Детальная информация

В данной работе была разработана унифицированная модели прогнозирования состояния целевого технологического параметра в АСУТП на основе рекуррентных нейронных сетей LSTM. Цель работы: повышение точности прогнозирования технологических параметров за счёт адаптации модели к смене режимов работы оборудования. Работа проводилась с помощью анализа научно-технической литературы; математического моделирование технологических процессов; методов машинного обучения (LSTM-сети, детекция режимов на основе скользящих статистик); программирования на Python с использованием библиотек TensorFlow, Keras, Pandas, NumPy, Scikit-learn; экспериментальной верификация с расчётом метрик качества (MAE, MAPE, MaxAE, RMSE). В результате была разработана архитектура унифицированной модели, включающая детектор технологических режимов. Проведена экспериментальная верификация на синтезированных данных. Предложенная унифицированная модель прогнозирования превосходит классическую LSTM по точности на 77,6 %, устойчива к шумам и выбросам, работает в реальном времени и может быть рекомендована к внедрению в существующие SCADA-системы без модернизации аппаратной части.

In this work, a unified model for predicting the state of a target technological parameter in process automation systems based on LSTM recurrent neural networks was developed. The aim of the work is to improve the accuracy of technological parameter forecasting by adapting the model to changes in equipment operating modes. The work was carried out using the analysis of scientific and technical literature; mathematical modeling of technological processes; machine learning methods (LSTM networks, mode detection based on moving statistics); programming in Python using TensorFlow, Keras, Pandas, NumPy, Scikit-learn libraries; experimental verification with calculation of quality metrics (MAE, MAPE, MaxAE, RMSE). As a result, an architecture of a unified model including a technological mode detector was developed. Experimental verification was carried out on synthesized data. The proposed unified forecasting model outperforms the classical LSTM in accuracy by 77.6 %, is robust to noise and outliers, operates in real time, and can be recommended for implementation into existing SCADA systems without hardware modernization.