Predicting failure of IoT-devices for flexible planning of their maintenance

Abstract

В данной дипломной работе исследуется задача прогнозирования остаточного полезного срока службы оборудования для гибкого планирования технического обслуживания. Произведен анализ и подготовка данных, которые являются смоделированными показаниями IoT-устройств, и применяются для прогнозирования отказов реактивных двигателей. В результате анализа данных выбрана модель рекуррентной нейронной сети на основе архитектуры LSTM. Также, для сравнения результатов работы модели с данной архитектурой, способной находить долгосрочные зависимости, построены модели на основе линейной регрессии и случайного леса, которые строят предсказания независимо на каждом объекте из выборки. Произведено сравнение построенных моделей. Описан поэтапный процесс разработки модели прогнозирования, а также реализация программного модуля, упрощающего взаимодействие пользователя с построенной моделью. Реализация выполнена на языке python с использованием библиотек scikit-learn, pandas, keras, matplotlib. Для реализации программного комплекса использовался фреймворк Django и СУБД PostgreSQL.

The graduation paper is devoted to problem of predicting remaining useful life of equipment for flexible maintenance planning. The analysis and preparation of data, which are simulated readings of IoT devices, and are used to predict jet engine failures. As a result of data analysis, a model of a recurrent neural network based on the LSTM architecture was selected. Also, to compare the results of the model with this architecture, which is able to find long-term dependencies, models based on linear regression and random forest are built, which make predictions independently on each object from the sample. A comparison of the constructed models. A step-by-step process of developing a forecasting model is described, as well as the implementation of a software module that simplifies user interaction with the built model. The implementation is made in python using the scikit-learn, pandas, keras and matplotlib libraries. The Django framework and PostgreSQL DBMS were used to implement the software package.