RU146951U1

RU146951U1 - DEVICE FOR FORECASTING RESIDUAL RESOURCE OF ELECTROMECHANICAL SYSTEM

Info

Publication number: RU146951U1
Application number: RU2014118131/28U
Authority: RU
Inventors: Дмитрий Маркович Шпрехер; Владимир Михайлович Степанов; Евгений Борисович Колесников
Original assignee: Дмитрий Маркович Шпрехер
Priority date: 2014-05-07
Filing date: 2014-05-07
Publication date: 2014-10-20

Abstract

Устройство прогнозирования остаточного ресурса электромеханической системы, содержащее измерительный блок, коммутатор, аналого-цифровой преобразователь (АЦП), блок управления, блок визуализации, вычислительное устройство, содержащее модуль обработки сигналов и блок сравнения, отличающееся тем, что дополнительно введен блок регистрации времен наработки функциональных блоков электромеханической системы (ЭМС), модуль обработки сигналов вычислительного устройства выполнен из блока нейросетевого прогнозирования, содержащего нейронную сеть, к второму входу которой подключены блок обучения нейронной сети и блок, отвечающий за структуру нейронной сети, в вычислительное устройство дополнительно введены блок определения ближайшего к предельному контролируемого параметра, блок вычисления остаточного ресурса ЭМС, блок предельных значений, контролируемых параметров, блок временной задержки и блок сравнения, причем выходы объекта контроля связаны с входами коммутатора посредством измерительного блока, выход коммутатора связан с АЦП, выход которого связан с первым входом нейронной сети блока нейросетевого прогнозирования и первым входом блока временной задержки, второй вход которого связан с выходом блока управления, связанным с блоком коммутатора, блок управления связан со вторым входом блока определения ближайшего к предельному контролируемого параметра, выход которого связан с первым входом блока вычисления остаточного ресурса ЭМС, второй вход которого связан с выходом блока предельных значений контролируемых параметров, а третий вход его связан с выходом блока регистрации времен наработки функцA device for predicting the residual life of an electromechanical system, containing a measuring unit, a switch, an analog-to-digital converter (ADC), a control unit, a visualization unit, a computing device containing a signal processing module and a comparison unit, characterized in that a unit for recording the operating time of functional blocks is additionally introduced electromechanical system (EMS), the signal processing module of the computing device is made of a neural network prediction unit containing a neural network, to the second input of which the neural network learning unit and the unit responsible for the structure of the neural network are connected, a unit for determining the closest to the limit controlled parameter, a block for calculating the residual EMC resource, a block of limit values, monitored parameters, a time delay block and a comparison block, and the outputs of the control object are connected to the switch inputs by means of a measuring block a, the output of the switch is connected to the ADC, the output of which is connected to the first input of the neural network of the neural network prediction unit and the first input of the time delay unit, the second input of which is connected to the output of the control unit associated with the switch unit, the control unit is connected to the second input of the unit for determining the closest to limit of the monitored parameter, the output of which is connected to the first input of the unit for calculating the residual EMC resource, the second input of which is connected to the output of the block of limit values of the monitored parameters, and its third input is connected to the output of the unit for recording the operating time of the function

Description

Предложенное техническое решение относится к техническим средствам диагностирования электромеханических систем (ЭМС) и может быть использовано для прогнозирования их технического состояния и оценки остаточного ресурса в процессе эксплуатации.The proposed technical solution relates to the technical means of diagnosing electromechanical systems (EMC) and can be used to predict their technical condition and assess the residual life during operation.

Известно техническое решение автоматизированная система контроля технического состояния электродвигателя (патент РФ №111684, МПК⁸G01R 31/00. опубл. 20.12.2011) содержащая установленные на электродвигателе датчики температуры фазных обмоток статора и подшипников, датчики вибрации, датчики тока, датчик частоты вращения ротора электродвигателя, электронно-вычислительную машину, в нее введены первое устройство сбора данных, узел управления питанием электродвигателя, n-канальный модуль согласования измерительных сигналов и датчик влажности воздуха, при этом электронно-вычислительная машина выполнена в виде персонального компьютера с установленной программой регистрации параметров технического состояния электродвигателя в условиях эксплуатации, причем выход первого устройства сбора данных соединен с входом персонального компьютера, выход которого соединен с входом узла управления питанием электродвигателя, а вход первого устройства сбора данных соединен с выходом n-канального модуля согласования измерительных сигналов, к которому подключены датчики температуры фазных обмоток статора и подшипников электродвигателя, датчики тока, датчики вибрации, датчик частоты вращения ротора электродвигателя и датчик влажности воздуха.A technical solution is known for an automated system for monitoring the technical condition of an electric motor (RF patent No. 111684, IPC ⁸ G01R 31/00. Publ. 12/20/2011) containing temperature sensors for phase stator windings and bearings mounted on an electric motor, vibration sensors, current sensors, rotor speed sensor an electric motor, an electronic computer, it introduced the first data acquisition device, an electric motor power control unit, an n-channel module for matching measurement signals and an air humidity sensor moreover, the electronic computer is made in the form of a personal computer with an installed program for recording the parameters of the technical condition of the electric motor in operating conditions, the output of the first data acquisition device being connected to the input of the personal computer, the output of which is connected to the input of the motor power control unit, and the input of the first device the data collection is connected to the output of the n-channel module matching the measuring signals, to which the temperature sensors are connected current of the stator and motor bearings, current sensors, vibration sensors, rotor speed sensor of the electric motor rotor and air humidity sensor.

Недостатком известного технического решения является недостаточная точность контроля.A disadvantage of the known technical solution is the lack of accuracy of control.

Наиболее близким техническим решением является прибор диагностирования системы электрического пуска (патент РФ №2297011, МПК⁸ G01R 31/02, опубл. 10.04.2007 г.) содержащий блок коммутации и сопряжения, блок измерений, аналого-цифровой преобразователь (АЦП), вторичный источник питания, блок формирования тестирующих сигналов, модуль обработки сигналов, блок ввода команд, блок управления, перезаписываемое постоянное запоминающее устройство (ПИЗУ), модуль эталонных матриц, модуль сравнения, модуль поиска неисправности, модуль формирования сообщений, блок питания, блок визуализации, при этом первый и второй выходы блока ввода команд связаны соответственно с первым входом блока управления и входом блока питания, второй выход которого связан с блоком визуализации, а первый - с входом вторичного источника питания, причем его первый и второй выходы связаны соответственно со вторым входом блока управления и первым входом блока формирования тестового сигнала, выход которого связан со вторым входом блока коммутации и сопряжения, а его первый выход и первый вход связаны с разъемом ШЗ прибора автоматики согласующего проверяемой СЭП двигателя образца БТВТ и второй выход - с первым входом блока измерений, выход которого связан с входом АЦП, а выход с него - через модуль обработки сигналов с первым входом ППЗУ, первый и второй выходы которого связаны с третьим входом блока управления и третьим входом модуля сравнения соответственно, первый и второй выходы модуля сравнения соответственно связаны со вторым входом модуля поиска неисправности и третьим входом модуля формирования сообщения, причем выход модуля поиска неисправности связан со вторым входом модуля формирования сообщения, а с его первым входом связан четвертый выход блока управления, выход модуля формирования сообщения связан со вторым входом блока визуализации, первый, второй, третий, пятый, седьмой и шестой выходы блока управления соответственно связаны со вторыми входами блока формирования тестового сигнала, блока измерений и ППЗУ, первым входом модуля поиска неисправности, вторым входом модуля сравнения и входом модуля эталонных матриц, выход которого связан с первым входом модуля сравнения.The closest technical solution is a diagnostic device for the electric start-up system (RF patent No. 2297011, IPC ⁸ G01R 31/02, published April 10, 2007) containing a switching and interface unit, a measurement unit, an analog-to-digital converter (ADC), a secondary source power supply, test signal generation unit, signal processing module, command input unit, control unit, rewritable read-only memory (PES), reference matrix module, comparison module, fault search module, message generation module, bl power supply, visualization unit, while the first and second outputs of the command input unit are connected respectively to the first input of the control unit and the input of the power supply, the second output of which is connected to the visualization unit, and the first to the input of the secondary power source, and its first and second outputs are connected respectively, with the second input of the control unit and the first input of the test signal generating unit, the output of which is connected to the second input of the switching and pairing unit, and its first output and first input are connected to the SHZ connector of the auto device the matics of the matching BOT motor of the tested SEC of the engine and the second output - with the first input of the measurement unit, the output of which is connected to the ADC input, and the output from it - through the signal processing module with the first input of the ROM, the first and second outputs of which are connected to the third input of the control unit and the third input of the comparison module, respectively, the first and second outputs of the comparison module, respectively, are connected with the second input of the fault finding module and the third input of the message generating module, and the output of the fault finding module is connected n to the second input of the message generating module, and the fourth output of the control unit is connected to its first input, the output of the message generating module is connected to the second input of the visualization unit, the first, second, third, fifth, seventh and sixth outputs of the control unit are respectively connected to the second inputs of the block generating a test signal, a measurement unit and an EEPROM, the first input of the fault finding module, the second input of the comparison module and the input of the reference matrix module, the output of which is connected to the first input of the comparison module.

Недостатком наиболее близкого технического решения является недостаточная достоверность и точность прогноза.The disadvantage of the closest technical solution is the lack of reliability and accuracy of the forecast.

Задачей предложенного технического решения является повышение достоверности, и точности прогноза, за счет возможности прогнозирования каждого контролируемого параметра в будущий момент времени с одновременной оценкой остаточного ресурса с использованием нейронных сетей.The objective of the proposed technical solution is to increase the reliability and accuracy of the forecast, due to the possibility of predicting each controlled parameter at a future point in time with a simultaneous assessment of the residual resource using neural networks.

Поставленная задача достигается тем, что устройство прогнозирования остаточного ресурса электромеханической системы содержит объект контроля, измерительный блок, коммутатор, аналого-цифровой преобразователь (АЦП), блок управления, блок визуализации, вычислительное устройство, содержащее модуль обработки сигналов и блок сравнения, дополнительно введен блок регистрации времен наработки функциональных блоков ЭМС, модуль обработки сигналов вычислительного устройства выполнен из блока нейросетевого прогнозирования, содержащего нейронную сеть, к второму входу которой подключены блок обучения нейронной сети и блок, отвечающий за структуру нейронной сети, в вычислительное устройство дополнительно введены блок определения ближайшего к предельному контролируемого параметра, блок вычисления остаточного ресурса ЭМС, блок предельных значений контролируемых параметров, блок временной задержки и блок сравнения, причем выходы объекта контроля связаны с входами коммутатора посредством измерительного блока, выход коммутатора связан с АЦП, выход которого связан с первым входом нейронной сети блока нейросетевого прогнозирования и первым входом блока временной задержки, второй вход которого связан с выходом блока управления, связанным с блоком коммутатора, блок управления связан со вторым входом блока определения ближайшего к предельному контролируемого параметра, выход которого связан с первым входом блока вычисления остаточного ресурса ЭМС, второй вход которого связан с выходом блока предельных значений контролируемых параметров, а третий вход его связан с выходом блока регистрации времен наработки функциональных блоком ЭМС, связанным с объектом контроля, выход блока вычисления остаточного ресурса ЭМС связан с входом блока визуализации, выход блока временной задержки связан с первым входом блока сравнения, второй вход которого связан с выходом нейронной сети блока нейросетевого прогнозирования, а выход блока сравнения с блоком, отвечающий за структуру нейронной сети.The problem is achieved in that the device for predicting the residual life of the electromechanical system contains a control object, a measuring unit, a switch, an analog-to-digital converter (ADC), a control unit, a visualization unit, a computing device containing a signal processing module and a comparison unit, an additional registration unit is introduced the operating hours of the EMC functional blocks, the signal processing module of the computing device is made of a neural network prediction block containing neuro a network, to the second input of which a neural network training unit and a unit responsible for the structure of a neural network are connected, an additional unit for determining the closest monitored parameter to the limit, an EMC residual resource calculating unit, a block of limit values of the monitored parameters, a time delay unit, and a comparison unit, the outputs of the monitoring object being connected to the inputs of the switch by means of a measuring unit, the output of the switch is connected to the ADC, the output of which is connected to the first input ohm of the neural network of the neural network prediction unit and the first input of the time delay unit, the second input of which is connected to the output of the control unit associated with the switch unit, the control unit is connected to the second input of the unit to determine the closest monitored parameter to the limit, the output of which is connected to the first input of the residual calculation unit EMC resource, the second input of which is connected with the output of the block of limit values of the monitored parameters, and the third input of it is connected with the output of the unit for recording operating hours of the fu national EMC unit associated with the monitoring object, the output of the EMC residual resource calculation unit is connected to the input of the visualization unit, the output of the time delay unit is connected to the first input of the comparison unit, the second input of which is connected to the output of the neural network of the neural network prediction unit, and the output of the comparison unit with the unit responsible for the structure of the neural network.

На Фиг. представлена структурная схема устройства прогнозирования остаточного ресурса электромеханической системы.In FIG. presents a structural diagram of a device for predicting the residual life of an electromechanical system.

Устройство прогнозирования остаточного ресурса электромеханической системы выполнено из объекта контроля 1, выходы которого связаны с входами коммутатора 3 посредством измерительного блока 2, состоящего из N-количества датчиков по числу контролируемых параметров. Выход коммутатора 3 связан с входом аналого-цифрового преобразователя (АЦП) 4. В вычислительное устройство 5 входит модуль обработки сигналов, выполненный в виде блока нейросетевого прогнозирования 6, содержащего нейронную сеть 7, ко второму входу которого подключены выходы блока обучения нейронной сети 8 и блока отвечающего за структуру нейронной сети 9. Выход АЦП 4 связан непосредственно с первым входом нейронной сети 7 блока нейросетевого прогнозирования и первым входом блока временной задержки 10, второй вход которого связан с выходом блока управления 11, связанным с коммутатором 3. Выход блока управления 11 также связан со вторым входом блока определения ближайшего к предельному контролируемого параметра 12, выход которого связан с первым входом блока вычисления 13 остаточного ресурса ЭМС, второй вход которого связан с выходом блока предельных значений 14 контролируемых параметров, а третий вход его связан с выходом блока регистрации времен наработки 15 функциональных блоков ЭМС, связанным, в свою очередь, с объектом контроля 1, выход блока вычисления 13 остаточного ресурса ЭМС связан с входом блока визуализации 16, выход блока временной задержки 10 связан с первым входом блока сравнения 17, второй вход которого связан с выходом нейронной сети 7 блока нейросетевого прогнозирования, а выход блока сравнения 17 связан с входом блока 9, отвечающим за структуру нейронной сети.The device for predicting the residual life of the electromechanical system is made from the control object 1, the outputs of which are connected to the inputs of the switch 3 by means of a measuring unit 2, consisting of an N-number of sensors according to the number of controlled parameters. The output of the switch 3 is connected to the input of an analog-to-digital converter (ADC) 4. The computing device 5 includes a signal processing module made in the form of a neural network prediction unit 6 containing a neural network 7, to the second input of which the outputs of the neural network learning unit 8 and the unit are connected responsible for the structure of the neural network 9. The output of the ADC 4 is directly connected to the first input of the neural network 7 of the neural network prediction unit and the first input of the time delay unit 10, the second input of which is connected to the output of the block control 11 connected to the switch 3. The output of the control unit 11 is also connected to the second input of the block for determining the closest monitored parameter 12, the output of which is connected to the first input of the block 13 for calculating the residual EMC resource, the second input of which is connected to the output of the block of limit values 14 monitored parameters, and its third input is connected to the output of the operating time recording unit 15 of the EMC function blocks, which, in turn, is associated with the control object 1, the output of the calculation unit 13 of the residual EM resource connected to the input imaging unit 16, yield a time delay unit 10 is connected to a first input of the comparator 17, the second input of which is connected to the output of the neural network 7 of neural network prediction block, and the output of comparator unit 17 is connected to the input of block 9, is responsible for the structure of the neural network.

Работает устройство прогнозирования остаточного ресурса электромеханической системы следующим образом. С помощью измерительного блока 2, состоящего из N-количества датчиков по числу измеряемых параметров (D_i, i=1, …N), устанавливаемых в различных точках контролируемого объекта 1A device for predicting the residual life of an electromechanical system operates as follows. Using the measuring unit 2, consisting of the N-number of sensors according to the number of measured parameters (D _i , i = 1, ... N), installed at various points of the controlled object 1

электромеханической системы, производят преобразование измеряемых величин в электрические сигналы, которые подают на входы коммутатора 3, выполненного в виде мультиплексора. Коммутатор 3 по команде от блока управления 11 подключает последовательно на время канального интервала поочередно выходы каждого датчика измерительного блока 2 к входу АЦП 4, в котором информацию о значениях измеренных параметров преобразуют в цифровой код. С выхода АЦП 4 цифровой отсчет о текущем значении каждого контролируемого параметра x_i(t), i=1, …N в момент времени (t) поступает на первый вход блока модуля обработки сигналов, выполненный в виде блока нейросетевого прогнозирования 6, состоящего из нейронной сети 7, блока обучения нейронной сети - 8 и блока, отвечающего за структуру нейронной сети 9 и одновременно на вход блока временной задержки 10. Блок нейросетевого прогнозирования 6 представляет собой нейронную сеть 7 в виде многослойного персептрона с сигмоидальными функциями активации для всех нейронов скрытого и выходного слоев. Нейроны входного слоя выполняют только распределительные функции для входных сигналов. Размерность входного слоя - n равно произведению количеству контролируемых параметров ЭМС, умноженному на число отсчетов в течение периода основания прогноза. Размерность выходного слоя сети - m принимают равной числу параметров ЭМС, значения которых надо прогнозировать. Количество нейронов в скрытом слое изначально принимают эмпирически согласно выражению - 2(n+m). Если в процессе обучения требуемого качества прогноза не достигают, то количество нейронов в скрытом слое изменяют. Методом обучения НС является метод обратного распространения ошибки.electromechanical system, convert the measured values into electrical signals that are fed to the inputs of the switch 3, made in the form of a multiplexer. The switch 3 at the command of the control unit 11 connects in series for the time of the channel interval alternately the outputs of each sensor of the measuring unit 2 to the input of the ADC 4, in which information about the values of the measured parameters are converted into a digital code. From the output of the ADC 4, a digital readout of the current value of each monitored parameter x _i (t), i = 1, ... N at the time point (t) is supplied to the first input of the signal processing module unit, made in the form of a neural network prediction unit 6, consisting of a neural network 7, the training unit of the neural network - 8 and the unit responsible for the structure of the neural network 9 and simultaneously to the input of the time delay unit 10. The neural network forecasting unit 6 is a neural network 7 in the form of a multilayer perceptron with sigmoidal activation functions for seh neurons of the hidden and output layers. The neurons of the input layer perform only distribution functions for the input signals. The dimension of the input layer - n is equal to the product of the number of controlled EMC parameters multiplied by the number of samples during the forecast period. The dimension of the output network layer - m is taken equal to the number of EMC parameters, the values of which must be predicted. The number of neurons in the hidden layer is initially taken empirically according to the expression - 2 (n + m). If during the training process the required quality is not reached, the number of neurons in the hidden layer is changed. The method of teaching NS is the method of back propagation of error.

В блоке обучения нейронной сети 8 находятся статистические данные, которые формируют обучающую выборку. Обучающую выборку разбивают на два множества обучающее и тестовое. Обучающее множество включает примеры, набранные по параметрам однотипных или подобных ЭМС. Тестовое множество также включает записи (примеры), содержащие входные и желаемые выходные целевые значения, но используемое не для обучения сети, а для проверки результатов обучения. В блоке, отвечающем за структуру нейронной сети 9, содержаться данные о количестве скрытых слоев сети, количестве нейронов в скрытых слоях, и значение параметра наклона сигмоидальной функции активации нейронной сети.In the training unit of the neural network 8 are statistical data that form the training sample. The training sample is divided into two sets of training and test. The training set includes examples typed according to the parameters of the same or similar EMC. The test set also includes records (examples) containing the input and desired output target values, but used not for training the network, but for checking the learning results. The block responsible for the structure of the neural network 9 contains data on the number of hidden network layers, the number of neurons in hidden layers, and the value of the slope parameter of the sigmoid function of activation of the neural network.

С выхода блока нейросетевого прогнозирования 6, предсказанные (спрогнозированные) значения контролируемых параметров ЭМС, x_{i(прогн)}(t+1), i=1, …N в момент времени (t+1) поступают на первый вход блока определения ближайшего к предельному контролируемого параметра 12, который ближе всего к своему предельному значению, а с него на первый вход блока вычисления 13 остаточного ресурса. Одновременно спрогнозированные значения контролируемых параметров ЭМС поступают с выхода блока нейросетевого прогнозирования 6 на вход блока сравнения 17.From the output of the neural network forecasting unit 6, the predicted (predicted) values of the controlled EMC parameters, x _{i (prog)} (t + 1), i = 1, ... N at the time point (t + 1), are received at the first input of the unit determining the closest to the limit controlled parameter 12, which is closest to its limit value, and from it to the first input of the residual resource calculation unit 13. At the same time, the predicted values of the controlled parameters of the EMC come from the output of the neural network prediction unit 6 to the input of the comparison unit 17.

На второй и третий входа блока вычисления 13 остаточного ресурса поступают соответственно сигналы с блока 14 предельных значений контролируемых параметров, в котором хранятся данные о предельных и номинальных значениях контролируемых параметров и с блока 15, который определяет время наработки функциональных блоков самой ЭМС.The second and third inputs of the residual resource calculation unit 13 receive signals, respectively, from the block 14 of the limiting values of the monitored parameters, which stores data on the limiting and nominal values of the monitored parameters, and from block 15, which determines the operating time of the functional blocks of the EMC itself.

Если какой либо предсказанное (прогнозное) значение любого из контролируемых параметров оказалось ближе всего к предельному, то по данному параметру осуществляют вычисление блоком 13 остаточного ресурса ЭМС по формуле:If any predicted (predicted) value of any of the monitored parameters turned out to be closest to the limit value, then, using this parameter, the residual EMC resource is calculated by block 13 using the formula:

,

если значение диагностируемого параметра увеличивается и - по формуле:if the value of the diagnosed parameter increases and - according to the formula:

,

если значение диагностируемого параметра уменьшается. Данное значение остаточного ресурса для его поступает на блок визуализации 16.if the value of the diagnosed parameter decreases. This value of the residual resource for it goes to the visualization block 16.

В блоке временной задержки 10 осуществляют задержку сигнала x_i(t), i=1, …N на период прогнозирования, длительность которого регулируют блоком управления 11, подачей его команды на второй вход блока временной задержки 10. С выхода блока временной задержки 10 через период прогноза получают реальные значения контролируемых параметров ЭМС, x_{i(реальн)}(t+1), i=1, …N в момент времени (t+1), которые поступают на второй вход блока сравнения 17, где сравнивают с предсказанными своими значениями x_{i(прогн)}(t+1), i=1, …N. Если разница предсказанных и реальных значений превышает заранее заданную погрешность, то это свидетельствует о плохом прогнозе, и тогда сигнал с выхода блока сравнения 17 поступает на блок, отвечающий за структуру нейронной сети 9, изменяя количество скрытых слоев в нейронной сети 7, количество нейронов в скрытых слоях или значение параметра наклона сигмоидальной функции активации нейронной сети, до тех пор, пока погрешность прогноза не станет удовлетворять требуемой погрешности. Кроме этого блок управления 11 согласовывает работу блока определения ближайшего к предельному контролируемого параметра 12, который ближе всего к своему предельному значению.In the block of time delay 10, the signal x _i (t), i = 1, ... N is delayed for the forecast period, the duration of which is controlled by the control unit 11, by sending its command to the second input of the time delay block 10. From the output of the time delay block 10 through the period of the forecast receive real values of the controlled parameters of the EMC, x _{i (real)} (t + 1), i = 1, ... N at the time (t + 1), which are fed to the second input of the comparison unit 17, where they are compared with their predicted x values _{i (prog)} (t + 1), i = 1, ... N. If the difference between the predicted and real values exceeds a predetermined error, then this indicates a poor forecast, and then the signal from the output of the comparison unit 17 goes to the unit responsible for the structure of the neural network 9, changing the number of hidden layers in the neural network 7, the number of neurons in the hidden layers or the value of the slope parameter of the sigmoidal neural network activation function, until the forecast error satisfies the required error. In addition, the control unit 11 coordinates the operation of the unit determining the closest to the limit of the monitored parameter 12, which is closest to its limit value.

Предложенное техническое решение позволило повысить достоверность, и точность прогноза, за счет возможности прогнозирования каждого контролируемого параметра в будущий момент времени с одновременной оценкой остаточного ресурса с использованием нейронных сетей.The proposed technical solution allowed to increase the reliability and accuracy of the forecast, due to the possibility of predicting each controlled parameter at a future point in time with a simultaneous assessment of the residual resource using neural networks.

Claims

A device for predicting the residual life of an electromechanical system containing a measuring unit, a switch, an analog-to-digital converter (ADC), a control unit, a visualization unit, a computing device containing a signal processing module and a comparison unit, characterized in that an additional unit for recording the operating hours of the functional blocks is introduced Electromechanical system (EMC), the signal processing module of the computing device is made of a neural network prediction unit containing a neural the network, to the second input of which the neural network training unit and the unit responsible for the structure of the neural network are connected, an additional unit for determining the closest monitored parameter to the limit, an EMC residual resource calculating unit, a limit value unit, monitored parameters, a time delay unit, and a comparison unit, the outputs of the monitoring object being connected to the inputs of the switch by means of a measuring unit, the output of the switch is connected to the ADC, the output of which is connected to the first input the neural network of the neural network prediction unit and the first input of the time delay unit, the second input of which is connected to the output of the control unit associated with the switch unit, the control unit is connected to the second input of the unit to determine the closest monitored parameter to the limit, the output of which is connected to the first input of the residual resource calculation unit EMC, the second input of which is connected with the output of the block of limit values of the monitored parameters, and the third input of it is connected with the output of the unit for recording operating hours of the functions of EMC ion blocks associated with the monitoring object, the output of the EMC residual resource calculation unit is connected to the input of the visualization unit, the output of the time delay unit is connected to the first input of the comparison unit, the second input of which is connected to the output of the neural network of the neural network prediction unit, and the output of the comparison unit is connected to the unit responsible for the structure of the neural network.