CC BY
115
eher ну 1Uta mail,ru Галина Юрьевна Чернышова,
кандидат экономических наук, доцент кафедры информационных систем е экономике. Саратовский социально-экономический институт (филиал)
РЭУ им Г.В. Плеханова
leveret 2008amail.ru Екатерина Юрьевна Красильникова,
яюзистрант.
Саратовский социально-экономический институт (филиал) УДК 330 4 РЭУ им. Г. В. Плеханова
ПРИМЕНЕНИЕ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ЯТЯ ОЦЕНКИ ВРЕМЕНИ ПРОСТОЯ ОБОРУДОВАНИЯ В ПРОЦЕССЕ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА
Прогнозирование времени ремонта и технического обслуживэния оборудования позволяет более рационально ислольаовгть ресурсы предприятия В статье рассматривается построение модели оценки времени простая g йо руд о па ни я для промышленного предлргятия, ¿днимяк^с-гося ПРОИЗВОДСТВ^ минеральных удобрений Выбор модели осуществляется путем сравнения традиционных моделей Data Mining и современных методов Deep Learning Построение модели а и полнено □ среде RapidMmer Siudto В процессе построения модели осуществлен выбор факторов, влияющих на продолжителеность технического обслуживания и ремонта сформирована обучающая выборка, выполнена предобработка данным, настройка много пара метрических методой Реализована модель Deep Learning для оценки времени простоя оборудования для промышленного предприятия. Pas работ а нн аз методика лрогнозироаания времени простоя оборудования позволит Более аффективно- организовать процесс технического обслуживание и ремо+ггв
Ключевые слова: техническое обслуживание и ремонт оборудования, интеллектуальный анализ Санных, Deep Learning.
G■ У и. Chçrnyshova, Ye.Yu. KrasHnikova
USING THE METHODS OF INTELLECTUAL DATA ANALYSIS FOR ASSESSING THE DOWNTIME FOR MAINTENANCE AND REPAIR
"Hie article stows that accurate forecasting of the time for repair and mifhtsnancf aHows for a more efficient use of company resources The authors discuss building a model for evaluating downtime Tor an industrial enterprise that produces mineral ferhljers The model is- chosen through comparing the traditional models of Hasa Vining and new metfloasof Deep Learning The model is constructed initie Rapid Miner Studio environment Bunding the model required a numterof factors that influence tha duration of maintenance and repair, a eve lep m-en t of a training set aata preprocessing and setting muli¡-parameter methods A Deep Learning model is pressed to assess downtime for industrial enterprises The methodology for forecasting: equipment downtime at industrial enterprises proposed in the s^ticie witl help more effectively organs maintenance ana repair process
Keywords; (ecftrirca/ maintenance and repair, data mining. Deep Learning.
Введение
Задача Повышег+ия эффективности бизнес-Процесса «7 Ерническое обслужисами г> и ремонт обор уд о-ваниял (ТОиР'1 представляется актуальной для большинства промышленных предприятий. Повышение
конкурентоспособности е современные условиях будет напрямую связано с проведением технико-диагности-чяскич операций Применение математически* моделей и методов позволяет оценить и спрогнозировать время технического обслуживания и ремонта. сооТ-
ее "стье н но, гтред п ри птие с может ол е рат и= но ре аГ иро -□атн на изменение графика громеодстяа и Принимать упрзвпенческие решения об изменении плановой нагрузки оборудования
Прогнозирование времена простоя оборудовании язляетьн сложно реализуемой задачей, для решении которой применяется шире кии спектр как -радицион *ыя сгашитическич методой, гак и методов интеллектуального анализа данных Дпя прогнозирования о_-газоя оборудования применяются такие статистичо-
1(>2
ские метода кач ARiMA [t] В условиях неполноты и неполное™ информации для оценки г-рсизводственных процессов применяются й^четко-миШиетвенные подходы [2] В рабеяю [¿jj предложено применение модели Маркое а для моделирования впилния технического обслуживания и pewoma на время л ростов оборудования Современнее интеллектуальные методы и метсди машинного обучения обеспечивают дополнительные возможно ст и решения прогнозных задач. В статье {£] рассматривается возможность применения нейронных сетей для прогнозироданид остэвше гоея времени безаварийной работы оборудования Работа [5] посвящена прогнозированию отказов оборудования б уелозичх малого количеств поломок с помощью применения Random Forest.
Авторами предлагается испопьэозать town пеке метод {Я иьтеллекгуально<"о анализа дй^ных, такгх кек наивный Байесовский метод, деревья решений, обобщенная линейная модель, случайные леса, градиентный оустинг деревьев решений, Deep Learning, с целью выбора адекватной модели для оценки времени простоя оборудования
Определение факторов, влияющих на время простоя оборудования
Техническое обслуживание представляет собой Йрофилакгическое мероприятие которое необходимо для обеспечения бесперебойной работы оборудования между плановыми ремонтами, атвкже для уменьшения общего обьема ремонтных работ Ежесменное техническое обслуживание вклкмает в себя надзор эа работой оборудования, уход за ни и содержание его в исправном состоянии и т.д Периодическое техническое обслуживание подразумевает проведение плановых технических осмотров, регулировок, осуществление промывки чистки и т.д.
Ремонт оборудования пред став пяет собой комплекс мероприятий, которые проводятся для воеста ноепения работоспособности технологических агрегатов, нарушенной в ходе его эксплуатации в результате поломок Ремокт оборудования может быть текущим и капитальным Текущий ремонт проводится для восстановления работоспособности оборудования еосгоигизэаме*ныи(или)Боссган00Ле*и*егоотд ель-пых частей Капитальный ремонт представляет собой ремонт оборудования котерьй проводится для обас-тече-1ия работоспособности и полного или близкого * полному иосстановле"иа ресурса технологического агрегата В не п Пановой ремонт оборудования предполагав I устранение непредвиденных инцидентов и аварий техноло'ичесхих агрегатов.
Решение задачи совершенствования бизнес-процессов технического обслуживания и ремонта рас см<лривается на примере одного иг крупневших производителей ыичерэяьных удобрение - Бапаховского филиала АО «Апатит». В Балако&счом филиале ремонтная служба предприятия передана на аутсорсинг Ежесменное техническое оослузкибяние проводится эксплуатационными рабочими 3 задачу экегшуатаци онных ра&очихтаю*е вх од а' подготовка оборудования -: ремонту, т е его останов и чистка Проведение ппа-човь* и внеплановы* текущих и капитальных ремонтов наход ится в вед ем и и дочерней ко м па н ии Другие вид ы ремонта и обслуживания осуществляются аутсорс+ш-повой фирмой
Анализ деятельности БФ АО ^Апатит* позволил выделить следующее факторы, впияющие на время простоя, связанные с состоянием оборудования, состоянием обслуживания, переходом 4а выпуск другого вида продукции, плановым обслуживанием о пешни Ми факторами, модернизацией и внедрением новых разработок 1)
J
ФитарЛ ii.'Eiiatojiiuu im Н]ИМЯ простоя fCiijv.-.juuaiEiis
CüCTiWnnW oedpyjl&MiEffi
ИроОлем
[IIKIL11UK
Непршклгао ориявдецвцК рвкшш
f'[5CT4BHire
свслужпванж
nqiej«u кл .TjTVTdfi
щи пртлухтпн
liiLikla Ш'шфнищп пгрятлта
tirraillO. ерадег»
JLliHiMiU iCKfi
jjüuCot.
] IC.-ILT-LT.T 10=ГЕ[ЫП I
кштрелъ
ГТ^дкгчЕте ЕТвСЛУЯНМЛИР
[in-'l пттие фЧКТЧрЫ
41-i.;l"| ;i iiriiiirii i u pqi-paSn-TKii
к аптальныб
речшл
Свлсьрщкииоеп
hliLI Ш ¡ЕЕНГНЫЛ
ilÜÜUL-JIILJJ,] |фиа>к|[ьт ИЩСЫрЬЧ
ТскутнЛ
JkiMaHH
Техннчккле
овслушш^
II Р«Ж11ГТ
Cöd ii>K .10" стороны mtejSiqDt
ПОС 3." Rl?lFrF.05l
услуг
Рис 7. Факторы, алнпющие на времп простоя оборудования з процессе технического обслуживания и ремонта
Методологии оценки продолжительности ТОиР
Б процессе формирования модели для оценки времени простая оборудования с использованием методов интеллектуального анализа данных нео о ходи мо осуществить сбор данных, сформировать выборку, определить шкаяы измерения признаков, при необходимости выполнить дискретизацию данных процесс перекрестной проверки обеспечит получение несмещенных оценок точности моделей и выбор модели оценки ¡рис. 2)
Решение задач прогнозирования и классификаций, вибор математических моделей и Методов опредепя-ются объемом I* качеством имеющихся данных. Не всегда з рамках использующейся информационной системы представляете я возможным получение выборки высокого качества Кроме того, данные, которые должны быть учтены я□ ляются не тальке числовыми, но и категоризпьнымг
Для исследование были использованы ¿аниые. получен ные а ьапакоеском филиале АО *Аплтит.> В про и зао дог земном подразделении имеется шесть технологически к систем Производимая продукция на данных системах однотипна. Первые четыре технологические системы могут быть перепрофи ли ровань на выпуск различной продукции в Зависимости от сезонности и потребностей рынка. Пятая и шестая технологические системы выпускащт постоя жео одинаковую продукции (монокальцийфосфаг)
На исследуемом предприятии возможности оценки факторов влйчкицих на время простоя оборудованир
Формирование
I )чЛ1Лк.1 .ШИШ.!
.. (нгкрстияшш
КрСчх-*штидыш1
I
1.1--ЦШГ1Д
- —
СгчпПсщ ишсоИхх*)
1,Феаг
¡Царевы!
решений
X
Оисквд гочтедтн
т
Нь^С-Пр МОДРСИ
Рис 2 Основные эт-з лы построения мода пи
ограничены. сбор дополнительных данных весьма затруднит еле н. та к ка к з ра мках д е йствующе й и нфор-мациЫчноЙ системы на платформе Огэе1е имеется в оз можность получ нть доступ тол ько к фи кси рога н ному набору сведений
Б качестве результирующей переменной исполь-ауется время простоя оборудование на предприятии в саязи с ГОиР Среди факторов, оказывающих влкя ние на данный показатель были выделены
- сезон (1-й квартал, 2-й квартал. 3-й квартал 4-й квартал у
- номер технологической системы на которой произошел простой,
- гтруыииа простоя.
- отношение к службе
В информационной системе предприятия фиксируются следующие причины простое отказ (сбои) средств измерении и автоматики, программного обеспечения. ремонт контрольно-измерительных приборов и автоматики, ремонт технологического обо руд о вания. техническое обслуживание и ремонт, текущий р&м-онт роз ера; капитальный ремонт, некорректные деистаня сменного персонала, переход к выпуску другого продува, в режим омаслиеания и охлаждения; нарушение параметров техно логического режима, чистка технологического оборудования, отсутствие кислоты: ограничения подачи гээз. поелезеэ-риимые пусковые работы; посадка напряжения, сбои в работе газового оборудования ремонт электрооборудования, ремонт газового оборудования низкое давление пара.
Кроме того, следует оценить влияние службы обеспечивающей данную систему и непосредственно влийкщеи на продолжительность простоя. Выделяют следующие службы: механическая метрологическая. технологическая энергЕТИчЕСкаяи служба плановых ремонтов
На основе предложенной :лэссификацик факторов быпа сформирована выборка за 2012-20115 гг., «егда а самках информационной системы предприятия осуществлялся систематический сбор этих данных Выборка составлена на оснозе следующих первичных документов в Справка о причинах простоя технологического оборудования)? «Ос-ноенье показатели по труд у» ■(График плановых осганаеов» «Анализ Производственной деятельности предприятия» Общий объем выборки после выполнения очистки данных составляет 1734 элемента
В рамках описываемого бизнес-процесса технического обслуживания и ремонта про
П.
I 'лу^шии
леса
X
! Ьшннын
ЕЯЁЁС
X
ш
гнозирова^ие -иелового зкэчйчия продолжительности Простоя Оборудований йВЛяегсй НецелеСОобразным, гак как по существу необходимо ал редел mtl. будет пи превышено нормативное время ремонла и обслуживания При зтом категориальная шкала позволяет выделит ь, прецеденты связанные с превышением плановых показателем продолжи тельное г и ТОиР. Эос-пертна*оценка, осуществленная спомощыауправления по ремонту нз предприятии позволила выделить три категории для дан-ого показателя время просто^ соответствующее внутренним нормативам меньше в ну' ре Hi их н о рма г иеов и з начн тельно л ревы шающе е его Дискретизация значении показателя соответствующего продолжительности вдймеши простоя, имеет ¡графическое значение длр исследуемого предприятия При решении задачи классификации на основе 01 несения к одной из калорий лринымаетен решение относительно привлечения дополнительных: ресурсов дочернего предприятия, занятого ремонтом с целью уменьшения в рамен и простоя оборудования.
Применении методов Data Mining
Для решения задач прогнозирования и классификации используется широкий спектр методов интеллектуального анализа данных В рамках данного исследования предлагается применить раэли^кь^е подходы, сравнить их по точности и осуществить выбор модели
Длн оценки эффекгианосги ¡классификационном модели используются тзкие показатели. как доля правильно классифицированные обьектов ¡Accuracy}, точность (Precisionj, полкота (Recall | Для биномиальной классификации они рассчитываются следующем образом
TP
TP+FP
х 100«,.
TP
TP+FN
x 100%,
Aocurtey
TF+TN
TP+TN+FP+FN
* 100%,
где True Positive (TP) - количество положительных образцов, классифицированных в положительный класс; False Positive (Fp)- количество положительных образцов отнесенные К отрицательном/ классу, f-alse Negative iFN) - количество отрицательных образцов, классифицированных в положительный класс: Ъи& Nsgauvs ¡JN) - количество отрицательных образцов, отнесенных к отрицательному классу В многоклассо-вьх задачах вычисляется Шгогэвар метрика для каж-даго -класса, а затем результаты усредняются по всем классам.
Минимизация ошибхи классификации может привести к переобучению Чтобы решить зту проблему, рекомендуется использовать мет оды скользящего контроля (к росс-вал ид з цию), специальным образом формируя обучающие и тестовые подвыборки С помощью указанного подхода дп-я много пара метрических классификационных моделей осуществлялся подбор Значении параметров
□ качестве традиционных методов Data Mining, применяемых в задачах классификации, использованы
наивный байесовский метод Naive В ayes) и деревья решений (Decision Tree}, помимо э-гога. иссяедуююя актуальные ai-самбпевые модели
Наивные байесовские классификаторы являются статистическими классификаторами, которые позволяют определкггь вероятность принадлежности данного образца классу Наивные классификаторы предполагают что эффект значен ил атрибута для данного класса не зависит от значений других атрибутов
Дер ев ья решв ни й - это Жад н ы е р е ку рс ив ны в ал го -рЙТмы, на каждом ijjar<? разбивающие пространство признаков скучающем выборки на области, чтобы до-б итьса макси м апыного умен ьшенн я с ре д-ноя зиешен-ной неоднородности Критерии останова для алгоритма могут tibiib различными (листовые вершины раз биения содержат заданное количество объекте а по-cipeeHO дерево заданной глубины и др.). Для устранения переобученное™ модели используют метсдики основанье на отсечениях ветвей дерева
Применение ансамблей моделей предполагает использование группы слабых хпассификаторов с последующим принятием решений методами голосования При этом могут применяться два известных подхода' багтинг (Bagging}, примером подобных моделей являются спутанные леса (Random Forests), бустинг (Boostmg), примером ялпяется подход, реализованной градиентными деревьям* принт ия ^е^иений (Gradient
Boosting Trees. GBT ) ¿3]
Stil уча йн ые леса (Ra nd о m Fore st) являются частью не параметрических статистических метод се, позволяющих решать проблемы классификации Метод заключается в построении агрегированного набора случайных деревьев построенных для подвыбпрох исходного набора данных Деревья не обрезаны, поэтому все деревья в лесу явлюотся максимальными дерев ья и и Макси мзльн ые дерев ья могут быть о^е нь спожнымн, поэтому их нужно оптимизировать, выбирая прадипьны^ размер дерева, отсекая незначимые узпы Эта операция (обрезка) выполняется путем минимизации штрафного критерия (функции потерь) результирующее правило обучение - это агрегация всех оценок. Полученных на оснозе отдельных деревьев
Идея бустннг-подхода заключается в комбинаций слабых (с невысокой обобщающей способностью) классификаторов которые строятся в ходе итеративного процесса, где на каждом шаге новая модель об-учветсвс использозэнием данныхоб ошибках предыдущих Результирующая функция представляет собой линейную комбинацию базовых, слабых моделей В общем виде бустинг-алпоритм может быть представлен как жадный процесс минимизации неноторой штрафной фунт-ции Однако проблема заключается в том, чго лля некоторой баЛюй модели; может не сущс.'стапват-эффективного алгоритма обучения, работающего с учетом выбранной функции потерь Данную проблему отчасти решает подход, носящей название градиентного бустинга который позволяет без Серьезных модификаций апгоритма обучения использовать любую дифференцируемую ф у нщ^ю потерь.
Градиентный бустинг является гиб^ои нелинейном регрессионной процедурой, которая помогает увеличить Точность моделей Градие-нтный бустинг Мохе: осуществляться с помощью различны* моделей R
lí>5
качестве Валовых моделей применяются линейная модель, дерево регрессии Р-еплайн
Последовательно применяя слабые алгоритмы классификации к пошагово измененным данным создаем серьга деревьев решений, которые формируют ансамбль слабых моделей прогнозирования Хотя бус тин г деревней увеличивает точность моде лай, это увеличивает время построения модели и снижает их интерпретируемость Метод градиентного бустинга позволяет час-ично минимизировать подоб н ы е проб п емЫ Мод е ль град ие нтн ого б уст ин га представляет собой соао*упнос1ъ регрессионных моделей и деревьев решений, причем рассматривания методы ансамбпевого анализа, которые получают прогнозные результаты ja счет Постепенного улучшения оценок
Градиентные деревья принятия решений являются итеоативн о усиленным и деревьями принятия решение На каждой итерации новое дерево строитсятаким образ ом, чтооы уменьшать ошибки обучения Предыдущих деревьев Данный подход явпяется одним из наиболее применяемых длз регрессионных задач, но также используется для классификации
Обобщенные линейные модели (Generalized Linea1 Model, GLM i явл?;;югсл продолжением традиционных л и н&ймых моделей GLM приобрела популярность при анализе статистических данных благодаря гибкости модельной структуры объединяющей различные методы регрессии, доступности программного о беслече-ния для моделирования, возможности применения к большим наборам данных Обобщенные линейные модели можно рассматривать как дальнейшее обобщение криволкнвннои оегрессми BGLM предполагается, что зависимая переменная У подчиняется распределен и к: из диапазона вероятностных распределений который в кл юча ет в себ я но рмальн ые. б ин о м и-эльные, пуассоновские. мультиномиальные и гамма-распределения.
Ко м п о не нтэм и GL М яв ля ются сп уча ¿н ая соста в-ляющап ! для зависимой переменной у функции ппотностл Цу; в, ,<меет распределение вероятностей из экспоненциального семейства, параметризованного в и что устраняет ограничение на оаспределен ие ошибки и допускает неоднородность дисперсий по отношению к среднему aetropy систематическая компонента q q = Xß. где X - матрица всех векторов наблюдений х; функция связи д Е(у\ - р - gr1 fa), которая связывает ожидаемое значение отклика^ с линейной Компонентой q Функция связи может быть любой монотонной функцией Это ослабляет ограничения на аддитивность ковариатад и позволяет отклику принадлежать к ограниченному диапазону значена й в за виси мо сти от в ыбра-н ного преобра эс ва ния д Это обобщение делает GLftf годходящей для более широкого круга проблем Примером конкретного случая представления GLM является модель логистической регрессии, обычно используемая для бинарной классификации
В отличие от традиционных нейронных сетей, методы глубинного обучении (Deep Learning) обеспечивают стабильность обучения, обобщение и маецггаои-руемость с большими даннь ми Мод ел к Оеер Learning способны изучать полезные представления необрабо-
танных данных и демонстрируют высокую производитель нос i ь обес^ ечивая Досг эт очную точ нос 1 ь
Базовая единица в модели нейронной сети представляет собой математическую модель нейрона Б модели суммируется взвешен нал комбинация я = I. ^'.х, +Ь входных сигналов, а затем выходной сигнал f(a) передается связанным ьейроном. Функция f представляет собой нелинеинус функцию активаl|hи используемую во всей сети, а смещение ü лрелсбавляет собой Порог активации нейрона
Многослойные нейронные сети состоят из множества слоев азаимос&Я-занных нейронов, входной слой соответствует пространству признаков Geca. связывающие нейроны и смешения с другими нейронами Полностью определяют выход всей сети Обучение лроисходкт когда веса адаптированы для сведения к минимуму ошибки обучения. Для каждого пример а обучения} целью является минимизация функции потерь
L(W В |/|,
где W— набор (IV}. 1, № - 1. W обозначает ве-оовую матрицу соединяющую слои < и t + 1 для сети из N слоев. В - набор {ü}, 1. 1, ^обозначает вектор-стопбец смещений для слоя / * 1
Глубинное обучение основано на применении мкргррлойноА искусственной -¡ейроннои свт>) прямого распространения, которая обучается градиентными методами с использованием алгоритма обратного распространения ошибки rbacftpropegofoonj Сеть может содержать большое количество скрытых слоев состоящих из нейронов сфун- ^иями 31стивации (гнпер бпличеокий тангенс, линейный выпрямитель, mgxaut и др.Расширенный набор пара г/ег ров алгоритма ■ адаггиеная скорость обучения, скорость отжига, импульс обучения, отсез, параметры регуляризация L1 и L2, контрольные точки и др ) обеспечизают возможность настройки алгоритма для повышения точности лропноза.
Результаты применения методов интеллектуального анализа данных
Лля реализации предложенной методики исполу зоааны инструментальные средства RaprdMiner 5íudio 7 5 и интегрированные апгорнтмы Н20 3.8.Z6 RapidWner является средой для решения задач интеллектуального анализа данных и машинного Doy чз ни я, позволяющей осущо стелят ь процессы загрузки и преобразования данных (ETtjf, первичной обработки данных, визуализации, моделирования и оценки [7]
Б процессе создания модели необходимо задать Значительное количество параметров используемых алгоритмов, например количество слоев и количество нейронов в слоях нейронной сети для Deep Learning Для решения этой задачи был разработан процесс Оценки модели Deep Learning с различном количе ством слоез и нейронов Аналогично для остальных алгоритмов осуществлен подбор параметров для повышения точности
Результаты применения указанных классификационных моделей пред ста влень втаблицй Для сравни тол^ной оценки моголов применен набор показателей правильности, полноты и точности классификации
♦
ил
Оценка тгинмсн:ти кгшссификэ^иоччы* моделей ннтеплрКтуапьного анализа
kfrnftu Классификации Aiturjcy, % Retail. ft Precision.
□нор Loarnmg 62.21 713,5Э AS, 07
Gradient Boosted Тгева 60,90 75.«
beneratized Linear Model 81.65 78,5 85.56
Random Forest 79.24 Г3.0& 82.17
Nerve Bayes ГЭ.Вв 76,56 79,07
Decision TfEe 75.65 60,71 64.45
Анализнаул приведенные показатели эффективности применения различных методов классификаций в результате hpccc еалидзции можно сделать вывод что мгэд е ль Dee р Lea гп in g обе спечи ва ет брп ьиху ю точность классификации по сравнению с другими рассмотренными моделями го следующим метрикам Accuracy = 82.21%, РесаЛ = Predion = 66,07%
(рис. 3)
Модель глубинного обучения может быть использована в рамках информационной системы Балаков-ского филиала АО «(Апатит» для оценки времени простоя, связанного с ремонтом и обслуживанием оборудования
Реализация Deep Learning средствами Н20 на платторме Java поддерживает количество скрытых слоев нейронной сети от 2 до 5. Е результате исследования для предлагаемой модели Deep Learning количество слоен нейронной сети - 3, количество нейронов на скрытых слоях - [4 4,4) Функцил активации для нейронов скрыТЫх сг.опп экспоненциал^.-!и вы л ря м ит е л ь i Expo л е nt ia I Rectifje г Lin е ar Ln it f un cli on i. В качестве штрафной функции для данной задачи классификации испольяовэнз кросс-энтропия
Заключение
Предложенная методика построения модели длй оценки продолжительности ТОнР позволяет осуществлять более объективно и оперативно процесс принятия решении по эффективному распредепе«ию дополнительных ресурсов в процессе ремонта и обслуживания оборудований
Если прогнозируемое время простоя меньше или соответствует внутренним нормативам времени простоя оборудования, то нет необходимости принимать
оперативные управленческие решения следует дождаться окончаний простоя оборудовании и воз об но вить работу в плановом режиме.
Есл<1 прогнозируемое время простоя превышает внутренние норматив и. времени простоя оборудовали* то следу*I принять решение, касающееся перераспределения л па нового объема производства для линии, хоторой произошла остановка, мемду рабо тающими технологическими линиями не превышая усгга но-вленную п ро извод ственн ую м ощность Так. вел и произошла остановка на пераои, второй, третьей или четвертой технологической линии, то объе^ производства с одной линии может быть перераспределен между тремя работающими линиями. Если останови-лэсь пятая или шестая линия, го объем соответственно может быть переложен на другую линию в соответствии с производственной мощностью
Если прогнозируемое время простоя больше внутренних нормативов, то следует дать рекомендации аугсорсинговой компании, занятой ремонтом обору
дования, для того чтобы привлечь дополнительные оасурсы для сокращения простая
1 Oi/;y >-и<; iiunjcr.fi Г-an Reliability Analysis ¡Jпи fariune pretention of cr.nsrruction equipment wilft time series; .-nQdels j Journal иг flj^anctid Manj^cinunl SejcncL> 5 tfiil JS Nti.3 P. 203-210
2 '-'e^wwciei Г Ю. Результаты пр^ененйн методов искусственного интеппект-з ц задаче оценки конкурентоегмеий-нисти промышленного предприятия ,,■ Вестник Сэретевскяпо государственного1 социально-экономического университета 20D9. № S С. 15&-161
3. Мэмоноб В И Пргтузктоа В А Статистическое мвде-.- 1Иро6 J11 Ив работы ТЁКК«а10ГИЧЙ-С)(0Г0 оборудования в массивам И сгрч^ном ипотвпдетае И Вестник Ч-ГУЭУ. 221 i №3 С. 114-126.
Л Гтчвяй) М.Г Лрагнозмро^ание с-ставшегося времени
безавзриинои работы нефтегазодобыча юи^по оборудов&ния с применением технопогин итусстоегтн^к нейронных сетей .■■■ Vtmn■= нернь!Й нястник Дрна ?014 ГОЗ 3 С 103-11J
5 ¡Папанов Н И. Взрфоломеев И А.. Ершов £ Я.. Юйи-
нэ О В Прогнозирование отказов оВорудоэанп^ в условиях
малого количества пэг-пмгж Вестник Ч^репове-цклго госу-
дарствен wiго университета 2016. Ni 6 С. Э-S—^ 1
9 £sndeJ Л Рэгтпаг v. LeDelt F Длаге A (Sept 201 В) Эаср Learning with Н2О URL hLtp."'li2o.a4£se<jrce£.
7. Haftnwrm W . Klifikenbitrg R. ftap-iJMiher Data Mining им № г-nd tweinew eralytiC^qpfriicqlionB i Marl<ui НоГглзпп. FlaJf КНпКипйегг] ■■ Cti-apmah £Hal!,'CRC Data Minlnpanii Knftwi ■ enije Discovery series 2013
90 05 BO 75 7П 65 60 55
Depp Lpflrnm^ Grjdien fisn^llBtd ИппсИглп Njlvt ¡j.iyei Dwibiun Тггт Booitcri Trcpi Ипсаг Model For-a-bi
■ Accuracy
■ Ktikii
f Plfili-ilon
Рас 3 Сравнительный а-нализ модепеи для решении задачи прлпнтэированип
