Анализ сигналов датчика пламени на основе реконструкции данных с помощью автоэнкодера для обнаружения аномалий

Рассматривается задача обнаружения аномалий в сигналах датчика пламени подогревателей газа, которая имеет важное значение для обеспечения безопасности и надежности промышленных систем. Отказы или ложные срабатывания датчиков могут привести к серьезным последствиям, включая аварийные остановки оборудования, снижение производительности, увеличение эксплуатационных затрат и угрозу безопасности персонала. Для решения этой задачи предложен метод, основанный на применении автоэнкодера — нейронной сети, обучаемой на нормальных данных и способной выявлять аномалии по значению ошибки реконструкции, которая возрастает при отклонении сигнала от нормального состояния. Приведен сравнительный анализ различных алгоритмов обучения автоэнкодера, таких как стохастический градиентный спуск (SGD), Adam и RMSProp. Описаны эксперименты, проводимые на смоделированных данных, имитирующих работу датчиков пламени в условиях нормальной эксплуатации подогревателя газа. Результаты экспериментов показали высокую эффективность предложенного подхода, демонстрируя его потенциал для применения в реальных промышленных системах мониторинга и диагностики.