Содержание к диссертации
Введение
1 Анализ проблемы оценки состояния оборудования непрерывной разливки стали 12
1.1 Анализ подходов и классификация методов исследования и оценки надежности оборудования непрерывной разливки стали 12
1.2 Характеристика оборудования непрерывной разливки стали 33
1.3 Определение требований к математическому обеспечению системы оценки состояния оборудования непрерывной разливки стали 49
1.4 Выводы по разделу 58
2 Теоретические основы оценки состояния оборудования непрерывной разливки стали на основе нейро-нечеткого метода обработки информации 59
2.1 Системная модель оценки состояния оборудования непрерывной разливки стали 59
2.2 Математическая модель оценки состояния оборудования непрерывной разливки стали 62
2.3. Структурная и параметрическая идентификация нечеткой модели оценки состояния оборудования непрерывной разливки стали 81
2.4 Метод оценки состояния оборудования непрерывной разливки стали на основе нечеткой логики 94
2.5 Выводы по разделу 100
3 Алгоритмическое обеспечение системы оценки состояния оборудования непрерывной разливки стали 101
3.1 Алгоритм идентификации нечеткой модели оценки состояния оборудования непрерывной разливки стали 101
3.2 Алгоритм самоорганизации исходных данных нечеткой модели оценки состояния оборудования непрерывной разливки стали 103
3.3 Алгоритм оценки состояния оборудования непрерывной разливки стали 106
3.4 Алгоритм принятия решения об эксплуатации оборудования непрерывной разливки стали 107
3.5 Выводы по разделу 109
4 Экспериментальные исследования метода и алгоритмов оценки состояния оборудования непрерывной разливки стали 110
4.1 Основные функциональные элементы и блоки системы оценки состояния оборудования непрерывной разливки стали 110
4.2 Методика настройки алгоритмического обеспечения 114
4.3 Результаты экспериментальных исследований метода и алгоритмов оценки состояния оборудования непрерывной разливки стали 116
4.4 Применение метода и алгоритмов оценки состояния оборудования непрерывной разливки стали для оптимизации ремонтных работ 128
4.5 Перспективы применения разработанных метода и алгоритмов оценки состояния оборудования на основе нечеткой логики 134
4.6 Выводы по разделу 136
Заключение 137
Библиографический список
- Характеристика оборудования непрерывной разливки стали
- Математическая модель оценки состояния оборудования непрерывной разливки стали
- Алгоритм самоорганизации исходных данных нечеткой модели оценки состояния оборудования непрерывной разливки стали
- Результаты экспериментальных исследований метода и алгоритмов оценки состояния оборудования непрерывной разливки стали
Характеристика оборудования непрерывной разливки стали
Выборочные значения интенсивности отказов, приведенные в таблице 5, существенно разнятся. Вместе с тем, нет возможности опровергнуть или подтвердить правильность расчета данных величин, т.к. методологии расчета отказов авторами не приводится.
В общем случае для определения значений интенсивности отказов элементов по статистическим данным об отказах ремонтируемых систем используется формула (9), для этого необходимо знать предысторию каждого элемента технологической схемы. К тому же интенсивность отказов может быть как постоянной так и не постоянной величиной (только при экспоненциальном распределении где k(t)=consi). Поэтому в расчетах системы на надежность при анализе полученных статистических данных по отказам зачастую ошибочно принимают значения параметра потока отказов co(t) за интенсивность отказов k(t), что приводит к грубым математическим погрешностям в расчетах.
Показатели интенсивности отказов, принимаемые в расчетах для конкретных типов элементов оборудования, малопригодны для оценки уровня безотказности оборудования НРС, так как не отражают его специфику и реальное техническое состояние: а) Показатели интенсивности отказов и их распределение получают стати стическим анализом данных выборки о наработке узлов, работающих в одинако вых условиях.
Поскольку оборудование НРС является уникальным и изготовлено в единственном экземпляре, то одни и те же элементы могут работать в условиях различных температур и давлений, средах с различной коррозионной активностью, отличаются историей эксплуатации (срок службы, текущие и капитальные ремонты), конструктивным исполнением, и при нормальных режимах работы полные их отказы крайне редки, что не всегда принимается в расчет. В результате практически невозможно получить о них однородные статистические данные. Величины интенсивности отказов должны рассчитываться индивидуально для конкретного оборудования с учетом его вида, глубины повреждающих процессов при его эксплуатации. Игнорирование этого обстоятельства приводит к снижению точности прогнозирования надежности технической системы и её ресурса.
Для расчета показателей интенсивности отказов требуется большой объ ем исходной информации об эксплуатации оборудования как по отказам, так и по наработке исправно действующего оборудования для определения статистически устойчивых параметров распределения выборок. В условиях реальной эксплуата ции оборудования в металлургии выборки, как правило, неполные, и обрабаты ваемые данные в силу объективных и субъективных причин имеют высокую сте пень неопределенности: - высокая надежность сложных технических систем в металлургии не позволяет за определенный период эксплуатации довести до отказа все объекты выборки. Если на эксплуатацию поступают объекты с интенсивностью отказов 10 б 1/ч, что соответствует средней наработке до отказа 106ч (более 100 лет), то длительность эксплуатации объекта для получения полных выборок должна быть еще больше, что на практике невыполнимо; - наличие профилактики (ППР оборудования) приводит к тому, что в выборке одновременно могут находиться объекты ни разу не отказавшие (хотя ряд наиболее ответственных элементов заменяется, несмотря на то, что они еще рабо 24 тоспособны), замененные после отказа на новые, восстановленные после отказа с помощью ремонта без замены, что на практике при эксплуатации металлургических агрегатов учесть не реально; - фактическое время начала и (или) окончания работы элементов технической системы определить трудно, в связи с тем, что персонал часто не фиксирует в журналах учета и паспортах оборудования время снятия с эксплуатации, время ремонта, время установки в систему, нередки случаи неучета отказов оборудования персоналом. Поэтому в результате отсутствия данных об истории эксплуатации системы и её элементов не всегда удается учитывать многократные отказы (зависимые и независимые, как постепенные и внезапные, критические и аварийные). Следовательно в расчетах не принимают ввиду того, что в зависимости от характера изменения скорости появления отказов (периода службы технической системы - приработка, нормальная эксплуатация, старение (износ)) изменяются и значения интенсивности отказов, соответственно, и закон распределения СВ тоже разный. Это может существенно усложнить расчет и привести в конечном итоге к ошибкам.
Положения теории надежности для расчета остаточного ресурса, оценки состояния безопасности металлургического, энергетического и др. оборудования реализованы в методах и системах, описанных в работах [25, 28-35].
Так в работе [28] по МНЛЗ ОАО "Новокузнецкого металлургического комбината" не отражена зависимость и связи между элементами системы, их соединения и наличие условий по возникновению отказов (зависимых и независимых). При нахождении вероятностных законов распределения отказов элементов оборудования НРС по статистическому ряду не принят во внимание факт зависимости скорости появления отказов (периода службы технической системы - приработка, нормальная эксплуатация, старение (износ)), а, соответственно, и природы появления отказа (постепенных и износовых) от закона распределения случайной величины. Основным законом распределения случайной величины для системы оборудования НРС с истекшим сроком службы автором выбран экспоненциальный закон, несмотря на то, что он предназначен для систем в период нормальной эксплуатации (технического ресурса) и описывает внезапные отказы большого числа последовательно соединенных элементов; при этом каждый элемент в отдельности не должен оказывать влияния на отказы других элементов системы, что для сложной технической системы оборудования НРС не приемлемо. Однако хотелось бы отметить тот факт, что экспериментальным путем на основе обработки статистического материала по эксплуатации оборудования НРС очень большого объема автором получены результаты, подтверждающие факт низкой эксплуатационной надежности таких элементов системы, как кристаллизатор, ЗВО, промежуточный ковш.
В работе [25] предложена математическая модель для исследования показателей надежности металлургических агрегатов как сложной технической системы с учетом временной зависимости вероятности отказов узлов. Для всех элементов системы приняты законы распределения времени работы, соответствующие распределению Вейбулла. Это соответствует природе структуры и функционированию системы металлургических агрегатов, так как данный закон может использоваться для определения надежности объекта во всех трех периодах эксплуатации (приработка, нормальная эксплуатация, износ) и описывает как износовые, так и постепенные отказы. Схема системы металлургических агрегатов представлена в данной работе в виде графа - «дерево отказов». К недостаткам предложенного метода можно отнести тот факт, что в расчетах с помощью предложенной автором математической модели прогнозирования надежности данные по отказам узлов исследуемой системы (интенсивности отказов Л) приняты приблизительно после консультаций со специалистами.
В работе [29] предложенный механизм оценки риска возникновения аварийных ситуаций для кислородно-конвертерного цеха (ККЦ) ОАО «Магнитогорского металлургического комбината» основан на обработке реальных статистических данных (интервальной оценке, проверке статистических гипотез о законе распределения и т.д.) о работе агрегатов ККЦ, крановое хозяйство, конвертера, котельное хозяйство, стальковши, транспортировка стали). Математическая оценка аварийности цеха проведена с применением показательного закона распреде 26 ления, также учтены условия и время возникновения отказов узлов. Но при использовании теории массового обслуживания в разработке математической модели оценки аварийности ККЦ автором принята за основу схема модели технической системы в виде последовательно соединенных элементов, что упрощает расчет, но не отражает реальную структуру системы (последовательное, параллельное соединение элементов, резервируемые объекты и т.д.).
С учетом указанных факторов применение методов теории надежности для определения критериев безотказности оборудования НРС по данным эксплуатации с помощью показателя «интенсивность отказов» трудноосуществимо в условиях действующего производства.
Методы объективного измерения для определения времени до возникновения отказа оборудования НРС. Данная группа методов базируется на оценке результатов технического контроля физического состояния конкретных технических устройств. Они основаны на физико-статистических моделях, учитывающих как влияние разнообразных физико-химических факторов, способствующих развитию деградационных процессов в конструкционных материалах оборудования, так и действующих эксплуатационных нагрузок.
Математическая модель оценки состояния оборудования непрерывной разливки стали
С целью устранения неопределенности информации о входящих параметрах, содержащихся в базах данных АСУ ТП разливки стали, все логические схемы подмоделей содержат блок расчета отсутствующих записей. Данный расчет производится путем дифференцирования, и если производная больше единицы, то отсутствующее значение параметра принимаем равным 50% и умножаем его на количество пропущенных записей, затем складываем с подынтегральным значением. Так как в технологической инструкции максимальное значение плавок не может превышать 1000, умножаем полученный интеграл на эмпирический коэффициент перевода (0.022) и получаем процентный показатель выходной переменной.
Входные параметры нечеткой модели оценки состояния оборудования НРС с помощью фаззификации представлены в виде лингвистических переменных X, заданных на универсальных множествах при помощи терм-множеств Ту, характеризующихся функциями принадлежности Xj{xi) (J - количество термов (нечетких множеств) лингвистической переменной). Задание терм-множеств для лингвистических переменных происходит следующим образом.
Важнейшей характеристикой лингвистических переменных и их нечетких множеств является функция принадлежности; вычисления на нечетких множествах более простые (используются в основном две операции: минимизации и максимизации), чем статистические расчеты [86, 94-96].
Сосредоточим внимание на функции принадлежности Xj{xi) элемента х к нечеткому множеству X, которое интерпретируется как субъективная мера того, насколько элемент хеХ соответствует некоторому понятию. Под субъективной мерой будем понимать определяемую опросом экспертов степень соответствия элемента х понятию, формализуемому нечетким множеством X.
Элементарное высказывание, приписывающее значение входной переменной х к некоторому интервалу А — ]х\х SISI д отмеченному каким-либо лингвистическим значением X (большое, малое, среднее и т.д.) выглядит следующим образом: х есть X . Например, еслих - температура, имеющая значение 1700 С0, которое попадает в интервал высоких температур, то элементарное высказывание приобретает конкретный смысл: «температура х, высокая X ». Каждая функция принадлежности X} (х.) для лингвистических переменных X оценки состояния оборудования НРС имеет следующие характеристики [59]: - множество уровня 1, называемое ядром нечеткого множества X и обозначаемое X : Х = (іє ХХ(х) = 1); - множество уровня 0, называемое носителем нечеткого множества X и обозначаемое Х0: Х0 = [х є ХІ(і) 0). Если нечеткое множество переменной xi имеет порядковый номер
Для описания функций принадлежности используется большое число аналитических выражений [95], среди которых выделим обширный класс нелинейных функций принадлежности, характеризующих лингвистическую переменную, и сформулируем требования, которым должны удовлетворять функция принадлежности Xj{xi) лингвистических переменных для оценки состояния оборудования НРС. Для лингвистической переменной оценки состояния оборудования НРС х, Тх, X определим терм-множество Тх = {X.) 5 і = 1, п, термами пронумерованными эталонными нечеткими множествами от 1 до п. Будем считать, что универсальное множество X є R , где R - ось действительных чисел. Множество Тх должно быть упорядочено в соответствии с выражением (УХ, є TxWXj є Tx)[i j± (Вх є Х0і)(\/х" є X0J)(x хГ)\г которое означает, что терм, который имеет носитель, расположенный левее,
Условие (7) запрещает функциям принадлежности крайних термов Х1 и Х5 иметь вид колоколообразных (трапециевидных) фигур, что обусловлено расположением этих термов в упорядоченном множестве. Условие (8) исключает существование термов типа Х1у Х2 иХ2, Х3, поскольку в первом случае отсутствует естественная различимость понятий, аппроксимируемых термами, а во втором случае участку [а,Ь] из универсального множества не соответствует никакое понятие. Условие (9) допускает использование термов только с нормальными функциями принадлежности, исключая Х4. Теперь перейдем к построению функции принадлежности Xj{xt) для оценки состояния оборудования НРС. Для задания сведений о каждом нечетком множестве, его ядре, носителе и поведении функции принадлежности для оценки состояния оборудования НРС представим ее в виде стандартной функции (10) с шестью параметрами dlr,...r,d6 [96] (см. рисунок 20). 0. Рисунок 20 - График функции принадлежности Лингвистические переменные и терм-множества подмоделей оценки критерия долговечности (/, %) роликовых секций в зоне вторичного охлаждения (далее - ЗВО) и кристаллизатора оборудования НРС представлены в таблице 13.
В связи с недостатком информации об особенностях функций принадлежности нечетких переменных при построении нечеткой модели конкретного элемента системы используем кусочно-линейные функции сигмоидного вида. Впоследствии их характер может быть уточнен и учтен на этапе идентификации нечеткой модели.
Для оценки состояния оборудования НРС используются следующие термы: VL - очень низкий уровень значения переменной, L - низкий уровень значения переменной, М - средний уровень значения переменной, Н - высокий уровень значения переменной, VH - очень высокий уровень значения переменной. Таблица 13 - Лингвистические переменные и нечеткие множества для оценки состояния оборудования НРС
Алгоритм самоорганизации исходных данных нечеткой модели оценки состояния оборудования непрерывной разливки стали
Из блоков системы на вход контроллеров второго типа поступают сигналы трех входных переменных: Тел - срок эксплуатации от момента ремонта или замены, %; Nae - количество внеплановых остановок агрегатов или их ремонтов; для узлов, не подлежащих ремонту и являющихся расходным материалом, весовой коэффициент связи этой переменной равен нулю; критерий долговечности (результаты экспертной оценки состояния оборудования, выражается в процентах от максимально возможного износа, после которого эксплуатация узла невозможна; определяется на основании визуального контроля со стороны специализированного инженерно-технического персонала, либо аппаратными средствами, либо формируется контроллером нечеткой логики первого типа, входами которого являются параметры рабочего процесса), %.
В приведенном примере (см. рисунок 31) блоком обработки состояния узла оценивается критерий долговечности роликов в зоне вторичного охлаждения оборудования НРС на основе таких промежуточных параметров как: - расход воды в ЗВО - оказывает как позитивное (охлаждение ролика), так и негативное (атмосфера пара порождает коррозию) влияние на стойкость ролика; - температура слитка - влияет на степень нагрева ролика и величину температурных напряжений, для вращающихся роликов характерны циклические теплосмены при контакте со слитком, которые являются причиной возникновения на поверхности сетки термоусталостных трещин, напряжений; - скорость литья, время разливки и длительность остановок - долговечность роликов зависит от накопления повреждений возникающих от циклов переменного нагружения, определяет продолжительность контакта ролика со слитком в процессе разливки [111].
Реализация функций Блока расчета - процесс прогноза технического состояния эксплуатируемого оборудования; распознавание уровня надежности оборудования НРС, указание основных источников аварийных сигналов и визуализация результатов прогнозирования на каждом узле, агрегате системы.
Синтез контроллеров производится при помощи адаптивной сети нечеткого вывода. Нейро-нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода. При этом функции принадлежности синтезированной системы настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспериментальными данными [112].
На рисунке 32 представлена реализация нейро-нечеткого вывода (FUZZY-контроллера 1) для оценки критерия накопления повреждений (D) роликов для рассматриваемого примера.
Для реализации метода нейро-нечеткого вывода о состоянии оборудования НРС использована библиотека нечеткой логики (Fazzy Logic Toolbox) из пакета MATLAB. С целью снижения размерности нечеткой модели и затрат времени на её обучение с помощью идентификации используется предварительная обработка информации (FCM-кластеризация). Расчетная модель оценки состояния оборудования НРС разработана в среде интерактивного моделирования Simulink MATLAB. В качестве компонентов модели использованы запрограммированные контроллеры нечеткой логики. Оценка состояния оборудования НРС определяется на основании выходов блоков оценки состояния составляющих его узлов. Количество входов FLfZZF-контроллера соответствует количеству контролируемых узлов в агрегате НРС. вход
1. Разработана математическая модель оценки состояния оборудования НРС, построенная с помощью нечетких множеств: - определен состав и даны характеристики входных, выходных переменных нечеткой модели для построения нечеткой базы данных, рассмотрен механизм работы нечеткого логического вывода, - для исключения и компенсации возможных ошибок, адекватности и точности оценки состояния оборудования НРС предложена и описана процедура идентификации нечеткой модели (коэффициентов линейных уравнений с, параметров функций принадлежности d, количества правил п), - предложена и рассмотрена процедура предварительной обработки (FCM-кластеризации) информации, позволяющей снизить размерность нечеткой модели и затраты времени на её обучение алгоритмами идентификации.
2. С целью обеспечения безопасности и повышения надежности впервые на основе нейро-нечеткого управления предложен метод оценки состояния оборудования НРС на основе совокупности технологических параметров процесса разливки и статистических данных об отказах узлов, позволяющий эффективно определять показатели безопасной эксплуатации системы и отдельных ее узлов. Метод оценки состояния оборудования НРС отличается от аналогов точностью прогнозирования отказов оборудования НРС в процессе эксплуатации, которая достигается с помощью разработанной структурной и параметрической идентификации нечеткой модели за счет применения генетических алгоритмов и искусственных нейронных сетей. Метод позволяет исследовать и установить зависимость между параметрами процесса НРС и характером дефектов, которые являются причинами возникновения отказов. Предложена программная реализация метода оценки состояния оборудования НРС.
3 Алгоритмическое обеспечение системы оценки состояния оборудования непрерывной разливки стали
После разработки метода оценки состояния оборудования НРС на основе искусственных нейронных сетей и нечеткой логики перейдём к описанию его алгоритмического обеспечения. Алгоритмическое обеспечение, разработанное применительно к конкретному объекту, позволяет определить необходимые структуру и состав вычислительно-управляющего комплекса. Алгоритмическое обеспечение представляет собой совокупность алгоритмов обработки информации с их взаимными связями. Алгоритмы представлены в форме структурных блок-схем с пояснительным текстом.
Перейдем к описанию алгоритма идентификации параметров и структурных элементов нечеткой модели, обеспечивающих требуемую точность расчета выхода у, исключение и компенсацию возможных ошибок.
Как было показано в п. 2.1 идентификация нечеткой модели может быть осуществлена с помощью алгоритмов идентификации коэффициентов линейных уравнений Ч с, параметров функций принадлежности Ч , количества правил Ч п при задании исходных данных, последовательности работы алгоритмов и условий их завершения, т.е. создания организующего алгоритма Т.
Результаты экспериментальных исследований метода и алгоритмов оценки состояния оборудования непрерывной разливки стали
Результаты диссертационной работы представляют практический интерес и могут быть использованы в следующих областях: - в реальных производственных условиях на стадии эксплуатации для реагирования и предупреждения аварийности процесса непрерывной разливки стали, снижения их последствий и травматизма, для оптимизации ремонтных циклов с целью повышения уровня безопасности, надежности; - как исходные параметры для эффективного планирования работ в рамках системы управления промышленной безопасностью и охраной труда, внедрения системы предупреждения аварийных ситуаций предприятиями черной металлургии, эксплуатирующими аналогичные объекты, а также в рамках выполнения процедуры анализа риска при декларировании промышленной безопасности, разработке планов локализации и ликвидации аварий, для снижения расходов на ежегодную выплату страховых премий по обязательному страхованию гражданской ответственности владельца опасного объекта за причинение вреда в результате аварии с учетом реальных данных по уровням рискай др.; - органами государственного надзора в сфере промышленной безопасности (РТН) при совершенствовании системы определения остаточного ресурса безопасной эксплуатации, способов осуществления государственного надзора в зависимости от степени риска аварий и масштаба их последствий в рамках реализации плановых задач.
Показано, что основные элементы и блоки системы нейро-нечеткой оценки состояния оборудования НРС при перспективе внедрения представляют собой как программные, так и аппаратные средства. Установлено, что предложенная методика настройки алгоритмического обеспечения системы, позволит выполнять адаптацию под изменяющиеся условия функционирования объекта управления в режиме реального времени.
Проведена проверка достоверности разработанной нечеткой модели оценки состояния оборудования НРС (роликовой секции ЗВО и кристаллизатора), проведен корреляционно-регрессионный анализ, подтверждающий надежность разработанной модели с вероятностью 0,95. В результате сравнения результатов моделирования с предшествующими статистическими данными по отказам получили хорошую согласованность модели (коэффициент детерминации для ЗВО равен 96.58 %, для кристаллизатора - 94,66%). Результаты сравнения данных оценки критерия долговечности (I) роликовых секций оборудования НРС в процессе «обучения» (МНЛЗ№5, ручей 9, секция 0, 2006 год) и «проверки» (МНЛЗ№5, ручей 10, секция 0, 2007 год) подтверждают высокое качество разработанной нечеткой модели.
С целью обеспечения рациональной организации служб сервисного обслуживания, снижения расходов на внеплановые остановки, ремонт оборудования нечеткая модель оценки состояния оборудования НРС использована для оптимизации ремонтных работ в рамках существующих графиков плановых ремонтов МНЛЗ КП ОАО «Северсталь». Показано, что в результате использования предложенной оптимизации ремонтных работ снижение количества простоев производства НРС достигает до 20% в год.
Разработанный метод оценки состояния оборудования и оптимизации ремонтных работ могут быть применены, в том числе, и для различных сложных технических систем непрерывных металлургических производств.
В диссертационной работе в рамках решения поставленной научно-технической задачи повышения эффективности оценки уровня надежности оборудования НРС в условиях неполной информации о входных параметрах на основе применения метода оценки состояния оборудования НРС с использованием аппарата нечеткой логики получены следующие основные результаты:
Разработана математическая модель оценки состояния оборудования НРС, отличающаяся тем, что основана на обработке информации о технологическом процессе разливки стали и статистических данных об отказах элементов оборудования, и позволяющая повысить достоверность расчета критериев надежности системы при существующих условиях с учетом неопределенности исходной информации о значениях входных переменных с помощью применения аппарата нечеткой логики.
Разработан метод оценки состояния оборудования, отличающийся от аналогов точностью прогнозирования отказов оборудования НРС в процессе эксплуатации, которая достигается с помощью разработанной структурной и параметрической идентификации нечеткой модели за счет применения генетических алгоритмов и искусственных нейронных сетей, и результаты которого позволяют исследовать и установить зависимость между параметрами процесса НРС и характером дефектов, которые являются причинами возникновения отказов, и оценивать эффективность составления графиков ремонтов за прошедший период в условиях сервисного обслуживания.
Разработано функционально полное алгоритмическое обеспечение реализации метода оценки состояния оборудования НРС, включающее: - алгоритм идентификации нечеткой модели оценки состояния оборудования НРС, - алгоритм самоорганизации исходных данных нечеткой модели оценки состояния оборудования НРС, - алгоритм оценки состояния оборудования НРС, алгоритм принятия решения об эксплуатации оборудования НРС, и обеспечивающее комплексную оценку состояния оборудования НРС и реализацию информационной поддержки принятия решения об его сервисном обслуживании в реальном режиме времени в процессе эксплуатации.
Разработаны предложения по повышению надежности оборудования НРС путем оптимизации ремонтных работ по техническому состоянию на основе нейро-нечеткой оценки состояния оборудования.
Выполнена промышленная апробация разработанных модели и метода с целью оценки их точности и достоверности. Для этого использованы базы данных, содержащие информацию с 2002 по 2007 год объемом 2,8 млн. записей о фактических режимах эксплуатации МНЛЗ №№1-5 ОАО «Северсталь» и результаты нечеткого моделирования. С использованием статистических методов доказано, что усовершенствованная модель обеспечивает точность вычисления критерия безотказности оборудования с погрешностью не более 6 %. Внедрение предложений по оптимизации ремонтных работ на основании данных о фактическом состоянии оборудования НРС позволяет обеспечить снижение затрат на ремонты и послеаварийное восстановление оборудования до 5%.
![Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс]](/i/i/4381/168311.png "Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс] Ходеев Денис Владимирович")
