Использование функциональной предобработки данных при прогнозировании параметров вибрации нефтеперекачивающих агрегатов

Посвящена алгоритму функциональной предобработки данных, который может быть использован для уменьшения результирующей ошибки при решении задач прогнозирования с помощью построения нейросетевых моделей. Описанный в статье алгоритм был разработан в рамках построения системы прогнозирования параметров вибрации нефтеперекачивающих агрегатов, применяемой для прогнозирования развития дефектов.

Автор анализирует существующие подходы к вибродиагностике и приходит к необходимости рассмотрения поставленной задачи как задачи долгосрочного прогнозирования, а не задачи классификации, как это принято при решении аналогичных задач. Причина данного решения заключается в отсутствии размеченных данных.
Основные идеи решения задачи долгосрочного прогнозирования следующие: нейросетевая модель принимает на вход и выдает на выход характеристики измеряемых величин в периоды времени, время разбивается на периоды, для каждого периода строится своя нейросетевая модель, причем период следующей шкалы в целое число раз больше периода предыдущей шкалы, шкалы с меньшим периодом используются для краткосрочного прогнозирования, а с большим – для долгосрочного.

Для повышения качества прогнозирования применяется функциональная предобработка данных. Она заключается в том, что построенная по алгоритму последовательность функций применяется к входу модели прогнозирования, чтобы повысить коэффициент корреляции между входом и выходом.
Поскольку наблюдаемые временные ряды нестационарны, возможны изменения распределений измеряемых величин и видов зависимостей между ними. Следовательно, исходный алгоритм предобработки был модифицирован: в него добавлены шаги, обеспечивающие устойчивость предобработки (минимизируется разница результатов ее работы на разных множествах).

Устойчивость обеспечивается с помощью двух вариантов предварительного отбора функций предобработки. Первый из них заключается в том, что его проходят функции, для которых разница коэффициентов корреляции между входом и выходом модели на двух непересекающихся подмножествах обучающего множества минимальна. Второй вариант отбора заключается в том, что его проходят функции, повышающие коэффициент корреляции на обоих подмножествах.
Проведенные на данных с двух агрегатов эксперименты показали, что применение функциональной предобработки данных в подавляющем большинстве случаев приводит к уменьшению ошибки прогнозирования. Более чем в половине случаев применение модификации алгоритма, обеспечивающей устойчивость, позволяет получить меньшую ошибку на тестирующем множестве, чем при использовании исходного алгоритма.