CC BY
68
УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
УДК 621.865.8:004.891.3
МОДЕЛИ И МЕТОДЫ ДИАГНОСТИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ МОДУЛЕЙ ДВИЖЕНИЯ МЕХАТРОННЫХ СИСТЕМ
© 2013 г. Н.А. Глебов, Т.Н. Круглова
Глебов Николай Алексеевич - д-р техн. наук, профессор, кафедра «Мехатроника и гидропневмоавтоматика», ЮжноРоссийский государственный технический университет (Новочеркасский политехнический институт). Тел. (8635) 25-52-46. E-mail: aprim.srstu@mail.ru
Круглова Татьяна Николаевна - канд. техн. наук, доцент, кафедра «Мехатроника и гидропневмоавтоматика», ЮжноРоссийский государственный технический университет (Новочеркасский политехнический институт). Тел. (8635) 25-52-46. E-mail: aprim.srstu@mail.ru
Glebov Nikolay Alexeevich - Doctor of Technical Sciences, professor, department «Mechatronics and Hydropneumoauto-matics», South-Russia State Technical University (Novocherkassk Polytechnic Institute). Ph. (8635) 25-52-46. E-mail: aprim. srstu@mail.ru
Kruglova Tatyana Nikolaevna - Candidate of the Technical Science, associate professor, department «Mechatronics and Hydropneumoautomatics», South-Russia State Technical University (Novocherkassk Polytechnic Institute). Ph. (8635) 25-52-46. E-mail: aprim.srstu@mail.ru
Рассмотрены математические модели и методы диагностирования и прогнозирования технического состояния модулей движения мехатронных систем, основанные на совместном использовании аппарата нечеткой логики и искусственных нейронных сетей. Приведены результаты экспериментальных исследований методов диагностирования и прогнозирования. Описано устройство для практической реализации предложенных методов.
Ключевые слова: мехатронная система; модуль движения; диагностирование; прогнозирование; нечеткая логика; нейронная сеть.
The mathematical models and methods of diagnosing and predicting the technical condition of the modules motion mechatronic systems based on the combined use of fuzzy logic and artificial neural networks are considered. The results of experimental studies of methods of diagnosis and prognosis. Define a device for the practical implementation of the proposed methods.
Keywords: mechatronic system; motion module; diagnosticing; forecasting; fuzzy logic; neural network.
Введение
Промышленная эксплуатация сложных технологических объектов требует поддержания работоспособного состояния каждого модуля, входящего в их состав, путем целенаправленных управляющих воздействий. Эффективное управление техническим состоянием сложных систем связано с необходимостью получения информации об этом состоянии, поэтому требуется разработка моделей, методов и средств контроля, диагностирования и прогнозирования технического состояния мехатронных модулей. Совместное применение диагностирования и прогнозирования технического состояния позволит на ранней стадии обнаружить возникший дефект, контролировать его дальнейшее развитие и сделать прогноз времени выхода из строя. В связи с этим актуальной проблемой является разработка комплексной системы технического диагностирования и прогнозирования, которая позволила бы по результатам измеренных значений определяющих параметров выявить текущее техниче-
ское состояние объекта и, по результатам наблюдений, спрогнозировать время возможного отказа меха-тронного модуля движения.
В общем случае система технического диагностирования состоит из трех элементов: объекта диагностирования, технических средств диагностирования и оператора [1]. Одной из наиболее важных частей системы технического диагностирования являются ее технические средства, в состав которых должны входить измерительные устройства, осуществляющие съем значений определяющих параметров, и средства обработки информации, обеспечивающие функционирование алгоритмов диагностирования и расшифровку результатов элементарных проверок.
При разработке методов и средств диагностирования и прогнозирования технического состояния меха-тронных систем необходимо решить задачу создания моделей и методов диагностирования и прогнозирования состояния модулей движения, являющихся основными элементами системы.
Нейро-нечеткая модель и метод диагностирования мехатронных модулей движения
Анализ используемых методов диагностирования показывает, что оценка текущего состояния системы производится по результатам измерения и анализа основных определяющих параметров диагностирования, которые принимают различные значения в интервале от номинального до критического. В этом случае состояние объекта может быть работоспособным или неработоспособным, следовательно, возникает необходимость определить, каким образом развитие того или иного дефекта влияет на изменение определяющих параметров и как текущий уровень развития всех дефектов влияет на состояние объекта диагностирования в целом, т. е. определить текущее состояние объекта.
Так как все определяющие параметры имеют различную размерность, то для удобства моделирования необходимо перевести их в относительные значения. В результате перевода получены относительные значения определяющих параметров, каждое из которых может меняться от 1 до 0. В случае если все значения определяющих параметров близки к 1, то объект исправен или работоспособен, его можно эксплуатировать. Если хотя бы одно значение определяющего параметра близко к 0, то объект неработоспособен, его нельзя эксплуатировать. Формализация этих высказываний осуществляется с помощью нечеткой логической системы, входными данными которой являются относительные значения определяющих параметров, характеризующих неисправности объекта. Для каждого параметра на интервале [0;1] задаются функции принадлежности: 2-образная функция принадлежности В2 - «близко к 0» и ^-образная функция принадлежности В1 - «близко к 1».
На выходе логической модели определяется значение функции диагностирования F(х*), значение которой лежит в интервале [-1;1].
Взаимосвязь между введенными множествами описываются следующими нечеткими правилами:
R1: если>>1 есть В1 иут есть Вь то х{ = /1;
R2: если у! есть В2 или ут есть В2, то х{ = /2,
где у!.. .ут - определяющий параметр диагностирования; В1 - ^-образная функция принадлежности «близко к 1»; В2 - 2-образная функция принадлежности «близко к 0»; XI - неисправность объекта диагностирования; / - заключение «объект допускается к эксплуатации»; / - заключение «объект не допускается к эксплуатации».
Для преобразования четких входных значений в четкие выходные используется п - входной алгоритм нечеткого логического вывода Takagi-Sugeno [2]. Предполагается, что входные переменные приняли некоторые конкретные (четкие) значения у°...у0т и находятся уровни «отсекания» для предпосылок каждого из правил:
Для каждого правила вычисляются индивидуальные выходы х** = / и х* = /2.
Вычисляется агрегатный выход нечеткой логической системы
х * = (а1х1* + а2 х*) а1 + а2
Приведенная подмодель позволяет оценить только одну неисправность модуля, в то время как он может иметь несколько неисправностей. Для комплексной оценки технического состояния необходимо составить аналогичные подмодели для каждой неисправности модуля, получив множество текущих коэффициентов
развития его неисправностей А = |х*|, i е [1, п], а
затем аппроксимировать полученные выходы подмоделей.
Для решения задачи аппроксимации моделируется радиальная базисная сеть, входной слой которой осуществляет распределение данных образа для скрытого слоя весов, состоящего из радиальных базисных нейронов, использующих функцию активации Гаусса, отображения которых подаются на выходной слой линейных нейронов.
Выход радиального базисного нейрона:
* ы II * II
F(х*) = Е р(х - с,\^ i=1 11 11
где N - число нейронов скрытого слоя; ci - высота /'-го нейрона; р - функция активации Гаусса; || || -
евклидова норма [3].
Выходы радиального базисного нейрона умножаются на веса линейного нейрона, определенные на интервале [-1, 1] таким образом, что максимальному значению F^ ) соответствует минимальный вес. Выход линейного нейрона определяется путем минимизации его входов
**
F(х ) = min(aiF(xi)),
где - веса линейного выходного нейрона.
Разработанные нейро-нечеткая модель и метод диагностирования позволяют по измеренным относительным значениям определяющих параметров оценить текущее состояние объекта, отнеся его к одному
из следующих классов диагнозов: F(х ) = 1 - испра-
**
вен; 0 < F(х ) < 1 - работоспособен; -1 < F(х ) < 0 -
неработоспособен.
Структура определения технического состояния мехатронного модуля движения на основе нейро-нечеткого метода диагностирования приведена на рис. 1.
С объекта диагностирования (ОД) с помощью измерительно-вычислительного блока (ИВБ) снимаются текущие значения определяющих параметров и пере-
aj = min\^Bl(y-0)...Bl(y)m)];a2 = max[B2(y-0)...B2(y)m)\. водятся в относительные единицы (yj\..ym ).
У1 ---Ь
ОД -W ИВБ '-y! s m ^
Рис. 1. Структура реализации нейро-
Полученные данные передаются в блок нечеткой
логики (БНЛ), где происходит определение текущего
* *
уровня развития неисправностей ( xj... xn ). Полученные значения подаются на вход нейронной сети аппроксимации (НС), вычисляющей функцию диагно-
*
стирования F ( x ), значение которой подается на вход блока сравнения (БС). Если F(x ) < 0, то объект неисправен, подается сигнал на блок поиска неисправностей (БПН), где выбираются коэффициенты развития неисправности, меньшие или равные 0. Выявленные неисправности подаются на индикаторный блок
*
(ИБ). Если F(x ) > 0, то на экран ИБ выводится сообщение о работоспособности объекта.
Нейросетевая модель и метод прогнозирования технического состояния мехатронных модулей движения
Процесс прогнозирования состояния мехатронно-го модуля может быть выполнен в два этапа: прогнозирование следующих значений определяющих параметров; аппроксимация выходов сетей предыдущих уровней.
Прогнозирование состояния мехатронного модуля движения осуществляется по значениям основных определяющих параметров всех блоков модуля в предшествующие моменты времени, распределенных по равным интервалам времени [4]. Так как эти параметры имеют различную размерность, то для удобства исследования их необходимо перевести в относительные единицы.
Прогнозирование на первом этапе осуществляется с помощью принципа окон. Существует одношаговое и многошаговое прогнозирование.
Одношаговое прогнозирование используется для краткосрочных прогнозов, обычно - абсолютных значений последовательности. Осуществляется прогноз только на один шаг вперед, но используется реальное, а не прогнозируемое значение для осуществления прогноза на следующем шаге.
нечеткого метода диагностирования
Многошаговое прогнозирование используется для осуществления долгосрочного прогноза и предназначено для определения основного тренда и главных точек изменения тренда для некоторого промежутка времени в будущем. При этом прогнозирующая система использует полученные (выходные) данные в качестве входных данных для прогнозирования на следующие моменты времени.
Для практической реализации метода окон используется нейронная сеть прямой передачи сигнала, в которой все связи идут только в направлении от входа к выходу.
Для прогнозирования значения определяющего параметра в следующий момент времени необходимо на первый вход нейронной сети подать вектор У^), у'(т2),..., у1 (ты-3) значений определяющих параметров в различные моменты времени. На второй вход подаются те же параметры, но со смещением на один параметр вправо у (т2),..., у '(тЫ-2). На третий вход подаются параметры, смещенные на один относительно второго входа у (т3),...,у (ты_1). Все эти данные составляют вектор входа нейронной сети
Р = [Уы,..., У(ты- з); У(т2),..., У(т^- 2); У(тэ),..., у (ты- 1)].
В качестве вектора цели Н задаются значения определяющего параметра, которые необходимо получить на выходе. Применяя метод окон и подавая на вход первые три значения обучающей выборки, необходимо получить на выходе четвертое значение выборки, следовательно, вектор цели нейронной сети представляет собой значения обучающей выборки, начиная с четвертого и до Ы-го элементов: Н =
= [Уы,..., У(ты)].
По заданному входу Р нейронная сеть вычисляет выходное значение определяющего параметра Y, которое должно соответствовать заданному вектору цели Н, и для каждого значения определяющего параметра находит рассогласование е = Y - Н , которое есть разность между полученным и желаемым значениями. Для обучения сети использован алгоритм обратного
+
распространения ошибки, позволяющий минимизировать среднеквадратическое отклонение текущих от требуемых выходов многослойных нейронных сетей.
Для нахождения значения определяющего параметра в следующий период времени задается входной вектор-столбец, содержащий три последних значения обучающей выборки С = [у'С^ - 2); - 1); УСГ\г)].
На выходе получается относительный коэффициент спрогнозированного значения определяющего параметра КОП в последующий интервал времени:
N
Коп . = 1/(1 + ехр(£^Р( у(хг)))),
1=1
где . = [1, т] - количество определяющих параметров мехатронного модуля движения; Wl - веса нейронов скрытого слоя.
Если КОП . < 0, то данный определяющий параметр выйдет за пределы допустимых значений до достижения следующего интервала времени. Если КОП. > 0, то в следующий интервал времени параметр останется в пределах допустимых значений. Результаты обучения и работы сети прогнозирования представлены на рис. 2.
КОП
0,98 0,96
0,94 " Результат обучения
0,92
0,90
0,88
Прогноз
а о о
0,90 0,92 0,94 0,96 0,98 у(т) б
Рис. 2. Результаты обучения (а) и работы (б) сети прогнозирования
Для реализации каждого из уровней аппроксимации моделируется радиальная базисная сеть, на входы которой подаются выходы сетей предыдущих уровней, согласно структуре прогнозирования. Коэффициенты развития неисправностей определяются по следующим формулам:
т 1
кНЭ. = тт(ехр(-( Е ^ - Коп . )2)2 Ъ)2);
3 ]=1 3
п 1
Кнб, = тт(ехр(-( Е (W"1 - )2)2 Ъ)2);
" i=\
м 1
КнМ = тт(ехр(-( Е (Wk3" - КнБ" )2)2 Ъ)2),
й=1
где КН
К
нба
К„
- коэффициенты развития
неисправностей элементов, блока и модуля; Wjj, W"2,
Wk;" - весовой вектор первой (развитие неисправности), второй (состояние блока), третьей (состояние модуля) ступеней аппроксимации; Ъ - вектор смещения.
Если КНМ > 0, то в течение следующего интервала времени модуль сохранит работоспособность. Для определения времени сохранения работоспособности необходимо выходы нейронных сетей первого уровня добавить в обучающую выборку и повторять расчет до тех пор, пока выход четвертого уровня не станет меньше или равен нулю. Число пройденных итераций будет равно количеству периодов сохранения работоспособности мехатронного модуля движения.
Структура реализации приведенного нейросетево-го метода прогнозирования приведена на рис. 3.
Представленные модель и метод позволяют по тренду определяющих параметров неисправностей спрогнозировать значение определяющих параметров, развитие неисправностей, состояние блоков и модуля в целом на один или несколько периодов эксплуатации.
Экспериментальные исследования методов диагностирования и прогнозирования
Экспериментальные исследования предложенных методов диагностирования и прогнозирования были выполнены на электродвигателях различного типа по результатам контроля одного или нескольких определяющих параметров.
Техническое состояние асинхронного электродвигателя оценивалось по результатам измерения параметров, тока, напряжения, шума, вибрации, частоты вращения и температуры.
Исследование модели диагностирования осуществлялось подачей на ее вход различных комбинаций относительных значений определяющих параметров основных неисправностей: обрыв одной из фаз обмотки статора (х1), нарушение нормальной вентиляции (х2), двигатель перегружен (х3), разгерметизация уплотнений подшипникового узла (х4), неправильная центровка вала двигателя (х5), межвитковые замыкания (х6), повреждение подшипника двигателя (х7), обрыв стержней обмотки ротора (х8).
а
Рис. 3. Структура реализации нейросетевого метода прогнозирования технического состояния мехатронных модулей движения
Графическая интерпретация полученных результатов приведена на рис. 4.
F{x*) 1,0 0,5 0
-0,5 .
Состояние -1,0 ^................т- электродвигателя
Номер опыта
где ^ - частота сети, питающей выпрямитель, Гц; ^ - частота вращения ротора двигателя, Гц; к = 1, 2, 3 - номер гармоники тока; р - число полюсов. Характерные частоты токового сигнала
Неисправность Частота токового сигнала
Дефекты коммутации 2kpfr, kfr
Дефекты ротора 2 pfr, kfr ± 2 pfr
Пульсация напряжения питания kfs
Дефекты муфты kfr
Дефекты статора 2fs
Рис. 4. Результаты исследования асинхронного электродвигателя с помощью нейро-нечеткого метода диагностирования
Из приведенного графика видно, что в первом опыте диагностируемый электродвигатель является исправным. Во втором опыте произошло развитие неисправности х5, двигатель работоспособен. В третьем опыте выявлено развитие неисправности х8. Двигатель находится в пограничном состоянии, а значение разделяющей функции двигателя равно значению функции неисправности х8. В четвертом опыте диагностируемый электродвигатель является неработоспособным, наступила неисправность х7. В пятом опыте двигатель неисправен, причина отказа - неисправности х6 и х7.
Также был исследован привод, состоящий из вентильного (BLDC) электродвигателя типа MAXON MOTOR 199174 IP54 871703 [5] и редуктора, соединенного с двигателем посредством муфты. Диагностирование осуществлялось на основе спектрального анализа потребляемого тока, позволяющего по амплитудам токового сигнала на характерных частотах выявить основные неисправности привода (таблица),
Для диагностирования были сняты временные зависимости потребляемого тока двигателя при частотах вращения 1, 10, 15, 20, 25 и 30 Гц. Данные сигналы с помощью быстрых преобразований Фурье приведены к частотному виду и проанализированы, согласно предложенному нейро-нечеткому методу. В результате исследований была выявлена «неисправность муфты», которая подтвердилась при ее тщательном осмотре. Несмотря на выявленную неисправность, исследуемый привод находится в работоспособном состоянии и может быть допущен к дальнейшей эксплуатации при условии постоянного контроля и прогнозирования ее дальнейшего развития. В процессе разрушения муфты происходят механические удары, которые видны в спектрах тока на частотах, характерных для данной неисправности. Из таблицы следует, что неисправности «дефекты коммутации» и «неисправности муфты» имеют одинаковые характерные частоты, следовательно, время разрушения муфты может быть найдено с помощью нейросетевого прогнозирования значения разделяющей функции для неисправностей коммутации. На наиболее характер-
ной частоте вращения 15 Гц произведено 6 замеров спектра тока с интервалом 0,5 ч при постоянной нагрузке. В результате прогнозирования установлено, что электрод с дефектной муфтой при выбранном режиме эксплуатации проработает 5 ч. В результате реального эксперимента разрушение муфты произошло через 5 ч 10 мин. Полученный результата свидетельствует о высокой точности предложенного метода прогнозирования, а тот факт, что прогнозный отказ произошел раньше реального, свидетельствует о недопущении возможности внезапного отказа.
Устройство диагностирования и прогнозирования технического состояния мехатронных модулей движения
Для практической реализации предложенных методов диагностирования и прогнозирования разработано и запатентовано «Устройство диагностирования и прогнозирования технического состояния модуля движения» [6], выполняющее измерение шума, вибрации и частоты вращения, усиление сигналов до заданного уровня, фильтрацию наиболее информативных частот диагностирования и запись полученных значений в виде файла с привязкой к реальному масштабу времени. Обработанная информация может многократно воспроизводиться и быть представленной на индикаторе в удобном для пользователя виде. Предложенное устройство осуществляет диагностирование и прогнозирование технического состояния с помощью предложенных методов. Функциональная схема предлагаемого устройства представлена на рис. 5.
Рис. 5. Функциональная схема устройства диагностирования и прогнозирования технического состояния мехатронных модулей движения
Устройство состоит из канала выделения измерительной информации 1, программируемого вычислителя 2, регистрирующего устройства 3, индикатора 4 и блока прогнозирования 5. Канал выделения измери-
тельной информации включает набор датчиков 6, 8, 10, регулируемых усилителей 7, 9, 11, 16, коммутатор 12, регулируемый цифровой фильтр 13, цифро-аналоговый преобразователь 14, программно-управляемый избирательный фильтр 15 и контроллер 17.
Прогнозирующее устройство 5 содержит: блок формирования исходных данных 18, нейросетевые вычислители 19 и 20, блок сравнения 21 , счетчик периодов 22 и блок индикации периодов функционирования 23.
Предлагаемое устройство может быть снабжено одним, двумя и более каналами выделения измерительной информации, идентичными каналу 1 .
Вывод
Результаты лабораторных и производственных испытаний подтвердили работоспособность предложенных методов, правильность теоретических разработок и принятых технических решений. Достоверность диагностирования - 98,7 %, прогнозирования -95 %. Анализ эффективности разработанных методов и средств диагностирования и прогнозирования технического состояния мехатронных модулей движения показал, что внедрение предложенных методов позволяет повысить производительность объекта на 17 - 18 %, коэффициент технического использования на 14 % и получить экономический эффект.
Работа выполнена в рамках гос. задания на 2013 г. по заявке 7.458.2011, поддержанной Минобрнауки РФ.
Литература
1. Резчиков А.Ф., Твердохлебов В.А. Техническое диагностирование мехатронных систем // Мехатроника, автоматизация, управление. 2003. № 2. С. 3 - 6.
2. Асаи К. Прикладные нечеткие системы: пер. с яп. / под ред. Т. Тэрано, К. Асаи, М.Сугэно. М., 1993. 368 с.
3. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика : 2-е изд., стереотип. М., 2002. 382 с.
4. Круглова Т.Н., Глебов Н.А. Диагностирование и прогнозирование технического состояния мехатронных модулей движения технологического оборудования: монография. Новочеркасск, 2011. 119 с.
5. Brushless DS (BLDC) Motor Fundamentals. Microchip Technology Inc. 2003.
6. Пат. на полезную модель 112405 Рос. Федерация, МПК G01 H 17/00, G01M 13/00 - №201128329/28. Устройство диагностирования и прогнозирования технического состояния модуля движения / Н.А. Глебов, Т.Н. Круглова. Завл. 08.07.11; опубл. 10.01.2012. Бюл. № 1.
Поступила в редакцию
3 июня 2013 г.
