Document 5104987

Грядущие вопросы :
1.Постановка задачи распознавания
технического состояния оборудования.
2.Математические модели в задачах
диагностики.
3.Прогнозирование ресурса оборудования.
4.Использование технологии нейронных
сетей для решения задач диагностики.
1.Постановка задачи распознавания
технического состояния оборудования
Основной задачей технической диагностики
является распознавание состояния технической
системы в условиях ограниченной информации.
Теоретический фундамент решения основной
задачи технической диагностики следует считать
теорию распознавания образов.
Второе важное направление технической
диагностики - теория контролеспособности.
Контролеспособность - это свойство изделия
обеспечивать достоверную оценку его технического
состояния и ранее обнаружение неисправностей и
отказов.
Контролеспособность создается конструкцией изделия и
принятой системой технической диагностики.
Состояние системы описывается совокупностью
(множеством) определяющих ее параметров (признаков)
Распознавание состояния системы - отнесение
состояния системы к одному из возможных классов
(диагнозов)
Совокупность последовательных действий
в процессе распознавания называется
алгоритмом распознавания. Существенной
частью процесса распознавания является
выбор параметров, описывающих
состояние системы .Они должны быть
достаточно информативны , чтобы при
выбранном числе диапазонов процесс
разделения (распознавания) мог быть
осуществлен.
Структура технической
диагностики.
Она характеризуется двумя
взаимопроникающими и
взаимосвязанными направлениями:
теорией распознавания и теорией
контролеспособности. Теория
распознавания содержит разделы,
связанные с построением
алгоритмов распознавания,
решающих правил и
диагностических моделей. Теория
контролеспособности включает
разработку средств и методов
получения диагностической
информации, автоматизированный
контроль и поиск неисправностей.
Техническую диагностику следует
рассматривать как раздел общей
теории надежности. На рис. 1
показана структура технической
диагностики
2.Математические модели в задачах
диагностики
Математические модели (ММ) элементов системы.
Математические модели (ММ) элемента системы - это
совокупность дифференциальных и алгебраических
уравнений, эмпирических формул, таблиц, графиков,
описывающих характеристики элемента (агрегата, узла), т.е.
связи между внутренними и внешними управляющими и
возмущающими параметрами :
F(x, y, u)=0,(2,4)
Где x-вектор параметров объекта; y-вектор управляющих
воздействий; u-вектор возмущающих воздействий.
Математические модели систем
 Для анализа состояния системы необходимо из ММ
элементов собрать ММ всей системы, однако
совокупность всех ММ, входящих в систему элементов,
не является еще ММ системы .
 Для формирования замкнутой системы уравнений к
уравнениям элементов необходимо добавить уравнения
связей между параметрами входящих в ММ элементов.
 Для сечения или точек , связывающих между собой
элементы, соблюдаются законы сохранения. В этом
случае удобно применить аппарат теории цепей.
Модели неисправности.
Модель неисправности- аналитическая или
стохастическая зависимость, связывающая параметр,
характеризующий степень развития неисправности, с
временем или параметрами объекта диагностики. В
качестве параметра, характеризующего неисправность ,
обычно используются первичные конструктивные
параметры объекта, изменение которых является
причиной появления признаков неисправностиизменения измеряемых параметров.
ММ простых неисправности связано с отклонением от
нормального значения конструктивного параметра только
одного агрегата; сложная неисправность - когда от
нормального значения отклоняются одновременно
конструктивные параметры ряда агрегатов.
3.Прогнозирование ресурса оборудования
Прогнозирование – это предсказание
технического состояния, в котором объект
окажется в некоторый будущий период
времени. Это одна из важнейших задач,
которую приходится решать при переходе
на ремонт по техническому состоянию.
Прогнозирование остаточного ресурса
методом экспертных оценок
Существует несколько способов экспертной
оценки, а именно:
 непосредственной оценки,
ранжирования (ранговой корреляции),
попарного сопоставления,
последовательных сопоставлений.
Все эти способы отличаются один от другого как
подходами к постановке вопросов, на которые отвечают
эксперты, так и проведением экспериментов и обработки
результатов опроса. Вместе с тем их объединяет общее –
знания и опыт специалистов в данной области.
Наиболее простым и объективным способом экспертной
оценки являет способ непосредственной оценки, который
широко применяется для определения остаточного
ресурса на основе диагностирования технического
состояния оборудования. Достоинством этого способа
является высокая точность результатов расчета, а также
возможность одновременного прогнозирования ресурса
сразу по нескольким типам (образцам) оборудования.
Понятие ресурса.
Технический ресурс(далее ресурс)-показатель
долговечности , характеризующий запас возможной
наработки объекта . Ресурсом называют наработку
объекта от начала или возобновление эксплуатации
до наступления предельного состояния.
Наилучшей универсальной единицей для измерения
ресурса выбирают единицу времени.
Прогнозирование ресурса должно быть основано на
вероятных моделях.
Гамма - процентный ресурс- значение ресурса,
обеспеченное заданной вероятностью y.
4.Использование технологии
нейронных сетей для решения
задач диагностики
Искусственная нейронная сеть (ИНС,
нейронная сеть)- это набор нейронов,
соединенных между собой. Как правило,
передаточные функции всех нейронов в
нейронной сети фиксированы, а веса
являются параметрами нейтронной системы
и могут изменяться. Некоторые входы
нейтронов помечены как внешние входы
нейронной системы, а некоторые выходы как внешние выходы нейронной сети.
Подавая любые числа на входы нейронной
сети, мы получаем какой-то набор чисел на
выходах нейронной сети. Таким образом,
работа нейронной сети состоит в
преобразовании
входного
вектора
в
выходной
вектор,
причем
это
преобразование задается весами нейронной
сети.
Схема простой нейросети.
Зелёным цветом обозначены
входные нейроны,
голубым — скрытые нейроны,
жёлтым — выходной нейрон
По аналогии с биологическим нейроном
искусственный нейрон также имеет синапсы,
ячейку нейрона и аксон.
Аксон- выходная связь нейрона, с которой сигнал
поступает на синапсы следующих нейронов.
Каждый синапс характеризуется величиной
синоптической связи или ее весом ⱳi , который по
физическому смыслу эквивалентен
электрической проводимости . В ячейке нейрона
суммируются все входы , что определяет текущее
состояние нейрона.
Текущее состояние нейрона определяется,
как взвешенная сумма его входов:
n
s = ∑xi wi
i=1
Выход нейрона есть функция его состояния:
Y=ƒ(s)
Нелинейная
функция
ƒ
называется
активационной и может иметь различный вид
. Одной из наиболее распространенных
является нелинейная функция с насыщением,
так называемая логистическая функция для
сигмоид (т.е. функция S-образного видов)
ƒ(s)=1/(1+e-ex )
По архитектуре связей ИНС могут быть
сгруппированы в два класса:
-сети прямого распространения, в которых
графы не имеют петель;
- рекуррентные сети, или сети с обратными
связями;
- радиально-базисные функции;
- самоорганизующиеся карты .
Сети прямого распространения. Все связи направлены
строго от входных нейронов к выходным. Примерами таких
сетей являются перцептрон Розенблатта, многослойный
перцептрон, сети Ворда.
Рекуррентные нейронные сети (англ. Recurrent neural
network; RNN) — вид нейронных сетей, в которых
имеется обратная связь. При этом под обратной связью
подразумевается связь от логически более удалённого элемента
к менее удалённому. Наличие обратных связей позволяет
запоминать и воспроизводить целые последовательности
реакций на один стимул. С точки зрения программирования в
таких сетях появляется аналог циклического выполнения, а с
точки зрения систем — такая сеть эквивалентна конечному
автомату. Такие особенности потенциально предоставляют
множество возможностей для моделирования биологических
нейронных сетей. Однако большинство возможностей на
данный момент плохо изучены в связи с возможностью
построения разнообразных архитектур и сложностью их
анализа.
Сеть радиально-базисных
функций — искусственная
нейронная сеть, которая
использует радиальные базисные
функции как функции активации.
Выходом сети является линейная
комбинация радиальных базисных
функций входов и параметров
нейрона. Сети радиальных
базисных функций имеют
множество применений, в том
числе функции приближения,
прогнозирования временных рядов,
классификации и
системы управления.
Впервые сформулированы в 1988
Брумхедом и Лоу.
Архитектура сети радиальных
базисных функций.
Самоорганизующиеся карты. Является методом проецирования
многомерного пространства в пространство с более низкой размерностью
(чаще всего, двумерное), применяется также для решения задач
моделирования, прогнозирования и др. Является одной из
версий нейронных сетей Кохонена. Самоорганизующиеся карты Кохонена
служат, в первую очередь, для визуализации и первоначального
(разведывательного) анализа данных.
В результате работы алгоритма получаются следующие карты:
карта входов нейронов — визуализирует внутреннюю структуру входных
данных путем подстройки весов нейронов карты. Обычно используется
несколько карт входов, каждая из которых отображает один из них и
раскрашивается в зависимости от веса нейрона. На одной из карт
определенным цветом обозначают область, в которую включаются
приблизительно одинаковые входы для анализируемых примеров.
карта выходов нейронов — визуализирует модель взаимного
расположения входных примеров. Очерченные области на карте
представляют собой кластеры, состоящие из нейронов со схожими
значениями выходов.
специальные карты — это карта кластеров, полученных в результате
применения алгоритма самоорганизующейся карты Кохонена, а также
другие карты, которые их характеризуют.