На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
09 Сентября 2024

Экспертная система идентификации технического состояния технологического оборудования на основе нейросетевой модели

Identification of the technical condition on the basis of neural network models
Статья опубликована в выпуске журнала № 4 за 2009 год.
Аннотация:Излагается методика построения экспертной системы идентификации технического состояния технологического оборудования на основе нейросетевой модели.
Abstract:The technique of construction of expert system of identification of a technical condition of the process equipment on a basis нейросетевой is stated to model
Автор: Нусс С.В. (S.Nuss@ies-holding.com) - Пермский государственный технический университет
Ключевые слова: формальный нейрон, нейросетевая модель, технологическое оборудование, идентификация технического состояния, экспертная система
Keywords: formal neuron , a neural network, the process equipment, identification of a technical condition, expert system
Количество просмотров: 16126
Версия для печати
Выпуск в формате PDF (4.85Мб)

Размер шрифта:       Шрифт:

Подавляющее большинство отечественных промышленных предприятий применяет стратегию управления техническим состоянием оборудования на основе планово-предупредительных ремонтов. Эта стратегия обеспечивает поддержание необходимого уровня надежности оборудования, но имеет серьезный недостаток: при планировании технического обслуживания фактическое состояние оборудования практически не учитывается. Повышение эффективности ремонта достигается переходом к более прогрессивной стратегии – ремонту по фактическому состоянию, когда начало и объем работ определяются в зависимости от состояния оборудования. Применение подобной стратегии подразумевает наличие достоверной и оперативной информации об отказах в узлах и механизмах оборудования.

Современный уровень развития средств измерения позволяет проводить измерения подавляющего числа параметров оборудования непосредственно в процессе его эксплуатации под нагрузкой. Однако ввиду значительной сложности установления причинно-следственной связи между соотношением параметров оборудования и его техническим состоянием применяемые на практике методики идентификации технического состояния базируются на специализированных математических моделях, описывающих узел или механизм только определенного типа оборудования [1]. Распространение таких моделей (как и их применение) на другие типы оборудования персоналом без определенного опыта работы затруднительно.

Выходом из сложившейся ситуации является разработка специализированного программного комплекса – экспертной системы, позволяющей изменять структуру базы знаний, дополнять ее новыми знаниями для решения задачи идентификации технического состояния при минимальном участии специалистов-экспертов [2]. В данной статье для организации экспертной системы идентификации технического состояния технологического оборудования предлагается использовать новый подход, основанный на применении нейросетевой модели. Такой подход позволяет на основе имеющейся на промышленных предприятиях статистики, содержащей излишние и противоречивые данные о значениях параметров и соответствующих им технических состояниях технологического оборудования, выявлять и распространять на вновь измеренные параметры оборудования причинно-следственные связи между соотноше­нием значений параметров контролируемого Подпись:  
Рис. 1. Формальный нейрон: 1 – синапс, 2 – адаптивный сумматор, 3 – нелинейный преобразовательоборудования и его техническим состоянием.

Нейросетевая модель идентификации. В основе нейросетевой модели [3] лежит понятие формального нейрона (рис. 1) – алгоритмическая структура, обеспечивающая расчет суммы S произведений входных сигналов xi на соответствующие им значения весовых коэффициентов wi с учетом некоторого смещения w0 и в дальнейшем преобразующего ее через некоторую функцию активации f(S) в выходной сигнал:

,                                                  (1)

,                                                                 (2)

где xj – компонента входного вектора (входной сигнал), ; wj – весовой коэффициент синапса, ; w0 – значение смещения; S – результат суммирования в адаптивном сумматоре; n – число входов нейрона; f(S) – нелинейное преобразование (функция активации); Y – выходной сигнал нейрона.

Математическое описание формального нейрона позволяет идентифицировать технические состояния посредством разделения их на диагнозы в зависимости от соотношения значений параметров только в виде прямой или плоскости (рис. 2). Из выражения (1) видно, что положение прямой или плоскости определяется значениями весовых коэффициентов и смещением формального нейрона. Поиск оптимальных значений весовых коэффициентов, величины смещения (обучение нейрона) выполняется на основе имеющейся статистики значений технических параметров и соответствующих им технических состояний (рис. 3).

Подпись:  
Рис. 3. Иллюстрация процесса обучения
формального нейронаНа практике техническое состояние оборудования характеризуется сложными причинно-следственными связями между большим количеством параметров и техническим состоянием. Граница раздела в этом случае описывается сложной кривой или совокупностью кривых, что не позволяет использовать формальный нейрон в качестве нейросетевой модели идентификации технического состояния. Решение такой постановки задачи предполагает применение нейросетевой модели, организованной по типу многослойного персептрона.

Многослойный персептрон представляет собой нейросетевую модель, состоящую из нескольких взаимосвязанных между собой групп формальных нейронов. Одна группа нейронов отвечает за восприятие и распространение входного сигнала (параметров оборудования) – входной слой. Другая группа обеспечивает окончательную обработку и формирование решения (рис. 4). Остальные группы нейронов – скрытые слои – обеспечивают промежуточную обработку входного сигнала, каждый формальный нейрон, входящий в эти группы, реализует одну классифицирующую прямую или плоскость, в результате чего в совокупности получается достаточно сложная кривая (кривые или поверхность (поверхности)) разделения технических состояний.

Математическая модель многослойного персептрона описывается как

,                                  (3)

Yj,l=f(Sj,l)                                                                 (4)

где n(i) – число входов нейрона; Yi,j – входной сигнал нейрона i в слое l; wi,j,l – i-й весовой коэффициент нейрона j в слое l; w0,j,l – величина смещения j нейрона слоя l; Sj,l – сигнал нейрона j в слое l.

Обучение многослойного персептрона проводится с применением итеративных алгоритмов обучения. Разработано большое количество различных алгоритмов обучения многослойного персептрона, однако в основе всех лежит принцип определения величин значений весовых коэффициентов в зависимости от величины рассогласования желаемого выхода сети и фактического.

Формальная структура экспертной системы. Применение многослойного персептрона в качестве математической модели идентификации технического состояния технологического оборудования может быть представлено следующей последовательностью: формирование обучающего множества (значения параметров Þ техническое состояние) на основе статистики, имеющейся на предприятии, обучение (определение значений весовых коэффициентов) на основе обучающего множества нейросетевой модели, идентификация технического состояния оборудования на основе вновь измеренных параметров оборудования. Таким образом, применение многослойного персептрона в качестве математической модели экспертной системы идентификации накладывает ряд требований к организации БД системы:

-    хранение обучающего множества для каждого типа технологического оборудования;

-    хранение таблицы кодов технического состояния технологического оборудования и соответствующих им значений технических состояний в формате лингвистической переменной;

-    ведение архива вновь измеренных параметров технологического оборудования;

-    хранение параметров (значений весовых коэффициентов, смещения нейронов), структуры (количество слоев, количество нейронов в слое) многослойного персептрона.

Подпись:  
Рис. 5. Структура БД параметров оборудованияХранение обучающего множества, ведение архива вновь измеренных параметров, формирование и хранение таблицы кодов организуются посредством связи таблиц данных через отношения главная–подчиненная в БД параметров оборудования [4, 5]. Главной таблицей данных в этом случае выступает таблица, содержащая типы оборудования с их основными характеристиками. Другие таблицы являются подчиненными (рис. 5).

Описание многослойного персептрона в экспертной системе целесообразно выполнить в виде трехуровневой иерархической структуры: верхний уровень – количество слоев, средний – количество нейронов в слое; нижний уровень – значения весовых коэффициентов и смещение каждого нейрона в слое. При этом необходимо определить возможность формирования нейросетевой модели, ее обучения и хранения параметров обученной модели для каждого типа оборудования. В этом случае структура БД нейросетевой модели принимает вид, отображенный на рисунке 6.

С учетом описанных БД формальная структура экспертной системы принимает вид, показанный на рисунке 7. Модульный принцип дает возможность поэтапно внедрять экспертную систему (к примеру, внедрение программного модуля для регистрации технических параметров уже позволяет начать формирование необходимой статистики, в то время как разработка и внедрение других модулей только начались). Определенный в формальной структуре функционал экспертной системы является минимально необходимым и в дальнейшем может быть расширен.

На основе представленных теоретических выкладок на базе кафедры электрификации и автоматизации горных предприятий Пермского государственного технического университета разработана экспертная система идентификации технического состояния силовых маслонаполненных трансформаторов. Экспертная система позволяет по результатам хромотографического анализа растворенных в трансформаторном масле газов установить отказ и его причину. Система находится в тестовой эксплуатации. Сбор статистической информации достаточно сильно сдерживает работу по ее настройке. Процесс можно ускорить за счет сотрудничества с диагностическими группами других организаций. Автор надеется на содействие и сотрудничество.

Подпись:  
Рис. 7. Формальная структура экспертной системы

Литература

1.  Аношкин А.А., Глазов О.Н., Кислов Г.И. Экспертные модели диагностики неисправностей основного технологического оборудования электрических станций. Расширение интеллектуальных возможностей АСУ. М.: Энергоатомиздат, 1989. 152 с.

2.  Асуга С. Обработка знаний. М.: Мир, 1989. 293 с.

3.  Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

4.  Гайдышев И.С. Анализ и обработка данных : специальный справочник. СПб: Питер, 2001. 752 с.

5.  Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: Нолиндж, 2000.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2363
Версия для печати
Выпуск в формате PDF (4.85Мб)
Статья опубликована в выпуске журнала № 4 за 2009 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: