CC BY
39
Список литературы:
1. Артамонов Б.А., Волков Ю.С., Дрожалова В.И. и др. Электрофизические и электрохимические методы обработки материалов: учеб. пособие: в 2-х томах. Т. 1. - М.: Высш. шк., 1983. - 247 с., ил.
2. http://met.biz.ua/produktsiya/po-tipam/elektroerozionnye.html.
3. http://www.isolidcam.com/ru/reshenija-cam/eЫektroehrozionnaja-obrabotka/.
АНАЛИЗ УРОВНЯ ДЕГРАДАЦИИ ОБОРУДОВАНИЯ ПИЩЕВЫХ ПРОИЗВОДСТВ С ПОМОЩЬЮ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ
© Костин А.М.*, Яблоков А.Е.*, Благовещенская М.М.*
Московский государственный университет пищевых производств,
г. Москва
В данной статье рассматривается нейросетевой подход, основанный на нечеткой мозжечковой модели артикуляционного контроля (НММАК), которую предлагается проанализировать механизмом тяжести деградации технологического оборудования пищевых производств. В НММАК сеть может работать как «классификатор» уровня деградации. Ниже представлен пример, чтобы продемонстрировать этот метод и результаты показывают, что НММАК сеть способна ранжировать степень тяжести дефектов технических объектов пищевой отрасли. С анализом деградации пищевых агрегатов и оборудования, техническое обслуживание может осуществляться до возникновения отказа, таким образом, предотвращение фатальных поломок будет производиться более эффективно. Целью работы является разработка методов и средств нелинейной классификации уровня деградации технологического оборудования с использованием искусственных нейронных сетей с нечеткой мозжечковой моделью артикуляционного контроля (НММАК).
Ключевые слова: нечеткие нейронные сети, пищевая промышленность, деградация оборудования, классификатор дефектов.
Технологическое оборудование пищевых производств в процессе эксплуатации проходит через бесконечное множество технических состояний от исправного до дефектного. Поломка машины не всегда является внезапным явлением. Детали и механизмы в процессе своей работы изнашивают-
* Аспирант кафедры Автоматизированных систем управления биотехнологическими процессами.
* Доцент кафедры Пищевой инженерии, кандидат технических наук.
" Заведующий кафедрой Автоматизированных систем управления биотехнологическими процессами, доктор технических наук, профессор.
ся, в них возникают усталостные напряжения, микротрещины, которые в конечном итоге и приводят к разрушению. Этот процесс в технике принято называть «деградацией». В процессе деградации, агрегаты по-прежнему функциональны и не показывают снижения производительности. Но изношенные рабочие органы и детали, дисбаланс вала, ослабление крепежа и развитие трещин - всё это может рассматриваться как признаки различных стадий деградации.
Машины роторного типа широко используются в пищевой промышленности. Характерными дефектами машин являются: дисбаланс вала или ротора, износ рабочих органов, деталей и подшипников, осевое смещение валов, дефекты муфт и монтажа, неисправности привода и др. [1, 2].
Причиной дисбаланса рабочих органов является ошибки монтажа, неравномерный износ, налипания продукта. При этом, машина является работоспособной, но неисправной, т.к. нормы на дисбаланс нарушены. Повышенный дисбаланс в конечном итоге приведет к поломке машины. Поэтому наличие в машине дисбаланса и уровень его значения можно охарактеризовать как одну из форм деградации, уровни которых характеризуют вероятность поломки и последствия отказа.
На современных предприятиях пищевых производств широко используются системы автоматического контроля машин и технологических процессов. Эффективно работающее оборудование повышает производительность труда, снижает себестоимость и обеспечивает требуемое качество конечного продукта. Сложность и высокая стоимость оборудования предъявляют высокие требования к его функциональной надежности. На сегодняшний день разработаны различные виды информационно-измерительных систем мониторинга и диагностики технических объектов [3, 4]. Однако такие системы не могут эффективно прогнозировать аварийные остановки оборудования.
В последнее время искусственные нейронные сети (ИНС) используются для решения широкого круга задач в промышленности, таких как интеллектуальное управление, диагностика неисправностей, прогнозирование и пр. [5, 6, 7]. Решения на базе искусственного интеллекта нашли применения и в пищевой отрасли [8, 9]. Использования методов нейросетевого анализа данных для решения задач мониторинга и технической диагностики различных дефектов молотковых дробилок представлены в работе [10]. Для выявления дефектов муфт, дисбаланса ротора, дефектов подшипников успешно использована нейронная сеть архитектуры «Многослойный персеп-трон». Однако результатом диагностирования является бинарный результат типа «есть дефект» / «нет дефекта». Степень развития дефекта (деградации) не определяется.
Для эффективного использования нейросетевого метода анализа необходимо предварительно обучить сеть на контрольных примерах, характери-
зующих нормальное состояние машины и состояние с различной степенью деградации деталей [5, 6]. Сеть с НММАК может работать как «классификатор» уровня деградации.
По результатам диагностики оборудования будут планироваться сроки и объемы технического обслуживания и ремонта, что позволит предотвращать аварийные ситуации и повысить эффективность технического обслуживания производственных фондов.
Стадии деградации могут быть разделены на ранги, более детально представляющие их тяжесть. В этом случае статус оборудования рассматривается как один из множества:
£(0 е {1,2,..., N -1, Щ,
где первое состояние представляет собой идеальное состояние перед любой деградацией, а статус N - статус аварии.
В промежуточных состояниях: 2, 3, N - 1 представлены промежуточные стадии деградации (рис. 1). Ухудшение состояния может быть исправлено и восстановлено до идеального состояния благодаря грамотным операциям технического обслуживания (ремонт, замена и т.д.). В противном случае техническое состояние перерастает в аварийное.
состояние объекта
Рис. 1. Количественное описание машинного деградационного статуса
Впервые сеть с ММАК применили для анализа деградации машин [7]. Сеть работала на основе шаблона дискриминантной модели (ММАК - ШДМ) для мониторинга и оценки положения точности и прямолинейность пути. Однако, в его исследованиях, необработанные данные с датчиков поступали напрямую в ММАК - ШДМ модель, без комплексной обработки сигнала, что снижает его точность.
Сеть с ММАК впервые была предложена как метод управления, основываясь на принципах поведения мозжечка. 2Б ММАК структура проиллюстрирована на рис. 2 [5,6]. Здесь, каждое входящее множество ^ и s2 разделены на 7 локаций и три вида сегментов, или так называемых этажа, использующихся для каждого статуса s2). На первом этаже, меняющиеся s1, s2 разделены на различные блоки A, B, C и a, Ь, c, соответственно. Области Aa, Ab, Ac, Ba, Bb, Bc, Ca, СЬ и Сс, называются гиперкубами, это места, где хранятся данные. Сеть может обучаться путем корректировки данных, хранящихся в гиперкубах. Рассмотрим положение (4,4), оно относится к гиперкубам: Bb, Ee и ИЬ. Алгоритм подобной сети может быть описан в качестве вычислительного устройства р = /(5) при выполнении серии сопоставлений:
^ ^ М ^ А ^ Ар ^ р,
где £ - это и-пространственный входной вектор (s1, s2, ..., sя), М - набор кодов, используемый для кодирования А - объединяющий вектор, связанный с М, Ар - набор таблиц физической памяти, в которой хранятся значения и р - сетевой вывод. Первое отображение преобразует входной вектор s в двоичный вектор т,, выступая в первом блоке на каждом уровне. Отображение М ^ А реализовано путем конкатенации соответствующего элемента в каждой т,, чтобы решить адресованный гиперкуб на каждом уровне.
Рис. 2. Структура 2-Б ММАК
В объединенном пространстве а, имеет цифровое значение «1», если ссылается на /-ый гиперкуб и «0» если нет. А - набор ссылок адресации гиперкубов (А*| = g).
А ^ Ар отображение цели, чтобы сократить память в реальных приложениях.
Вычислительные исходные данные - это сумма коэффициентов значений, хранящихся во всех адресуемых гиперкубах в физической памяти Ар:
Р = 1
j—1
aw..
j j
(1)
Процедура обучения сети осуществляются путем подбора весовых коэффициентов с учетом ошибки между исходными фактическими значениями и прогнозируемыми. Корректировка весовых коэффициентов осуществляется согласно формуле:
w+1=w +(p - pd). g
j
j
(2)
В сети с НММАК, /-ая входная переменная может быть закодирована в более чем одном блоке на каждом этапе, и имеет степень принадлежности к этим адресованным блокам, вместо «1» или «0». В большинстве случаев используемая функция принадлежности является Гауссовской функцией:
da =
exp
0
(S -М, )2 ' 2(ст / 3)2
или s; -м р i — 1,2,...,n,
(3)
где ¡й - центр ^ блока в /-ой оси, а - радиус определенной окрестности, которая ограничивает его активную область. Каждый уровень организован как линейная таблица, содержащая множество правил. Например, в р-ом линейной таблице, есть Щ, р) функции принадлежности к /-ой оси: й\рр,..., (см. рис. 3).
Рис. 3. Гауссовская функция на /-ой осиp-го этапа В p-ой линейной таблице N(1, p) х N(2, p) х... х N(n, p) упрощенно, пра-
— d(p) и — d(p) гда z — f (li, 12,..., ln), (lt = 1,2,..., N (i, p); i = 1,2,..., n).
вила нечеткого вывода следующие: если s1 — djp^ и s2 — d2p2) и s.
— d( p) то-
Рис. 4 иллюстрирует контур Гауссовской функции, основанной на нечеткой НММАК сети.
Среднеквадратическая ошибка (СКО) определяется для оценки результатов испытания сети.
(4)
где ^ - область входного вектора набора, Щ - общее количество испробованных векторов. Процедура обучения останавливается, когда ошибка сети достигает заданного значения.
Для практического анализа уровня деградации используется два подхода:
1. Состояние машины известно, уровни деградации прописаны. В этой ситуации, процедура анализа деградации сводится к задаче распознавания образов. Сеть с НММАК может успешно использоваться как «классификатор» дискриминационных уровней деградации.
2. Поведение машины на протяжении ее жизненного цикла неизвестно, доступны только косвенные данные. В этом случае режим «классификатор» работает неудовлетворительно, т.к. только с нормальными данными, деградация может быть обнаружена путем анализа того, насколько сильно новые данные отличаются от тех, которые наблюдались для эталонного состояния.
Рис. 4. Строение нечеткой НММК сети
е
Входные величины имеют узкое входное пространство, в сети с ММАК будет большое пересечение в объединенном пространстве, и входные точки будут иметь слишком малое или не иметь пересечения вообще. НММАК наследует и усиливает это свойство. Так что, если вновь появившееся условие отклоняется от нормального состояния, выход сети будет так же отклоняться от нормы, а градус отклонения будет отражать уровень деградации. Уникальное сопоставление характера с отличной способностью локализации и обобщения сети НММАК делает его хорошим «условным дискриминатором».
Таблица 1
Ранговая оценка уровня деградации машины
Описание деградации Присвоенное значение
Норма 1
Сверх нормальная 2
Слегка высокая 3
Высокая 4
Очень высокая 5
Слишком высокая 6
Авария 7
Рис. 5. Блок-схема обучения сети с НММАК и анализа уровня деградации
Для количественной оценки уровня деградации оборудования нами предложена ранговая классификация от 1 «норма» до 7 «авария» в терминах, принятых в теории нечетких множеств (см. табл. 1) и удобных для постановки экспертных оценок.
По результатам исследований разработан алгоритм процедур обучения сети с HMMАK и анализа уровня деградации оборудования. Блок схема представлена на рис. 5.
Быводы:
1. Техническое обслуживание оборудования предприятий пищевых производств осуществляется по алгоритму «отказ» - «ремонт», что приводит к внезапным авариям и простоям.
2. Лнализ тематических исследований показал, что HMMАK сети хорошо представлены в задачах классификации уровня деградации как «классификатор».
3. Для определения уровня деградации оборудования предложено использовать нейронную сеть с HMMАK. Установлено, что для количественной оценки деградации наиболее оптимально использовать семь рангов от 1 «Hормa» до 7 «Авария».
4. Определение уровня деградации с помощью искусственной нейронной сети позволит определять степень развития дефектов, прогнозировать сроки и виды технического обслуживания и ремонта оборудования пищевых производств еще до его отказа, что позволит избежать аварийных ситуаций на производстве.
Список литературы:
1. Авроров Б.Л. Диагностика, ремонт, монтаж, сервисное обслуживание оборудования пищевых производств: учеб. пос. I Б.Л. Авроров, КД. Тутов, Л.Б. Терентьев, Б.С. Школаев. - Старый Оскол: ТЭТ, 2012. - 664 с.
2. Современные технологии и технический прогресс. (Сборник статей по материалам VI Международной научно-практической конференции 22 сентября 2015 г. Боронеж) II Бопросы науки. - 2015. - Т. 7. - C. 4-10.
3. Современные тенденции технических наук: материалы IV Междунар. науч. конф. (г. Kaзaнь, октябрь 2015 г.). - Kaзaнь: Бук, 2015. - C. 96-100.
4. ^стин Л.М. Распределенные автоматизированные системы интеллектуального мониторинга оборудования пищевых предприятий I Л.М. Юэс-тин, Л.Е. Яблоков, И.Г. Благовещенский, С.М. ^сеню II Пищевая промышленность. - 2015. - № 6. - С. 14-17.
5. Lin C.C., Wang H.P. (1996) Performance analysis of rotating machinery using enhanced cerebellar model articulation controller (e-cmac) neural networks. Comput Ind Eng 30(2): pp. 227-242.
6. Albus J.S. (1975b) A new approach to manipulator control: the Cerebellar Model Articulation Controller (CMAC). J Dyn Syst Meas Control pp. 220-228.
7. Lee J. (1996b) Measurement of machine performance degradation using a neural network model. Comput Ind 30: 193-209.
8. Благовещенская М.М. Методика автоматической оценки качества пищевых изделий на основе теории искусственных нейронных сетей / М.М. Благовещенская, И.Г. Благовещенский, Е.А. Назойкин // «Пищевая промышленность». - 2015. - № 2. - С. 42-45.
9. Благовещенская М.М., Шаверин А.В., Благовещенский И.Г. Автоматизация контроля показателей вкуса шоколадных изделий на основе использования нейронных сетей // Хранение и переработка сельскохозяйственного сырья. - 2012. - № 8. - С. 50-52.
10. Яблоков А.Е. Нейросетевые технологии в задаче мониторинга машин комбикормового производства // Хранение и переработка сельхозсырья. -2015. - № 6. - С. 41-44.
