Содержание к диссертации
Введение
ГЛАВА 1 Обзор методов диагностирования отказов измерительных каналов и постановка задачи 8
1.1. Алгоритмы обнаружения полных отказов ИИК 9
1.1.1. Алгоритмы допускового контроля параметра 9
1.1.2 Алгоритм допускового контроля скорости изменения сигнала измерительной информации 11
1.2. Алгоритмы обнаружения частичных отказов 13
1.2.1. Алгоритмы, применяемые при аппаратном резервировании ИИК 13
1.2.2. Метод тестовых сигналов 14
1.2.3. Алгоритмы, использующие связи между измеряемыми величинами 15
1.3. Экспертные системы 24
1.4. Диагностика частичных отказов ИИК как задача классификации и распознавания образов 25
1.4.1. Постановка задачи классификации 27
1.4.2. Аналитический обзор методов распознавания образов 30
1.4. Выводы 45
ГЛАВА 2 Матеметическая модель получения тепловой энергии на паровых и водогрейных котлах ТЭЦ 46
2.1. Описание теплогенерирующей технологической схемы ТЭЦ-27 47
2.2 Материальный баланс потребления топлива 48
2.2.1 Результаты расчета ГРП 50
2.3 Балансовые уравнения для парового котла ТГМЕ-464 51
2.3.1 Информационное обеспечение 51
2.3.2 Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1) 52
2.3.3 Расчет составляющих материального баланса по воде и пару для парового котла ТГМЕ-464 (на примере котла № 1) 57
2.3.4 Результаты расчета для парового котла №1 58
2.4 Балансовое уравнение для водогрейного котла КВГМ-180-150 59
2.4.1 Информационное обеспечение 59
2.4.2 Расчёт составляющих теплового баланса для водогрейного котла КВГМ-180-150 (напримере котла№1) 61
2.4.3 Результаты расчета для водогрейного котла №1 64
2.5 Оценка погрешностей расчета 64
2.6 Программная реализация алгоритма коррекции результатов измерений л65
2.7 Выводы 71
ГЛАВА 3 Разработка нейросетевых компонент системы диагностики 73
3.1. Основные положения теории нейросетевої о моделирования 73
3.1.1. Модель нейрона 74
3.1.2. Топологии нейросетей 76
3.1.3. Обучение искусственных нейросетей 77
3.2. Примеры практического применения нейронных сетей 19
3.2.1. Прогнозирование 79
3.2.2. Распознавание образов и классификация 79
3.2.3. Кластеризация и поиск закономерностей 80
3.2.4. Оптимальное управление и моделирование 81
3.3. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации 83
3.3.1. Нейрон-классификатор 83
3.3.2. Многослойный персептрон
3.3.3. СетиВорда . 88
3.3.4. Сети Кохонена 89
3.4. Решение задач классификации с использованием искусственных нейросетей с нечетким выводом 93
3.4.1. Синтез нейросетей для решения задачи классификации 94
3.5. Выводы.. ..97
ГЛАВА 4 Разработка алгоритма обучения диагностической нейросети 98
4.1. Классический генетический алгоритм оптимизации 98
4.1.1. Генетическое представление информации 99
4.1.2. Генетические операторы 100
4.1.3. Оптимизация с помощью генетического алгоритма 102
4.2. Модифицированный генетический алгоритм 105
4.3. Описание методики и результаты тестирования МГА 112
4.4. Программная реализация МГА 116
4.4.1. Реализация МГА для пакета MathCAD 117
4.4.2. Реализация МГА в программе "Optim-MGA" 118
4.5. Выводы 120
ГЛАВА 5 Диагностирование частичных отказов измерительных каналов парового котла 122
5.1. Множественная обработка результатов измерений технологических параметров с использованием алгоритма коррекции 122
5.2. Модель "идеального" производства 127
5.3. Отбор наиболее информативных параметров 129
5.4. Формирование обучающих выборок и синтез структуры диагностических нейросетей 131
5.5. Тестирование диагностических нейросетей 135
5.6. Выводы 138
Заключение 140
Основные выводы по работе 142
Библиографический список использованной
Литературы 144
Приложения 155
- Алгоритмы, использующие связи между измеряемыми величинами
- Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1)
- Синтез нейросетей для решения задачи классификации
- Оптимизация с помощью генетического алгоритма
Введение к работе
Важнейшей задачей АСУТП энергетических производств в условиях рыночной экономики является получение достоверной информации для расчета технико-экономических показателей (ТЭП). В связи с этим, необходимым условием повышения достоверности расчетов ТЭП является качественное измерение технологических параметров и своевременное диагностирование отказов измерительных каналов и технологического оборудования.
В настоящее время для диагностики частичных отказов используются алгоритмы, основанные на информационной избыточности. Информационная избыточность может быть создана искусственно за счет аппаратного резервирования. Кроме того, в качестве информационной избыточности часто используются вероятностные и функциональные связи между измеряемыми величинами.
В диссертационной работе предлагается методика диагностирования частичных отказов информационно-измерительных каналов (ИИК) и оборудования ТЭЦ, использующая в качестве информационной избыточности функциональные связи между измеряемыми параметрами -уравнения материального и теплового балансов котлов.
В диссертационной работе показано, что при использовании такого вида информационной избыточности задачу диагностики можно свести к задаче классификации и распознавания образов. В настоящее время существует довольно много алгоритмов распознавания образов. Самым перспективным и многообещающим методом в теории распознавания образов является парадигма искусственного интеллекта, включающая технологии нейросетевого моделирования, эволюционные алгоритмы оптимизации, нечеткую логику, экспертные системы и т.п. Системы диагностики, использующие подобный подход обладают свойствами гибкости, адаптивности и интеллектуальности.
Разработка нейросетевых систем диагностики связана с рядом трудностей. До сих пор не существует единой методики выбора структуры нейросетей и их обучения.
Целью диссертационной работы является разработка методики диагностирования частичных отказов информационно-измерительных каналов (ИИК) АСУТП ТЭЦ.
Разработанная методика испытана на теплогенерирующем оборудовании ТЭЦ-27 ОАО "МОСЭНЕРГО".
Для достижения поставленной цели необходимо решить следующие задачи:
1. Исследовать технологическую схему ТЭЦ-27 и выбрать источники информационной избыточности;
2. Разработать алгоритм и создать программное обеспечение для коррекции результатов измерений применительно к теплогенерирующей структуре ТЭЦ-27.
3. Провести анализ массива измеренных параметров для одного из паровых котлов за определенный промежуток времени.
4. Разработать методику сведения задачи диагностики к задаче нечеткой классификации.
5. Исследовать возможности искусственных нейросетей для решения задачи нечеткой классификации.
6. Разработать алгоритм и создать программное обеспечение для обучения диагностических нейросетей.
7. Сгенерировать таблицу обучающих выборок, обучить и протестировать диагностические нейросети.
Научная новизна диссертационной работы состоит в следующем: разработан и исследован формализованный метод эволюционного и нейросетевого моделирования для диагностики частичных отказов информационных подсистем АСУТП в теплоэнергетике; предложена методика представления обработанных архивных данных в виде многомерного "облака"; решена задача синтеза нейросетевых компонент системы диагностики; разработан и исследован алгоритм оптимизации многопараметрических и многоэкстремальных задач; представлена методика тестирования и сравнения эволюционных алгоритмов оптимизации.
Практическая ценность диссертационной работы состоит в том, что: Разработана и официально зарегистрирована программа для ЭВМ "Эффект" (коррекция измеряемых параметров для расчета технико-экономических показателей на ТЭЦ). Программа передана в ПТО ТЭЦ-27;
Разработана и официально зарегистрирована программа для ЭВМ "Optim-MGA" (оптимизация многоэкстремальных и многопараметрических задач).
Достоверность научных положений и результатов проведенных исследований обеспечивается применением современных методов нейросетевого и эволюционного моделирования. При разработке методики диагностирования использовалась авторская версия алгоритма многоэкстремальной оптимизации, реализованного в официально зарегистрированной программе для ЭВМ "Optim-MGA", который успешно используется для решения других прикладных задач оптимизации.
Апробация работы. Результаты научных исследований по теме диссертации докладывались и обсуждались на заседании кафедры АСУТП МЭИ (ТУ), на международной научно-практической конференции Control 2005 "Теория и практика построения и функционирования АСУТП" (г. Москва 2005 г.), на одиннадцатой международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва 2005 г.), на всероссийской конференции "ИММОД-2003" (г. Санкт-Петербург 2003 г.) и на всероссийской научно-технической интернет-конференции для студентов и аспирантов "Информатика в измерительных и управляющих системах", декабрь 2004 г.
Публикации. По результатам научных исследований опубликовано 13 работ.
Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения, основных выводов по работе, библиографического списка использованной литературы и приложений. Изложена на 170 страницах машинописного текста, включает 47 рисунков, 19 таблиц, 95 наименований использованных литературных источников, 5 приложений.
Результаты научных исследований использованы при подготовке и выполнении в Московском энергетическом институте научно-исследовательской работы 2360040 " Диагностика информационных подсистем АСУТП и оборудования ТЭЦ с использованием технологий искусственного интеллекта", осуществляемой в рамках гранта 2004 года для поддержки научно-исследовательской работы аспирантов вузов Федерального агентства по образованию.
Основные результаты диссертации опубликованы в соавторстве с Сабаниным В.Р. и Смирновым Н.И. в журналах "Промышленные АСУ и контроллеры"[62], "ExponentaPRO"[63], "Вестник МЭИ"[64]. Также по результатам исследований были сделаны доклады на международных и всероссийских конференциях [50-55,58,66]. Написаны и официально зарегистрированы две программы для ЭВМ [57,61].
Алгоритмы, использующие связи между измеряемыми величинами
Одной из форм отображения технологической ситуации в процессе диагноза служит причинно-следственный граф неполадок [45,25], показывающей как в результате каждого теста происходит разделение множества возможных технических состояний объекта диагностирования на подмножества признаков. Обычно подобное разделение проводится с помощью комбинаторной логики [26]. На основе подобных моделей могут быть синтезированы логические устройства диагностики или же составлены алгоритмические программы для ЭВМ в виде диалога между человеком-оператором и системой управления [16,17,27,44], ставящие диагноз в особо сложных ситуациях целенаправленным перебором возможных причин того или иного события.
Проведенный обзор методов диагностирования полных и частичных отказов измерительных комплексов АСУТП показал, что проблему повышения достоверности измеряемой информации и диагностики отказов ИИК можно решать путем технического совершенствования и дублирования измерительной аппаратуры. Однако такой подход связан с большими капитальными вложениями и имеет один недостаток - не решает задачу самодиагностики исправности измерительной аппаратуры по имеющейся измерительной базе системы сбора информации [46].
Использование экспертных систем для диагностики частичных отказов ИИК тоже далеко не всегда возможно, потому как на производстве зачастую трудно найти квалифицированного эксперта, знания которого можно было бы реализовать в программно-технических средствах. Кроме того, многочисленные инженерные исследования [67,32,33,48,31,35] подтверждают наличие значительной (до 10-30%) неопределенности информации при оценивании фактического технико-экономического состояния энергоустановок, находящихся длительное время в эксплуатации. Процесс реализации экспертных знаний на ЭВМ с учетом их нечеткости и неопределенности информации в настоящее время ещё не формализован и требует дальнейших исследований.
Третий подход повышения достоверности измеряемой информации предлагает вычислительный способ обработки на ЭВМ показаний системы сбора информации в соответствии с имеющейся математической моделью, позволяющий проводить диагностику и локализовать неисправности. Как уже было показано выше в качестве информационной избыточности в рамках этого подхода можно использовать либо вероятностные связи между параметрами либо балансовые уравнения. Следует заметить, в научно-технической литературе проблеме использования вероятностных связей между параметрами уделено мало внимания. Хотя это направление является перспективным и требует дальнейших исследований.
Более широко для повышения достоверности измеряемых параметров применяется балансовый метод. Однако анализ литературных источников и проведенные в диссертационной работе исследования показали, что этот метод имеет ряд существенных недостатков. Было установлено, что эффективность коррекции результатов измерений с целью сведения балансов существенно зависит от соответствия принятой модели реальной, Невыявленные систематические ошибки описания уравнений связи могут свести на нет эффект от коррекции результатов измерений [4]. Кроме того, проведенные исследования показали, что проводить процедуру диагностики частичных отказов ИИК по соотношению (1.21) возможно лишь в случае использования линейных уравнений балансов, в которых вклад каждой измеряемой величины в эти уравнения равнозначен. Для реальных производств, где такие эти условия не выполняются, проводить диагностические процедуры по соотношению (1.21) не корректно, потому что на скорректированные значения измеренных величин большое влияние оказывают вариации параметров, имеющих наибольший вес в балансовых соотношениях. Может возникнуть ситуация, когда частичный отказ какого-либо измерительного канала вызовет нарушение условия (1.21) не только для своего канала, но и для остальных, что приведет к ложным диагностическим выводам. Разрешить создавшуюся ситуацию позволяет подход, основанный на алгоритмах классификации и распознавании образов [56,87], использующий величины корректирующих поправок и небалансов в качестве косвенных показателей для диагностики частичных отказов ИИК.
Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1)
Определение, к какому из заранее известных классов принадлежит тестируемый объект. Следует отметить, что задачи классификации (типа распознавания букв) очень плохо алгоритмизуются. Если в случае распознавания оукв верный ответ очевиден для нас заранее то в более сложных практических задачах обученная нейроееть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос ИЛИ рекомендацию (рис.3.3), Примером такой задачи может служить медицинская диагностика, п\ъ сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.). Конечно, "мнение" сети в этом случае нельзя считать окончательным, Нейроееть может дать рекомендацию, но окончательный диагноз выносит врач.
Многие западные компании в настоящее врем» осуществляют классификацию предприятий по степени их перспективности с использованием нейросетей. При этом сеть также использует множество экономических показателей, сложным образом связанных между собой. Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность комтіьютера к обработке чисел и способность нейронной сети к обобщению и распознаванию. Нейросеть позволяет обрабатывать огромное количество факторов (до нескольких тысяч), независимо от их наглядности, что делает её универсальным "инструментом", который может поставить диагноз в любой области, Помимо задач классификации, нейросети широко используются для поиска зависимостей в данных и кластеризации. Например, нейросеть на основе методики МГУА (метод группового учета аргументов), либо обученная с помощью генетического алгоритма позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома любой степени сложности. Такая сеть может не только выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами. Кластеризация - это разбиение набора примеров на несколько компактных областей (кластеров), причем число кластеров заранее неизвестно (рис. 3.4). Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия. В теории автоматического управления искусственные нейросети (ИНС) связывают с адаптивной постановкой основной задачи управления. Её особенность состоит в отсутствии изначальных знаний о математической модели объекта управления. Объект - это "черный ящик", подвергающийся неизвестным случайным воздействиям. Для анализа доступны только его входные и выходные переменные. Цель такой системы управления состоит в том, чтобы в уже процессе функционирования определить закон управления, обеспечивающий оптимальное поведение объекта. Для решения задач управления в рамках этого подхода в последнее время активно используются ИНС. Как показали исследования, проведенные отдельными учеными и научными коллективами [39,58,8], ИНС представляют собой не просто новую методику в теории автоматического управления, а целую парадигму. Для нового направления в теории управления Вербосом было введено название - нейроуправление (neurocontrol) [89]. О парадигмоидальности нейроуправления говорит то, что в нем общим способом для различных нелинейных динамических объектов решаются задачи идентификации, синтеза систем управления, их анализа и аппаратной реализации. Благодаря своим универсальным аппроксимирующим свойствам, ИНС представляет собой мощный инструмент для решения задачи идентификации нелинейных статических и динамических объектов управления. Основанные на ИНС дискретные модели называются нейроэмуляторами (НЭ) или предикторами. Классически идентификация проводится на основании определенных гипотез и теоретических исследований по имеющимся экспериментальным данным. При этом особое внимание уделяется физическому смыслу полученной модели. Конечно, полученная с помощью ИНС идентификационная модель мало пригодна для дальнейшего анализа с целью выявления сути происходящих внутри объекта процессов. Однако отражение физической сути процессов не является необходимым условием идентификации, так как в адаптивной постановке задача состоит в другом. По своей сути идентификация схожа с прогнозированием, так как её цель -оперативное построение прогноза поведения объекта при определенной стратегии управления.
Синтез нейросетей для решения задачи классификации
В настоящее время существует довольно много алгоритмов прямого и стимулируемого обучения многослойных прямонаправленных ИНС. Наиболее известным из них является алгоритм обратного распространения ошибки (backpropogation algorithm), представляющий собой обобщение метода наименьших квадратов [83]. Однако существенным недостатком такого алгоритма, а также других алгоритмов настройки ИНС, основанных на методе наименьших квадратов или наискорейшего спуска, является его локальность.
В то же время известно, что задача обучения ИНС является многоэкстремальной, поэтому все классические методы оптимизации, основанные на градиенте целевой функции не могут гарантировать нахождение наилучшего решения [90]. В связи с этим, для повышения качества обучения ИНС необходимо использовать алгоритмы глобальной оптимизации [66]. Самыми известными и эффективными из них являются генетические алгоритмы оптимизации (ГА), реализующие постулаты теории эволюции и опыта селекции растений и животных [82]. Рассматривая ИНС как единый набор параметров, ГА способен осуществлять её оптимальную настройку при достаточно большой размерности поискового пространства.
Первые работы, посвященные ГА, появились в середине 60-х годов прошлого столетия [84]. С середины 80-х ГА стали применять для синтеза ИНС различного типа. Стратегия поиска оптимального решения в генетических алгоритмах опирается на гипотезу селекции: чем выше приспособленность особи, тем выше вероятность того, что у потомков, полученных с её участием, признаки, определяющие приспособленность, будут выражены ещё сильнее [8].
В рамках ГА задача оптимизации решается в ходе эволюции искусственной популяции особей Каждая особь 0/{х/ /(х/)} представляет собой вариант возможного решения %,-[хц,Х2І,..-,ХЦ] и характеризуется приспособленностью pj. Часто в качестве приспособленности особи выступает соответствующее значение функции цели f(xi)- На каждом этапе эволюции из популяции отбираются худшие особи, которые погибают и лучшие, которые дают потомство. Новые особи, полученные в результате операций с родительскими особями, замещают погибших и процедура селекции повторяется. В течение ряда эпох эволюции популяция адаптируется к внешнему окружению, в качестве которого выступает целевая функция задачи оптимизации, и все особи оказываются одинаково приспособленными. Набор параметров оптимизации, описываемый лучшей особью популяции, представляет собой глобальное решение. Рассмотрим решение оптимизационных задач с помощью классической версии генетического алгоритма. Подобно тому, как в природе информация о наследственных признаках организмов представлена в хромосомах в виде линейной последовательности различных комбинаций четырех нуклеотидов (А - аденин, Ц - цитозин, Т -тимин и Г - гуанин), в генетическом алгоритме векторы переменных также записываются в виде цепочек символов, используя двух- , трех- или четырехбуквенный алфавит. Хромосома представляет собой множество генов, расположенных в отдельных локусах. Количество локусов определяется длину хромосомы. Каждый локус может быть занят разными генами. В классической версии генетического алгоритма вектор оптимизационных параметров кодируется в бинарном виде. Каждая переменная Xj кодируется определенным фрагментом хромосомы, состоящим из фиксированного количества генов (рис.4Л}. В принципе, для декодирования генетической информации из бинарного вида в десятичный подходит любой двоично-десятичный код. Flo чаще всего используют код Грея, которые имеет определенные преимущества по сравнению с двоично-десятичным кодом [81, заключающиеся в том, что если два числа различаются на 1, то и их двоичные коды различаются тоже только на Ї разряд, а при обычном двоичном кодировании это не так. Хромосомное представление информации позволяет применять генетические операторы: кроссовер, мутацию к инверсию. Генетические операторы являются упрощенной формой передачи наследственности. В Природе они обеспечивают процесс эволюции, а в генетических алгоритмах оптимизации движение координатных точек в направлении оптимальных значений функции цели. Генетические операторы, воздействуя с некоторой вероятностью на гены родительских особей обеспечивают передачу потомству жизненно важных признаков (приспособленность), с другой стороны поддерживают на протяжении всей эволюции достаточно высокий уровень его изменчивости. Например, оператор мутации (рис, 4,2) замещает существующее состояние отдельного гена в хромосоме на противоположное (единицу на ноль и наоборот). Инверсия приводит к нарушению порядка следования фрагментов хромосом у потомка по сравнению с родительской хромосомой. Благодаря кроссоверу особи популяции обмениваются между собой генетической информацией, то есть каждый фрагмент хромосом родителей рассекается в произвольном месте и обменивается своими участками, сохраняя при этом порядок следования генов. В результате кроссовера образуются две хромосомы, одна из которых равновероятно отбрасывается. Количество рассечений хромосом является случайной величиной. Вероятность кроссовера обычно принимается равной 0.9, инверсии - 0.0L Вероятность мутации равна для всех генов хромосомы и выбирается такой, чтобы в среднем измененным оказался 500-й ген в попудяаии.
Оптимизация с помощью генетического алгоритма
По виду полученных функций принадлежности можно суднть и о минимальной разрешающей способности, с которой можно зафиксировать частичный откаїї измерительного канала. Она соответствует величине вариации параметра в точке порога принятия. Гак, для расхода газа мшшмалыгая разрешающая способность равна Обработка выборки измеренных параметров с помощью созданной диагностической системы показала, что каналы измерения расход газа, питательной воды и пара в течение рассматриваемого промежутка времени работали в пределах основной допускаемой погрешности (принадлежали классу N). Однако в первой половине месяца наблюдались нарушения теплового баланса. Полученный результат позволил сделать вывод, что в этот момент времени наблюдались нарушения режима работы технологического оборудования, но частичных отказов ИИК диагностируемых параметров не было. 1. Разработанная методика диагностирования информационных подсистем АСУТП ТЭЦ проиллюстрирована на примере диагностирования частичных отказов информационно-измерительных каналов парового котла №1 ТЭЦ-27. Источником информационной избыточности являлись уравнения материального и теплового балансов котла. 2. В качестве исходных данных взяты выборки измеренных параметров котла за промежуток один месяц. В результате анализа выборок и рассчитанных по ним реализаций ТЭП установлены довольно значительные расхождения между КПД котла по прямому и обратному балансам, а также систематические отклонения теплового и материального балансов. 3. С помощью алгоритма коррекции получены реализации корректирующих поправок к измеренным параметрам, обеспечивающие сходимость балансовых соотношений. Показано, что реализации имеют вид случайных процессов, практически не зависящих от изменения нагрузок котла. В факторном пространстве реализации корректирующих поправок представлены в виде "облака" точек. Установлено, что "облако" сдвинуто относительно начала координат и его положение изменяется в различные временные интервалы. В начале месяца положение "облака" было нестабильным, во вторую половину месяца его положение не изменялось. Это позволило предположить, что в первую половину месяца на производстве наблюдались отклонения от нормального режима работы оборудования. Поэтому изменение технологической ситуации предложено оценивать относительно модели "идеального" производства. В качестве модели "идеального" производства, которая служит точкой отсчета для формирования обучающих выборок, использовались исходные данные второй половины месяца. В главе показано, что диагностированию поддаются не все параметры, входящие в расчетные формулы балансовых соотношений. В качестве диагностируемых параметров приняты расход газа на котел, а также расходы питательной воды и пара. Показано, что в случае необходимости расширения списка диагностируемых параметров необходимо вводить дополнительные источники информационной избыточности.
Подробно рассмотрена процедура синтеза структуры диагностических нейросетей и формирование тренировочных шаблонов для их обучения. Приведены результаты тестирования обученных диагностических ИНС и определены величины порога принятия решения о частичном отказе по каждому из каналов. Также произведена оценка минимальной разрешающей способности, с которой можно зафиксировать частичный отказ анализируемых ИИК.
Совершенствование вычислительной техники в последнее десятилетие позволило для решения задач диагностики применять алгоритмы классификации и распознавания образов. Использование в подобных задачах нейросетевых технологий дало возможность качественно распознавать трудноразличимые образы, классифицировать события в условиях действия помех и быстро обрабатывать большие объемы информации.
Разработанная методика диагностирования частичных отказов измерительных каналов была апробирована на паровом котле ТЭЦ-27. Источником информационной избыточности приняты уравнения материального и теплового балансов котла. Использование этой информации позволило диагностировать частичные отказы каналов измерения расходов газа, пара и питательной воды, а также оценивать состояние работы производственного оборудования. Для более глубокой диагностики остальных параметров, измеряемых на котле следует усложнять используемую математическую модель вводя дополнительные источники информационной избыточности.
Достоинство разработанной методики заключается в том, что она применима для производств, работающих на различных видах твердого и жидкого топлива или на их смесях, а также для различных структур тепломеханического оборудования. Предлагаемый подход позволяет быстро в реальном режиме времени проводить перенастройку диагностической системы без потери качества и адаптироваться к изменениям технологической ситуации. Методика диагностирования частичных отказов ИИК положена в основу разрабатываемой в настоящее время на кафедре АСУТП МЭИ экспертной интеллектуальной системы для диагностики информационных подсистем и оборудования АСУТП.
