Предиктивное обслуживание холодильного оборудования
Холодильные системы супермаркетов потребляют до 50% общей электрической нагрузки. При возникновении неисправностей энергопотребление возрастает, растут затраты на обслуживание и экологический след. Машинное обучение предлагает эффективный инструмент для обнаружения и диагностики неисправностей (FDD).
Методология FDD для CO?-систем
Исследование, представленное на IEEE, демонстрирует фреймворк машинного обучения для обнаружения и диагностики неисправностей в системах охлаждения на CO?. Использовались алгоритмы на основе деревьев решений: Random Forest, XGBoost, CatBoost и LightGBM. Подход Recursive Feature Addition (RFA) позволил определить оптимальные наборы датчиков, достигнув F1-score 99% при минимальном количестве датчиков: четыре для Random Forest, семь для XGBoost, пять для CatBoost и пять для LightGBM.
Устойчивость к шумам и отказам датчиков
Надёжность моделей оценивалась путём инъекции аддитивного белого гауссова шума (AWGN) с отношением сигнал/шум 3 дБ в наиболее важный датчик. XGBoost показал превосходную устойчивость — 85,24%, за ним следуют CatBoost (57,07%), LightGBM (49,1%) и Random Forest (49,46%). Анализ чувствительности в сценариях с высоким SNR (10 дБ), низким SNR (0 дБ) и отказами датчиков выявил, что устойчивость XGBoost достигает 90,23% и сохраняется на уровне 79% при отказах.
Компромисс между количеством датчиков и надёжностью
Результаты подчёркивают компромисс между количеством датчиков, стоимостью и надёжностью: большие ансамбли повышают устойчивость к шумам. Датчики со стороны конденсатора неизменно занимают критически важные позиции для обнаружения неисправностей.
Практические результаты
Модели на основе деревьев решений, оптимизированные через Grid Search Cross-Validation, достигли точности классификации шести типов неисправностей свыше 99%, а модель LightGBM показала F1-score 99,73%. В одном из практических кейсов интеллектуальный мониторинг вибрации компрессоров позволил снизить простои критических холодильных систем на 42%.
Перспективы
Внедрение ML-систем FDD позволяет перейти от планового обслуживания к предиктивному, сокращая простои и эксплуатационные расходы. Будущие исследования могут быть направлены на адаптивные пороги SNR и конфигурации резервных датчиков для повышения применимости в реальных условиях.
По всем вопросам звоните нам по номеру +7 (383) 305-43-15