НЕЙРОСЕТЕВОЙ МЕТОД ПРЕДИКТИВНОГО АНАЛИЗА ДАННЫХ ДЛЯ РЕМОНТНЫХ РАБОТ ВНУТРИДОМОВОГО ГАЗОВОГО ОБОРУДОВАНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004

Филонов Т.С.

студент

Национальный исследовательский университет «МЭИ» (г. Смоленск, Россия)

НЕЙРОСЕТЕВОЙ МЕТОД ПРЕДИКТИВНОГО АНАЛИЗА

ДАННЫХ ДЛЯ РЕМОНТНЫХ РАБОТ ВНУТРИДОМОВОГО ГАЗОВОГО ОБОРУДОВАНИЯ

Аннотация: автор статьи представляют нейросетевой подход к предиктивному анализу данных для планирования и оптимизации ремонтных работ внутридомового газового оборудования. В работе описывается использование методов машинного обучения и нейронных сетей для прогнозирования потенциальных отказов и неисправностей в газовом оборудовании на основе исторических данных о его эксплуатации. Предложенный подход позволяет повысить эффективность технического обслуживания и улучшить безопасность эксплуатации газового оборудования в жилых зданиях.

Ключевые слова: нейросетевой подход, предиктивный анализ данных, ремонтное оборудование, внутридомовое газовое оборудование, машинное обучение.

Предиктивный анализ данных стал все более популярным инструментом в различных отраслях, включая энергетику и строительство. Этот подход позволяет предсказывать вероятность отказа оборудования и проблемных ситуаций на основе доступных данных. В контексте обслуживания внутридомового газового оборудования, математические методы предиктивного анализа данных позволяют определить оптимальное время ремонтных работ, предупредить возможные аварийные ситуации и повысить эффективность обслуживания.

Одним из наиболее развитых инструментов предиктивной аналитики в настоящее время являются искусственные нейронные сети (ИНС). Среди ИНС

1562

для предиктивной аналитики широко применяют рекуррентные ИНС (RNN).

Наиболее мощной разновидностью RNN являются нейронные сети с долговременной кратковременной памятью (Long short-term memory, LSTM). Нейронные сети с долговременной кратковременной памятью (LSTM) представляют собой мощный тип рекуррентных нейронных сетей, способный эффективно учитывать долгосрочные зависимости в последовательных данных. Их способность к сохранению информации на протяжении длительного времени делает их особенно полезными во многих задачах обработки естественного языка, временных рядов и других последовательных данных.

LSTM (Long Short-Term Memory) ячейки - это особый тип ячеек в рекуррентных нейронных сетях, предназначенный для решения проблемы долговременных зависимостей. Они были разработаны, чтобы помочь моделям запоминать информацию на длительные периоды времени [1]. Основные компоненты ячейки LSTM представлены на рисунке 1.

input gate output gate Рис. 1. Основные компоненты ячейки LSTM.

Входной вентиль (Input gate) - контролирует приток новой информации в ячейку памяти. Он состоит из двух частей: сигмоидной функции, которая

1563

решает, какие значения следует обновить, и операции тангенса гиперболического, которая создает вектор новых кандидатов на значения, которые могут быть добавлены в состояние ячейки.

Забывающий вентиль (Forget gate) - определяет, какая часть предыдущего состояния ячейки должна быть забыта. Это важно для предотвращения перегрузки ячейки памяти ненужной информацией.

Ячейка памяти (Cell state) - это центральная часть ячейки LSTM, которая хранит накопленные знания о предыдущих данных в последовательности. Состояние ячейки обновляется путем удаления ненужной информации через забывающий вентиль и добавления новой информации через входной вентиль.

Выходной вентиль (Output gate) - решает, какая часть информации из состояния ячейки будет передана в выходной сигнал сети. Он использует сигмоидную функцию для выбора значений и тангенс гиперболический для взвешивания этих значений, чтобы определить выходное значение [2].

Существует несколько видов LSTM, которые отличаются своей архитектурой и характеристиками (рисунок 2).

Рис. 2. Виды нейронных сетей с долговременной кратковременной памятью.

Среди представленных на рисунке 2 и описанных выше разновидностей архитектур LSTM наибольший интерес представляют Стандартный LSTM (Standard LSTM) так как более эффективна для прогнозирования временных рядов, когда важно учитывать долгосрочные зависимости [3].

1564

Проведенные анализ архитектуры глубоких рекуррентных сетей LSTM позволил предложить следующий метод предиктивной аналитики данных для ремонтных работ ВДГО, представленный на рисунке 3.

Как видно из рисунка, предложенный метод можно разделить на десять последовательно выполняемых блоков. В первом блоке происходит ввод данных об оборудовании таких как температура, мощность, потребление газа. В следующих четырех блоках происходит предварительная обработка данных, а именно:

- проверка данных: выявление дубликатов, ошибок, противоречий, пропусков и аномальных наблюдений,

- очистка данных: устранение дубликатов, ошибок, противоречий, пропусков и аномальных наблюдений,

- транспортировка данных: сортировка и группировка данных,

- оптимизация данных: снижение размерности, выявление и исключение незначительных признаков.

Формирование архитектуры ИНС важный этап в модели предиктивной аналитики данных для ремонтных работ. Архитектура ИНС определяет, как информация будет передаваться и обрабатываться внутри сети. В ходе этапа «Обучение ИНС» сеть учится распознавать закономерности в данных. На этапе «Сохранение обученной ИНС» позволяет использовать ИНС для предсказаний на новых рабочих наборах данных.

На последнем этапе «Вывод результатов прогноза» это важный этап, который позволяет интерпретировать работу ИНС и принимать решения на основе полученных данных.

1565

Рис. 3. Модель предиктивной аналитики данных для ремонтных работ ВДГО.

1566

Таким образом, на основании изучения архитектуры глубоких рекуррентных сетей LSTM, которые в отличии от традиционной сети RNN имеют более сложную многослойную структуру с повторяющимися блоками, предложена модель предиктивной аналитики данных для ремонтных работ внутридомового газового оборудования.

СПИСОК ЛИТЕРАТУРЫ:

1. Смирнов С.А., Лобанова Л.Д. Применение рекуррентных нейронных сетей для прогнозирования временных рядов. Сибирский вестник сельскохозяйственной науки. 2019, 5: 87-94;

2. Темнов С.В., Волохонская В.А., Жарков Е.П. Особенности применения рекуррентных нейронных сетей в задачах анализа данных. Информационные технологии в науке, производстве, образовании. 2017, 1 (15): 154-160;

3. Чижова А.М., Зайцев А.В., Косточка В.Б. Прогнозирование динамики временных рядов с использованием рекуррентных нейронных сетей. Вестник Северо-Восточного федерального университета имени М.К. Аммосова. 2016, 6 (3): 75-81

1567

Filonov T.S.

National Research University "MEI" (Smolensk, Russia)

NEURAL NETWORK METHOD OF PREDICTIVE DATA ANALYSIS FOR REPAIR WORK OF INDOOR GAS EQUIPMENT

Abstract: the author of the article presents a neural network approach to predictive data analysis for planning and optimizing repair work of indoor gas equipment. The paper describes the use of machine learning methods and neural networks to predict potential failures and malfunctions in gas equipment based on historical data on its operation. The proposed approach makes it possible to increase the efficiency of maintenance and improve the safety of operation of gas equipment in residential buildings.

Keywords: neural network approach, predictive data analysis, repair equipment, indoor gas equipment, machine learning.

1568