Научная статья на тему 'Алгоритм принятия решений по ремонту энергооборудования промышленных предприятий'

Алгоритм принятия решений по ремонту энергооборудования промышленных предприятий Текст научной статьи по специальности «Механика и машиностроение»

CC BY
471
70
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
СИСТЕМА ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНОГО РЕМОНТА / ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ / МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ / МЕТОДЫ ОПТИМИЗАЦИИ / ФУНКЦИОНАЛЬНО-СЕТЕВЫЕ МОДЕЛИ / THE SYSTEM OF PREVENTIVE MAINTENANCE / ARTIFICIAL NEURAL NETWORKS / METHODS AND MODELS OF FORECASTING / OPTIMIZATION METHODS / FUNCTIONAL NETWORK MODEL

Аннотация научной статьи по механике и машиностроению, автор научной работы — Васильев Д. А., Шабельникова А. Ю., Иващенко В. А.

Предложен алгоритм принятия решений по ремонту энергооборудования промышленных предприятий. Представлены структура и состав данного алгоритма.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по механике и машиностроению , автор научной работы — Васильев Д. А., Шабельникова А. Ю., Иващенко В. А.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

AN ALGORITHM FOR DECISION-MAKING ON THE REPAIR OF POWER EQUIPMENT AT INDUSTRIAL ENTERPRISES

The paper suggests an algorithm for making decisions when repairing power equipment at industrial plants. The structure of the given algorithm is presented.

Текст научной работы на тему «Алгоритм принятия решений по ремонту энергооборудования промышленных предприятий»

Вестник СГТУ. 2013. № 1 (69)

АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ

УДК 621.797

Д.А. Васильев, А.Ю. Шабельникова, В.А. Иващенко

АЛГОРИТМ ПРИНЯТИЯ РЕШЕНИЙ ПО РЕМОНТУ ЭНЕРГООБОРУДОВАНИЯ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

Предложен алгоритм принятия решений по ремонту энергооборудования промышленных предприятий. Представлены структура и состав данного алгоритма.

Система планово-предупредительного ремонта, искусственные нейронные сети, методы и модели прогнозирования, методы оптимизации, функционально-сетевые модели.

D.A. Vasilev, A.U. Shabelnikova, V.A. Ivaschenko

AN ALGORITHM FOR DECISION-MAKING ON THE REPAIR OF POWER EQUIPMENT AT INDUSTRIAL ENTERPRISES

The paper suggests an algorithm for making decisions when repairing power equipment at industrial plants. The structure of the given algorithm is presented.

The system of preventive maintenance, artificial neural networks, methods and models of forecasting, optimization methods, functional network model

В настоящее время на российском рынке выделилось несколько основных компаний, занимающихся разработкой и внедрением технологии автоматизации системы планово-предупредительного ремонта (ППР) энергооборудования на промышленных предприятиях. Реализуя широкий набор функций, связанных с нормированием обслуживания и ремонта оборудования, планированием и представлением графиков ремонтных работ, учетом материалов и т.д., эти системы абстрагируются от решения целого ряда важных диагностических и оптимизационных задач. В существенной степени это приводит к тому, что существенная доля работ по техническому обслуживанию энергооборудования выполняется без фактической их необходимости.

В этой связи разработан алгоритм принятия решений по ремонту энергооборудования, в основу которого положено совмещение функций систем планово-предупредительного ремонта и планирования работ по техническому состоянию энергооборудования.

Алгоритм принятия решений по ремонту энергооборудования

На рис. 1 представлен алгоритм принятия решений по ремонту энергооборудования. Основу данного алгоритма составляют три основных блока: прогнозирование технического состояния энергооборудования, оптимизация сроков вывода энергооборудования в ремонт, планирование выполнения ремонтных работ энергооборудования.

Описание работы алгоритма

Блок 1. Начало работы алгоритма.

Блок 2. Если необходимо провести диагностику технического состояния энергооборудования, то перейти к блоку 3, иначе - к блоку 5.

Блок 3. Идентификация неисправности энергооборудования с помощью искусственной нейронной сети (ИНС) [3, 7]. Для распознавания использован двухслойный персептрон. В качестве входных данных выступают амплитуды гармоник с наиболее значимыми частотами спектра вибрации. Данные снимаются с вибродатчиков.

В основу определения размерностей входного и выходного слоев персептрона положены следующие соображения:

— во входном слое число нейронов определяется количеством амплитуд гармоник с наиболее значимыми частотами спектра вибрации. Число входных нейронов принято равным 20;

— выходной слой содержит число нейронов, равное количеству классов диагностируемых неисправностей. Число выходных нейронов принято равным 6.

Выбор числа промежуточных (скрытых) слоев и нейронов в них выполнен исходя из минимума ошибки обучения сети.

Диагностика технического состояния оборудования

Идентификация неисправности оборудования с помощью искусственной нейронной сети

Прогнозирование технического состояния оборудования

Прогнозирование технического состояния оборудования по значению коэффициента Ктс

Оптимизация сроков вывода оборудования в ремонт (оптимизация графика ППР)

9

ВыОорка

нормативны*

д»инмкго

о©орудовал иго

13 Вмоорка списка

ОООруДОМИМ! ДМ

гланиромния р«момтнмя раоот

16 Платровшие

Принятие решения ПО виголнеимя

оборудованию: ремитш.рвоот

1. Включить в текущую заявк] сооруди*"*,« на ремонт

или

2. Включить в первый месяц графика ППР с приоритетом/17 не нарушения оптимизации^ Конец

Рис. 1. Алгоритм принятия решений по ремонту энергооборудования промышленных предприятий

Вестник СГТУ. 2014. № 3 (76)

Структура персептрона представлена на рис. 2.

Рис. 2. Структура персептрона

В качестве активационной принята сигмоидальная функция (/), для обучения сети применен алгоритм обратного распространения ошибки в комбинации с алгоритмом Коши. Длина обучающей выборки -1000. Переобучение сети зависит от следующих факторов: режим и сменность работы энергооборудования, введение нового энергооборудования, возникновение нового типа неисправности.

Идентификация неисправности энергооборудования с помощью персептрона позволяет получить оценку технического состояния энергооборудования с определением конкретного вида дефекта.

Блок 4. Если необходимо включить энергооборудование в текущую заявку на ремонт или в первый месяц графика ППР с приоритетом не нарушения оптимизации, то перейти к блоку 8, иначе - к блоку 5.

Блок 5. Если необходимо выполнить прогноз технического состояния энергооборудования, то перейти к блоку 6, иначе - к блоку 9.

Блок 6. Прогнозирование технического состояния энергооборудования по значению коэффи-

к

циента технического состояния ТС .

В основу прогнозирования технического состояния энергооборудования положено определение коэффициента технического состояния КТС = 1 - р (,)/ Рд, для расчета которого используются

статистические показатели об изменении диагностических параметров р (,) и их допустимые значения Рд [4].

Определение КТС производится по всем параметрам р , характеризующим текущее состояние диагностируемого энергооборудования. Для оценки технического состояния определяется минимальное значение КТС , соответствующее некоторому параметру р, по которому выполняется процедура прогнозирования сроков ремонтно-профилактических работ. Срок остановки энергооборудования на ремонт или техническое обслуживание определяется из условия достижения диагностическим параметром р предельного значения Рд .

Для прогноза параметра р (,) принята квадратичная модель, обладающая относительной простотой и содержащая сравнительно небольшое количество параметров

рт (,) = а0 + а^ + а2,2 где а о, а¡, а2 - параметры модели, , - текущее время.

Оценки а'° а £?2 параметров модели (1) определяются из соотношений:

р, = а, = 35, (р) - 35,2(р) + 5,3(р);

2

(1)

ср —

= а = ™-ГТ ((6 - 5а)5, (р) - 2(5 - 4а)^ + (4 - 3а)5,3 (р)); (2)

— 2(1 - а)

- 2 р а 2

^ = а2 = л-^ (5, (р) - 25,2 (р) + 5,3(р)),

— (1 - а)

Sn (P) = aS (P) + (1 — a)Sn (P) где ' y ' ' y ' y ' '—iyj - экспоненциальная средняя n-го порядка для временного ряда

прогнозируемого диагностического параметра P(t) . Параметр сглаживания ae [0,1] учитывает влияние исходного ряда наблюдений на результаты прогнозирования. Период упреждения прогноза зависит от контролируемого параметра, который влияет на работу энергооборудования (температура, уровень виброшумов и т.д.).

Разработанная модель позволяет выполнять прогнозы, относительная ошибка которых не превышает 1,3%.

Блок 7. Если значение коэффициента технического состояния КТС энергооборудования находится в допустимых пределах, то перейти к блоку 9, иначе - к блоку 8. Блок 8. Принятие решений по энергооборудованию.

Лицо, принимающее решение, включает энергооборудование или в текущую заявку на ремонт, или в первый месяц графика ППР с приоритетом не нарушения оптимизации.

Блок 9. База данных содержит следующую информацию по энергооборудованию:

— наименование оборудования;

— тип, модель;

— инвентарный номер;

— заводской номер;

— дата выпуска;

— дата ввода в эксплуатацию;

— завод-изготовитель;

— остаточная стоимость;

— балансовая стоимость;

— масса.

На данном этапе из базы данных выбираются нормативные данные по энергооборудованию:

— структуры и продолжительности ремонтных циклов;

— продолжительности межремонтных и межосмотровых циклов;

— продолжительности ремонтов;

— категории ремонтной сложности;

— трудоемкости и материалоемкости ремонтных работ.

Блок 10. Включение энергооборудования в график ППР на текущий месяц (год). Блок 11. Если рассмотрен весь список энергооборудования, то перейти к блоку 12, иначе - к блоку 2.

Блок 12. Оптимизация сроков вывода энергооборудования в ремонт.

Оптимизация графиков ППР энергооборудования связана с разработкой и реализацией математической модели многокритериальной оптимизации графика ППР, «скользящей» по месяцам года. Выбор состава энергооборудования для вывода в ремонт или техническое обслуживание осуществляется по векторному критерию F = (F1'F2) , составляющие которого определяются выражениями:

n n

F1 = IpPi ® max, F2 = ^ Sjbj ® min,

j=i j=i

где Cj - коэффициент, задающий степень сложности ремонта j-го оборудования, определяемый видом ремонта (капитальный ремонт, средний ремонт, малый ремонт, техническое обслуживание); Sj - коэффициент, задающий степень участия j-го оборудования в технологическом процессе; n - количество оборудования, включенного в план-график ремонта на текущий месяц (год); bj - логическая пе-

bi ={0,1}.

ременная: 1 - еслиj-е оборудование участвует в ремонте, 0 - в противном случае, т.е. j Область допустимых состояний системы определяется соотношениями:

n

I jj <

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1. j1 где A - материальный ресурс, необходимый для проведения всех ремонтных работ, связанный с обеспечением их материалами; aj - материальный ресурс, необходимый для проведения ремонтных работ j-го оборудования;

n

htmjbj < Ттп ,

2. j=1 где Ттп - общее время на технологическую подготовку к ремонтным работам, включающее время на изготовление специального оборудования и приспособлений для ремонт-

Вестник СГТУ. 2014. № 3 (76)

ных работ; ^Тщ - время, необходимое на технологическую подготовку к ремонтным работам /-го оборудования;

п

"1 е [1,М] £ wijbj < ,

3. /=1 где Wi - имеющееся количество рабочих для проведения ¡-го вида

ремонтных работ; w1j - количество рабочих, задействованных в ¡-м виде ремонтных работ/-го оборудования; М - количество видов ремонтных работ.

В основу решения задачи положена модель оптимизации, представленная в виде унифицированного генетического алгоритма, позволяющего оперативно формировать оптимальные списки выводимого в ремонт и на техническое обслуживание энергооборудования [1, 2].

Блок 13. На данном этапе осуществляется выбор списка оборудования для вывода в ремонт на текущий месяц (год).

Блок 14. Если требуется провести планирование ремонтных работ, то перейти к блоку 15.

Блок 15. Выбор списка энергооборудования для планирования ремонтных работ.

Блок 16. Планирование выполнения ремонтных работ энергооборудования.

Планирование проведения комплекса ремонтных работ реализуется с помощью функционально-сетевых моделей, отражающих процесс проведения ремонтных мероприятий. Расчет и анализ показателей данных моделей позволяют провести их оптимизацию, связанную с реализацией процедуры перераспределения трудовых и материальных ресурсов [5].

Исходя из того, что при планировании работ временные показатели сетевой модели могут изменяться в определённых пределах, модель планирования работ может быть реализована в нечетком виде (рис. 3). Это позволяет провести расчет и оптимизацию модели в интервальных оценках [6].

На рис. 3 кружками обозначены события, диаграммами обозначены временные показатели в нечётком виде.

Блок 17. Конец работы алгоритма.

Заключение

Предложен алгоритм принятия решения по ремонту энергооборудования промышленных предприятий. Применение данного алгоритма в составе автоматизации систем технического обслуживания и ремонта энергооборудования позволит:

— сократить количество и объемы ремонтов, количество необходимых запасных частей и материалов из-за проведения обслуживания энергооборудования на ранних стадиях развития дефектов в нём;

— повысить надежность работы энергооборудования, значительно уменьшить число внезапных отказов и аварийных ситуаций;

— сократить упущенную прибыль из-за простоев энергооборудования.

Данный алгоритм положен в основу построения пользовательского интерфейса по организации ремонта энергооборудования на промышленных предприятиях.

ЛИТЕРАТУРА

1. Васильев Д.А. Оптимизация графика планово-предупредительного ремонта промышленного оборудования / Д.А. Васильев, А.Ю. Шабельникова // Анализ, синтез и управление в сложных системах: сб. науч. тр. Саратов: СГТУ, 2009. С. 64-68. 88

2. Шабельникова А.Ю. Генетический алгоритм оптимизации графика планово-предупредительного ремонта промышленного оборудования / А.Ю. Шабельникова, Д.А. Васильев // Современная техника и технологии: сб. тр. XVI Междунар. науч.-практ. конф. Т. 2. 2010. С. 410-412.

3. Васильев Д.А. Применение искусственной нейронной сети для вибродиагностики промышленного оборудования / Д.А. Васильев, Ю.В. Козлецов, А.Ю. Шабельникова // Инновации и актуальные проблемы техники и технологий: сб. науч. тр. Всерос. науч.-практ. конф. Саратов, 2010. Т. 1. С. 64-65.

4. Шабельникова А.Ю. Прогнозирование диагностических параметров технологического оборудования / А.Ю. Шабельникова, А.С. Тычков, Д.А. Васильев // Международный научно-исследовательский журнал. Екатеринбург, 2012. №5(5). С. 133-134.

5. Шабельникова А.Ю. Оптимизация процесса планирования работ по ремонту электропотребляющего оборудования / А.Ю. Шабельникова, А.А. Дмитриев, Ш.Р. Мустафин // Проблемы электроэнергетики: сб. науч. тр. Саратов, 2011. С. 133-136.

6. Васильев Д.А. Подход к планированию ремонтных работ промышленного оборудования на основе нечеткой сетевой модели / Д.А. Васильев, А.Ю. Шабельникова // Анализ, синтез и управление в сложных системах: сб. науч. тр. Саратов, 2011. С. 45-52.

7. Рожков И.А. Выбор архитектуры искусственной нейронной сети для распознавания дефектов поверхностного слоя деталей подшипников / И.А. Рожков, В.А. Иващенко, С.А. Игнатьев // Вест-

ник СГТУ. 2013. № 69. С. 166-170.

Васильев Дмитрий Анатольевич -

кандидат технических наук, доцент кафедры «Системотехника» Саратовского государственного технического университета имени Гагарина Ю.А.

Dmitry A. Vasiliev -

PhD, Associate Professor

Department of System Engineering,

Yuri Gagarin State Technical University of Saratov

Шабельникова Алена Юрьевна -

аспирант кафедры «Системотехника» Саратовского государственного технического университета имени Гагарина Ю.А.

Alyona Yu. Shabelnikova -

Postgraduate

Department of System Engineering,

Yuri Gagarin State Technical University of Saratov

Иващенко Владимир Андреевич -

доктор технических наук, ведущий научный сотрудник Института проблем точной механики и управления РАН, г. Саратов

Vladimir A. Ivaschenko -

Dr. Sc., Leading Researcher, Institute of Precision Mechanics and Control, Saratov

Статья поступила в редакцию 21.06.14, принята к опубликованию 25.09.14

i Надоели баннеры? Вы всегда можете отключить рекламу.