Научная статья на тему 'Алгоритмизация процесса обработки диагностических сигналов электроприводной арматуры с учетом хаотических составляющих'

Алгоритмизация процесса обработки диагностических сигналов электроприводной арматуры с учетом хаотических составляющих Текст научной статьи по специальности «Медицинские технологии»

CC BY
145
35
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ELECTRODRIVE FITTINGS / SPECTRAL ANALYSIS / ENTROPY OF SHANNON / PERMUTATION ENTROPY / BASIC VECTOR / PATTERN RECOGNITION / ЭЛЕКТРОПРИВОДНАЯ АРМАТУРА / СПЕКТРАЛЬНЫЙ АНАЛИЗ / ЭНТРОПИЯ ШЕННОНА / ПЕРЕСТАНОВОЧНАЯ ЭНТРОПИЯ / ОПОРНЫЙ ВЕКТОР / РАСПОЗНАВАНИЕ ОБРАЗОВ

Аннотация научной статьи по медицинским технологиям, автор научной работы — Муха Ю.П., Чернов А.В., Абидова Е.А., Хегай Л.С.

Решена задача выделения диагностических признаков методами статистической, спектральной и энтропийной обработки сигналов и логическим анализом их результатов. Результаты обработки данных позволили выбрать наиболее эффективные характеристики (диагностические признаки) сигналов, обеспечивающие разделимость сигналов в выбранном признаковом пространстве, т.е. классификацию. Задача алгоритмизации диагностики электроприводной арматуры (далее ЭПА) решена как задача распознавания образов пяти классов состояния ЭПА на основе сопоставления текущих булевских комбинаций с семью эталонами.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по медицинским технологиям , автор научной работы — Муха Ю.П., Чернов А.В., Абидова Е.А., Хегай Л.С.

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

Algorithmization of processing of diagnostic signals of electrodrive fittings taking into account chaotic components

The problem of selection of diagnostic signs is solved by methods of statistical, spectral and entroic processing of signals and the logical analysis of their results. Results of data processing allowed to choose the most efficient characteristics (diagnostic signs) of signals providing separability of signals in the chosen priznakovy space i.e. classification. The problem of algorithmization of diagnostics of electrodrive fittings (further EPA) is solved as a problem of a pattern recognition of five classes of a condition of EPA on the basis of comparison of the current Boolean combinations to seven standards.

Текст научной работы на тему «Алгоритмизация процесса обработки диагностических сигналов электроприводной арматуры с учетом хаотических составляющих»

Алгоритмизация процесса обработки диагностических сигналов электроприводной арматуры с учетом хаотических составляющих

Ю.П. Муха2, А.В. Чернов1, Е.А. Абидова1, Л.С.Хегай1

1 Волгодонский инженерно-технический институт - филиал Национального исследовательского ядерного университета «МИФИ», Волгодонск, 2Волгоградский государственный технический университет

Аннотация: Решена задача выделения диагностических признаков методами статистической, спектральной и энтропийной обработки сигналов и логическим анализом их результатов. Результаты обработки данных позволили выбрать наиболее эффективные характеристики (диагностические признаки) сигналов, обеспечивающие разделимость сигналов в выбранном признаковом пространстве, т.е. классификацию. Задача алгоритмизации диагностики электроприводной арматуры (далее ЭПА) решена как задача распознавания образов пяти классов состояния ЭПА на основе сопоставления текущих булевских комбинаций с семью эталонами.

Ключевые слова: электроприводная арматура, спектральный анализ, энтропия Шеннона, перестановочная энтропия, опорный вектор, распознавание образов.

Введение

В период планового ремонта блоков атомной электростанции (далее АЭС), который длится менее одного месяца, возникает задача определения технического состояния более 1000 единиц ЭПА. Конструкция ЭПА подразделяется более чем на 200 типов. В соответствии с требованиями АЭС диагностирование проводится по сигналу тока двигателя ЭПА. Таким образом, располагая текущим параметрами сигналов тока, необходимо классифицировать состояние как исправное или неисправное, подлежащее ремонту. Желательно также локализовать неисправность в механической либо электрической части для передачи оборудование в ремонт Электрическому либо Механическому цеху. Кроме этого желательно определить степень неисправности: начальная стадия или развитый дефект.

Постановка задачи

Формализуем задачу для построения автоматического классификатора и обоснованного отбора диагностических признаков. Классы данных:

1) Арматура исправна;

2) Арматура неисправна (начальная стадия дефекта), неисправность в электрической части;

3) Арматура неисправна (состояние ухудшилось), неисправность в механической части;

4) Арматура неисправна (начальная стадия дефекта), неисправность в электрической части;

5) Арматура неисправна (состояние без изменений), неисправность в механической части.

При автоматической классификации и при классификации образа оператором, важно, чтобы признаковое пространство было сформировано эффективно.

Эффективность диагностических признаков определяется в первую очередь методами обработки токового сигнала. При формировании признакового пространства методом главных компонент, в качестве первичных признаков используем статистические, спектральные и хаотические характеристики оцифрованных сигналов.

Выбор статистических и спектральных параметров обусловлен опытом диагностирования различных конструкций ЭПА и требованиями методики, зарегистрированной в госкорпорации "Росатом"[1]. Одним из важнейших параметров, определяемых по огибающей сигнала тока является плавность хода, рассчитываемая по формуле:

■■ = (1)

где 1тах, 1шт, 1тес1ит, наибольшее, наименьшее и медианное среднее значения в огибающей сигнала тока. Значение 7% менее 75% трактуется как неисправное состояние, убывание 7% как ухудшение.

Спектры сигналов тока ЭПА различных конструкций отличаются по виду. Однако показано [2], что развитие дефекта в сигнале сопровождается увеличением глубины модуляции, а в спектре ростом амплитуд гармоник ротора 1Г и дефекта 13.

Выбор энтропийных параметров обусловлен чувствительностью энтропии Шеннона Н^ и перестановочной энтропии Нрег к хаотическим составляющим сигнала электромеханического оборудования, сопровождающих проявление дефектов [3,4]. Методика расчета энтропийных параметров представлена в [5].

Разработка структуры алгоритма диагностики

Компоненты диагностического вектора (амплитуды в спектре, плавность хода, энтропия Шеннона и перестановочная энтропия) могут быть представлены следующим выражением:

Диагностика по близости предъявленного образа к кластерам исправной и неисправной арматуры должно производиться автоматически.

С целью оценки возможности классификации в таблицу 1 сведены компоненты диагностического вектора исправной и неисправной арматуры одного и того же типа. ЭПА №1 исправна. В ЭПА №№2,3 неисправна механическая часть. При чем, неисправность в №2 выражена меньше, чем в ЭПА №3. В ЭПА №№4,5 неисправна электрическая часть. При чем, неисправность в №4 выражена меньше, чем в ЭПА №5.

По таблице 1 видно, что состояние может быть классифицировано по векторам.

Г 4. 1

£3 =

НА

(2)

Таблица № 1

Значения компонентов диагностического вектора

ЭПА №1 ЭПА №2 ЭПА №3 ЭПА №4 ЭПА №5

89% 71% 57% 73% 70%

к 0,01 0,2 0,15 0,1 0,6

к 0 0,15 0,14 0 0

Н$Н 6,6 10,4 11,9 11,6 11,5

Нрег 7,1 7,4 4,4 7,0 4,9

Отделить исправное состояние от неисправного можно исходя из снижения плавности хода, роста значения 1Г и энтропии Шеннона. Отнести класс состояния к неисправности в механической части либо неисправности в электрической части можно опираясь на такой признак как рост амплитуды I (который соответствует только механическому дефекту). Снижение перестановочной энтропии наблюдается при резком ухудшении состоянии ЭПА.

Образы должны обеспечивать полную разделимость классов ЭПА и, если это возможно, их компактность в признаковом пространстве (относительно малое расстояние между образами одного класса при большом расстоянии между классами).

Классификация состояний может быть описана при помощи булевских комбинаций[6]. При чем соответствие текущего параметра эталону исправного состояния описывается логическим 0, а отклонение параметра от эталона более, чем на 20%, описывается логической единице. Булевские комбинации, соответствующие классифицируемым состояниям представлены в таблице 2.

Таблица № 2

Классификация состояний при помощи булевских комбинаций

Состояние ЭПА Соответствие эталону

исправного состояния

% К 4 Нрег

Арматура исправна 0 0 0 0 0

Арматура неисправна (начальная 1 1 0 1 0

стадия дефекта), неисправность в 1 1 0 0 0

электрической части

Арматура неисправна (развитый 1 1 0 1 1

дефект), неисправность в

электрической части

Арматура неисправна (начальная 1 1 1 1 0

стадия дефекта), неисправность в 1 1 1 0 0

механической части

Арматура неисправна (развитый 1 1 1 1 1

дефект), неисправность в

механической части

В связи со сложностью классификации начальной стадии для различных типов ЭПА этим состояниям соответствует два вектора. Некоторые булевские комбинации, например, 01111 исключены, из-за физической невозможности данного состояния (высокая плавность хода одновременно с отклонениями в спектре и хаотичностью сигнала).

Требуется построить текущий опорный вектор и сопоставить его с булевскими комбинациями. Вероятность ошибок первого или второго рода должны быть сведены к минимуму.

Рис. 1. Алгоритм диагностики электроприводной арматуры с использованием энтропийных методов

Таким образом, алгоритмизация процесса обработки сигналов тока ЭПА связана с расчетом параметров, являющихся диагностическими признаками. Эти параметры формируют опорный вектор текущего состояния. Происходит сохранение параметров в базе данных. На основе сопоставления параметров исправного состояния и текущего состояния формируются булевские комбинации, отражающие отклонение текущих параметров от параметров исправного состояния. Булевские комбинации сопоставляются с семью эталонами, хранящимися в базе данных. Если соответствие не найдено, формируется сообщение об ошибке. Определенное

текущее состояние предоставляется оператору и регистрируется в базе данных.

Заключение

В настоящей работе задача диагностики ЭПА решается как задача распознавания образов пяти классов. Для синтеза искомой системы распознавания образов была решена задача выделения признаков. Эта задача решена методами обработки сигналов и логическим анализом их результатов. Результаты обработки данных позволили выбрать эффективные характеристики (диагностические признаки) сигналов: амплитуды в спектре, плавность хода, энтропия Шеннона и перестановочная энтропия. Данные признаки, отображающие линейные и хаотические составляющие диагностического сигнала ЭПА, обеспечивают надежную разделимость сигналов в выбранном признаковом пространстве, т.е. классификацию. Логический анализ данных позволяет отнести ЭПА к исправному состоянию либо к одному из классов неисправного состояния (локализовать неисправность), а также установить степень неисправности.

Литература

1. Слепов М. Т. и др. Технологии анализа диагностических параметров электроприводной арматуры на действующих энергоблоках Нововоронежской АЭС. Абидова Е. А., Никифоров В. Н., Пугачева О. Ю., Слепов М. Т.// Электротехнические комплексы и системы управления. -2014. - №4. - С. 16-22.

2. Абидова Е.А. Идентификация информационных процессов в системе диагностики электроприводной арматуры атомных станций: автореф. дис. канд. техн. наук: -Волгоград, 2011. - 18 с.

3. Lei, Y., Z. He, and Y. Zi, A new approach to intelligent fault diagnosis of rotating machinery. Expert Systems with Applications, 2008. 35(4): pp. 15931600.

4. Zhang, L., et al., Bearing fault diagnos is using multi-scale entropy and adaptive neuro-fuzzy inference. Expert Systems with Applications, 2010. 37(8): pp. 6077-6085.

5. Чумак О. В. Энтропия и фракталы в анализе данных - М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», Институт компьютерных исследований, 2011. - 164 с

6. Шепель В.Т., Дроков В.Г., Гайдай М.С. Повышение эффективности эксплуатационного контроля трансмиссионных подшипников авиационных газотурбинных двигателей. Сборник научных трудов РГАТА, Рыбинск, 2002. С. 29-33.

7. D. Rulle, Deterministic chaos: the science and the fiction, Proceedings of the Royal Society of London A 427 (1990): pp. 241-248.

8. L.S. Qu, J.D. Jiang, The complexity analysis of vibration signals of large rotating machinery, Journal of Xi'an Jiaotong University 32 (6) (1998): pp. 31-35 (in Chinese).

9. Чернов А.В., Пугачёва О.Ю., Абидова Е.А. Обработка диагностической информации при оценке технического состояния электроприводной арматуры АЭС // Инженерный вестник Дона, 2011, №3 URL: ivdon.ru/ru/ magazine/archive/n3y2011/499.

10. Гаглоева И.Э., Добаев А.З., Дедегкаева А.А. Разработка математической модели комплексной оценки состояния электроэнергетических объектов // Инженерный вестник Дона, 2013, №3 URL: ivdon.ru/ru/magazine/archive/n3y2013/1842.

References

1. Abidova E. A., Nikiforov V. N., Pugacheva O. Ju., Slepov M. T. Jelektrotehnicheskie kompleksy i sistemy upravlenija (Rus), 2014. №4. pp. 16-22.

2. Abidova E.A. Identifikacija informacionnyh processov v sisteme diagnostiki jelektroprivodnoj armatury atomnyh stancij [Identification of informational processes in system of diagnostics of electrodrive fittings of nuclear power plants]: avtoref. dis. kand. tehn. nauk: Volgograd, 2011. 18 p.

3. Lei, Y., Z. He, and Y. Zi, A new approach to intelligent fault diagnosis of rotating machinery. Expert Systems with Applications, 2008. 35(4). pp. 15931600.

4. Zhang, L., et al., Bearing fault diagnos is using multi-scale entropy and adaptive neuro-fuzzy inference. Expert Systems with Applications, 2010. 37(8). pp. 6077-6085.

5. Chumak O. V. Jentropija i fraktaly v analize dannyh [Entropy and fractals in the analysis of data] - M.-Izhevsk: NIC «Reguljarnaja i haoticheskaja dinamika», Institut komp'juternyh issledovanij, 2011. 164 p.

6. Shepel' V.T., Drokov V.G., Gajdaj M.S. Povyshenie jeffektivnosti jekspluatacionnogo kontrolja transmissionnyh podshipnikov aviacionnyh gazoturbinnyh dvigatelej [Increase in effectiveness of operational monitoring of transmission bearings of aviation gas-turbine engines]. Sbornik nauchnyh trudov RGATA, Rybinsk, 2002. P. 29-33.

7. D. Rulle, Deterministic chaos: the science and the fiction, Proceedings of the Royal Society of London A 427 (1990). pp. 241-248.

8. L.S. Qu, J.D. Jiang, The complexity analysis of vibration signals of large rotating machinery, Journal of Xi'an Jiaotong University 32 (6) (1998): pp. 31-35 (in Chinese).

9. Chernov A.V., Pugachjova O.Ju., Abidova E.A. Inzhenernyj vestnik Dona (Rus), 2011, №3. URL: ivdon.ru/ru/ magazine/archive/n3y2011/499.

10. Gagloeva 1.1е., Dobaev К.Ъ, Dedegkaeva А.А. Inzhenernyj vestnik Бопа (Яш), 2013, №3. иЯЬ: ivdon.ru/ru/magazine/archive/n3y2013/1842.

i Надоели баннеры? Вы всегда можете отключить рекламу.