CC BY
44
УДК 775+621.39+621.85
А. А. Белоусов, А. К. Явленский, А. А. Севастьянов, А. С. Волков, К. А. Жаворонков
Санкт-Петербургский государственный университет кино и телевидения
РАЗРАБОТКА СИСТЕМ ДИАГНОСТИКИ ОБОРУДОВАНИЯ В ЦИФРОВОМ КИНЕМАТОГРАФЕ
Рассматриваются вопросы диагностики оборудования в цифровом кинематографе. Предложен способ идентификации технического состояния исполнительных узлов оборудования, основанный на регистрации трибоакустического сигнала.
Ключевые слова: трибоакустика, диагностика, цифровой кинематограф.
Комплекс оборудования для цифрового кинопоказа состоит из нескольких серверов управления и хранения данных, системы цифрового воспроизведения (мультиплексор), видеопроектора и акустической системы. Надежность функционирования оборудования достигается за счет непрерывного контроля и диагностирования состояния отдельных устройств, своевременного распознавания возможной неисправности и оперативного ввода резервных систем. Элементная база оборудования включает радиоэлектронные компоненты и механические узлы (системы вентиляции, накопители информации и приводы, автоматические системы подачи носителей, исполнительные узлы блоков управления отражающими зеркалами). По статистическим данным на отказы механических узлов приходится свыше трети всех возникающих поломок.
Интегральные схемы цифровых устройств, с одной стороны, подвержены влиянию температуры, а с другой — являются тепловыми источниками. Температура нормально функционирующего электронного блока должна находиться в определенном интервале. Таким образом, температура является диагностическим параметром при контроле исправности системы электроники рассматриваемого комплекса. Контроль осуществляется путем мониторинга тестовых сигналов, что предусмотрено разработчиками оборудования. Диагностика механических узлов осложнена вследствие миниатюрных размеров объектов контроля. Известные методики определения дефектов по вибросигналу не могут обеспечить распознавание всех критических дефектов, а также служить основой для прогнозирования технического состояния комплекса. Однако выборочное их использование в конкретных случаях оправдано. Для решения задачи определения технического состояния оборудования для цифрового кинопоказа авторами настоящей статьи разработан способ контроля, основанный на трибоакустиче-ском сигнале (ТАС).
относительное перемещение активных механических поверхностей вызывает упругие микродеформации материала и сопровождается появлением волн ультразвукового (реже звукового) диапазона [1] — ТАС. Исследованию генерации акустических волн посвящена работа [2].
На рис. 1 представлены спектры измеренных трибоакустических сигналов (А(/)) для двух узлов трения: поверхностей с низким износом, соответствующих высокому классу точности (рис. 1, а), и поверхностей с высоким износом, соответствующих низкому классу точности (рис. 1, б). Информационные параметры ТАС, получаемые путем специальных процедур спектрального анализа („следящей" фильтрации), зависят от вида и траектории относительного движения поверхностей. Это должно учитываться на этапе анализа с помощью коэффициентов регрессии. Таким образом, регрессионная функция может характеризовать
техническое состояние объекта контроля и служить для сравнения с нормативными значениями параметров, определяющих его качество.
а)
А, дБ -30,0
-50,0 -70,0 -90,0 -108,8
ц к 1 1
\
0
62492,19
124984,38
187476,56
/ Гц
б)
0
62492,19
124984,38
187476,56
/, Гц
Рис. 1. Спектры измеренных ТАС: а — „нормальные" трибоповерхности, б — „изношенные" трибоповерхности
Скорость относительного перемещения поверхностей при трении либо рассчитывается, либо измеряется. Так, при фиксированном линейном движении в кривошипно-ползунном механизме, которое можно считать равноскоростным, необходимо учитывать пропорциональные коэффициенты, позволяющие выделить диапазон частот, где в явном виде обычно проявляются волнистость и шероховатость поверхности.
Расчет базируется на следующих формулах:
1м> = ^ср /; = ^ср /^ш ,
где , /ш — средние частоты следящих фильтров для линейно взаимодействующих поверхностей; ^^ — средний шаг волнистости, мм; 8ш — средний шаг неровности профиля, мм; Уср — средняя скорость относительного движения контактирующих поверхностей, мм/с.
Значения ^^ и 8ш задаются для эталонной поверхности известного класса точности [3].
В рассматриваемых диапазонах частот проявляются также микроупругие свойства поверхностей трения (например, микротвердость).
Автоматизированную виртуальную систему обеспечения надежности кинопоказа удобно реализовать как подсистему рассматриваемого технического комплекса. Процесс диагностирования оборудования целесообразно осуществлять по двум сигналам:
— сигналу с датчика температуры, которая измеряется постоянно, что обеспечивает возможность определения исправности или неисправности системы;
— единому акустическому сигналу (вибросигналу и ТАС), измеряемому с некоторой периодичностью на механических узлах: вентиляторах, приводах блоков считывания информации, управления микрозеркалами и др.
Реализация автоматизированной подсистемы базируется на принципах, общих для современных средств контроля. Сигналы от первичных преобразователей через соответствующие модули сбора данных и ББР-процессоры (первичное нормирование, согласование, преобразование информации в соответствии с используемыми стандартами) поступают в компьютерный блок (микроконтроллер или персональный компьютер). Функциональность подсистемы реализована посредством системы специального программного обеспечения компьютерного блока („виртуального прибора").
Принцип работы цифрового анализатора „виртуального прибора" (рис. 2) основан, помимо обычных процедур сбора данных, спектрального анализа, „следящей" фильтрации, на использовании нейросетевых (НС) алгоритмов.
НС-алгоритмы классификации получаемой информации являются альтернативой вероятностным методам, так как могут применяться для анализа данных в режиме реального времени. Основу каждой нейронной сети составляют однотипные элементы — нейроны. Текущее состояние у-го нейрона определяется как взвешенная сумма его входов:
п
^ =£+Ъу; ] =" т, 1=\
где х1 — входные сигналы; — весовые коэффициенты; Ъу — смещение; т — число нейронов; п — число входов нейрона.
Выходное значение нейрона есть функция его состояния:
Уу = 8() .
Нелинейная функция 8 называется активационной или передаточной и может иметь различный вид. Наиболее распространенной является логистическая функция или сигмоид (т.е. функция ¿'-образного вида):
8 ( х)=—,
1+е
откуда следует, что выходное значение нейрона находится в диапазоне [0,1]. Нейрон полностью описывается своими весами и передаточной функцией.
Нейросети также можно классифицировать по числу слоев. Задачи, решаемые НС, сводятся к классификации входных сигналов, принадлежащих п -мерному гиперпространству. Теоретически число слоев и число нейронов в каждом слое может быть произвольным. Задавшись определенной структурой НС, необходимо найти оптимальные значения всех переменных весовых коэффициентов. Этот этап называется обучением НС.
Неуправляемое обучение сетей осуществляется путем саморегулирования на основе анализа входных данных. Такие сети находят закономерности в данных по мере их поступления и могут автоматически находить принципы классификации.
Одним из малоизученных вопросов является построение специализированных сетей, а также использование априорной информации и инвариантов НС. Так как режимы движения исследуемого объекта изменяются, то соответствующим образом меняются и его информационные характеристики.
Для того чтобы создать систему распознавания объекта, учитывающую явления такого рода, необходимо принимать во внимание диапазон трансформаций наблюдаемого сигнала. Соответственно основным требованием при распознавании объектов является создание такого классификатора, который инвариантен к этим трансформациям.
Существуют несколько способов обеспечения инвариантности нейронной сети к подобным трансформациям. Рассмотрим метод, основанный на предположении о том, что из
входного сигнала можно выделить составляющие (признаки), которые описывают самую существенную информацию, содержащуюся в наборе данных, и при этом инвариантны к трансформациям входного сигнала (см. рис. 2). Использование пространства инвариантных признаков имеет три важных преимущества: 1) уменьшается количество входных признаков, 2) снижаются требования к структуре сети, 3) гарантируется инвариантность всех объектов по отношению к известным трансформациям [4].
Предлагается использовать гетеродирование спектральных характеристик. Эту задачу решает препроцессор (см. рис. 2), обеспечивающий инвариантность признаков по отношению к скорости и режимам движения поверхности. Постпроцессор используется для диагностирования дефектов или прогнозирования технического состояния объекта.
Рис. 2. Структура цифрового анализатора
Цифровой анализатор, представленный на рис. 2, позволяет осуществлять диагностирование оборудования цифрового кинопоказа одновременно по сигналам Т(/) с датчика температуры и ТАС. С первичных преобразователей сигнал Т(/) попадает непосредственно на нейросетевой классификатор, ТАС Q(t) поступает на переключатель режимов 1. В режиме „Диагностика" сигнал поступает на системы следящих фильтров „волнистость" 61 ... 6п и „шероховатость" 71 ... 7п, настраиваемых на информационные частоты. Амплитуды ТАС в блоках умножения 81 ... 82п умножаются на коэффициенты регрессии, определяемые в блоке 2 и в режиме „Обучение". В НС-классификаторе осуществляется обработка значений, поступающих с блоков 81 ... 82п. Постпроцессор определяет принадлежность объекта контроля к эталонным техническим диагнозам и выдает результат диагностирования. Скорость движения поверхностей уср регистрируется (или рассчитывается, если движение возможно смоделировать) в блоке задатчика скорости 3. В блоках слежения частот „волнистости" 4 и „шероховатости" 5 формируются величины полос пропускания для перестраиваемых следящих систем фильтров 61 ... 6п, 71 ... 7п.
В результате на основе рассмотренной структуры реализуется подсистема, позволяющая идентифицированть техническое состояние оборудования для цифрового кинопоказа.
СПИСОК ЛИТЕРАТУРЫ
1. ЧихосХ. Системный анализ в трибонике. М.: Мир, 1982. С. 92—93.
2. Колубаев А. В., Колубаев Е. А., Вагин И. Н., Сизова О. В. Генерация звука при трении скольжении // Письма в ЖТФ. 2005. Т. 31, вып. 19. С. 6—13.
3. Явленский К. Н., Явленский А. К. Вибродиагностика и прогнозирование качества механических систем. Л.: Машиностроение, 1983. 239с.
4. BarnardE., CasasentD. Invariance and neural nets // IEEE Transact. on Neural Networks. 1991. Vol. 2. P. 498—508.
Рекомендована кафедрой Поступила в редакцию
физики и оптики 14.01.08 г.
