Содержание к диссертации
Введение
ГЛАВА 1. Анализ проблемы диагностирования электромеханических систем в процессе эксплуатации 16
1.1 Основы и содержание эксплуатации и процедур контроля электромеханических систем 16
1.1.1 Объект исследования – электромеханическая система 16
1.1.2 Основы и содержание, этапы и режимы эксплуатации электромеханических систем 18
1.1.3 Содержание процедур контроля технического состояния деталей и узлов электромеханических систем 26
1.1.4 Анализ существующих способов контроля технических состояний электромеханических систем
1.2 Анализ и классификации методов прогноза технических состояний и поиска отказов 34
1.3 Характер и топология взаимосвязей причин и следствий отказов в электромеханических системах 40
1.4 Классификация методов поиска отказов в электромеханических системах 45
1.5 Принципы построения автоматизации процессов систем технического диагностирования электромеханических систем на основе нейросетевых методов
1.5.1 Характеристика объекта диагностирования 47
1.5.2 Автоматное представление системы диагностирования 55
1.5.3 Построение системы диагностирования электромеханической системы на основе конечного автомата 58
1.5.4 Организация работы автомата 59
1.5.5 Построение системы диагностирования на основе нейросетей 61
1.6 Выводы и задачи исследования 66
ГЛАВА 2. Разработка методов и моделей нейросетевого контроля технических состояний электромеханических систем 70
2.1 Классификация и динамика контролируемых параметров электромеханических систем горных машин 70
2.2 Взаимосвязь задач контроля электромеханических систем с задачей распознавания вида их технического состояния 84
2.3 Обоснование метода контроля технических состояний электромеханических систем 90
2.4 Обоснование структуры системы нейросетевого контроля электромеханических систем 101
2.5 Теоретическое обоснование модели распознавания технических состояний, архитектуры и параметров нейросетевого классификатора 105
2.6 Разработка модели распознавания технических состояний на основе mlp-классификатора с избыточным количеством нейронов в слоях 121
2.7 Разработка модели нейронной сети, повышающей производительность при переобучении и достоверность контроля технических состояний электромеханических систем 136
2.8 Выводы 139
ГЛАВА 3. Разработка нейросетевых методов прогнозирования технических состояний электромеханических систем 142
3.1 Обоснование применения нейронных сетей для прогнозирования технических состояний электромеханических систем 142
3.2 Разработка нейросетевых моделей прогнозирования технических состояний электромеханических систем
3.2.1 Модели прогнозирования технических состояний электромеханических систем 148
3.2.2 Обоснование метода обучения экстраполяции параметров электромеханических систем как формализованного процесса накопления априорных данных 155
3.2.3 Нейросетевая реализация модели прогнозной экстраполяции в пространстве признаков прецедентов
157
3.3 Метод прогнозирования работоспособности эмс на основе предварительного преобразования измеряемых сигналов и последующей селекцией прогнозных признаков картой кохонена 164
3.3.1 Распознавание выходных сигналов ЭМС как разбиение в пространстве признаков прогнозного технического состояния 164
3.3.2 Структура нейросетевого прогнозирующего классификатора 168
3.4. Выводы 176
ГЛАВА 4. Разработка нейросетевых методов и моделей ускоряющих поиск неисправностей электромеханических систем 178
4.1. Разработка метода адаптивного выбора измеряемых параметров электромеханических систем 178
4.2 Методика расчета оптимальных частот опроса выбранных параметров непрерывных процессов в эмс 182
4.3 Разработка алгоритма оптимальной по времени последовательности проверок параметров электромеханических систем на основе карты кохонена 189
4.4 Метод поиска причин внезапных отказов электромеханических систем с использованием динамических нейронных сетей
4.4.1 Построение функциональной модели развития неисправности электромеханической системы на основе технологий деревьев отказов 198
4.4.2 Моделирование в нейросетевом базисе процесса развития отказа посредством решения обратной задачи прогнозирования 204
4.5 Выводы 215
ГЛАВА 5. Реализация разработанных методов и моделей диагностирования электромеханических систем 217
5.1 Разработка аппаратуры диагностирования технических состояний электромеханических систем 217
5.1.1 Требования к оценке показателей эффективности контроля технического состояния ЭМС в нейросетевом базисе 217
5.1.2 Блок-схема аппаратуры диагностирования технических состояний электромеханической системы222
5.1.3 Архитектура нейросетевого блока аппаратуры диагностирования технических состояний электромеханических систем
5.2 Разработка аппаратного комплекса для диагностирования электромеханических систем 228
5.3 Структура специального программного обеспечения диагностирования технических состояний электромеханических систем 237
5.4 Выводы по главе 240
ГЛАВА 6. Экспериментальные исследования разработанных методов и моделей диагностирования технических состояний электромеханических систем 242
6.1 Экспериментальная установка и методика исследований 242
6.1.1 Описание экспериментальной установки 242
6.1.2 Методика экспериментальных исследований
6.2 Экспериментальное исследование модели контроля технического состояния асинхронного электродвигателя 245
6.3 Экспериментальное исследование модели контроля технического состояния трансформатора 254
6.4 Экспериментальное исследование модели контроля технического состояния редуктора 260
6.5 Экспериментальное исследование модели контроля технического состояния очистного комбайна
2 6.5.1 Постановка задачи 262
6.5.2 Результаты экспериментальных исследований модели контроля технического состояния электромеханической системы 269
6.6 Экспериментальные исследования модели прогнозирования технического состояния системы управления электропривода 274
6.6.1 Объект экспериментальных исследований и его модель 274
6.6.2 Экспериментальное исследование модели прогнозирования технических состояний с помощью прогнозирующего классификатора 280
6.6.3 Результаты экспериментальных исследований модели прогнозирования технических состояний с помощью прогнозирующего классификатора 288
6.7 Разработка методики выбора структуры и параметров предлагаемых нейронных сетей для диагностирования электромеханических систем 292
6.7.1 Решение задачи контроля технического состояния электромеханической системы 292
6.7.2 Решение задачи прогнозирования технического состояния 297
6.7.3 Методика выбора архитектуры и параметров нейронной сети при диагностировании технического
состояния электромеханической системы 303
6.8 Оценка повышения надежности электромеханических систем при нейросетевом диагностировании 306
6.8.1. Влияние повышения достоверности контроля электромеханических систем на уровень вероятности
их правильного функционирования 308
6.8.2 Влияние достоверности прогнозирования на безотказность электромеханических систем 311
6.8.3 О влиянии достоверности диагностирования на ресурс восстанавливаемой электромеханической системы, как показатель ее долговечности 316
6.8.4 О влиянии достоверности диагностирования на безопасность эксплуатации 317
6.9. Анализ экономической эффективности применения нейросетевых методов и средств диагностирования состояний электромеханических систем 322
6.10. Реализация результатов исследований 329
6.11. Выводы 331
Заключение 334
Библиографический список 337
- Анализ существующих способов контроля технических состояний электромеханических систем
- Взаимосвязь задач контроля электромеханических систем с задачей распознавания вида их технического состояния
- Разработка нейросетевых моделей прогнозирования технических состояний электромеханических систем
- Разработка алгоритма оптимальной по времени последовательности проверок параметров электромеханических систем на основе карты кохонена
Введение к работе
Актуальность темы исследования. Важной проблемой в горнодобывающих отраслях промышленности в настоящее время является повышение эффективности процессов диагностирования горных машин (ГМ), имеющих в своем составе сложные электромеханические системы (ЭМС), решаемая в настоящей работе путем внедрения нейросетевых технологий.
Условия эксплуатации ЭМС горных машин являются тяжелыми, характеризуются высокими динамическими нагрузками случайного характера, напряженными режимами работы: от повторно-кратковременного до продолжительного, агрессивными условиями среды (пыль, высокая влажность и температура), постоянным перемещением в стесненных рабочих пространствах. В процессе эксплуатации в результате внутренних и внешних воздействий: изменения нагрузки, внешней среды, износа и старения, в элементах ЭМС возникают повреждения и дефекты, приводящие к отказу ЭМС и частичной или полной потере работоспособности. Опыт эксплуатации горных машин показывает, что отказы электрооборудования составляют около 40% от всего количества неисправностей. При этом большая часть отказов, около 35% приходится на электромеханические системы.
Выполнение все возрастающих требований к ЭМС горных машин невозможно обеспечить без оснащения их различными системами автоматического управления и эффективными системами технического диагностирования.
В современных условиях возросла значимость проблем, связанных с ограничением психофизиологических возможностей человека-оператора при формировании управляющих воздействий и физическом перемещении за быстродвижущимся очистным комбайном (ОК). Для их решения требуется применение малолюдных технологий, что невозможно без интеллектуализации систем управления и диагностирования.
Современные системы эксплуатационного обслуживания ЭМС многодвигательных машин являются сложными иерархическими системами, которые включают системы диагностирования, выполняющие анализ состояний технологического процесса, оборудования и систем управления. Решение проблемы создания эффективного обслуживания промышленных производств со сложными ЭМС находится в стадии развития. При этом необходимо решить целый ряд теоретических и практических задач диагностирования таких ЭМС не свойственных другим системам.
Теоретические исследования и практические результаты методов и средств
диагностирования технических состояний (ТС) технологического оборудования отражены в работах Белянина П.Н, Биргера И.А., Глебова Н.А., Давыдова П.С., Деева А.И., Клюева В.В., Короткого А.А., Мозгалевского А.В., Нахапетяна Е.Г., Пархоменко П.П., Согомоняна Е.С., Фельдмана В.Д. и других ученых.
Традиционный подход в контроле и прогнозировании состояний ЭМС в текущем времени, заключающийся в сравнении параметров реального объекта и его разработанной детерминированной математической модели имеет существенные недостатки: сложность точного описания, как правило, нелинейной ЭМС; невозможность учета всех факторов, влияющих на ЭМС в процессе эксплуатации. Поэтому эти методы имеют низкую точность при контроле, малую достоверность при прогнозировании и низкое быстродействие при поиске отказов.
Усложнение современных технологий требует совершенствования систем диагностирования. Существенных сдвигов в формах и методах управления эксплуатацией горного оборудования можно достигнуть, заменив существующие информационные системы на новые, опираясь при этом на использование интеллектуальных информационных технологий.
В последнее время интенсивно развиваются интеллектуальные методы контроля и прогнозирования технических состояний: экспертные, на базе нечеткой логики и искусственных нейронных сетей (НС). Из указанных методов наиболее перспективным является нейросетевой метод, так как при его применении разрабатывается непараметрическая модель сложной нелинейной ЭМС, которая может в результате обучения воспроизвести любые исправные и неисправные состояния, аппроксимировать свою идентификацию на различные типы ЭМС, которые недостаточно изучены, он обладает высоким быстродействием и возможностью самообучения в процессе эксплуатации.
Базой для таких работ могут послужить теоретические исследования и практические результаты, отраженные в работах Палюха Б.В, Семенова Н.А., Виноградова Г.П. и других ученых, связанные с интеллектуализацией процессов принятия решений.
Нейросетевой контроль и прогнозирование технических состояний является новым направлением в диагностировании горных машин в процессе эксплуатации, потому, что при исследовании и разработке традиционных диагностических методов и средств отсутствовал системных подход, и решались частные задачи для отдельных элементов ЭМС, причем без учета тяжелых условий эксплуатации, высоких динамических нагрузок, структурной сложности и нелинейности ЭМС.
Поэтому научное обоснование и практическое подтверждение методологии
применения новых методов, моделей, алгоритмов и программного обеспечения на базе распространенных архитектур нейронных сетей, обеспечивающее повышение эффективности процессов диагностирования состояний сложных ЭМС, является актуальной научной проблемой.
Работа выполнена в соответствии с целевыми планами и программами,
из которых можно выделить следующие:
Основные положения (Концепция) технической политики в электроэнергетике России на период до 2030 г (АО РАО « ЕЭС России» 2008 г.).
Долгосрочная программа развития угольной промышленности на период до 2030 года (Распоряжение Правительства РФ от 21 июня 2014 г. N 1099-р).
В рамках классификатора РФФИ 08-603 «Надежность и отказоустойчивость технических систем. Диагностика технического состояния и испытания».
Объектом исследования являются процессы систем диагностирования современных электромеханических комплексов и их систем.
Предмет исследования - методы, модели и алгоритмы решения задач диагностирования технических состояний электромеханических систем, принятия решений при идентификации нештатных ситуаций.
Цель работы и задачи исследования. Целью работы является повышение эффективности процессов диагностирования состояний сложных электромеханических систем путем научного обоснования и практического подтверждения методологии применения новых методов, моделей, алгоритмов и программного обеспечения на базе распространенных архитектур нейронных сетей.
В соответствии с изложенной целью были сформулированы и решены следующие задачи:
-
Анализа существующих методов контроля и прогнозирования технических состояний электромеханического оборудования и обоснования целесообразности создания интеллектуальной системы диагностирования сложных электромеханических систем на базе распространенных архитектур нейронных сетей.
-
Разработки концепции совершенствования систем диагностирования сложных электромеханических систем с учетом применения нейронных сетей в условиях нестационарности и многофакторности воздействий внешней среды.
-
Разработки методов и моделей контроля технических состояний сложных ЭМС в нейросетевом базисе при иерархической системе распознавания.
-
Разработка методов, моделей и алгоритмов для решения задачи прогнозирования технических состояний электромеханических систем на основе экстраполяции в пространстве возможных прецедентов их эксплуатации.
-
Разработки алгоритмического и программного обеспечения и создание аппаратного комплекса технического диагностирования электромеханических систем в режиме эксплуатации.
-
Экспериментальной проверки, разработанных методов, моделей и алгоритмов диагностирования состояний электромеханических систем.
Научная проблема состоит в разработке методологических основ построения методов диагностирования сложных электромеханических систем на основе нейросетевых технологий, обосновании и экспериментальной проверки в условиях действующего горного производства их информационного, математического и программного обеспечения.
Методы исследования. Метод системного анализа, искусственного интеллекта, теории надежности, технического диагностирования. При разработке и исследовании диагностических методов, моделей и алгоритмов использованы методы идентификации, компьютерного моделирования, программирования, теории нейронных сетей. Аналитические исследования проведены на ЭВМ, а экспериментальные - на реальных объектах.
Достоверность и обоснованность основных научных положений и практических результатов исследования подтверждается совпадением результатов аналитических исследований и имитационных экспериментов; результатами апробации и внедрения разработанного теоретического подхода и математического аппарата на практике. Достоверность новизны технических решений подтверждается 9 патентами на полезные модели.
Научная новизна
-
На основе анализа событийных процессов смены технических состояний (автоматного подхода) поставлена и решена проблема построения интеллектуальной схемы диагностирования электромеханических систем, реализующая методы контроля и прогнозирования состояний, оптимизации поисковых диагностических процедур на основе использования нейронных сетей, обеспечивающая управление эксплуатацией ЭМС по фактическому техническому состоянию.
-
Предложена концепция построения интеллектуальной системы диагностирования сложных электромеханических систем с учетом применения нейронных сетей при иерархической системе распознавания, отличающаяся возможностью анализа состояний функционально связанного множества элементов, позволяющая, тем самым, повысить уровень эффективности диагностирования.
3. Разработан новый метод прогнозирования технических состояний, отли
чающийся преобразованием сигналов операторами Лежандра и последующей се-
6
лекцией признаков картой Кохонена, позволяющий распознавать сигналы, приводящие к разным прогнозам, но не различимые на периоде основания прогноза, что повышает достоверность прогнозирования в условиях неопределенности параметров ЭМС и внешней среды и недостатке априорной информации.
-
Предлагается новый метод выбора наиболее информативных параметров, основанный на совпадении моментов смен состояний на множестве подпространств характеристик ЭМС, отличающийся оригинальным нейросетевым алгоритмом кластеризации и содержащий специальную форму функции латерального торможения.
-
Разработан новый метод поиска причин внезапных отказов ЭМС, отличающийся нейросетевым моделированием пути их развития с учетом свойств надежности функционально связанных объектов, с последующим занесением в базу данных, что позволяет в дальнейшем быстрее определять первопричину отказа.
-
Предлагается новая модель классификатора состояний ЭМС, отличающаяся оригинальным правилом учета выходных невязок и искусственно введенной избыточностью нейронов во внутренних слоях классификатора.
-
Предлагаются нейросетевые модели прогнозирования степени работоспособности ЭМС, отличающиеся более высокой информативностью процессов диагностирования и возможностью оценивать области работоспособности ЭМС с большей точностью, чем допуски на измеряемые параметры за счет постоянного учета старения информации и возможности непрерывного дообучения.
8. Предлагается нейросетевой алгоритм синтеза оптимальной по времени
программы проверок параметров ЭМС на основе карты Кохонена, отличающийся
оптимизацией последовательности измерений контролируемых параметров.
Практическое значение работы заключается в следующем:
- Предложено новое техническое решение, повышающее достоверность рас
познавания образов на основе реализации обобщающей способности многослой
ной нейронной сети, что повышает эффективность процедуры контроля техниче
ских состояний применительно к электромеханическим системам.
- Разработано объектно-ориентируемое алгоритмическое и программное
обеспечение аппаратуры диагностирования, предназначенное именно для ЭМС
горных машин, с учетом специфики процессов в них происходящих.
Разработан аппаратный комплекс для диагностирования электромеханических систем, имеющий трехуровневую иерархическую структуру.
Разработана методика выбора структуры и архитектуры нейронной сети, применяемая в аппаратуре диагностирования.
Основные научные положения, выносимые на защиту:
-
Концепция развития интеллектуальной системы диагностирования состояний сложных электромеханических систем, заключающаяся в реализации нейро-сетевых методов контроля и прогнозирования и обеспечивающая переход на техническое обслуживание с большей эффективностью диагностирования.
-
Метод прогнозирования технических состояний электромеханических систем, заключающийся в предварительном преобразовании измеряемых сигналов на интервале наблюдения операторами Лежандра и последующей селекцией прогнозных признаков картой Кохонена, позволяющий распознавать сигналы, приводящие к разным прогнозам, но не различимые на периоде основания прогноза.
-
Нейросетевой метод выбора из состава измеряемых параметров наиболее информативных, основанный на мажоритарном совпадении смен значений множества характеристик электромеханической системы в данном режиме функционирования и условиях внешней среды.
-
Метод поиска причин внезапных отказов ЭМС, заключающийся в нейросе-тевом моделировании пути развития обнаруженного отказа и, позволяющий для систем большой размерности в условиях жестких временных ограничений быстро находить вышедший из строя узел, приведший к данному отказу.
-
Нейросетевой алгоритм синтеза оптимальной по времени программы проверок параметров электромеханических систем на основе моделей карт Кохонена, заключающийся в нахождении минимальной временной последовательности измерений контролируемых параметров.
-
Модель нейросетевого классификатора, позволяющая повысить достоверность распознавания видов ТС ЭМС. за счет повышенной обобщающей способности, основанной на оригинальном правиле учета выходных невязок и искусственно введенной избыточности нейронов во внутренних слоях классификатора.
Согласно паспорту специальности в диссертационной работе предложены методы и алгоритмы диагностирования (п.п. 3, 14).
Внедрение результатов работы. Основные результаты работы внедрены на предприятиях Тульской области: ООО «ПромЭнергоСбыт», ООО «КБ Электроавтоматика», на Апатито-нефелиновой обогатительной фабрике № 2 г. Апатиты, г. Тверь в ООО «Проектно конструкторское бюро автоматизации производств» в виде программно-аппаратного комплекса, специального программного обеспечения и нейро-сетевых методов диагностирования технических состояний ЭМС, а также в учебный процесс Мурманского государственного технического университета и Санкт-Петербургского государственного университета аэрокосмического машиностроения.
Апробация работы. Основные результаты докладывались и получили одобрение на XXVII научной конференции НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2009), XXII Международной научная конференции «Математические методы в технике и технологиях ММТТ-22» (г. Псков, 2009), XXXIX Всероссийской научно практической конференции с международным участием по электрификации «Повышение эффективности электрического хозяйства потребителей в условиях ресурсных ограничений» (г. Москва, 2009), VIII Всероссийском школе-семинаре "Прикладные проблемы управления макросистемами" (г. Апатиты, 2010), XXIII Международной научной конференции «Математические методы в технике и технологиях ММТТ-23» (г. Саратов, 2010), XIII Международной научно-практической конференции « Природные и интеллектуальные ресурсы Сибири – Сибресурс 2010» (г. Кемерово, 2010), VI Международной (XVII Всероссийской) конференции по автоматизированному электроприводу – «АЭП-2010» (г. Тула, 2010),Трудах Новомосковского института РХТУ им. Д.И. Менделеева (г. Новомосковск. 2009, 2011), VII Международной научно - практической конференции «Научный прогресс на рубеже тысячелетий – 2011» (г. Прага, 2011), II Международная научно-практическая конференция «Экономика и технология: инновация и модернизация» (г. Чехов, Московская область, 2011), Международной научно-практической конференции «Научные исследования и их практическое применение. Современное состояние и пути развития 2011» (г. Одесса, 2011), XXIV Международной научной конференции «Математические методы в технике и технологиях ММТТ-24» (г. Саратов, 2011), III Международной научно-практической конференции «Актуальные вопросы науки» (г. Москва, 2011), II Международной конференции «Автоматизация управления и интеллектуальные системы и среды» (г. Нальчик, 2011), XXVIII научной конференции профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2011), VII Международной (XVIII Всероссийской) конференции по автоматизированному электроприводу «АЭП-2012» (г. Иваново, 2012), 6-й Всероссийской научно-практической конференции «Системы управления электротехническими объектами» (г. Тула, 2012), ХХХI конференции «Актуальные проблемы электроэнергетики» (г. Нижний Новгород, 2012), XXIX научной конференции профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2014), Всероссийской научно-технической конференции «Актуальные проблемы электроэнергетики» (г. Нижний Новгород, 2015).
Личный вклад автора. Содержание диссертации и основные положения, выносимые на защиту, сформулированы автором и отражены в опубликованных им работах. Все представленные результаты получены автором лично.
Публикации. По теме диссертации опубликовано 66 печатных работ, в числе которых 30 из списка ВАК России, 2 в издании, входящем в систему цитирования SCOPUS, 1 монография, 24 статьи в материалах конференций, 1 свидетельство о регистрации программы для ЭВМ, зарегистрированной в Роспатенте, 8 патентов на полезную модель.
Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованной литературы и приложений. Работа изложена на 360 страницах машинописного текста, содержит 116 рисунков, 25 таблиц, 13 приложений. Список литературы содержит 233 наименования.
Анализ существующих способов контроля технических состояний электромеханических систем
Организация ТО оборудования, его содержание и технология применения во многом зависят от конструктивного совершенства обслуживаемого оборудования. ТО оборудования ЭМС является составной и неотъемлемой частью процесса эксплуатации оборудования, оно включает следующие мероприятия [5, 6]: 1. Контроль ТС оборудования: проверку работоспособности, проверку ос мотром внешних признаков повреждений элементов электромеханики (механиче ских и токоведущих частей, изоляционных конструкций, контактных систем и др.), проверку сроков очередных технических освидетельствований элементов оборудования. 2. Устранение выявленных повреждений и отказов посредством замены или ремонта неисправных элементов, узлов, блоков и др. 3. Контрольно-регулировочные работы: определение численных значений параметров или их отклонений относительно установленных допусков, регули ровку параметров оборудования (зазоров, натягов, удельного давления в контак тах и др.), замену частично изношенных элементов (пружин, прокладок, коллек торных пластин, щеток, штепсельных разъемов и т.д.). 4. Прогнозирование повреждений и отказов путем получения информации о состоянии оборудования или его элементов и определения времени перехода обо рудования в неисправное или неработоспособное состояние. 5. Контроль состояния и укомплектование ЗИП. Одной из основных форм ТО являются регламентные работы (регламенты), проводимые с целью поддержания эксплуатационно-технических характеристик оборудования на требуемом уровне в течение всего периода эксплуатации. Отличительной и наиболее важной особенностью данного вида ТО является то, что регламенты проводятся по вполне определенным правилам в установленные сроки с указанием конкретных мероприятий и порядка их выполнения. Из этого следует, что техническое обслуживание ЭМС носит профилактический, предупредительный и восстановительный характер.
Таким образом, при эксплуатации ЭМС эффективность ее применения в значительной степени определяется эффективностью диагностирования ее ТС. 1.1.3 Содержание процедур контроля технического состояния деталей и узлов электромеханических систем В основу ТО большинства ЭМС положена система планово – предупредительных ремонтов (ППР) с периодическими осмотрами, уходом и надзором за работой оборудования и своевременным устранением обнаруженных отказов, что, как известно, малоэффективно в сравнении с ТО по состоянию [20].
Для организации эффективного управления по безлюдной технологии необходимо обеспечить в системе эксплуатации постоянный контроль ТС всех элементов ЭМС. Создание системы контроля ТС: - анализ и оптимизацию состава контролируемых параметров ЭМС; - разработку методов и средств контроля ТС, принципов построения оптимальных тестов функционального сложного автоматического оборудования ЭМС; - разработку основ синтеза специальных средств контроля ТС ЭМС, обла дающих улучшенными характеристиками отказоустойчивости, контролепригод ности и самоконтроля; специальных методов проверки правильной работы про граммного обеспечения.
При создании системы контроля ТС ЭМС целесообразно руководствоваться следующими принципами построения [114, 212]: 1. Система контроля ТС должна быть составной частью общей системы управления технологическим оборудованием и создаваться на единой с ней методологической и элементной базе так, чтобы можно было использовать общие информационные каналы. 2. Система контроля ТС должна эффективно функционировать не только в процессе эксплуатации технологического оборудования, но и при его наладке, подготовке и ремонте. 3. Система контроля ТС по своим функциям, структуре и используемым техническим средствам должна соответствовать уровню автоматизации соответствующего производства. 4. Диагностическая информация должна подаваться в центральный пункт обслуживания технологическим оборудованием в расшифрованном и доступном для пользователя виде. Необходимая информация должна подаваться в запоминающее устройство (с указанием времени, дня и даты) для последующего накопления и анализа этой информации, а также прогнозирования ТС технологического оборудования и его отдельных узлов. При наличии центрального компьютера ЭМС эта информация должна поступать на него.
Анализ типовых функций систем контроля ТС ЭМС позволил сформулировать основные функции системы технического диагностирования ЭМС [45,114,129,212]: 1. Автоматический контроль за подготовкой ЭМС к работе и выдачу разрешения на пуск. 2. Оперативный поиск места и причины отказа или сбоя по циклу работы ЭМС. 3. Определение причин неисправности элементов ЭМС. Оперативный профилактический контроль ТС и выдача сигнала на проведение ТО. 5. Выявление медленно изменяющихся процессов – трендов параметров ЭМС. 6. Определение ресурса работоспособности элементов ЭМС. Различие физической природы электромеханических частей ведет к разнообразному перечню выходных измеряемых параметров узлов и агрегатов ЭМС. Так, только для электрооборудования ЭМС перечень наблюдаемых признаков может содержать десятки и сотни параметров, различного происхождения, динамики, информативности и т.д. [45,129,208].
Взаимосвязь задач контроля электромеханических систем с задачей распознавания вида их технического состояния
В рамках данной работы предлагается решение проблемы разработки методологических основ построения методов диагностирования сложных ЭМС на основе нейросетевых технологий, обоснования и экспериментальной проверки в условиях действующего горного производства их информационного, математического и программного обеспечения.
Согласно изложенному выше, в работе поставлена следующая цель: повышение эффективности процессов диагностирования состояний сложных ЭМС путем научного обоснования и практического подтверждения методологии применения новых методов, моделей, алгоритмов и программного обеспечения на базе распространенных архитектур НС.
В соответствии с изложенной целью были поставлены следующие задачи: 1. Анализа существующих методов контроля и прогнозирования технических состояний электромеханического оборудования и обоснования целесообразности создания интеллектуальной системы диагностирования сложных ЭМС на базе распространенных архитектур нейронных сетей 2. Разработки концепции совершенствования систем диагностирования сложных ЭМС с учетом применения нейронных сетей в условиях нестационарно сти и многофакторности воздействий внешней среды 3. Разработки методов и моделей контроля технических состояний сложных ЭМС в нейросетевом базисе при иерархической системе распознавания 4. Разработка методов, моделей и алгоритмов для решения задачи прогнозирования технических состояния ЭМС на основе экстраполяции в пространстве возможных прецедентов их эксплуатации 5. Разработки алгоритмического и программного обеспечения и создание аппаратного комплекса технического диагностирования ЭМС в режиме эксплуатации 6. Экспериментальной проверки, разработанных методов, моделей и алго ритмов диагностирования состояний ЭМС Анализ состояния вопроса в области теории и практики диагностирования ЭМС показал следующее:
1. Новые требования оценки эффективности функционирования состояний ЭМС связаны главным образом с переходом к получению и использованию результатов не отдельных измерений, а потоков информации о десятках однородных или разнородных величин, большая часть из которых может быть недоступной для прямых измерений. Получение всего объема информации происходит за ограниченное время, поэтому возлагать эти функции на человека нецелесообразно, так даже при значительной тренировке, он не сможет их выполнять. Решение этой проблемы путем увеличения обслуживающего персонала не всегда возможно, а там, где это возможно, в большинстве случаев экономически невыгодно. Использование ЭМС в опасных условиях функционирования или вредности технологического процесса делают участие человека-оператора вообще недопустимым. Таким образом, при диагностировании ЭМС была поставлена проблема создания новых средств, позволяющих исключить человека из процесса сбора и обработки интенсивных потоков измерительной информации. Решение этой проблемы привело к появлению нового класса технических средств - систем комплексов, предназначенных для автоматического сбора, обработки информации и принятия решений о состоянии ЭМС.
2. В результате анализа состояния исследований в областях оценки ТС сложных объектов, каковыми являются ЭМС, установлено, что наиболее перспективным является направление с использованием НС, которые позволяют в едином методологическом базисе формулировать задачи оптимального управления, и в реальном масштабе времени решать задачи контроля ТС, поискового прогнозирования ТС и поиска неисправности ЭМС. А современная компьютерная элементная база, позволяет реализовать нейросетевой вычислительный базис диагностических моделей ЭМС, с учетом жестких ограничений на массовые, габаритные и энергетические характеристики средств обработки, в неблагоприятных условиях применения электромеханического оборудования. 3. Изучение состояния исследований в области создания систем диагностирования ТС ЭМС выявило состав подсистем, при которых это оценка максимальна по достоверности и полноте: - подсистема контроля готовности технологического оборудования; - подсистема оперативного контроля ТС ЭМС; - подсистема оперативного прогнозирования ТС ЭМС; - подсистема контроля функционирования ЭМС; - подсистема поиска неисправностей ЭМС. 4. На основе анализа состояния вопроса представлено описание решения второй задачи диагностирования ЭМС - прогнозирования ее технического со стояния в нейросетевом алгоритмическом базисе. 5. Классификация методов поиска отказов ЭМС выявила три основных на правления: проверки элементов ЭМС последовательно по одному с анализом со стояния рассматриваемого комплекса средств ЭМС после каждой проверки; про верки групп элементов ЭМС с анализом состояния ЭМС после каждой проверки и гибкой программой поиска; проверки групп элементов ЭМС с анализом состояния рассматриваемой ЭМС после проведения полной группы проверок, обеспечивающей однозначное определение неисправного элемента. Все остальные возможные случаи рассматриваются как комбинации перечисленных методов. Проведенная классификация позволяет произвести количественную оценку методов, а, следовательно, их сравнение и выработку действенных практических рекомендаций. Синтез оптимальных поисковых процедур позволяет совершенствовать систему поиска и определения причин неисправностей, по двум направлениям разработок: выбор оптимального объёма контрольных проверок элементов ЭМС (выбор контролируемых параметров) и разработка алгоритма выбора оптимальной последовательности проведения контрольных проверок. Частично, решить проблемы, связанные с экспоненциальным ростом числа возможных комбинаций в последовательности проверок, позволяют параллельные реализации методов поиска мест, и причин неисправностей ЭМС.
Разработка нейросетевых моделей прогнозирования технических состояний электромеханических систем
Основой синтеза параметров распознающей модели является накопленный массив Xх L / = 1,L фактографической информации по L обучающим прецедентам испытаний и эксплуатации диагностируемой ЭМС и ЭМС - прототипов или однотипных элементов ЭМС (Электродвигатели, преобразователи, редукторы). Цель обучения модели на основе MLP-классификатора состоит в достижении точности аппроксимации обучающей выборки Qj и высокой достоверности обобщения на П2, что выражается в достоверном отнесении" похожих" прецедентов описаний к одному классу и повышении устойчивости распознавания к помехам и шумам при определении технического состояния ЭМС.
Задачей классификационной структуры, представленной на рис.2.13 состоит в синтезе такого набора значений матриц w11... w{s+h-1){s+h) весовых коэффициентов, описывающих разделяющую поверхность в пространстве ИП-ФВС-…, чтобы выходной вектор классификатора q1,...qt,...qN максимально соответствовал целевому, достоверно определенному на множестве прецедентов Qi. Для этого задается и минимизируется функционал ошибки выходного слоя Е.
Для решения задачи классификации образов НС должна быть обучена. Обу 121 чение предполагает наличие обучающих пар и образов, называемых обучающей последовательностью. При этом для каждого входного образа at вычисляют реакцию сети yi и сравнивают с соответствующим целевым образом diy их разница представляет собой невязку (ошибку рассогласования), которую сравнивают с заданной точностью, если невязка превышает ее, то корректируют весовые коэффициенты модели, если невязка находится в допустимых пределах, то обучение останавливают.
После обучения НС работает следующим образом. В режиме распознавания образов на вход НС последовательно поступают сигналы неизвестных классов, параметры которых измеряют и передают в векторном виде. Результаты распознавания неизвестного сигнала формируют на выходе НС в виде номера класса. По окончании идентификации первого сигнала производят классификацию следующего и так далее. В результате достигается возможность обобщения, т. е. НС выделяет особенности входных данных ЭМС и начинает относить похожие образцы описаний воздействий на систему к одному классу, что также повышает устойчивость к помехам. xt - 1-й вход нелинейного преобразователя (синоним -элемента) промежуточного слоя НС; dj - желаемый выходу-го элемента выходного слоя; о,- = f(yj) -действительный выходу-го нелинейного преобразователя промежуточного слоя; # = Ъ-WyXi - активация нелинейного преобразователя; wtj - вес между і-м иу-м нелинейными преобразователями; Aw у - вес изменение веса; ц– коэффициент скорости обучения; q - размер вектора - параметрического описания класса ТС ПС; Е-локальная целевая функция - в общем случае среднеквадратическая ошибка обучения, вычисленная в выходном слое классификатора как половина суммы разностей желаемых и действительных выходов элементов выходного слоя, возведенных в квадрат:
Такая ошибка есть функция весов Wy, которые, являясь ее параметрами, должны быть, оптимизированы для минимизации данной функции Е. Цель оптимизации - приблизиться или достичь глобального минимума на многомерной поверхности ошибки, чего можно добиться с помощью, например, метода градиентного спуска. Отрицательный градиент -dE/dy поверхности ошибки показывает локальное направление спуска и, следовательно, направление поиска нового веса на пути к глобальному (либо локальному) минимуму.
После п - й итерации ошибка может быть подсчитана и все веса сети обновлены согласно правилу [148]: Wij(n + \) = Wij(n) + AWij, (2.29) где Aw у пропорционально отрицательному градиенту -dE/dWy, Awy = r[dE / dWij (2.30) Коэффициент пропорциональности r\ - скорость обучения, определяющая ширину каждого шага по поверхности ошибки. Выбор большого коэффициента скорости обучения может привести к невозможности достижения минимума, и диагностические решения электромеханической системы будет колебаться возле него. Выбор слишком маленького коэффициента скорости обучения приведет к медленной сходимости системы.
В соответствии с выражением (2.37) производится вычисление действительного выхода нелинейных преобразователей последнего слоя (послойный проход вперед), затем вычисляются локальные ошибки для нелинейных преобразователей, которые затем распространяются в обратном направлении, задавая локальные ошибки в скрытых слоях. Веса нелинейных преобразователей на п-м цикле обучения корректируются: Wlj(n + l) = Wlj(n) + AWlj, (2.38) где Awjj = г) SjXj - обновление веса; 8j - локальная ошибка, которая вычисляется по-разному, в зависимости от того, в каком слое находится вычислительный элемент классификатора. 124 Если у - выходной нелинейный преобразователь, то 5, = (dj-cij)f\y) ,что для вышеописанной сжимающей функции /( л) = 1/(і + ехр(- л)) приводит к выражению: 8j = (dj-aj)aj(l-aj). (2.39) Если элементу находится в скрытом слое, то 5, - есть произведение f(yf) на сумму произведений локальных ошибок элементов следующих слоев и на веса их соединений с элементом;, что для той же логистической сжимающей функции приводит к выражению: bJ = aJ(l-aJ)i:(bJwl ). (2.40) Применение MLP-классификатора вида (2.22) в качестве модели ТС ЭМС требует, для ускорения сходимости к изменению веса добавлять взвешенный момент: Пч(п + \) = (п) + А (п) + (п-\), (2.41) где р - лежит в диапазоне [0 1] (зависит от характера и распределений обучающих прецедентов). Эффект этой модификации заключается в ускорении прохождения обширных плоских участков поверхности ошибки в пространстве весовых коэффициентов W".w{s+h-1){s+h) (2.22).
Разработка алгоритма оптимальной по времени последовательности проверок параметров электромеханических систем на основе карты кохонена
Каждый вход имеет соответствующий ему весовой коэффициент. Когда на слой элементов поступает входной вектор, между элементами возникает конкуренция, какой из весовых векторов ближе (в смысле какой-либо меры) к входному вектору, в качестве последнего выступают параметры элементарной проверки. Весовой вектор элемента-победителя сдвигается по направлению к входному вектору (xi, yi).
Таким образом, по мере поступления новых параметров элементарных проверок ЭМС, весовые вектора сети разделяются на группы, формирующиеся в виде облаков вокруг входных векторов. По мере обучения плотность весовых векторов будет выше в тех позициях пространства, где входные векторы появляются чаще, и меньше - где реже. В результате, сеть Кохонена адаптирует себя так, что плотность весовых векторов приблизительно соответствует плотности распределения параметров проверок ЭМС. Т.е., после завершения процесса обучения, положение проверки в программе должно определиться положением её образа в кольцевом выходном слое карты Кохонена.
Собственно, алгоритм синтеза оптимальной по времени последовательности проверок ЭМС содержит классические этапы функционирования самоорганизующихся НС: этапа обучения (обучающих процедур, описываемых уравнениями (4.8)-(4.13)) и этапа применения обученной сети по целевому назначению. Общая последовательность алгоритма синтеза программы измерений включает пять шагов [157,159, 161, 190].
1. Предварительно, случайным образом инициализируются весовые коэф фициенты нейронов в слое Кохонена wxj и wyj в зависимости от характера обу чающей выборки - значения весовых коэффициентов – нормализуются, либо слу чайным образом распределяются.
2. На входы НС подается входной образ, характеризующий параметры каж дого измерения на графе технических состояний ЭМС, после чего для каждого нейрона рассчитывается взвешенная сумма его входов, к которой затем применя 195 ется активационная (передаточная) функция (4.7), (4.12).
3. Каждый узел сети - карты вычисляет входную интенсивность в соответ ствии с выражением (либо его модификациями в заданной метрике): Dj = (x-wxj) + (y-wyj) J = l N (4.14) где: і - число примеров на входе, j - индекс нейрона в слое Кохонена, х. и у. два нейрона в распределительном слое, позволяющие подавать на НС двумерные координаты обучающих примеров.
Как только вычислены все выходные интенсивности, определяется нейрон-победитель, который обеспечивает наименьшее в выбранной метрике расстояние Dk = тіпЬД где к - номер нейрона - победителя. Затем, в соответствии с функ j цией притяжения модифицируются весовые коэффициенты нейронной сети в соответствии с формулами (4.8), (4.9) либо (4.13), что в обобщенной формулировке можно записать как: \vxj{t +1) = wXJ(t) + dist р(0( -wXJ(t)); \WyJ(t +1) = WyJ(t) + dist W)\y wyJ(t))j = m dist (ij) = mm(dist {ij),dist\ (Uj)), (4.15) где: wxj wyj- весовые коэффициенты межнейронных связей Xi и у. -го нейронов в слое Кохонена ; р - коэффициент скорости обучения нейронной модели. / — номер итерации. dist - функция соседства проверок і и], представляющая собой любую невозрастающую функцию от расстояния (в целочисленной нумерации) между нейроном -победителем и соседними нейронами, distiQj) - топологическое расстояние между нейронами, интерпретируемыми как проверки, при их обходе по часовой стрелке, а dist Т (/,/) - против. Другими словами dist - это вектор попарных расстояний между проверками г и J . В итоговом векторе расстояний берется минимальная компонента из двух сравниваемых.
4. После согласования и коррекции весов для предъявленного входного об 196 раза выбирается следующий входной вектор, и процесс повторяется рекурсивно. Обучение продолжается до получения желаемой степени согласования весовых векторов и входных векторов. После этого сеть считается обученной и пригодной для эксплуатации, так как каждой вершине графа проверок будет поставлен в соответствие хотя бы один нейрон слоя Кохонена.
5. Предъявление на вход НС всех образов, характеризующих параметры каждого измерения на графе ТС ЭМС из входного набора данных. Вид откликов на каждый класс – номера "выигравших" нейронов образуют замкнутый маршрут проверок параметров ТС ЭМС являющийся оптимальной программой измерений. Иными словами, подавая на вход НС координаты любой проверки во временном пространстве, на выходе получаем номер отклика нейрона, свидетельствующий о порядке данной проверки в оптимальной последовательности измерений контролируемых параметров.
Особенностью описанного нейросетевого алгоритма является использование отображения двумерного распределения проверок ЭМС в пространстве временных параметров на одномерный маршрут их следования.
Поиск мест и причин отказов ЭМС представляет собой задачу, требующую синтеза эффективной комбинации различных методов. В этом случае известные решения, основанные на полном или на направленном переборе возможных состояний элементов ЭМС, оказываются практически нереализуемыми, так как они требуют обзора такого количества точек плана поиска, что не может быть выполнено не только с помощью современных ЭВМ, но и с помощью ЭВМ ближайшего будущего. Особую трудность вызывают поиски, так называемых, "безтрендовых отказов". Под термином "безтрендовый отказ" подразумевается такой тип внезапного отказа, наблюдение предыстории которого затруднено или невозможно применяемыми методами контроля.
Предлагается метод поиска причин отказов, а именно самых сложных – внезапных отказов, который включает построение модели развития исследуемого свойства надежности, функционально связанного с обнаруженной неисправностью ЭМС на основе технологий деревьев отказов (первый этап) и нейросетевое моделирование процесса развития отказа посредством решения задачи технического генеза на ориентированном графе (второй этап).
Функциональная модель развития неисправностей ЭМС - далее по тексту структурная модель представляет собой формализованную запись знаний о составе и условиях функционирования составляющих элементов в контролируемой ЭМС.
Это только функциональная модель ее отказа, возникновения или не возникновения аварии, сохранения или не сохранения работоспособности в условиях воздействия нестационарных факторов внешней среды.
Теоретические основы и методические положения первого этапа метода поиска причин внезапных отказов, базируются на ряде положений методов деревьев отказов [76,118,119] и могут быть применены для оценки надежностных показателей структурно-сложных ЭМС. Для этого необходимо на основе заданных условий задачи анализа надежности определить все комбинации событий отказов элементов ЭМС, которые вызывают отказ исследуемой системы в целом. Такой сценарий события отказа системы сначала представляется специальным графом, который и называют «деревом отказов» [214,215,227]. За основу «дерева отказов берется исходное событие и в зависимости от состояния подсистем, влияющих на протекание режима, анализируются различные пути развития отказа и последствия этого (рис. 4.6) [126].