ОБНАРУЖЕНИЕ ОТКАЗОВ КОМПРЕССОРА РЕЛЬСОВОГО ТРАНСПОРТА ПО ДАННЫМ IIoT

Аннотация

Плановое техническое обслуживание не всегда учитывает фактическое состояние оборудования, а штатные пороговые сигналы срабатывают уже после начала отказа. Цель исследования – оценить на уровне событий, позволяют ли модели обнаружения аномалий по телеметрии IIoT выявлять отказ раньше штатного порогового метода или с меньшим числом ложных тревог. Данные – открытый набор MetroPT-3 по воздухоприготовительному агрегату (APU) поезда метро (февраль–август 2020 г., 1 516 948 записей, 15 сигналов, лицензия CC BY 4.0, 4 отказа по отчётам предприятия) и набор MetroPT2 (2022 г., 2 отказа) для проверки переносимости. Методы: 38 признаков в 10-минутных окнах, строго хронологическое разбиение, Isolation Forest, One-Class SVM, полносвязный автокодировщик, контрольная карта EWMA и штатное правило LPS; порог выбирался на валидации по заданному числу ложных тревог в сутки; каждая модель запускалась с пятью значениями random seed. Результаты: при заранее заданной рабочей точке 0,1 ложной тревоги в сутки модели обнаружили в среднем 0–0,6 из 4 отказов, EWMA – 1, и ни один метод не дал тревоги раньше начала отказа по отчёту. При калибровке на 0,5 ложной тревоги в сутки модели и EWMA обнаружили в среднем 3,8–4,0 из 4 отказов при 0,15–0,19 ложной тревоги в сутки, а штатное правило – 3 отказа при 0,66 ложной тревоги в сутки; медиана упреждения у всех методов отрицательна. Модели лучше EWMA ранжировали окна вблизи отказов (PR-AUC 0,40–0,45 против 0,24). Модели, обученные на данных 2020 г., сохранили ранжирующую способность на данных 2022 г. (PR-AUC 0,69–0,73), но порог 2020 г. оказался слишком высоким. Научная новизна – событийное сравнение моделей со штатным правилом на реальных эксплуатационных данных компрессора метро при хронологическом протоколе и проверке переноса между периодами. Практическое значение – методика выбора порога тревоги по допустимому для службы обслуживания числу ложных тревог. Вывод: раннее предупреждение не подтверждено, а порог необходимо калибровать на данных конкретного объекта.