Presentations

A neural network-based method for analyzing and predicting engineering equipment parameters

Surzhko V.S., Bely A.A., Kashunin I.A., Uzhinsky A.V.

Joint Institute for Nuclear Research, Russia, 141980, Dubna, Joliot-Curie St., 6, 7 (49621) 6-50-59, surjko@jinr.ru

В Объединенном институте ядерных исследований действует многофункциональный информационно-вычислительный комплекс (МИВК), включающий суперкомпьютер «Говорун», центры обработки данных и систему хранения информации. Для обеспечения стабильной работы комплекса требуется мониторинг инженерного оборудования для своевременного выявления неисправностей. В исследовании проводится работа над подбором подхода к прогнозированию состояний оборудования.

Раннее предложенные решения на базе классических методов машинного обучения (градиентный бустинг, случайный лес, ARIMA) не позволили достичь требуемой точности прогноза. В рамках настоящего исследования был выбран альтернативный подход — рекуррентная нейронная сеть [1] на базе архитектуры LSTM, демонстрирующая высокую эффективность при работе с временными рядами.

Для обучения и валидации модели были использованы наборы данных, собранные в реальных условиях эксплуатации инженерного оборудования МИВК в следующие периоды: 01.09.23-27.10.23 и 19.02.25-02.03.25. Данные были собраны с 8 кондиционерных стоек с минутной дискретизацией и включали измерения следующих параметров: температура охлаждающей жидкости, воздушный поток, поток охлаждающей жидкости, внутренняя температура воздуха, выходная температура воздуха, процент открытия клапана. Выбранные временные периоды охватывали различные режимы работы оборудования, включая: нормальное функционирование инженерной инфраструктуры, нештатные ситуации, период перехода с зимнего режима на весенний, что позволяет гарантировать хорошую генерализацию модели.

При размере окна прогнозирования в 100 минут модель на валидационном наборе данных 2025 года продемонстрировала следующие показатели: средняя квадратическая ошибка (MSE) 0,3605, корень из средней квадратической ошибки (RMSE) 0,6004, а коэффициент детерминации (R²) 0,771.

В ходе исследования была проведена комплексная работа по анализу и прогнозированию технического состояния оборудования МИВК ОИЯИ с использованием методов машинного и нейронного обучения. Дальнейшая работа включает модернизацию LSTM-архитектуры с расширением набора входных параметров и тестирование модели трансформера. После успешного апробирования планируется внедрение разработанных решений в действующую систему мониторинга.

Литература

1. Дж. Вандер Плас, Python для сложных задач, СПб.: Питер, 2018., 576 стр.

• abstract in Russian (PDF)