Прогноз ресурса мостового крана: LSTM, GRU, Prophet, ARIMA
Сравнение методов прогнозирования остаточного ресурса ключевых компонентов мостового крана
На примере подшипника входного вала редуктора мостового крана, на базе вибрационной базы данных проекта KL-PM-2024 компании Келуде Тяжёлая Промышленность (60 кранов × 24 месяца, более 1,45 млн записей вибрации) выполнено сравнение точности прогнозирования остаточного ресурса четырёх моделей прогнозирования временных рядов: ARIMA (MAPE=19,8%), Prophet (17,5%), LSTM (14,3%) и GRU (15,1%). LSTM с двухслойной архитектурой из 128 скрытых элементов и механизмом внимания показал наилучшую точность, однако GRU достигает сопоставимой точности при затратах времени на обучение всего 73% от времени LSTM, что делает его оптимальным выбором для промышленного внедрения. В статье представлены полный процесс инженерии признаков, архитектура моделей и методика обучения и оценки.
Прогнозирование остаточного ресурса ключевых компонентов мостового крана (подшипник редуктора, подшипник двигателя, подшипник колеса) является наиболее важным техническим этапом в системе прогнозируемого техобслуживания. Точность прогнозирования остаточного ресурса напрямую влияет на эффективность планирования технического обслуживания и оптимизацию склада запасных частей. В данной статье в качестве объекта прогнозирования рассматривается подшипник входного вала редуктора мостового крана (шариковый радиальный подшипник SKF 6308). На основе вибрационной базы данных проекта KL-PM-2024 (60 кранов × 24 месяца циклического сбора данных, частота дискретизации 10 кГц, ежедневное извлечение 17 признаков, более 1,45 млн записей) выполнено систематическое сравнение методов технической реализации и точности прогнозирования четырёх основных моделей прогнозирования временных рядов. Экспериментальная платформа: Intel Xeon Gold 6348 + NVIDIA A10 (24 ГБ) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. Исходный код и размеченный набор данных доступны по запросу.
Экспериментальные данные и инженерия признаков
Экспериментальные данные получены в ходе 24-месячного наблюдения за деградацией подшипников входного вала редуктора (SKF 6308) на 60 мостовых кранах. Датчик вибрации установлен в вертикальном направлении на корпусе подшипника (PCB 352C33, частота дискретизации 10 кГц, сбор данных один раз в 24 часа, длительность записи 6,4 с = 65 536 точек). Всего собрано 1,45 млн записей, из которых 80% составили обучающий набор (48 кранов × 24 мес.) и 20% — тестовый набор (12 кранов × 24 мес.).
Процесс извлечения признаков: вейвлет-подавление шума исходного вибрационного сигнала (db4, 3 уровня) → FFT-спектр (окно Ханнинга, 4096 точек, 50% перекрытие) → статистические признаки (среднеквадратичное значение Vrms, пиковое значение, размах, эксцесс, коэффициент асимметрии, импульсный фактор, запас прочности, пик-фактор) → частотные признаки (амплитуды BPFI/BPFO, боковые частоты частоты зацепления шестерни) → нормализация 17-мерного вектора признаков (Min-Max, диапазон [0,1]) → построение скользящего окна (длина окна 30 дней, горизонт прогнозирования 30 дней).
Описание и реализация четырёх моделей
ARIMA (авторегрессионная интегрированная модель скользящего среднего, реализация statsmodels 0.14.1): для каждого из 17 признаков выполняется тест ADF для определения порядка дифференцирования d (для большинства признаков d=1), порядки p и q определяются по графикам ACF/PACF (p=2–5, q=1–3), оптимальные параметры выбираются по критерию AIC. ARIMA по своей сути является одномерной моделью временных рядов и не позволяет напрямую использовать перекрёстную информацию между многомерными переменными.
Prophet (открытая библиотека Meta, версия 1.1.5): вибрационные признаки раскладываются на компоненты тренда, сезонности и эффекта праздников. Установлены параметры changepoint_prior_scale=0,05, seasonality_prior_scale=10, seasonality_mode=”additive”. Преимущество Prophet заключается в автоматической обработке пропущенных значений и выбросов, а также в высокой устойчивости к шуму промышленных данных.
LSTM (реализация PyTorch 2.1.0): двухслойная LSTM + механизм внимания, скрытый слой 128 измерений, вход 17 измерений × 30 временных шагов, выход — кривая деградации на 30 дней вперед. Параметры обучения: оптимизатор Adam, lr=0.001, Batch=64, Epoch=100, EarlyStopping patience=10, Dropout=0.3. Функция потерь — комбинированная MSE+MAE (веса 0.7:0.3).
GRU (та же реализация PyTorch): двухслойная GRU + механизм внимания, структура идентична LSTM, отличается только тип ячейки. Структура вентилей GRU проще (вентиль обновления + вентиль сброса против вентиля забывания + входного и выходного вентилей у LSTM), общее количество параметров составляет около 75% от LSTM. Скорость обучения примерно на 27% выше, чем у LSTM.
Сравнение точности и оценка моделей
| Модель | MAPE(30сутки) | RMSE(сутки) | Время обучения | задержка вывода | Многовариантность | Потребность в данных |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2сутки | ＜1минута | ＜1ms | Нет(Моделирование по измерениям) | ≥200шт. |
| Prophet | 17.5% | 6.4сутки | ~2минута | ＜5ms | Нет(Моделирование по измерениям) | ≥100шт. |
| GRU | 15.1% | 5.5сутки | ~22минута | ＜3ms | Да | ≥5,000шт. |
| LSTM | 14.3% | 5.2сутки | ~30минута | ＜3ms | Да | ≥5,000шт. |
Итоговая оценка: по показателю MAPE лучший результат показала модель LSTM (14,3%), GRU заняла второе место с 15,1%, но время её обучения составило лишь 73% от времени LSTM (22 мин против 30 мин). Prophet с результатом 17,5% — на третьем месте, однако она не требует GPU и наиболее устойчива к ошибкам (автоматически обрабатывает пропуски и выбросы), что делает её оптимальной для быстрого развёртывания в промышленных условиях. ARIMA с 19,8% замыкает список, к тому же поддерживает только одномерное моделирование (на практике требуется запускать 17 отдельных моделей и затем объединять их), поэтому не рекомендуется для многосенсорных сценариев.
Рекомендации по техническому развертыванию
На основе проведённого сравнения предлагаются следующие рекомендации по техническому развертыванию: ① при объёме данных менее 1 000 записей и ограниченных вычислительных ресурсах выбирайте Prophet (MAPE≈17,5%, не требует GPU, устойчива к ошибкам); ② при объёме данных от 5 000 записей и приоритете точности прогнозирования выбирайте LSTM (MAPE=14,3% — лучший результат, требуется GPU для обучения); ③ при объёме данных от 5 000 записей, но ограниченных ресурсах периферийного устройства (Граничные Вычисления / Jetson) выбирайте GRU (MAPE=15,1%, объём модели составляет лишь 75% от LSTM, выше скорость вывода); ④ ARIMA использовать только в качестве эталонной модели, в производственной среде в одиночку не применять.
Рекомендуемая гибридная стратегия: в проектах прогнозируемого техобслуживания, уже развёрнутых на предприятии Келуде Тяжёлая Промышленность, применяется двухмодельная схема — Prophet для быстрого обнаружения аномалий (в онлайн-режиме) + LSTM для точного прогнозирования остаточного ресурса RUL (пакетные вычисления в офлайн-режиме). Prophet в течение 30 дней обеспечивает MAPE≈17,5%; при прогнозе RUL≤45 дней запускается LSTM для точного расчёта, после чего MAPE≈14,3%. Такой подход оптимально балансирует вычислительные затраты и точность прогноза.
Проверка на реальных примерах
В проекте прогнозируемого техобслуживания шести мостовых кранов грузоподъёмностью 32 т в горячекатаном цехе одного металлургического предприятия (номер проекта KL-PM-2024-017) была развёрнута двухмодельная схема Prophet+LSTM. По итогам 14 месяцев реальной эксплуатации: раннее предупреждение Prophet о тенденции деградации подшипника редуктора (RUL>60 дней) показало MAPE=18,2%, краткосрочный прогноз LSTM (RUL≤30 дней) — MAPE=13,8%. Система заблаговременно предупредила о 12 случаях деградации подшипников, из которых 11 подтвердились фактическим состоянием (точность 91,7%). Среднее время упреждающего предупреждения составило 23 дня. По сравнению с традиционной стратегией плановой замены (фиксированная замена каждые 18 месяцев), прогнозируемое техобслуживание позволило сократить количество необоснованных замен примерно на 35%, а оборачиваемость склада запасных частей повысилась на 40%.
Часто задаваемые вопросы
В: Почему время обучения GRU меньше, чем у LSTM, при сопоставимой точности?
О: GRU упрощает три гейта LSTM (забывающий / входной / выходной) до двух (обновляющий / сбрасывающий), сокращая количество параметров примерно на 25%. Для задач средней сложности на временных рядах, таких как анализ вибрационных данных деградации мостового крана, упрощённая гейтовая структура GRU вполне достаточна для улавливания тенденции деградации без существенной потери выразительной способности. Вместе с тем дополнительные параметры LSTM дают ей определённое преимущество при обработке резких изменений режима работы (например, скачков вибрации при внезапном изменении нагрузки).
В: Можно ли дополнительно повысить точность прогнозирования Prophet?
О: Да. При стандартных параметрах Prophet обеспечивает MAPE=17,5%; с помощью следующих оптимизаций MAPE можно снизить примерно до 16,0%: ① вручную указать позиции точек изменения тренда (на основе записей о ремонтах и простоях); ② увеличить seasonality_prior_scale с 10 до 20 для повышения гибкости сезонной компоненты; ③ добавить дополнительные регрессоры (например, среднесуточный коэффициент нагрузки, Температура Окружающей Среды). Эти оптимизации необходимо выполнять с учётом конкретных эксплуатационных данных оборудования.
В: Как развернуть модели LSTM/GRU на периферийном устройстве?
О: Экспортируйте обученную модель PyTorch в формат TorchScript (или ONNX), оптимизируйте с помощью TensorRT и разверните на устройствах серии NVIDIA Jetson. На примере Jetson Orin NX (16GB): после INT8-квантования объём модели составляет около 3,2 МБ (исходная FP32 — около 28 МБ), задержка вывода — около 0,5 мс на образец, энергопотребление — около 10 Вт. Для развёртывания на процессорах ARM Cortex-A рекомендуется квантование модели в формат TFLite INT8 — задержка вывода составит около 15 мс на образец.
В: Какую модель выбрать при объёме данных менее 5 000 записей?
О: При недостаточном объёме данных рассмотрите трансферное обучение: используйте предобученную модель LSTM, опубликованную компанией Келуде Тяжёлая Промышленность (обучена на данных 60 мостовых кранов), в качестве отправной точки и выполните тонкую настройку (Fine-tune) на небольшом объёме данных целевого оборудования (500–1 000 записей), обучая только два последних полносвязных слоя. После тонкой настройки MAPE достигает ~16,5%, что значительно лучше, чем обучение LSTM с нуля (при недостатке данных MAPE>25%). Prophet даёт приемлемые результаты уже при объёме данных от 100 записей (MAPE≈19%) и является предпочтительным выбором для сценариев с малыми выборками.
