Многоагентный ансамблевый алгоритм акустического распознавания нарушений работоспособности автономного технологического оборудования
Ключевые слова:
акустическое распознавание, автономное технологическое оборудование, ансамблевой алгоритм, эмпирическое разложение по модамАннотация
Введение: в условиях высокоавтоматизированных производств традиционные методы диагностики функционирования технологического оборудования, основанные на визуальном осмотре или механических датчиках, часто оказываются недостаточными. С учетом автономных режимов работы оборудования, использующего искусственный интеллект, все большее значение приобретают автоматические системы мониторинга с привлечением акустических данных, способные сигнализировать о неисправностях без вмешательства в процесс работы. Цель: разработать многоагентный ансамблевый алгоритм акустического распознавания, способный выявлять различные типы нарушений в работе автономных технических систем с точностью не менее 90 %, F1-мерой ≥ 0,85. Результаты: предложен новый подход к акустическому распознаванию неисправностей автономного технологического оборудования, основанный на многоагентном ансамблевом алгоритме. Разработана архитектура многоагентной системы, включающая четырех специализированных агентов, анализирующих различные параметры акустических сигналов: 1) агент спектрального анализа оценивает изменения частотного состава акустического сигнала, выявляя аномальные колебания, характерные для механических повреждений и неисправностей; 2) агент временного анализа отслеживает временные паттерны акустических данных, анализируя изменения амплитуды и продолжительности сигналов, что позволяет выявлять кратковременные сбои и нерегулярные шумы; 3) агент анализа функционирования оборудования соотносит акустические данные с рабочими режимами оборудования, выявляя отклонения от нормального функционирования; 4) агент анализа внешнего окружения учитывает внешние шумовые факторы и фильтрует их, повышая точность диагностики путем исключения посторонних звуков. Агенты реализованы и обучены с использованием методов машинного и глубокого обучения. В рамках исследования проведен эксперимент, в котором оценена эффективность предложенного алгоритма. Точность распознавания неисправностей достигала не менее 90 %. Проведенное исследование показало, что применение многоагентного подхода позволяет повысить надежность диагностики за счет объединения результатов работы различных аналитических моделей. Практическая значимость: программный код, реализующий ансамблевый алгоритм распознавания, может применяться для диагностики широкого круга автономных систем.