Отправьте статью сегодня! Журнал выйдет ..., печатный экземпляр отправим ...
Опубликовать статью

Молодой учёный

Прогнозирование аномалий в технологических процессах с помощью методов машинного обучения: практический взгляд

14.11.2026
Поделиться
Аннотация
В статье рассматривается задача раннего обнаружения отклонений в показаниях датчиков технологического оборудования. Сравниваются два подхода: классические статистические правила (пороговые значения и контрольные карты) и методы машинного обучения без учителя (изолирующий лес, одноклассовый SVM). На примере синтетического набора данных, имитирующего работу насосной станции, показано, что статистические правила дают много ложных срабатываний при сезонных колебаниях, тогда как изолирующий лес устойчивее к ним, но требует аккуратной настройки. Делается вывод, что выбор метода определяется не «модностью» алгоритма, а характером шума в конкретных данных.
Библиографическое описание
Басов, Д. А. Прогнозирование аномалий в технологических процессах с помощью методов машинного обучения: практический взгляд / Д. А. Басов. — Текст : непосредственный // Молодой ученый. — 2026. — № 46 (649). — URL: https://moluch.ru/archive/649/142280.


Разговоры о применении искусственного интеллекта в промышленности часто начинаются с больших слов: «цифровой двойник», «предиктивное обслуживание», «умный завод». На практике же первая задача, с которой сталкивается инженер, гораздо скромнее: нужно понять, что датчик на насосе или на линии начал вести себя не так, как обычно. И желательно понять это до того, как оборудование встанет.

Именно на этой задаче — обнаружении аномалий в показаниях датчиков — я и хочу остановиться. Она интересна тем, что здесь методы машинного обучения конкурируют не с человеком, а с гораздо более простыми вещами: пороговыми правилами и контрольными картами. И конкуренция эта не всегда заканчивается победой «умных» алгоритмов [3].

Почему простые правила работают хуже, чем кажется

На первый взгляд всё просто: если температура подшипника превысила сто градусов — подаём сигнал. Такое правило понятно, его легко объяснить сменному мастеру, и оно не требует ни обучения модели, ни инфраструктуры. Проблема начинается, когда процесс имеет сезонность или зависит от нагрузки. Летом температура охлаждающей жидкости в норме выше, чем зимой; при пиковой нагрузке вибрация насоса растёт, хотя оборудование исправно. Порог, подобранный «на глаз», в этих условиях либо пропускает реальные отклонения, либо выдаёт поток ложных тревог, на которые персонал быстро перестаёт реагировать [1].

Я наблюдал это на простом примере: порог по вибрации, выставленный по среднему значению за месяц, за неделю дал больше двадцати срабатываний, из которых реальными оказались два. Остальные пришлись на плановые пуски и остановки. Формально правило работало, практически — мешало.

Что предлагает машинное обучение

Методы обнаружения аномалий без учителя хороши тем, что не требуют размеченных данных — а размеченных аварий, к счастью, мало. Изолирующий лес (Isolation Forest) строит случайные деревья и ищет точки, которые «изолируются» быстрее остальных: именно они и считаются выбросами [4]. Одноклассовый SVM (One-Class SVM) действует иначе — описывает область нормальных значений и считает аномалией всё, что оказалось за её пределами [5].

Оба метода привлекательны тем, что им можно «скормить» историю датчиков за несколько месяцев и получить модель, которая не требует ручной разметки. На практике же всё упирается в подготовку признаков. Сырые показания датчика — плохой вход: модель будет ловить не отклонения, а суточный цикл. Приходится считать скользящее среднее, разницу между текущим значением и средним за час, скорость изменения. Именно эти производные признаки, а не сам алгоритм, определяют качество результата [2].

Небольшой эксперимент

Чтобы не рассуждать голословно, я собрал синтетический набор данных, имитирующий работу насосной станции: три датчика (температура, вибрация, давление), шаг в одну минуту, около двух месяцев наблюдений. В данные были заложены суточная цикличность, редкие плановые остановки и пять искусственных аномалий — скачков, которые не объясняются циклом.

Сравнение получилось показательным. Пороговое правило по вибрации поймало все пять аномалий, но добавило сорок ложных срабатываний — почти все на пусках. Изолирующий лес при настройке «загрязнения» около одного процента поймал четыре аномалии из пяти и дал восемь ложных. Одноклассовый SVM показал похожий результат, но оказался чувствительнее к масштабу признаков: без нормализации он вообще отказывался работать осмысленно.

Вывод, который я сделал для себя: разница между методами не в том, что один «умнее» другого, а в том, какие ошибки вы готовы терпеть. Порог прощает пропуски, но заваливает ложными тревогами. Лес пропускает часть аномалий, зато молчит, когда всё в порядке. Для дежурной смены второе обычно важнее.

Где всё ломается

Есть несколько мест, где даже аккуратно настроенная модель перестаёт быть полезной. Первое — дрейф данных: оборудование изнашивается, датчики стареют, и распределение «нормы» постепенно смещается. Модель, обученная полгода назад, может начать считать нормой то, что раньше было аномалией, или наоборот. Второе — редкие режимы: зимний пуск, работа на минимальной нагрузке, ремонтный режим. Если таких данных в обучении не было, модель отреагирует на них как на аварию [3]. Третье — интерпретируемость: мастеру нужно объяснить, почему сработал сигнал, а «так решило дерево» — не объяснение. Поэтому на практике часто оставляют и простое правило, и модель, а решение принимает человек.

Что я вынес из этой задачи

Во-первых, обнаружение аномалий — это не про выбор алгоритма, а про понимание процесса. Без знания того, как работает оборудование и откуда берётся шум, никакой лес не поможет. Во-вторых, признаки важнее модели: скользящие статистики и скорость изменения дают больше, чем замена одного классификатора на другой. В-третьих, полностью автоматический режим пока преждевременен — разумнее строить систему, которая подсказывает оператору, а не заменяет его.

На мой взгляд, наиболее перспективны гибридные схемы: простые правила отсекают явные случаи, а модель работает с «серой зоной», где правило бессильно. Но это уже требует интеграции с системой диспетчеризации, а значит — отдельного разговора о том, как встраивать такие модели в существующую инфраструктуру предприятия.

Литература:

  1. Вентцель Е. С. Теория вероятностей: учебник для вузов. — М.: Высшая школа, 2006. — 575 с.
  2. Иванов А. В. Инженерия признаков в задачах анализа временных рядов // Программные продукты и системы. — 2024. — № 2. — С. 45–53.
  3. Смирнова Е. К. Машинное обучение в промышленности: между пилотом и внедрением // Открытые системы. СУБД. — 2025. — № 1. — С. 18–24.
  4. Liu F. T., Ting K. M., Zhou Z.-H. Isolation Forest // Proceedings of the 8th IEEE International Conference on Data Mining. — 2008. — Pp. 413–422.
  5. Schölkopf B., Williamson R., Smola A. et al. Support Vector Method for Novelty Detection // Advances in Neural Information Processing Systems. — 2000. — Vol. 12. — Pp. 582–588.
Можно быстро и просто опубликовать свою научную статью в журнале «Молодой Ученый». Сразу предоставляем препринт и справку о публикации.
Опубликовать статью
Похожие статьи
Алгоритм оценки точности прогноза технического состояния ИУС от частоты опроса и типа данных структурных элементов
Влияние окна скользящего среднего и порога на обнаружение аномалий во временных рядах: сравнение методов z-score и IQR на синтетических данных
Применение машинного обучения для обнаружения сетевых аномалий
Исследование чувствительности алгоритма выявления отклонений: влияние порога и времени удержания на ложные срабатывания и задержку обнаружения
Подход к обнаружению неисправностей промышленного оборудования с помощью глубокого обучения
Интеллектуальные системы мониторинга магистральных трубопроводов на основе машинного обучения
Контролируемые методы машинного обучения как средство детектирования сетевых вторжений
Метод предсказания возникновения дефектов выявлением периодичности
Сравнительный анализ методов диагностики отказов датчиков в автоматизированных технических системах
Самообучающиеся системы защиты информации: перспективы и ограничения

Молодой учёный