Россия
Москва, г. Москва и Московская область, Россия
Россия
УДК 004.65 Cистемы управления базами данных (СУБД)
УДК 51-37 с помощью вычислительных машин
УДК 696.117 Краны. Запорные задвижки. Вентили. Прочая арматура
ГРНТИ 67.01 Общие вопросы строительства
ББК 308 Монтаж, эксплуатация, ремонт машин и промышленного оборудования
Введение. Наиболее распространенные на сегодняшний день, современные платформы предиктивной аналитики такие как: «Аналитическая платформа Форсайт», KNIME Analytics Platform, SAS Enterprise Miner, Loginom, обладают рядом особенностей, ограничивающих их использование в условиях малых предприятий. Материалы и методы. В рамках работы над диссертационной работой на тему «Управление техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов» была выдвинута гипотеза о том, что комбинированное применение кластерного и квалиметрического анализа больших данных позволяет с точностью не менее 95% прогнозировать изменение фаз жизненного цикла, что обеспечивает снижение эксплуатационных затрат, не менее чем на 15-20% за счет оптимизации сроков технического обслуживания и замены элементов инженерного оборудования. Результаты исследования. В статье проведено сравнение современных платформ предиктивной аналитики с разрабатываемой в диссертационной работе методикой. Рассматривается внедрение разработанной методики в условиях производства. Выводы. Разработанная методика управления техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов представляет интерес в области строительства.
Производство строительных материалов, управление техническим состоянием, кластерный анализ, предиктивная аналитика, квалиметрия, жизненный цикл, системы прогнозирования
Введение
Первые прогнозные модели начала формироваться в 1940-х годах, с появлением линейного программирования, метода Монте-Карло и симуляций нейронных сетей. С 1970-х по 1990-е годы, с развитием компьютерной техники, эти технологии получили широкое применение в бизнесе. Ведущие технологические компании сыграли ключевую роль в популяризации предиктивной аналитики — IBM (платформы IBM SPSS и Watson Analytics), Google (инструменты Google BigQuery ML и TensorFlow), Microsoft (платформа Azure Machine Learning), Amazon (платформа Amazon Web Services) и др. [1].
Материалы и методы
Наиболее часто применяемые на сегодняшний день платформы реализующие инструменты предиктивной аналитики: «Аналитическая платформа Форсайт», KNIME Analytics Platform, SAS Enterprise Miner, Loginom. В рамках проведённого исследования выполнено сравнение этих платформ с Microsoft Excel [2]. В качестве основных рассматриваемых показателей были выбраны следующие: простота использования, встроенные функции анализа, доступность, гибкость, стоимость лицензии, поддержка продвинутых методов анализа, работа с большими данными (от 1 до 100 ТБ), автоматизация процессов анализа, визуальное программирование, отсутствие необходимости в дополнительном обучении, встроенная поддержка временных рядов, объединение инструментов из разных областей. Общие результаты представлены в виде таблицы (Рис.1) [3].
Рис. 1. Сравнение современных платформ для прогнозирования.
Выбор инструмента Excel, можно обосновать следующим:
- Если данные небольшие (до 1 ТБ), а задача ограничивается базовым анализом или визуализацией, Excel будет быстрее и удобнее.
- Excel проще в использовании для новичков, не имеющих опыта работы со специализированными платформами.
- Если задача не требует автоматизации или сложных методов анализа, Excel будет предпочтительнее.
- Самая доступная стоимость лицензии, значительно снижающая порог вхождения в задачи прогнозирования.
Научно-техническая гипотеза представленного исследования предполагает возможность совместного использования кластерного анализа и квалиметрических методов при обработке больших массивов эксплуатационных данных инженерного оборудования позволяет прогнозировать смену фаз его жизненного цикла с точностью ≥95 %. Данный подход способствует сокращению затрат на эксплуатацию на 15–20 % за счёт корректировки интервалов технического обслуживания и своевременной замены компонентов.
Методологическая основа исследования. В работе применены следующие методы анализа:
- Контрольные карты Шухарта для фильтрации исходных данных на первоначальном этапе, с целью исключения из последующего анализа бракованных элементов.
- Кластерный анализ, для группировки объектов выборки в однородные совокупности (кластеры), с целью получения эталонной модели, для следующего этапа анализа.
- Квалиметрия, для предсказания изменения фаз жизненного цикла ключевого элемента фасовочного оборудования, на основании полученных данных и эталонной модели, с целью повышения эффективности управления техническим состоянием инженерного оборудования [4-6].
Результаты исследования
Исходные данные для анализа были предоставлены ООО НТЦ «Гидрол-Кровля» (г. Москва) и обрабатывались в среде Microsoft Excel. На подготовительном этапе осуществлялась предварительная обработка данных, включающая:
- Экспертную оценку достоверности информации
- Применение методов статистического контроля [7].
Ключевые анализируемые параметры:
- Фактическая наработка в часах
- Количество циклов включения
- Объем переработанного полимерного материала
Кластерный анализ состоит из следующих этапов:
- Процедура нормализации, для обеспечения сопоставимости разно размерных параметров.
- Расчёт Евклидова расстояния в целях оценки степени различия между объектами.
- Расчёт эталонной модели.
Квалиметрический анализ проводился в три этапа:
- Расчёт процентного отклонение от эталонных значений, с целью оценки погрешности.
- Нормализация данных для анализа.
- На финальном этапе обработки производились: ранжирование объектов по возрастанию значений; расчет интервальных показателей; определение среднего геометрического для интервалов.
Математические инструменты были подробно рассмотрены автором статье «Современное состояние и перспективы развития систем предиктивной аналитики в области строительства» [8].
Итоги вычислений, полученные путём сложения порядковых номеров изделий в ранжированных промежуточных таблицах и номеров их кластеров, представлены в виде таблицы и диаграммы (Рис. 2, 3).
Рис. 2. Итоговая таблица квалиметрического анализа системы
Рис. 3. Итоговая диаграмма квалиметрического анализа
Исследуемые шнеки по результатам проведённого квалиметрического анализа разделились на три группы: первая шнеки № 2, 5, 7, 10 с рекомендацией провести полный внеочередной контроль; во второй группе № 3, 4, 6, 8 работают в штатном режиме; № 1, 9, из третей группы, находящиеся в наилучшем состоянии.
Для проверки методики был проведён фактический замер износа шнеков и сравнение замеров с моделью, полученной в результате прогноза. Результаты сравнения представлены в виде таблицы и диаграммы (Рис. 4, 5) [9].
Рис. 4. Сравнение результатов прогноза и фактических замеров таблица
Рис. 5. Сравнение результатов прогноза и фактических замеров диаграмма
Анализ сравнения результатов прогноза и фактических замеров остатка ресурса шнеков:
- Общие наблюдения. В таблице представлены данные по 10 шнекам, включая прогнозируемые и фактические значения износа (в %), а также процент отклонения прогноза от реальных данных. Нормализация значений позволяют провести сравнение прогноза и фактических замеров остатка.
- Ключевые выводы. Точность прогноза — наибольшее занижение прогноза (факт> прогноз) у шнека № 3 (–17,11 %), шнека № 4 (–13,51 %), шнека № 2 (–13,17 %); наибольшее завышение прогноза у шнека № 5 (+18,4 1%), шнека № 8 (+12,49 %), шнека № 10 (+14,77 %); наиболее точные прогнозы у шнека № 7 (+1,30 %), шнека № 9 (+7,53 %), шнека № 6 (+8,61 %)
- Средняя величина отклонения составила 1,09 %.
Модель демонстрирует приемлемую среднюю точность, но требует доработки для уменьшения крайних отклонений. Такие результаты обусловлены экспериментальным характером работы и небольшим объёмом данных, полученных на момент проведения анализа [10].
Заключение и обсуждение
Проведенное исследование подтвердило выдвинутую гипотезу о возможности эффективного управления техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов, методами анализа больших данных с использованием комбинированного подхода, использующего кластерный и квалиметрический подход. Разработанная методика обладает существенными преимуществами перед существующими аналогами для задач, когда ключевое значение имеет низкая стоимость программного обеспеченья, низкий порог вхождения, новизна области исследования и может быть рекомендована к внедрению в промышленности и строительстве.
1. Сигель Э. Просчитать будущее: Кто кликнет, купит, соврёт или умрёт = Predictive Analytics. М.: Альпина Паблишер, 2014. 374 с. ISBN 978-5-9614-4541-1.
2. Красильников А.А., Современный статистический анализ результатов научных исследований в Exce, Издательские решения, 2023. 204 с., ISBN 978-5-0059-7446-4
3. Сигитов А.А. Современное состояние и перспективы развития систем предиктивной аналитики в области строительства // Строительство и архитектура. 2023. Т. 11 № 4 , doi.org/10.29039/2308-0191-2023-11-4-30-30. DOI: https://doi.org/10.29039/2308-0191-2023-11-2-12-12
4. Щеглова С.А., Титов П.Л. Контрольные карты: учебное пособие для вузов / Политехнический институт ДВФУ. Владивосток: Изд-во Дальневост. Федерал. ун-та, 2023, [52 с.], ISBN 978-5-7444-5357-7.
5. Дюран Б., Одель П. Кластерный анализ. М. : Статистика, 1977.
6. Рожков Н.Н. Квалиметрия и управление качеством. Математические методы и модели учебник и практикум для вузов. 2-е изд., перераб. и доп. М.: Юрайт, 2020. 167 с
7. Салихов М.Р., Юрьева Р.А., Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Изв. Вузов. Приборостроение. 2022. Т. 65, №9. С. 648-655. DOI:https://doi.org/10.17586/0021-3454-2022-65-9-648-655 EDN: https://elibrary.ru/FBHJVU
8. Сигитов А. А. Разработка методики анализа больших данных с целью предсказания изменения фаз жизненного цикла элементов инженерного оборудования зданий и сооружений // Строительство и архитектура. Т. 11. № 2. 2023. DOI:https://doi.org/10.29039/2308-0191-2023-11-2-8-8. EDN: https://elibrary.ru/OTWJEE
9. Kagan P., Sigitov A., Predicting the Elements Operation of Buildings’ Engineering Equipment Using the Big Data Analysis Technologies // Lecture Notes in Civil Engineering. 2022. 231. https://doi.org/10.1007/978-3-030-96206-7_9 EDN: https://elibrary.ru/UVZAOR
10. Камаева Ю.В., Адамцевич Л.А. Перспективы использования предиктивной аналитики в строительстве // Строительство и архитектура. 2023. Т. 11. № 2. С. 12. DOI https://doi.org/10.29039/2308-0191-2023-11-2-12-12. EDN: https://elibrary.ru/DYIKZN
