Systems. 2023. Vol. 19. No. 2. P. 62-72. ISSN 1999-5458 (print)
Научная статья УДК 621.313
doi: 10.17122/1999-5458-2023-19-2-62-72
МЕТОДЫ ПРОГНОЗНОГО МОНИТОРИНГА ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРИЧЕСКИХ МАШИН
Вячеслав Игоревич Королев Vyacheslav I. Кого1еу
аспирант кафедры электромеханики, электрических и электронных аппаратов, НИУ «Московский энергетический институт», Москва, Россия
Актуальность
В процессе эксплуатации электромеханических агрегатов их технические характеристики могут меняться, что может приводить к отказам техники. Как и все электромеханическое оборудование, вращающиеся машины подвергаются множеству различных неблагоприятных воздействий, таких как тепловые и экологические нагрузки и механические повреждения, которые требуют максимального внимания. В промышленности любые сбои и незапланированные простои машин или систем могут ухудшить или прервать основную деятельность компании, что потенциально может привести к значительным штрафам и неизмеримой потере репутации. Существующие традиционные подходы к обслуживанию (обслуживание по отказу или регламенту) страдают от некоторых допущений и ограничений, таких как высокие затраты на предотвращение или ремонт, неадекватные или неточные математические процессы деградации. В связи с тенденцией к применению интеллектуального производства, интеллектуального анализа данных, искусственного интеллекта предиктивный технический контроль предлагается в качестве нового типа обслуживания только после того, как аналитические модели предсказывают определенные сбои или деградации. Современные системы оценки технического состояния электромеханического оборудования представляют собой системы поддержки принятия, основанные на машинном обучении.
Цель исследования
Целью исследования является общий обзор целей и задач технического обслуживания, которые в основном включают минимизацию затрат, максимизацию доступности/надежности и многокритериальную оптимизацию. Кроме того, предлагается обзор существующих подходов к диагностике и прогнозированию неисправностей в системах предиктивного технического контроля, которые включают две основные подкатегории: подходы, основанные на знаниях, и традиционные методы машинного обучения.
Ключевые слова
электрические вращающиеся машины, прогнозный мониторинг, предиктивное обслуживание, система диагностики, машинное обучение
© Королев В. И., 2023 62 -
Методы исследования
В настоящее время для диагностики неисправностей и прогнозирования сроков отказов электромеханических агрегатов разработано множество методов, основанных на обработке информации с измерительных преобразователей, в качестве которых используют акустические и вибрационные датчики, датчики токов и напряжений, датчики температуры и электромагнитные преобразователи, с использованием методов машинного обучения. Результаты
В статье представлен краткий обзор целей и подходов системы пре-диктивного технического облуживания электромеханических систем, основанного на методах машинного обучения, применяемых в электромеханическом оборудовании. Представлен обзор различных методов предиктивного технического обслуживания с учетом их достоинств и недостатков. Рассматриваются примеры применения методов предиктивного технического контроля на реальных объектах. Приведен обзор существующих подходов на основе машинного обучения.
Для цитирования: Королев В.И. Методы прогнозного мониторинга технического состояния электрических машин // Электротехнические и информационные комплексы и системы. 2023. № 2. Т. 19. С. 62-72. http://dx.doi.org/10.17122/1999-5458-2023-19-2-62-72.
Original article
METHODS OF PREDICTIVE MONITORING
OF THE TECHNICAL CONDITION OF ELECTRICAL SYSTEMS
Relevance
During operation of electromechanical machines, their specifications may change, which can lead to machine failures. Like all electromechanical equipment, rotating machinery is subject to many different adverse effects, such as thermal and environmental stresses and mechanical damage, which require the utmost attention. In industry, any machine or system failure or unplanned downtime can degrade or interrupt a company's core business, potentially resulting in significant fines and immeasurable loss of reputation. Existing traditional approaches to maintenance (maintenance by failure or regulation) suffer from some assumptions and limitations, such as high prevention or repair costs, inadequate or inaccurate mathematical degradation processes. Due to the trend toward smart manufacturing, data mining, and artificial intelligence, predictive maintenance is proposed as a new type of maintenance only after analytical models predict certain failures or degradations. Modern systems for assessing the technical condition of electromechanical equipment are decision support systems based on machine learning.
Aim of research
The aim of this research is to provide a general overview of maintenance goals and objectives, which mainly include cost minimization, availability/ reliability maximization, and multicriteria optimization. In addition, an overview of existing approaches for fault diagnosis and prediction in predictive maintenance systems is proposed, which include two main subcategories: knowledge-based approaches and traditional machine learning methods.
Keywords
electrical rotating machines, predictive monitoring, predictive maintenance, diagnostic system, machine learning
Research methods
Currently, many methods based on processing information from measurement transducers, which use acoustic and vibration sensors, current and voltage sensors, temperature sensors, and electromagnetic transducers, using machine learning techniques, have been developed for fault diagnosis and failure time prediction of electromechanical units.
Results
As a result, the paper presents a brief overview of the aims and approaches of a predictive maintenance system for electromechanical systems based on machine learning techniques used in various electromechanical equipment. An overview of various predictive maintenance methods is presented. An overview of existing approaches based on machine learning is given.
For citation: Korolev V. I. Metody prognoznogo monitoringa tekhnicheskogo sostoyaniya elektricheskikh mashin [Methods of Predictive Monitoring of the Technical Condition of Electrical Systems]. Elektrotekhnicheskie i informatsionnye kompleksy i sistemy — Electrical and Data Processing Facilities and Systems, 2023, No. 2,Vol. 19, pp. 62-72. [in Russian]. http://dx.doi. org/10.17122/1999-5458-2023-19-2-62-72.
Введение
В процессе эксплуатации электромеханических агрегатов их технические характеристики могут меняться, что может приводить к отказам техники. Как и все электромеханическое оборудование, вращающиеся машины подвергаются множеству различных неблагоприятных воздействий, таких как тепловые и экологические нагрузки и механические повреждения, которые требуют максимального внимания. Обычно в промышленности внимание должно быть еще больше, поскольку затраты на простои очень высоки.
Известны фундаментальные работы [1—6], посвященные базовым вопросам проектирования систем диагностики. Их анализ показал, что большинство современных методов диагностики технического состояния электрических машин и оборудования базируется на обработке и анализе вибрационных параметров. Эти методы являются основой функциональной (рабочей) диагностики. Комплексный анализ параметров вибрации предоставляет практически полную характеристику технического состояния работающей машины и позволяет прогнозировать возникновение неисправностей и аварий электромеханического оборудова-
ния. Проблема вибродатчиков состоит в том, что их нужно устанавливать в труднодоступные части электрической машины.
В настоящее время для диагностики неисправностей и прогнозирования сроков отказов электромеханических агрегатов разработано множество методов, основанных на обработке информации с измерительных преобразователей, в качестве которых используют акустические и вибрационные датчики, датчики токов и напряжений, датчики температуры и электромагнитные преобразователи, с использованием методов машинного обучения. Совокупность этих методов получило название предиктивное техническое обслуживание, которое включает в себя сбор данных для проведения анализа и позволяет производить ремонт тогда, когда в нем возникает необходимость. Благодаря этому можно, с одной стороны, не тратить средства и время на плановое обслуживание оборудования, которое и без ремонта способно нормально проработать еще несколько месяцев, с другой — снижается вероятность внепланового простоя, вызванного неожиданной поломкой.
В системах диагностики первичная информация, содержащая достаточно
большое количество паразитной информации, с датчиков предварительно обрабатывается, после чего выполняются распознавание, очищение и восстановление данных, классификация дефектов привода в реальном времени. Как правило, при этом реализуется комплексная диагностика неисправностей по двум направлениям: выявление механических и электромагнитных дефектов агрегата.
Современные системы оценки
технического состояния
электрических машин
Современные системы оценки технического состояния электромеханического оборудования представляют собой системы поддержки принятия решений, основанные на машинном обучении. Основные направления — решение двух видов задач:
— определение состояния электрических машин с целью выявления дефектов и неисправностей;
— оптимизация управляющих воздействий на электромеханические объекты с целью повышения надежности работы оборудования и продления срока эксплуатации объектов.
На данный момент подобных систем поддержки принятия решения используется на реальных объектах в России крайне мало.
Обычно в промышленности подавляющее большинство программ мониторинга состояния основано на машинном анализе механических параметров. Наиболее часто применяемые методы: анализ вибрации, акустический анализ, ударный импульс и колебания скорости. Также применяются другие методы, такие как мониторинг температуры, анализ газов и т.д. Для анализа данных параметров применяют методы машинного обучения.
Рассмотрим основные методы машинного обучения. Каждый из методов обла-
дает как достоинствами, так и недостатками.
Метод Байеса
Теорема Байеса — это один из способов преодоления неопределенности данных с помощью формулы Байеса, определяющей зависимость между вероятностью искомого события при условии, что произошло другое событие, которое связано с искомым статистически, выражающейся следующим образом:
Р(У\Х)Р(Х)
Р(Х\У) =
Р(У)
где Р(Х) — априорная вероятность гипотезы X;
Р (Х\У) — вероятность гипотезы Xпри наступлении события У (апостериорная вероятность);
Р (У\Х) — вероятность наступления события У при истинности гипотезы X;
Р (У) — полная вероятность наступления события У.
Данный метод позволяет вычислить численную вероятность того, что свершившееся событие было вызвано данной причиной (предполагаемым событием, повлекшим данное — гипотезой), то есть, «реверсировать причинно-следственную связь» [7].
Реализация системы оценки состояния электромеханического оборудования, основанная на таком подходе, требует большого объема предварительной информации, в том числе подразумевает, что априорное распределение известно до начала наблюдений. Другими словами, при использовании данного метода предварительно должна быть выполнена большая работа по анализу статистических данных и определению всех вероятностей.
Кроме того, одним из основных минусов метода Байеса является «подавление» редко встречающихся событий, что накладывает определенные ограничения на использование данного метода для оценки состояния оборудования.
- 65
Метод Байеса используется, например, для прогнозирования неисправностей в асинхронных машинах [8]. Графическая структура Байесовского метода была построена на основе имеющихся знаний о поведении системы, механизмах деградации, функциональной декомпозиции и связях между компонентами системы.
Нейро-нечеткий логический вывод
Модели приближенных рассуждений, основанные на нечетко-логическом выводе, зарекомендовали себя как эффективное средство интеллектуализации систем управления, принятия решений и распознавания образов [9].
Наряду с уменьшением вычислительной сложности и, как следствие, упрощением программной реализации, данный подход обеспечивает ряд дополнительных преимуществ, таких как работоспособность в условиях неполноты исходной информации, возможность разработки макета моделируемой системы с последующей ее настройкой.
Для использования методов нейро-нечеткой логики возможно применение системы математического программирования MatLAB (модуль ANFIS-редактор). Рекомендуемое минимальное число нечетких правил определяется на основании рекомендаций из [10] и подбирается под конкретную задачу.
Один из вариантов данного метода применяется при контроле состояния изоляции кабелей [11]. Такой подход позволяет получать более достоверные результаты выходного параметра или оценки состояния изоляции по сравнению с применением моделей, ориентированных на обработку только количественных исходных данных [12].
Метод многомерной оценки
состояния
Некоторые установленные на электростанциях современные пункты техниче-
66 -
Electrical and
ского контроля (ПТК) автоматического управления могут включать в себя встроенные системы ранней диагностики отказа. В их основу, как правило, положены статистические модели обнаружения аномалий, работающие по принципу: если текущее состояние оборудования существенно отличается от состояния, характерного для нормального режима, то это признак аномального функционирования [13]. Недостатком этих систем является, с одной стороны, зачастую позднее обнаружение аномалии, когда времени на ее устранение уже нет, и, с другой стороны, значительное количество ложных предупреждений о возможной аварии. Одно из решений проблемы обнаружения отклонения в функционировании объекта — использование метода многомерной оценки состояния [13] совместно с моделями машинного обучения: линейной и логистической регрессией.
В методе многомерной оценки состояния основополагающим показателем является критерий, называемый критерием Хотеллинга. Степень аномальности в техническом состоянии оценивается относительно данного критерия путем сравнения данных, полученных при измерении с данными эмпирических моделей, для построения которых использовались статистические методы.
Таким образом, задача прогнозного мониторинга вращающихся электрических машин может быть решена путем наблюдения за расхождением между критерием Хоттелинга и получаемыми данными и своевременной реакцией на результат наблюдения.
Благодаря данному методу появляется возможность обнаружения мельчайших деградаций в техническом состоянии в режиме реального времени (отклонение поступающих данных от «эталонных»). Таким образом можно своевременно обнаружить дефект и произвести планирование его устранения.
Генетические алгоритмы
Генетические алгоритмы — это процедуры адаптивного поиска, которые имитируют биологические процессы отбора и эволюции для решения задач как ограниченной, так и неограниченной оптимизации. Основываясь на аналогичном принципе работы, генетические алгоритмы рассматривают совокупность решений, которые через ряд шагов эволюционируют с течением времени для достижения оптимального решения. Подобно тому, как биологические виды приспосабливаются к своей среде и сохраняют полезные черты между последующими поколениями, генетические алгоритмы использует информацию о том, как работают решения, чтобы направлять поиск в пространстве поиска. Таким образом, их можно использовать в сложных одноцелевых и многоцелевых задачах, чтобы генерировать решения, которые приведут к оптимальному результату. Типичный генетический алгоритм работает в соответствии с блок-схемой, показанной на рисунке 1 [14].
Сначала случайным образом создается популяция — группа исследуемых объектов. В нем каждый объект представляет возможное решение проблемы принятия решения, и оно закодировано с использованием двоичного кода или других представлений. Во-вторых, каждый объект оценивается в соответствии с его пригодностью по отношению к заранее определенной цели, и ему присваивается балл (пригодность). Объектам присваивается вероятность выбора на основе их оценок пригодности. После отбора пары особей рекомбинируют с помощью алгоритмов кроссовера (например, одноточ-ный кроссовер) для создания новых особей популяции. Новые варианты объекта получаются в следствии «мутации» — объединения свойств двух объектов или закодированной информации о них. Мутация достигается путем инверсии определенного числа кодов информации, выбранных случайным образом, пропорционально скорости мутации.
Данный метод используется для анализа состояния ветряной электростанции
Конец
Рисунок 1. Блок-схема генетического алгоритма Figure 1. Genetic algorithm block diagram
Westermost Rough Wind Farm у восточного побережья Англии, которая начала работу в 2015 году. Эта ветряная электростанция состоит из 35 турбин Siemens SWT-6.0-154 каждая мощностью 6,0 МВт [15, 16].
«Случайный лес»
Этот алгоритм основан на построении большого числа деревьев решений, каждое из которых строится по набору, получаемому из исходной' обучающей" выборки с возвращением. Особенностью является то, что при построении каждого дерева на каждой стадии ветвления вершины используется фиксированное число случайно отбираемых параметров обучающей выборки и строится полное (без усечения) дерево (рисунок 2).
Модель включает в себя несколько подмоделей, прогнозирующих отказ оборудования, используя фактические и прогнозируемые показания с датчиков. Оценка регрессии осуществляется с помощью усреднения оценок регрессии всех деревьев. Задача регрессий сводится к задаче классификации. Диапазон допустимых значений делится на отрезки.
Один отрезок — один класс. Чем более разнообразны классификаторы ансамбля, тем выше вероятность корректности прогнозирования. Обучение модели проводится на нормальных данных, а настройка модели на данных о предыдущих поломках [17].
Данный метод может быть рассмотрен на примере работы [19], в которой метод случайного леса применяется для прогнозирования отказов электродвигателя, когда в качестве входных параметров используются ток двигателя, осевое смещение вала и осевое смещение двигателя. Для обучения необходимы только данные при нормальном режиме работы агрегата, в отличие от других методов, при которых для обучения необходимы данные до и во время неисправности оборудования.
Анализ результатов
В данной статье проведен анализ различных методов машинного обучения. Результаты анализа сведены в таблицу 1, в которой проводится сопоставление методов машинного обучения, используемых при предиктивном техническом обслуживании электрических машин.
I (...)
Прогноз 2
А
Усреднение всех прогнозов
I
Прогноз случайного леса Рисунок 2. Упрощенная схема «случайного леса» [18]
Figure 2. Simplified scheme «random forest» [18]
Таблица 1. Сопоставление различных методов машинного обучения, используемых для предиктивного обслуживания
Table 1. Comparison of different machine learning methods used for predictive maintenance
Наименование Достоинства Недостатки Примеры применения
Метод Байеса •Достаточно знания априорной информации •Утверждения легки для понимания •Способ использования субъективных вероятностных оценок •Определение всех взаимодействий не всегда выполнимо •Требует знания множества условных вероятностей •Основано на экспертных оценках •Прогнозирование неисправностей в асинхронных машинах [8] •Диагностика неисправностей асинхронных машин [20]
Нейронечеткий вывод •Можно обучать с помощью метода обратного распространения ошибки и эволюционных алгоритмов •Необходим большой объем экспериментальных данных •имеет зоны нечувствительности •Диагностика неисправностей подшипников [21, 22] •Система контроля состояния изоляции [11]
Метод многомерной оценки состояния •Малое количество заранее установленных параметров; •Эффективен при определении значений целевой функции •Позволяет разрабатывать и представлять модели систем в форме правил нечетких продукций •Трудности, связанные с масштабированием задачи •Алгоритм работает медленно •Не существует простого способа изменения размеров симплекса без пересчёта всех значений целевой функции •Прогноз оставшегося полезного срока службы электродвигателя [23] •Раннее предупреждение о неисправности электродвигателя [24]
Генетические алгоритмы •Хороший подход к обучению классификаторов полуконтролируемым способом •Не вносит детерминированного смещения •Может использоваться для решения проблемы дисбаланса классов •Обучение нестабильно •Алгоритму сложно научиться генерировать дискретные данные •Анализ состояния ветряной электростанции [16]
«Случайный лес» •Выявление латентных связей у нескольких сигналов •В процессе обучение алгоритм умеет выявлять значимые параметры •Хорошо подходит для анализа данных сложной структуры •Большие размеры деревьев •Неустойчивая структура •Легко «перегрузить» расчет •Прогнозирование сроков отказов электродвигателя [19]
Выводы
В настоящее время наблюдается переход от традиционных подходов к техническому обслуживанию электромеханических систем в виде обслуживания по отказу или регламенту к предиктивному техническому обслуживанию. В данной работе представлен обзор целей и подхо-
Список источников
1. Носов В.В. Диагностика машин и оборудования. Санкт-Петербург: Лань, 2017. 376 с.
2. Geitner F.K., Bloch H.P. Machinery Failure Analysis and Troubleshooting. Butterworth Heinemann, 2012. 743 с.
3. Гемке Р.Г. Неисправности электрических машин. Л.: Энергомашиниздат, 1989. 334 с.
4. Ширман А.Р., Соловьев А.Б. Практическая вибродиагностика и мониторинг состояния механического оборудования. М., 1996. 276 с.
5. Тэттэр В.Ю., Тэттэр А.Ю., Баращук В.С. Диагностирование подшипниковых и редуктор-ных узлов на переходных режимах. 2005. 90 с.
6. Барков А.В. Интеллектуальные системы мониторинга и диагностики машин по вибрации. Санкт-Петербург, 1999. 156 с.
7. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 240 с.
8. Choudhary A., Meena D. C., Patra A.K. Asynchronous Motor Modeling in Simulink for Stator and Rotor Fault Analysis // International Conference on Green and Human Information Technology. 2019. P. 4.
9. Панкова Л.А., Пронина В.А. Семантический текстовый поиск, основанный на теории нечетких множеств // Искусственный интеллект и принятие решений. 2013. № 3. С. 19-23. EDN: RBSVQB.
10. Бобырь М.В., Кулабухов С.А., Милос-тная Н.А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. Вып. 4. С. 15-26. EDN: XIROEN.
11. Куделина Д.В. Нечеткая система контроля состояния изоляции // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2017. Вып. 41. С. 102-107. EDN: YIZQIX.
12. Gu C., He Y., Han X., Chen Z. Product Quality Oriented Predictive Maintenance Strategy for Manufacturing Systems // 2017 Prognostics and System Health Management Conference (PHM-Harbin). IEEE, 2017. P. 1-7.
дов системы предиктивного технического облуживания электромеханических систем, основанного на методах машинного обучения. Производится обзор различных методов предиктивного технического обслуживания. Приведен обзор существующих подходов на основе машинного обучения.
13. Lu B., Zhou X., Li Y. Joint Modeling of Preventive Maintenance and Quality Improvement for Deteriorating Single-Machine Manufacturing Systems // Computers & Industrial Engineering. 2016. Vol. 91. P. 188-196.
14. Громак Е.В., Наумов С.А., Шишов В.А. Система удаленного мониторинга и прогностики АО «РОТЕК» как элемент энергетической безопасности. М., 2016. 46 с.
15. Aggarwal S., Garg R., Goswami P. A Review Paper on Different Encoding Schemes Used in Genetic Algorithms // Advanced Research in Computer Science and Software Engineering. 2014. No. 4 (1). P. 596-600.
16. Rinaldi G., Pillai A.C., Thies P.R., Johanning L. Multiobjective Optimization of the Operation and Maintenance Assets of an Offshore Wind Farm Using Genetic Algorithms // Wind Engineering. May, 2019. No. 44 (1). doi: https://doi. org/10.1177/0309524X19849826.
17. Three Offshore Wind Projects Secure Contracts for Difference as Strike Prices Go down // OffshoreWIND.biz [Electronic Resource]. 2017. Available: https://www.offshorewind.biz/2017/09/ 11/three-offshore-wind-projects-secure-contracts-for-difference-as-strike-prices-go-down/. (Дата обращения 01.03.2023).
18. Шахов Н.И., Варфоломеев И.А., Ершов Е.В., Юдина О.В. Прогнозирование отказов оборудования в условиях малого количества поломок // Вестник Череповецкого государственного университета. 2016, № 6 (75). С. 36-42. EDN: XAMDLZ.
19. Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра РАН. 2013. No. 2. P. 117-136.
20. Haidong S., Hongkai J. Intelligent Fault Diagnosis of Rolling Bearing Using Deep Wavelet Auto-Encoder With Extreme Learning Machine // Knowledge-Based Systems. 2018. Vol. 140. P. 1-14.
21. Benkercha R., Moulahoum S. Fault Detection and Diagnosis Based on С4.5 Decision Tree Algorithm for Grid Connected PV System // Solar Energy. 2018. Vol. 173. P. 610-634.
22. Berredjem T., Benidir M. Bearing Faults Diagnosis Using Fuzzy Expert System Relying on an Improved Range Overlaps and Similarity Method // Expert Systems with Applications. 2018. Vol. 108. P. 134-142.
23. Liu Z., Mei W., Zeng X., Yang C., Zhou X. Remaining Useful Life Estimation of insulated Gate Biploar Transistors Based on a Novel Volterra Optimally Pruned Extreme Learning Machine Model Using Degradation Data // Sensors. 2017. Vol.17. No. 11. P. 2524.
24. Chen X.-L., Wang P.-H., Hao Y.-S., Zhao M. Evidential KNN-Based Condition Monitoring and Early Warning Method with Applications in Power Plant // Neurocomputing. 2018. Vol. 315. P. 18-32.
References
1. Nosov V.V. Diagnostika mashin i oboru-dovaniya [Diagnostics of Machinery and Equipment]. Saint-Petersburg, Lan' Publ., 2017. 376 p. [in Russian].
2. Geitner F.K., Bloch H.P. Machinery Failure Analysis and Troubleshooting. Butterworth Heinemann, 2012. 743 p.
3. Gemke R.G. Neispravnosti elektricheskikh mashin [Failures of Electrical Machines]. Leningrad, Energomashinizdat Publ., 1989. 334 p. [in Russian].
4. Shirman A.R., Solov'ev A.B. Prakti-che-skaya vibrodiagnostika i monitoring sostoyaniya mekhanicheskogo oborudovaniya [Practical Vibro-diagnostics and Monitoring of Mechanical Equipment Condition]. Moscow, 1996. 276 p. [in Russian].
5. Tetter V.Yu., Tetter A.Yu., Barashchuk V.S.
Diagnostirovanie podshipnikovykh i reduktornykh uzlov na perekhodnykh rezhimakh [Diagnosis of Bearing and Gearbox Units in Transient Modes]. 2005. 90 p. [in Russian].
6. Barkov A.V. Intellektual'nye sistemy monitoringa i diagnostiki mashin po vibratsii [Intelligent Machinery Monitoring and Diagnosis Systems by Vibration]. Saint-Petersburg, 1999. 156 p. [in Russian].
7. Birger I.A. Tekhnicheskaya diagnostika [Technical Diagnostics]. Moscow, Mashinostroenie Publ., 1978. 240 p. [in Russian].
8. Choudhary A., Meena D. C., Patra A.K. Asynchronous Motor Modeling in Simulink for Stator and Rotor Fault Analysis. International Conference on Green and Human Information Technology, 2019, pp. 4.
9. Pankova L.A., Pronina V.A. Semanticheskii tekstovyi poisk, osnovannyi na teorii nechetkikh mnozhestv [Semantic Text Retrieval Based on Fuzzy Set Theory]. Iskusstvennyi intellekt iprinyatie reshenii — Artificial Intelligence and Decision
Making, 2013, No. 3, pp. 19-23. EDN: RBSVQB. [in Russian].
10. Bobyr' M.V., Kulabukhov S.A., Milost-naya N.A. Obuchenie neiro-nechetkoi sistemy na osnove metoda raznosti ploshchadei [Teaching of Neuro-Fuzzy System on the Basis of the Method of Difference Areas]. Iskusstvennyi intellekt iprinyatie reshenii — Artificial Intelligence and Decision Making, 2016, Issue 4, pp. 15-26. EDN: XIROEN. [in Russian].
11. Kudelina D.V. Nechetkaya sistema kontrolya sostoyaniya izolyatsii [Fuzzy System of Insulation Condition Monitoring]. Nauchnye vedomosti Belgorodskogo gosudarstvennogo universiteta. Seriya: Ekonomika. Informatika — Scientific Bulletin of the Belgorod State University. Series: Economy. Computer Science, 2017, Issue 41, pp. 102-107. EDN: YIZQIX. [in Russian].
12. Gu C., He Y., Han X., Chen Z. Product Quality Oriented Predictive Maintenance Strategy for Manufacturing Systems. 2017 Prognostics and System Health Management Conference (PHM-Harbin), IEEE, 2017, pp. 1-7.
13. Lu B., Zhou X., Li Y. Joint Modeling of Preventive Maintenance and Quality Improvement for Deteriorating Single-Machine Manufacturing Systems. Computers & Industrial Engineering, 2016, Vol. 91, pp. 188-196.
14. Gromak E.V., Naumov S.A., Shishov V.A. Sistema udalennogo monitoringa i prognostiki AO «ROTEK» kak element energeticheskoi bezopasnosti [ROTEK JSC Remote Monitoring and Prognostics System as an Element of Energy Security]. Moscow, 2016. 46 p. [in Russian].
15. Aggarwal S., Garg R., Goswami P. A Review Paper on Different Encoding Schemes Used in Genetic Algorithms. Advanced Research in Computer Science and Software Engineering, 2014, No. 4 (1), pp. 596-600.
16. Rinaldi G., Pillai A.C., Thies P.R., Johanning L. Multiobjective Optimization of the Operation and Maintenance Assets of an Offshore Wind Farm Using Genetic Algorithms. Wind Engineering, May, 2019, No. 44 (1). doi: https://doi.org/10.1177/ 0309524X19849826.
17. Three Offshore Wind Projects Secure Contracts for Difference as Strike Prices Go Down. OffshoreWIND.biz [Electronic Resource]. 2017. Available: https://www.offshorewind.biz/2017/09/ 11/three-offshore-wind-projects-secure-contracts-for-difference-as-strike-prices-go-down/. [Accessed 01.03.2023].
18. Shakhov N.I., Varfolomeev I.A., Er-shov E.V., Yudina O.V. Prognozirovanie otkazov oborudovaniya v usloviyakh malogo kolichestva polomok [Prediction of Equipment Failures in
Conditions of Small Number of Breakages]. Vestnik Cherepovetskogo gosudarstvennogo universiteta — Vestnik of Cherepovets State University, 2016, No. 6 (75), pp. 36-42. EDN: XAMDLZ. [in Russian].
19. Chistyakov S.P. Sluchainye lesa: obzor [Random Forests: a Review]. Trudy Karel'skogo nauchnogo tsentra RAN [Transactions of Karelian Research Centre of RAS]. 2013, No. 2, pp. 117136. [in Russian].
20. Haidong S., Hongkai J. Intelligent Fault Diagnosis of Rolling Bearing Using Deep Wavelet Auto-Encoder With Extreme Learning Machine. Knowledge-Based Systems, 2018, Vol. 140, pp. 1-14.
21. Benkercha R., Moulahoum S. Fault Detection and Diagnosis Based on S4.5 Decision Tree Algorithm for Grid Connected PV System. Solar Energy, 2018, Vol. 173, pp. 610-634.
22. Berredjem T., Benidir M. Bearing Faults Diagnosis Using Fuzzy Expert System Relying on an Improved Range Overlaps and Similarity Method. Expert Systems with Applications, 2018, Vol. 108, pp. 134-142.
23. Liu Z., Mei W., Zeng X., Yang C., Zhou X. Remaining Useful Life Estimation of Insulated Gate Biploar Transistors Based on a Novel Volterra Optimally Pruned Extreme Learning Machine Model Using Degradation Data. Sensors, 2017, Vol. 17, No. 11, pp. 2524.
24. Chen X.-L., Wang P.-H., Hao Y.-S., Zhao M. Evidential KNN-Based Condition Monitoring and Early Warning Method with Applications in Power Plant. Neurocomputing, 2018, Vol. 315, pp. 18-32.
Статья поступила в редакцию 03.03.2023; одобрена после рецензирования 10.03.2023; принята к публикации 12.04.2023. The article was submitted 03.03.2023; approved after reviewing 10.03.2023; accepted for publication 12.04.2023.
