О задаче предсказания деградации в технических системах

Задача прогнозирования скорости деградации характеристик технических систем (времени жизни, англ. lifetime, LT) обычно решается в рамках парадигмы ускоренных испытаний (accelerating testing, AT) при стрессовых воздействиях. Однако для AT могут быть неэффективными статистические методы оценки результатов при зависимости производительности системы от очень большого числа факторов. Свою специфику AT имеет также на ранних стадиях опытно-конструкторских работ (ОКР), когда, имея лишь небольшое число экземпляров устройства, необходимо оценить их потенциальный срок службы для оценки целесообразности продолжения разработки. В статье анализируется, насколько современные математические и статистические модели, так или иначе формирующие методологию AT, а именно: анализ выживаемости, теория экстремальных значений (extreme value theory, EVT), позволяют получать прогнозы срока службы проектируемых устройств в условиях реальной эксплуатации на ранних стадиях разработки/проектирования. Указываются проблемы решения задачи прогнозирования LT известными средствами машинного обучения (machine learning, ML), предлагается и рассматривается эвристический метод решения задачи прогнозирования LT в реальных условиях. В качестве примера рассматривается прогнозирование деградации производительности для новых конструкций солнечных электрических элементов, производительность которых имеет тенденцию к деградации. Эта эвристика относится к извлечению тренда Хондрика–Прескота из нестационарного временного ряда, который представляет собой деградацию характеристики качества. Обсуждается и обосновывается применимость предлагаемой эвристики для предсказания деградации в других технических приложениях, в частности сетевых.