Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

 

УДК 62-50

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПОСТРОЕНИЯ СИСТЕМ ПРОГНОЗИРОВАНИЯ ОТКАЗОВ

Гасанов А.С.

Введение

Одной из важнейших задач прогнозирования состояния технических систем является прогнозирование отказов в реальном времени. Решение этой задачи позволяет избежать больших материальных и человеческих потерь, связанных с непредвиденной поломкой сложных механизмов и машин, отказами их отдельных узлов.

На основании анализа литературных источников установлено, что еще недостаточно разработана теория и методы реализации робастных систем прогнозирования отказов (СПО), функционирующих в реальном времени [1-7]. Если модель характеризуется достаточной степенью адекватности, статистические характеристики внешних возмущений известны и объект стационарный, то проектирование СПО не связано с большой трудностью. Вместе с тем необходимо отметить, что физические объекты и процессы, а также реализация СПО для них, как правило, связаны с наличием неопределенностей различного характера, которые могут существенно повлиять на процесс диагностирования и локализации местоположения отказа. Это могут быть неопределенности значений оценок параметров объекта и неопределенности статистического характера относительно характеристик случайных возмущений и шума измерений. В связи с этим необходимо различать отказы, которые возникают вследствие наличия неопределенностей, так как они могут восприниматься как отказ объекта. Эту проблему называют проблемой робастности вследствие наличия неопределенностей. В общем случае робастность – это достаточно важная характеристика систем контроля и управления. Она определяет возможности системы определять отказы вне зависимости от влияния погрешностей моделирования (погрешностей оценок параметров), а также неизвестных (неизмеренных) возмущающих воздействий. Построение робастных систем обнаружения отказов является проблемой, которая требует самого неотлагательного решения.

Для построения таких систем предложено два подхода: (а) на основе классических моделей в пространстве состояний и оптимального фильтра и (б) на основе нейросетей различной структуры [8, 9]. Метод прогнозирования динамики временного ряда на совместном использовании линейного фильтра Калмана и соотношения правдоподобия (СП) использован для прогнозирования динамических систем и локализации возможных отказов их функционирования.

Постановка задачи. В случае (а) известна линейная стохастическая модель динамики объекта управления в пространстве состояний, описывающая функционирование объекта в условиях влияния случайных возмущений состояний и шумов измерений:

,                                     (1)

,                                                            (2)

где вектор состояния объекта; вектор сигналов управления; вектор наблюдений выходящих сигналов;  и взаимно независимые последовательности гауссового шума с нулевыми средними и ковариациями  и , соответственно (считается, что они известны или могут быть оценены в процессе эксплуатации системы управления). Начальное значение вектора состояния случайная гауссова переменная с известным средним; при этом . На основе известной математической модели, процедуры оптимальной фильтрации и СП необходимо построить робастный алгоритм определения отказов системы управления.

В случае (б) необходимо выбрать структуру нейросети для построения системы обнаружения отказов линейного или нелинейного динамического объекта, который функционирует в условиях влияния случайных внешних возмущений и при наличии шумов измерений. В отличие от рассмотренного выше случая модель динамики (1), (2) в данном случае неизвестна.

Предположим, что в случае повреждения объекта и/или измерительной системы, матрицы модели изменятся на величины,  и . Это говорит о том, что в уравнении динамики или в уравнении измерений появляется составляющая  или . Например, в случае повреждения объекта, уравнение его динамики принимает вид:

,

где момент времени, когда появляется повреждение; мерная вектор-функция, которая характеризует повреждение; единичная ступенчатая функция, которое принимает значение 1 при . По аналогии описывается повреждение датчика. Для оценки состояния системы использован линейный фильтр Калмана [8]. В нормальном режиме функционирования последовательность невязок, обозначим , представляет собой гауссову последовательность белого шума с нулевым средним и ковариацией , то есть . При появлении повреждения влияние функции  на обновленную последовательность можно представить в виде следующего соотношения:

,                                                 (3)

где нормальный режим работы;  равен

.                   (4)

Здесь матрица, элементы которой отображают влияние функции  на динамику объекта; символ (*) означает операцию свертки. С помощью выражений (3) и (4) можно определить влияние повреждения на систему управления путем анализа характеристик невязок, которые изменяются в результате наступления повреждения или отказа. Функцию  описывают с помощью ступенчатой функции , где стандартное отклонение невязки фильтра. Оценку максимального правдоподобия (ОМП)  находят в предположении, что вектор  ступенчатая функция  и момент времени  связаны следующим СП:

.                                    (5)

В выражении (5) невязки  относятся к моментам времени ; гипотезы  и  относятся к состояниям системы без повреждения и с повреждением, соответственно. При реализации данного подхода, СП вычисляется для выбранного окна данных , которое оказывает содействие повышению вероятности правильной классификации ситуации, при которой возникает повреждение. СП является тем индексом, который позволяет определить появление аномалии в системе управления. Для вычисления индекса СП предлагается выражение:

,                                  (6)

где ;

; .

ОМП  имеет гауссово распределение с математическим ожиданием  и ковариацией . При этом распределение вероятностей для СП , которое определяется выражением (6), представляет собой смещенное распределение  с  степенями свободы и параметром смещения . Можно показать, что  представляет собой квадратичную норму функции . Эта функция оптимально аппроксимирует влияние повреждения  на интервале  в случае применения гипотезы относительно ступенчатой функции. Обозначим это распределение как . С другой стороны, если считать, что значение , то получим распределение  с  степенями свободы как распределение, которое характеризует СП в случае нормального функционирования системы. Таким образом, надежность распознавания ситуации наличия повреждения зависит от разности между двумя следующими распределениями:  и . Применение данного метода выявления повреждений и отказов в АСУ предусматривает, что известна точная модель объекта управления. Однако на практике это предположение, как правило, не выполняется. Поэтому значение индекса СП может быть довольно большим даже в режиме нормального функционирования системы.

Графический анализ наличия повреждения в системе управления представлен на рис. 1 (1 соответствует нормальному распределению без повреждения; 2 – с повреждением).

Рис. 1 Графики разности параметров распределений

 

Структурная схема метода прогнозирования на основе адаптивного фильтра Калмана и СП представлена на рис. 2.

Логический блок анализа состояния двигателя анализирует отклонение математического ожидания невязки от нуля и рассчитывает СП и сравнивает его с пороговым значением.

 


Рис. 2 Стуктурная схема метода прогнозирования

 

Структурная схема процесса диагностики двигателей (рис. 3) включает следующие модули: адаптивный фильтр Калмана, который оценивает кроме состояний ковариации возмущения состояния и шумы измерения. Его задача – использовать модель объекта в пространстве состояний для генерирования прогноза вектора состояний на один и более шагов прогнозирования; переменную фильтра , которая является невязкой, и должна иметь в нормальном режиме работы объекта следующие статистические характеристики: , нулевое среднее; . Если работа объекта нарушается, то  и дисперсия  возрастает. На этих свойствах строится распознавание состояние объекта (стандартное отклонение фильтра).

Предложенный метод на основе модели объекта в пространстве состояний и оптимального фильтра был применен к построению диагностической системы для электроприводов [10]. При этом исследовались следующие отклонения от нормы: колебания напряжения переменного тока, шум в подшипниках и вибрации (табл. 1).

 

 

 

 

 

 
 

Рис. 3 Структурная схема процесса диагностики

 

Таблица 1

Результаты диагностики по выбранным классам

Экспертная

диагностика

Диагностика на основе фильтров

Нормальный режим

Шум

Колебания напряжения

Вибрации

Нормальный режим

15

13

(87% равильно)

-

-

2

Шум

12

-

11(97%правильно)

-

1

Колебания напряжения

7

-

-

7(100% правильно)

-

 

 

Вибрации

11

-

2

-

9

(82%

правильно)

 

При исследовании режимов функционирования электроприводов с механическими повреждениями установлено, что ситуации, связанные с наличием шума, коррелируют с ситуациями, в которых присутствуют вибрации, осложняющие диагностику. Причина такой корреляции может состоять в использовании (для сравнения) экспертных оценок диагноза, на которых основывалось использование того или другого фильтра. Очевидно, что вибрации могут вызывать шум и эксперты по ошибке причисляют электропривод с вибрациями к классу тех случаев, когда присутствуют шумы. В результате такого взаимного пересечения классов возникают ошибки диагноза.

Если принять результаты экспертной диагностики, приведенной в таблице 1, за достоверные, то диагностику на основе фильтров можно оценить как достаточно удовлетворительную. Так достоверность идентификации нормального режима соответствует 0,87 (или 87%), достоверность наличия шумов – 92%, колебаний напряжений – 100% и вибраций – 82%.

Таким образом, полученные результаты диагностирования электродвигателей при помощи множества фильтров, имеют высокую степень достоверности. В результате экспериментального исследования не было зарегистрировано ни одного случая ошибочной диагностики режима нормального функционирования и режима с наличием повреждения. В то же время главная проблема при применении фильтров возникает при распределении повреждений на классы. Неправильного распределения повреждений физической системы на классы можно избежать путем более глубокого предварительного исследования возможных типов повреждений и соответствующих параметров, которые их характеризуют.

 
 

Сформулированы требования к СППР, включающие ситуацию для принятия решения, базирующуюся на информационной поддержке, динамике задачи, критериях оценки и прогнозирование отказов (рис. 4).

 

 

Рис.4. Структурная схема СППР

 

На базе этих требований предлагается структура СППР, включающая: подсистему ввода данных, базу данных и знаний, подсистему обработки данных и генерацию результатов. Для проектируемой СППР вычислительными процедурами будут являться: методы предварительной обработки данных; методы вычисления прогнозов; вычисление критериев качества модели и прогнозов; построение графических представлений исходных данных и результатов. При прогнозировании отказов необходимо, чтобы выбранный метод был робастным. Результаты имитационного моделирования электропривода и робототехнической системы свидетельствуют о высокой степени робастности предложенного подхода, что подтверждено компьютерным моделированием с использованием реальных данных.

 

 

Выводы. Для решения задач технической диагностики применяют различные по своей идеологии методы, но на сегодня нет надежных методыв, которые позволили бы правильно диагностировать систему с вероятностью, близкой к единице. Поэтоу предложен новый подход на основе фильтра Калмана и соотношения правдоподобия. Практически с помощью этого метода удается автоматически обнаружить выход за допустимые границы всех основных физических параметров систем управления. Система позволяет повысить вероятность правильной диагностики в сравнении с известными подходами, в среднем на 25 – 30%.

 

The problem of designing failure detection and localization systems for dynamic systems is considered. Two approaches are proposed to solve the problem: model-based approach that uses state-space representation and optimal Kalman filter. Recommendations are developed for neural nets application to failure detection and localization, and examples of application are given. Tabl.: 1. Figs.: 4. Refs.: 10 titles.

 

1.                  Бассвиль М., Банвениста А. Обнаружение изменения свойств сигналов и динамических систем. – М.: Мир, 1989. – 278 с.

2.                  Васильев В. И., Гусев Ю. М., Ефанов В. Н. и др. Многоуровневое управление динамическими объектами. – М.: Наука, 1987. – 307 с.

3.                  Коваленко И. И., Бидюк П. И., Баклан И. В. Системный анализ и информационные технологии в управлении проектами. - Киев: "Экономика и право", 2001. – 270 с.

4.                  Frank P.M. Fault diagnosis in dynamic system using analytical and knowledge based redundancy. – A survey and some new results. // Automatic.-1990.- Vol. 26, N 3.- P. 459474.

5.                  Patton R.J., Lopez-Toribio C.J., Uppal F.J. Artificial intelligence approaches to fault diagnosis for dynamic systems // Int. J. of Applied Math. and Comp. Sci.-1999, Vol. 9, N. 3.-P. 471–518.

6.                  Tanaka S. Failure detection of linear dynamic systems by a generalized likelihood ratio method based on a detectability analysis / Proc. 8th IFAC/IFORS Symp. on Identification and System Parameter Estimation.-1988.-Vol. 3.-P. 1141–1146.

7.                  Tanaka S., Muller P.C. Fault detection in linear discrete systems by a pattern recognition of a generalized likelihood-ratio // Trans. ASME, Dynamic Systems, Measurement and Control.-1990.-Vol. 112.-N. 3.-P. 276282.

8.                  Бидюк П.И., Баклан И.В., Гасанов А.С. Проектирование систем обнаружения и локализации местонахождения отказов на основе модельного подхода // Математичні машини і системи. – 2004. – № 2. – С. 79 – 91.

9.                  Гасанов А.С. Моделирование робастных систем прогнозирования отказов для принятия решений // Міжнародна наукова конференция “Інтелектуальні системы прийняття рішень та прикладні аспекті інформаційних технологій (ISDMIT’2007)” Зб. наук. праць в 3 томах.–Евпаторія, 2007.–Т. 2.–С. 24–36.

10.              Янг С, Эллисон А. Измерение шума машин: Пер с англ. – М.: Энергоатомиздат, 1988. – 144 с.

 





Ответы на вопросы [_Задать вопроос_]

Информационно-измерительные системы

Ковальов О.І. Вимірювання у процесно-орієнтованих стандартах

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Дзюбаненко А. В. Организация компьютерных систем для анализа изображений

Гордеев Б.Н., Зивенко А.В., Наконечный А.Г. Формирование зондирующих импульсов для полиметрических измерительных систем

Богданов А.В., Бень А.П., Хойна С.И. Релаксация обратного тока диодов Шоттки после их магнитно-импульсной обработки (МИО)

Тверезовский В.С., Бараненко Р.В. Проектирование измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Оптимизированная модель измерителя доб-ротности варикапов

Руднєва М.С., Кочеткова О.В., Задорожній Р.О. Принципи побудови оптимальної структури інформаційно-вимірювальної системи геометричних розмірів об’єктів в діапазоні від 1 нм до 1000 нм

Биленко М.С., Рожков С.А., Единович М.Б. Идентификация деформаций пе-риодических структур с использованием систем технического зрения

Рашкевич Ю.М., Ковальчук А.М., Пелешко Д.Д. Афінні перетворення в модифікаціях алгоритму RSA шифрування зображень

Дидык А.А., Фефелов А.А, Литвиненко В.И., Шкурдода С.В., Синяков Ф. В. Классификация масс-спектров с помощью кооперативного иммунного алгоритма

Клименко А.K. Обратная модель для решения задач в системах с многосвязными динамическими объектами

Завгородній А.Б. Порівняльне дослідження твердотільних і рідиннофазних об'єктів методом газорозрядної візуалізації

Голощапов С.С., Петровский А.В., Рожко Ж.А., Боярчук А.И. Измерение доб-ротности колебательного контура на основе метода биения частот

Кириллов О.Л., Якимчук Г.С. Диагностирование критерия безопасности при заполнении замкнутых объемов СПЖ косвенным методом

Долина В.Г. Проблеми підвищення точності рефрактометра на основі прозорих порожнистих циліндрів.

Самков О.В., Захарченко Ю.А. Застосування алгоритму клонального відбору для побудови планів модернізації авіаційної техніки

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Казак В.М., Чорний Г.П., Чорний Т.Г. Оцінювання готовності технічних об’єктів з урахуванням достовірності їх контролю

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования цифрового измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования устройства для разбраковки варикапов по емкостным параметрaм и добротности

Сосюк А.В. Інтелектуальний автоматизований контроль знань в системах дистанційного навчання

Соколов А.Є. Деякі аспекти систезу комп’ютеризованої адаптивної системи навчання

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Луцкий М.Г., Пономаренко А.В., Филоненко С.Ф. Обработка сигналов акустической эмиссии при определении положения сквозных дефектов

Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Лубяный В.З., Голощапов С.С. Прямоотсчетные измерители расхождений емкостей

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Терновая Т.И., Сумская О.П., Слободянюк И.И., Булка Т.И. Контроль качества тканей специального назначения с помощью автоматических систем.

Шеховцов А.В. Інформаційний аспект: розпізнавання образів індивідуума.

Полякова М.В. Определение границ сегмента упорядоченной текстуры на изображении с однородным фоном с помощью многоканального обнаружения пачки импульсов.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Ковриго Ю.М., Мисак В.Ф., Мовчан А.П., Любицький С.В. Автоматизована система діагностики генераторів електростанцій

Браїловський В.В., Іванчук М.М., Ватаманюк П.П., Танасюк В.С. Керований детектор імпульсного ЯКР спектрометра

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Шиманські З. Апаратні засоби сегментації мовного сигналу

Хобин В.А., Титлова О.А. К вопросу измерения парожидкостного фронта в дефлегматоре абсорбционно-диффузионной холодильной машины (АДХМ)

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Слань Ю. М., Трегуб В. Г. Оперативна нейромережна ідентифікація складних об’єктів керування

Ролик А.И. Модель управления перераспределением ресурсов информационно-телекоммуникационной системы при изменении значимости бизнес-процессов

Кириллов О.Л., Якимчук Г.С., Якимчук С.Г. Изучение электрического поля с помощью датчика измерителя электростатического потенциала на модели замкнутого металлического объема

Грицик В.В. Застосування штучних нейронних мереж при проектуванні комп’ютерного зору.

Шеховцов А.В., Везумский А.К., Середа Е.С. Алгоритм сжатия информации без потерь: модифицированный алгоритм LZ77

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Методы и алгоритмы визуализации пространственных данных на примере моделирования распространения лесных пожаров.

Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Бражник Д.А. Управление совмещением изображения объекта в сцене и эталонного изображения.

Бабак В.П., Пономаренко А.В. Локализация места положения сквозных дефектов по сигналам акустической эмиссии.

Мороз В. В. R-D проблема и эффективность систем сжатия изображений.

Крылов В.Н., Полякова М.В., Волкова Н.П. Контурная сегментация в пространстве гиперболического вейвлет-преобразования с использованием математической морфологии.

Квасников В.П., Баранов А.Г. Анализ влияния дестабилизирующих факторов на работу биканальной координатно-измерительной машины.

Казак В.М., Гальченко С.М., Завгородній С.О. Аналіз можливості застосування імовірнісних методів розпізнавання для виявлення пошкоджень зовнішнього обводу літака.

Тищенко И.А., Лубяный В.З. Управление коммутационными процессами в интегрированных сетях связи.

Корниенко-Мифтахова И.К.,Филоненко С.Ф. Информационно-измерительная система для анализа характеристик динамического поведения конструкций.

Тверезовский В.С., Бараненко Р.В. Модель измерителя емкости с линейной шкалой измерений.

Полякова М.В., Крылов В.Н. Мультифрактальный метод автоматизированного распознавания помех на изображении.

Рожков С.О., Федотова О.М. Алгоритм розпізнавання дефектів тканин для автоматичної системи контролю якості.

Бражник Д.А. Использование проективного преобразования для автоматизации обнаружения объектов.

Ходаков В.Є., Шеховцов А.В., Бараненко Р.В. Математичні аспекти створення автоматизованої системи „Реєстр виборців України”