Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания

Постановка проблемы. Одна из актуальных проблем промышленной автоматизации заключается в том, что работа немногих имеющихся на Российском рынке систем прогнозируемого обслуживания, как правило, основывается на сборе и анализе данных оборудования без учета совместного воздействия внутренних и внешних факторов. В текущих экономических условиях необходим обоснованный выбор и применение новых технологий искусственного интеллекта для исследования и реализации базовых принципов потенциала негативности рассогласования, которые откроют новые горизонты для повышения эффективности и надежности промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания многостадийных технологических процессов. Моделирование автоматических реакций на изменения окружающей среды и прогнозирование отказов позволит создать адаптивные системы, которые существенно снизят риски возникновения сбоев и аварий, а также будут способствовать оптимизации производственных ресурсов и снижению эксплуатационных затрат.

Цель. Исследовать возможность применения технологий искусственного интеллекта для реализации алгоритмов, созданных на основе потенциала негативности рассогласования (англ. mismatch negativity, MMN) и возможности их применения в промышленных автоматизированных системах прогнозируемого или предписывающего обслуживания, а также разработать базовый MMN-алгоритм и реализовать его на языке программирования Python.

Результаты. Разработан алгоритм, реализующий базовые принципы потенциала негативности рассогласования. Определена практическая необходимость применения данного вида алгоритма, основанных на нейрофизиологических механизмах обработки сенсорной информации в мозге человека, для обнаружения аномалий в работе промышленного оборудования, вызванных внешними факторами, такими как температура, влажность, вибрации и электромагнитные помехи, что позволяет решить следующие задачи промышленной автоматизации: обнаружение аномалий; моделирование воздействия окружающей среды; оптимизация эксплуатационных процессов; прогнозирование отказов; адаптация к изменяющимся условиям. Предложена базовая архитектура автоматизированной системы, учитывающая необходимость использования программных алгоритмов потенциала негативности рассогласования, которая состоит из модулей верификации данных, обучения модели, обнаружения аномалий, прогнозной модели, визуализации и модуля интеграции с другими производственными информационными и автоматизированными системами. В работе также представлен программный код реализации базового MMN-алгоритма на языке Python.

Практическая значимость. Результаты исследования могут быть использованы для проектирования промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания, в которых точность и время принятия решения играют важную роль.

1. Jay Lee, Edzel Lapira, Behrad Bagheri, Hungan Kao. Recent advances and trends in predictive manufacturing systems in big data environment // Manufacturing Letters. 2013. Т. 1. № 1. С. 38–41. DOI: 10.1016/j.mfglet.2013.09.005. (Дата обращения: 18.03.2025).

2. Fei Tao, Qinglin Qi, Ang Liu, Andrew Kusiak. Data-driven smart manufacturing // Journal of Manufacturing Systems. 2018. Т. 48. С. 157–169, DOI: 10.1016/j.jmsy.2018.01.006. (Дата обращения: 18.03.2025).

3. Zhang Y., Huang T. & Bompard E.F. Big data analytics in smart grids: a review // Energy Informatics. 2018. № 1(1). DOI: 10.1186/s42162-018-0007-5. (Дата обращения: 18.03.2025).

4. Kusiak A. Smart manufacturing must embrace big data // Nature. 2017. № 544 (7648). С. 23–25. DOI: 10.1038/544023a. (Дата обращения: 18.03.2025).

5. Jayavardhana Gubbi, Rajkumar Buyya, Slaven Marusic, Marimuthu Palaniswami. Internet of Things (IoT): A vision, architectural elements, and future directions // Future Generation Computer Systems. 2013. Т. 29. № 7. С. 1645–1660. DOI: 10.1016/j.future.2013.01.010. (Дата обращения: 18.03.2025).

6. Jay Lee, Behrad Bagheri, Hung-An Kao. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. 2015. № 3. С. 18–23. DOI: 10.1016/j.mfglet.2014.12.001. (Дата обращения: 18.03.2025).

7. Lihui Wang, Martin Törngren, Mauro Onori. Current status and advancement of cyberphysical systems in manufacturing // Journal of Manufacturing Systems. 2015. Т. 37(2). С. 517–527. DOI: 10.1016/j.jmsy.2015.04.008. (Дата обращения: 18.03.2025).

8. Yuqian Lu, Xun Xu, Lihui Wang. Smart manufacturing process and system automation – A critical review of the standards and envisioned scenarios // Journal of Manufacturing Systems. 2020. Т. 56. С. 312–325. DOI: 10.1016/j.jmsy.2020.06.010. (Дата обращения: 18.03.2025).

9. Zhou K., Liu T., & Zhou L. Industry 4.0: Towards future industrial opportunities and challenges. In 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). 2015. С. 2147–2152. DOI: 10.1109/FSKD.2015.7382284. (Дата обращения: 18.03.2025).

10. Xu L. D., Xu E. L., & Li L. Industry 4.0: state of the art and future trends // International Journal of Production Research. 2018. № 56(8). С. 2941–2962. DOI: 10.1080/00207543.2018.1444806. (Дата обращения: 18.03.2025).

11. Susto G. A., Schirru A., Pampuri S., McLoone S., & Beghi A. Machine learning for predictive maintenance: A multiple classifier approach // IEEE Transactions on Industrial Informatics. 2015. № 11(3). С. 812–820. DOI: 10.1109/TII.2014.2349359. (Дата обращения: 18.03.2025).

12. Panagiotis Mallioris, Eirini Aivazidou, Dimitrios Bechtsis. Predictive maintenance in Industry 4.0: A systematic multi-sector mapping // CIRP Journal of Manufacturing Science and Technology. 2024. Т. 50. С. 80–103. DOI: 10.1016/j.cirpj.2024.02.003. 2024. (Дата обращения: 18.03.2025).

13. Andrew K.S. Jardine, Daming Lin, Dragan Banjevic. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. 2006. Т. 20. № 7. С. 1483–1510. DOI: 10.1016/j.ymssp.2005.09.012. (Дата обращения: 18.03.2025).

14. Zheng J, Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? Neuron [Электрон. ресурс]. 2025. № 113(2). С. 192–204. Режим доступа: https://arxiv.org/html/2408.10234v2. (Дата обращения: 18.03.2025).

15. Дорогина О.И. Нейрофизиология [Электрон. ресурс]. Екатеринбург: Уральский федеральный университет, 2019. 100 с. Режим доступа: https://elar.urfu.ru/bitstream/10995/77151/1/978-5-7996-2619-8_2019.pdf (Дата обращения: 18.03.2025).

16. Манцулич В.В. История становления когнитивной психологии и развития взглядов на проблему когнитивных и метакогнитивных способностей личности // Вестник Московского городского педагогического университета. Серия «Педагогика и психология». 2022. № 16 (4). С. 90–102. DOI: 10.25688/2076-9121.2022.16.4.05.

17. Когнитивная психология / Под ред. В.Н. Дружинина, Д.В. Ушакова. М.: ПЕР СЭ, 2002. 479 с.

18. Вызванные потенциалы мозга (ВП) [Электрон. ресурс]. Режим доступа: https://cmi.to/вызванные-потенциалы/. (Дата обращения: 17.03.2025).

19. Березина И.Ю., Михайлов А.Ю., Горецкая Т.А. и др. Применение вызванных потенциалов, связанных с событием (Р300), у лиц, злоупотребляющих психоактивными веществами // Вопросы наркологии. 2020. № 12. С. 19–43. DOI: 10.47877/0234-0623_2020_12_19.

20. Guansong Pang, Chunhua Shen, Longbing Cao, and Anton van den Hengel. Deep Learning for Anomaly Detection: A Review // ACM Comput. Surv. 2020. Т. 1. № 1. DOI: 10.1145/3439950.

21. Шустов Д.И., Федотов И.А., Кряжкова Д.Ю. Использование потенциала негативности рассогласования при диагностике психозов: систематический обзор метаанализов [Электрон. ресурс] // ФГБУ «НМИЦ ПН им. В.П. Сербского» Минздрава России, 2024. Режим доступа: https://psychiatr.ru/files/magazines/2024_08_scp_2423.pdf. (Дата обращения: 17.03.2025).