ВведениеПервые прогнозные модели начала формироваться в 1940-х годах, с появлением линейного программирования, метода Монте-Карло и симуляций нейронных сетей. С 1970-х по 1990-е годы, с развитием компьютерной техники, эти технологии получили широкое применение в бизнесе. Ведущие технологические компании сыграли ключевую роль в популяризации предиктивной аналитики — IBM (платформы IBM SPSS и Watson Analytics), Google (инструменты Google BigQuery ML и TensorFlow), Microsoft (платформа Azure Machine Learning), Amazon (платформа Amazon Web Services) и др. [1].Материалы и методыНаиболее часто применяемые на сегодняшний день платформы реализующие инструменты предиктивной аналитики: «Аналитическая платформа Форсайт», KNIME Analytics Platform, SAS Enterprise Miner, Loginom. В рамках проведённого исследования выполнено сравнение этих платформ с Microsoft Excel [2]. В качестве основных рассматриваемых показателей были выбраны следующие: простота использования, встроенные функции анализа, доступность, гибкость, стоимость лицензии, поддержка продвинутых методов анализа, работа с большими данными (от 1 до 100 ТБ), автоматизация процессов анализа, визуальное программирование, отсутствие необходимости в дополнительном обучении, встроенная поддержка временных рядов, объединение инструментов из разных областей. Общие результаты представлены в виде таблицы (Рис.1) [3].Рис. 1. Сравнение современных платформ для прогнозирования.Выбор инструмента Excel, можно обосновать следующим:Если данные небольшие (до 1 ТБ), а задача ограничивается базовым анализом или визуализацией, Excel будет быстрее и удобнее.Excel проще в использовании для новичков, не имеющих опыта работы со специализированными платформами.Если задача не требует автоматизации или сложных методов анализа, Excel будет предпочтительнее.Самая доступная стоимость лицензии, значительно снижающая порог вхождения в задачи прогнозирования.Научно-техническая гипотеза представленного исследования предполагает возможность совместного использования кластерного анализа и квалиметрических методов при обработке больших массивов эксплуатационных данных инженерного оборудования позволяет прогнозировать смену фаз его жизненного цикла с точностью ≥95 %. Данный подход способствует сокращению затрат на эксплуатацию на 15–20 % за счёт корректировки интервалов технического обслуживания и своевременной замены компонентов.Методологическая основа исследования. В работе применены следующие методы анализа:Контрольные карты Шухарта для фильтрации исходных данных на первоначальном этапе, с целью исключения из последующего анализа бракованных элементов.Кластерный анализ, для группировки объектов выборки в однородные совокупности (кластеры), с целью получения эталонной модели, для следующего этапа анализа.Квалиметрия, для предсказания изменения фаз жизненного цикла ключевого элемента фасовочного оборудования, на основании полученных данных и эталонной модели, с целью повышения эффективности управления техническим состоянием инженерного оборудования [4-6].Результаты исследованияИсходные данные для анализа были предоставлены ООО НТЦ «Гидрол-Кровля» (г. Москва) и обрабатывались в среде Microsoft Excel. На подготовительном этапе осуществлялась предварительная обработка данных, включающая:Экспертную оценку достоверности информацииПрименение методов статистического контроля [7].Ключевые анализируемые параметры:Фактическая наработка в часахКоличество циклов включенияОбъем переработанного полимерного материалаКластерный анализ состоит из следующих этапов: Процедура нормализации, для обеспечения сопоставимости разно размерных параметров. Расчёт Евклидова расстояния в целях оценки степени различия между объектами.Расчёт эталонной модели.Квалиметрический анализ проводился в три этапа: Расчёт процентного отклонение от эталонных значений, с целью оценки погрешности.Нормализация данных для анализа.На финальном этапе обработки производились: ранжирование объектов по возрастанию значений; расчет интервальных показателей; определение среднего геометрического для интервалов.Математические инструменты были подробно рассмотрены автором статье «Современное состояние и перспективы развития систем предиктивной аналитики в области строительства» [8].Итоги вычислений, полученные путём сложения порядковых номеров изделий в ранжированных промежуточных таблицах и номеров их кластеров, представлены в виде таблицы и диаграммы (Рис. 2, 3).Рис. 2. Итоговая таблица квалиметрического анализа системыРис. 3. Итоговая диаграмма квалиметрического анализаИсследуемые шнеки по результатам проведённого квалиметрического анализа разделились на три группы: первая шнеки № 2, 5, 7, 10 с рекомендацией провести полный внеочередной контроль; во второй группе № 3, 4, 6, 8 работают в штатном режиме; № 1, 9, из третей группы, находящиеся в наилучшем состоянии.Для проверки методики был проведён фактический замер износа шнеков и сравнение замеров с моделью, полученной в результате прогноза. Результаты сравнения представлены в виде таблицы и диаграммы (Рис. 4, 5) [9].Рис. 4. Сравнение результатов прогноза и фактических замеров таблицаРис. 5. Сравнение результатов прогноза и фактических замеров диаграммаАнализ сравнения результатов прогноза и фактических замеров остатка ресурса шнеков:Общие наблюдения. В таблице представлены данные по 10 шнекам, включая прогнозируемые и фактические значения износа (в %), а также процент отклонения прогноза от реальных данных. Нормализация значений позволяют провести сравнение прогноза и фактических замеров остатка.Ключевые выводы. Точность прогноза — наибольшее занижение прогноза (факт> прогноз) у шнека № 3 (–17,11 %), шнека № 4 (–13,51 %), шнека № 2 (–13,17 %); наибольшее завышение прогноза у шнека № 5 (+18,4 1%), шнека № 8 (+12,49 %), шнека № 10 (+14,77 %); наиболее точные прогнозы у шнека № 7 (+1,30 %), шнека № 9 (+7,53 %), шнека № 6 (+8,61 %)Средняя величина отклонения составила 1,09 %.Модель демонстрирует приемлемую среднюю точность, но требует доработки для уменьшения крайних отклонений. Такие результаты обусловлены экспериментальным характером работы и небольшим объёмом данных, полученных на момент проведения анализа [10].Заключение и обсуждениеПроведенное исследование подтвердило выдвинутую гипотезу о возможности эффективного управления техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов, методами анализа больших данных с использованием комбинированного подхода, использующего кластерный и квалиметрический подход. Разработанная методика обладает существенными преимуществами перед существующими аналогами для задач, когда ключевое значение имеет низкая стоимость программного обеспеченья, низкий порог вхождения, новизна области исследования и может быть рекомендована к внедрению в промышленности и строительстве.