A Volgográdi Állami Műszaki Egyetem (VolgSTU) tudósai egyedülálló modellt fejlesztettek ki a generátorberendezések hátralévő élettartamának becslésére, amely lehetővé teszi a meghibásodás idejének pontos előrejelzését. A fejlesztés megalkotói szerint modelljük sajátossága a mesterséges intelligencia (MI) egyik hatékony eszközére, a mély neurális hálózatokra épülő hibrid struktúra. Tanulmányuk eredményeit az ACM Transactions on Cyber-Physical Systems című folyóiratban tették közzé.
Ezek az energiatermelő berendezések olyan energia előállítására szolgálnak, amelyet az autonóm, vészhelyzeti vagy tartalék áramellátás megszervezéséhez használnak fel. A szakemberek kifejtették, hogy az ilyen berendezések megbízhatóságának kérdése fontos az üzemanyag- és energiakomplexum szinte minden vállalkozása számára. A város lakosainak és az ipari vállalkozásoknak a szünetmentes áram- és hőellátása függ tőle.
A megelőző karbantartás (PM) ellenére a berendezések hirtelen meghibásodása nem zárható ki. Egy pontos meghibásodás-előrejelző eszköz használata megváltoztathatja a karbantartás és a javítás szempontjait. Emellett jelentősen csökkenti a berendezések leállásának költségeit.
"A megbízhatóság-központú karbantartás világméretű trend. E megközelítés lényege, hogy a berendezések meghibásodásának valószínűségét és következményeit figyelembe véve határozzuk meg a karbantartási műveletek optimális készletét és azok alkalmazási gyakoriságát" - magyarázta Maxim Shcherbakov, a Számítógépes tervezés és feltáró építés osztályának vezetője.
A tanulmányban a fennmaradó élettartam előrejelzési pontossága 1,5-szeresére nőtt a berendezések életciklus-intervallumainak kiosztása és a javasolt modell alkalmazása miatt, jegyezte meg Shcherbakov. A modell a mély neurális hálózatoknak nevezett matematikai modellek kombinációján alapul. Ez a technológia a központi idegrendszer működését utánozza, és olyan összetett műszaki problémákat old meg, mint a mintafelismerés vagy - mint ebben az esetben - a berendezések meghibásodásának előrejelzése. A tudományos csapat tanulmányában egy új konfigurációt javasolt, amely egy konvolúciós neurális hálózaton (CNN) és egy hosszú rövid távú memóriájú neurális hálózaton (LSTM) alapul.
A kutatócsoport következő feladata egy olyan új technológia létrehozása, amely nemcsak a berendezések meghibásodásának előrejelzését teszi lehetővé, hanem az optimális megoldások kialakítását is - hogy pontosan mit kell megvalósítani a berendezések élettartamának meghosszabbítása érdekében.
A kutatás a VolgSTU stratégiai projektjének része a "Priority 2030" program keretében. Az egyetemi fejlesztési program négy stratégiai projektet foglal magában, köztük a "Digitális tudományos és oktatási projektek és fejlesztések központját" és a "Technológiák az ipari innovációért klasztert".
