ML-РЕГРЕСІЯ В ПРОГНОЗУВАННІ НАДІЙНОСТІ ГІДРОТУРБІННОГО ОБЛАДНАННЯ ГЕС

Анотація

У статті досліджено можливості застосування регресійних моделей машинного навчання для оцінювання надійності та прогнозування залишкового ресурсу гідротурбінного обладнання гідроелектростанцій за умов нестаціонарних режимів роботи, стохастичного характеру деградаційних процесів і обмеженої інформації про відмови. Актуальність роботи зумовлена зростанням експлуатаційних навантажень на гідроагрегати, підвищеними вимогами до безперервності енергопостачання та необхідністю переходу від реактивного обслуговування до прогнозно-орієнтованих стратегій управління технічним станом. Метою статті є узагальнення та критичне переосмислення підходів до використання ML-регресії як інструмента кількісного прогнозування деградації, ризику відмов і залишкового ресурсу гідротурбін з урахуванням реальних умов експлуатації ГЕС. Методологічну основу дослідження становить поєднання аналітичного огляду сучасних наукових праць, порівняльного аналізу регресійних ML-моделей і систематизації результатів їх застосування до SCADA-, вібраційних і режимних експлуатаційних даних (отриманих за допомогою систем збору даних SCADA). Окрему увагу в методології приділено узгодженню регресійної постановки задачі з практиками прогнозування терміну служби (RUL). У роботі проаналізовано лінійні, ансамблеві та нейромережеві регресійні моделі з позицій точності, стійкості до шумів і дрейфу даних, інтерпретованості та практичної реалізовності в умовах промислової експлуатації. За допомогою результатів встановлено, що ансамблеві методи дерев і градієнтний бустинг забезпечують найбільш збалансоване співвідношення між точністю прогнозу та інженерною надійністю результатів, тоді як нейромережеві підходи є ефективними для аналізу складних часових структур за наявності достатніх обсягів даних. Висновки: регресійні ML-моделі доцільно розглядати не як ізольований інструмент, а як складову комплексних систем прогнозування, де їх ефективність істотно підвищується при інтеграції з фізичними моделями, цифровими двійниками та методами пояснюваного штучного інтелекту, що формує основу для практично придатних рішень у сфері технічного обслуговування та ремонту гідроенергетичного обладнання.