Исследователи представили архитектуру модульных фундаментных моделей, предназначенных для обработки сложных временных рядов в системах цифровых двойников и предиктивного обслуживания. Новый подход решает проблему узкой специализации существующих решений, предлагая масштабируемый способ извлечения данных из гетерогенных источников, что критически важно для мониторинга промышленного оборудования и прогнозирования его состояния в реальном времени.
Традиционные методы анализа временных рядов часто требуют огромных объемов размеченных данных и плохо адаптируются к динамически меняющимся условиям эксплуатации. Предложенная архитектура опирается на модульность, позволяя интегрировать специализированные блоки в единый конвейер принятия решений. Это снижает зависимость от конкретных задач и упрощает внедрение ИИ в сложные инженерные системы, где данные поступают из разрозненных датчиков с разной частотой и качеством.
Использование фундаментных моделей в этой области позволяет переиспользовать предобученные веса для различных сценариев мониторинга, сокращая затраты на разработку новых моделей для каждого типа оборудования. Такой подход повышает надежность систем предиктивного обслуживания (PHM), обеспечивая более точную интерпретацию нелинейных сигналов и аномалий, которые ранее оставались незамеченными при использовании классических статистических методов или узкоспециализированных нейросетей.
Ключевые факты
- Разработана архитектура для обработки гетерогенных и нестационарных временных рядов в системах цифровых двойников.
- Решена проблема «голода» до данных, характерная для большинства специализированных моделей мониторинга.
- Модульный дизайн обеспечивает интеграцию в масштабируемые конвейеры принятия решений и промышленного контроля.
- Метод направлен на повышение точности прогнозирования состояния оборудования (PHM) в условиях реальной эксплуатации.