кандидат технических наук;
candidate of technical sciences;
Увеличение сложности информационно-управляющих систем (ИУС) и объемов телеметрической информации требует перехода от традиционных централизованных схем диагностики к интеллектуальным распределенным системам, обладающим адаптивностью и масштабностью. Одной из ключевых задач создания такого рода решений является формализация процессов формирования областей и разделяющих поверхностей технических состояний. Цель: разработка математической модели и алгоритмов формирования областей и разделяющих поверхностей технических состояний в процессе обучения прототипа интеллектуальной системы, способной к самообучению и предиктивной оценке технического состояния оборудования в условиях большого потока диагностических данных. Методы: предложен подход, сочетающий многоагентную организацию компонентов, реализацию распределенной потоковой обработки информации с применением нейросетевых и пороговых методов, а также использование инфраструктуры Big Data для хранения, агрегации и анализа данных. Проведена формализация диагностической задачи, построены алгоритмы формирования областей и разделяющих поверхностей технических состояний, прогнозирования и оценки вероятности отказа, реализован прототип на вычислительной платформе. Результаты: сформирована архитектура интеллектуальной ИУС, в которую входят агенты сбора, предобработки и анализа данных, модуль прогноза на базе LSTM, агент принятия решений и интерфейсы взаимодействия с оператором. Представлены расчеты, демонстрирующие повышение достоверности диагностики при увеличении объема данных. Реализованы сценарии обработки телеметрии в реальном времени. Практическая значимость: полученные в ходе эксперимента результаты свидетельствуют об эффективности предлагаемого подхода. Описаны возможности масштабирования системы, ее внедрения в существующую транспортную инфраструктуру для обеспечения отказоустойчивости и автономности.
The increasing complexity of information management systems (IMS) and the volume of telemetric data require a transition from traditional centralized diagnostic schemes to intelligent distributed systems that are adaptive and scalable. One of the key tasks in developing such solutions is to formalize the processes of forming regions and separating surfaces for technical states. Purpose: to develop a mathematical model and algorithms for forming regions and separating surfaces for technical states during the training of a prototype intelligent system capable of self-learning and predictive assessment of the technical condition of equipment under conditions of a large flow of diagnostic data. Methods: an approach is proposed that combines multi-agent organization of components, implementation of distributed streaming data processing using neural network and threshold methods, as well as the use of Big Data infrastructure for data storage, aggregation, and analysis. The diagnostic task has been formalized; algorithms for forming regions and separating surfaces of technical states, for predicting and assessing the probability of failure have been developed; a prototype has been implemented on a computing platform. Results: an architecture of an intelligent IMS has been developed, which includes agents for data collection, preprocessing, and analysis, a prediction module based on LSTM, a decision-making agent, and interfaces for interaction with the operator. Calculations are presented that demonstrate an increase in diagnostic reliability with an increase in data volume. Real-time telemetry processing scenarios have been implemented. Practical significance: the results obtained during the experiment indicate the effectiveness of the proposed approach. The possibilities for scaling the system and integrating it into the existing transport infrastructure are described, ensuring fault tolerance and autonomy.