Программные продукты и системы

Блоки предварительной обработки поступающей информации являются неотъемлемой частью систем управления и контроля (мониторинга) технологических процессов. Невозможно полностью предотвратить появление ошибок и помех в цифровых и, тем более, аналоговых линиях передачи данных, так как большинство промышленных производств характеризуются наличием высокоточных линий питания, мощных электродвигателей различных приводов и другими источниками помех.

Традиционным решением данной проблемы является применение цифровых или аналоговых фильтров входных сигналов, сглаживающих нехарактерные для стационарных процессов скачкообразные показания, «выбросы». Принцип фильтрующих систем основан на положении, что скорость изменения (нарастания или убывания) показаний датчиков всегда находится в соответствии с инерционностью системы «Объект – управляющая система», ее постоянной времени. Показания с подобным несоответствием принимаются как ложные, паразитные, вызванные помехой, приведенной к линии передачи данных, то есть «неинформативные».

Однако подобный подход не учитывает, что при нештатном состоянии объекта, при начинающемся разрушении его элементов, при непредвиденном воздействии на объект и т.п. многие параметры системы «Объект – управляющая система» могут измениться. То есть очевидно, что аномальные показания могут быть вызваны не только помехами, но и изменением свойств самого объекта, сторонним воздействием на него. Неудивительно, что анализ аномальных отклонений показаний в режиме нормального функционирования объекта нашел применение в диагностике зарождающихся дефектов оборудова- ния [1]. Даже априорно известно, что опытный человек способен по звуку работающего механизма оценить качество его функционирования и даже указать место дефекта, если он присутствует. В целом именно анализ показаний, определяемых как паразитные в процессе управления объектом, позволяет диагностировать в нем дефекты и неполадки [2].

С другой стороны, подобная диагностика проводится только периодически операторами непосредственно в режиме диагностики. Это обусловлено большой ресурсоемкостью применяемых алгоритмов. Они способны дать достаточно информативный результат, но применение их в режиме реального времени практически нереально [3].

Объекты повышенной опасности характеризуются согласно их классификации наиболее опасными последствиями аварии во время технологического процесса, поэтому в их обслуживании применяются не только надежные системы автоматического управления, но и различные мощные системы мониторинга, стоящие «над» цепью «Объект – управляющая система». Они выполняют функции контроля системы в общем и функции прогнозирования развития ситуации, имеют элементы систем принятия решений.

Предлагается ввести в систему мониторинга функцию элементарной диагностики объекта в реальном времени на основе выделения аномальных информативных признаков из генеральной совокупности поступающих данных (рис. 1).

Предлагаемый блок нельзя в полной мере назвать диагностической системой, поскольку результатом его работы будет не указание места предполагаемого дефекта и его характера, а именно детектирование аномальных признаков. С другой стороны, при наличии соответствующей экспертной системы из полученных признаков можно выделить и диагностическую информацию.

Будем полагать, что флуктуациями исследуемого стационарного процесса можно пренебречь в рамках текущего обрабатываемого интервала генеральной совокупности. Иными словами, общий тренд полезного сигнала горизонтален. На рисунке 2 приведен пример некоторого интервала генеральной совокупности показаний абстрактного датчика, регистрирующего некоторый фактор Ф. В генеральной совокупности данных содержатся информативные данные, помехи, а также потенциально информативные признаки.

Алгоритм работы предлагаемой системы предварительной обработки:

1) выделение «неинформативного» ряда из текущего интервала генеральной совокупности.

2) выделение и удаление сигналов помех из «неинформативного» ряда.

3) анализ «неинформативного» ряда на предмет наличия информативных признаков.

Первым этапом обработки должно стать выделение полезного сигнала из генеральной совокупности. Собственно оставшиеся точки и будут представлять интерес для дальнейшего исследования. Очевидно, что основной критерий здесь – амплитуда сигнала относительно общего тренда, среднего.

Первое решение – воспользоваться выходными данными системы фильтрации, проведя сравнение ее входных и выходных данных. Значительное изменение амплитуды отдельного показания относительно тренда будет означать отнесение его к неинформативному ряду.

Если по какой-либо причине анализ выходных данных фильтров невозможен, можно воспользоваться элементарным отсеиванием показаний по определенной заданной границе разброса Фср ± ∆Ф.

Более универсальным методом по сравнению с отсеиванием по разбросу будет кластерный анализ. Проведя последовательную агломеративную кластеризацию заданного интервала генеральной совокупности амплитуд методом K средних, задав критерием остановки процедуры образование трех кластеров, получим три группы точек. В одну из них войдет полезный сигнал, а две оставшиеся будут содержать точки, значения которых выделяются из полезного сигнала по амплитуде в положительную или отрицательную сторону соответственно. Они будут составлять неинформативный ряд.

Для сохранения целостности полученного информативного ряда следует заменить выделенные из него значения определенными величинами. Очевидно, нужно интерполировать значения, вынесенные из него в неинформативный ряд.

Таким образом, получаем информативный ряд (рис. 3), а также положительную и отрицательную группы неинформативного ряда (рис. 4).

Далее следует попытаться удалить из получившегося «неинформативного» ряда (в случае метода кластеризации – совокупность «положительного» и «отрицательного» кластеров) значения, действительно являющиеся помехами. Сигналы помех, вносящие существенные искажения в исходные показания, легче поддаются обнаружению, чем фоновый шум или несущественные помехи. Обычно они характеризуются выраженной асимметричностью относительно общего тренда сигнала. Это либо явно выраженные выбросы в положительную область, либо спады в отрицательную. Соответственно, они могут быть детектированы последовательным анализом «неинформативного» ряда на предмет асимметричных пачек импульсов. Очевидно, что на этом этапе можно определить плотность обнаруженных сигналов помех в общем сигнале, то есть вычислить текущее отношение сигнал/шум для линии передачи данных в совокупности с датчиком. Оно может являться одним из информативных признаков для системы мониторинга и принятия решений.

Проводим кластеризацию положительного и отрицательного подрядов по значению времени. Критерий остановки процедуры – классическое достижение оптимального разбиения. Далее анализируем кластеры рядов на предмет симметричности (критерии: близость центральных точек, размер кластеров, максимальная амплитуда относительно среднего). На рисунке 4 «симметричные» кластеры выделены жирной линией. Оставшиеся кластеры относим к помехам. Можно вычислить их суммарный относительный объем в генеральной совокупности и судить по нему о текущем отношении сигнал/шум. Повышенное его значение может говорить о повреждении линии.

Следующим шагом является поиск информативности в результирующем «неинформативном» ряде. Наиболее просто анализируются амплитудно-модулированные сигналы, то есть почти периодические серии пакетов высокочастотных импульсов. Такие сигналы встречаются при возбуждении высокочастотных резонансов, например, под воздействием периодических импульсных сил в механизмах, совершающих возвратно-поступательные движения, или в случае дефектных подшипников качения. Наиболее важная диагностическая информация часто связана с частотой повторения таких пакетов импульсов [4]. Частотные составляющие этих пакетов обычно менее интересны, так как они являются комбинацией всех возбужденных резонансов. Таким образом, нашей задачей является поиск периодичности среди кластеров, выделенных в результирующий «неинформативный» ряд, а по сути, амплитудная демодуляция ряда и его спектральный анализ.

Все недостающие точки ряда, ранее выделенные как информативные или помехи, заменяем нулями.

Традиционным методом амплитудной демодуляции является построение огибающей, однако обычно для ее построения используется преобразование Гильберта, достаточно требовательное с точки зрения вычислительных ресурсов. Предлагается использовать гораздо менее точный, но предельно быстрый метод «скользящего среднего». Суть его заключается в следующем: значение каждой точки ряда равно среднему значений точек ее некоторой окрестности. Размер окрестности определяет степень сглаживания.

Предварительно подготавливаем ряд: . Далее последовательно для всех точек ряда:

,

где (2n+1) – размер окна среднего, определяющий степень сглаживания. Значение точек с индексами, отсутствующими в генеральной совокупности, принимаются за ноль.

Последующий спектральный анализ огибающей выявит пики, соответствующие частотам повторения пачек импульсов. Наличие похожих серий импульсов в линиях измерения других факторов, кроме Ф, повышает достоверность и ценность полученного информативного признака, которую можно выразить в виде веса соответствующей частоты. Вес частоты инкрементируется с каждым обнаружением похожей (с определенной точностью) частоты в спектре огибающей неинформативного ряда по другим линиям. Очевидно, имея текущую тахометрическую информацию с работающих механизмов, можно предположить источник возникновения этих серий импульсов.

Таким образом, в результате работы «детектора» мы получаем следующие информативные признаки:

·    наличие периодических серий импульсов в сигнале измеряемого фактора Ф;

·    частоту повторения серий;

·    удельную плотность помех в сигнале.

Предложенные принципы детектирования информативных признаков характеризуются прежде всего простотой реализации и нетребовательностью к вычислительным ресурсам, поэтому подобные системы могут без дополнительных затрат быть запущены постоянно и работать в режиме реального времени. Предполагается, что результаты детектирования не будут использоваться непосредственно оператором, а будут переданы системе принятия решений для запуска дополнительных механизмов диагностики или управляющих воздействий на объект.

Реализация предложенных алгоритмов не составляет труда в большинстве средств разработки, в том числе предназначенных для систем реального времени. Это обусловлено их простотой, использованием широко распространенных проверенных методов, обеспечивающих хорошо предсказуемое, фиксированное, гарантированное время выполнения. В частности, предполагается их реализация в среде Borland С++ Builder в составе разрабатываемой системы автоматической идентификации и классификации аварийных ситуаций.

Список литературы

1.  Виброакустическая диагностика зарождающихся дефектов / Ф.Я. Балицкий, М.А. Иванова и др. – М.: Наука, 1984, 119 с.

2.  Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах. - Л: Химия, 1983.

3.  Добрынин С.А., Фельдман М.С., Фирсов Г.И. Методы автоматизированного исследования вибрации машин. – М.: Машиностроение, 1987, 224 с

4.  Кулаичев А.П. Компьютерный контроль процессов и анализ сигналов. – М.: Информатика и компьютеры, 1999.