CC BY
177
УДК 65.018
С. В. Головко
ДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ СУДОВОГО ЭЛЕКТРООБОРУДОВАНИЯ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Введение
Обеспечение безопасности мореплавания является важнейшим требованием к эксплуатации судна. Безопасность мореплавания в большой степени связана с обеспечением надежности работы судовых комплексов, которая, в свою очередь, зависит от их технического состояния. В процессе эксплуатации, в результате воздействия различных факторов, режимов и условий работы, исходное техническое состояние электрооборудования непрерывно ухудшается, возрастает вероятность возникновения отказов.
Значительный износ электрооборудования приводит к дополнительным потерям энергии, снижению надежности функционирования, возрастанию его аварийности и отказов. Надежность электрооборудования во многом определяется не только уровнем качества изготовления, но и от того, насколько научно обоснованы эксплуатация, техническое обслуживание и ремонт [1].
Наиболее эффективной системой технического обслуживания и ремонта электрооборудования в настоящее время является система, при которой методы организации ремонта базируются на индивидуальном наблюдении изменения технического состояния в процессе эксплуатации путем контроля и диагностики, проводимых с глубиной и периодичностью, установленными технической документацией.
В настоящее время используется и разрабатывается много информационных систем, методов и средств контроля и диагностики технического состояния электрооборудования. Вместе с тем необходимо совершенствование существующих и разработка новых технологий и практических методов, которые обеспечивали бы эффективное техническое обслуживание и ремонт электрооборудования по техническому состоянию.
Одним из направлений, определяющих повышение качества информационных технологий контроля и диагностики технического состояния, следует считать интеллектуализацию процессов обработки диагностической информации с использованием технологии экспертных систем, которые способны обеспечить повышение качества распознавания технического состояния объекта.
Наиболее широкое распространение в качестве систем поддержки принятия решений получили экспертные системы. Подобные системы способны аккумулировать знания, полученные человеком в различных областях деятельности. Посредством экспертных систем удается решить многие современные задачи, в том числе и задачи управления. Однако большинство систем все еще основываются на правилах классической логики [2].
Нечеткие системы, так же как и классические, тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.
Целевая установка процесса управления связывается с выходной переменной нечеткой системы управления, но результат нечеткого логического вывода является нечетким, а физическое исполнительное устройство не способно воспринять такую команду. Необходимы специальные математические методы, позволяющие переходить от нечетких значений величин ко вполне определенным.
Упрощенная структурная схема экспертной системы оценки и прогнозирования технического состояния и принятия решений о дальнейшей эксплуатации электрооборудования показана на рис. 1.
Рис. 1. Упрощенная структурная система экспертной системы
Надежность, экономичность и безопасность функционирования судна в значительной степени определяется уровнем эксплуатационной надежности основного электрооборудования (синхронные генераторы (СГ), асинхронные электродвигатели, трансформаторы и т. д.). Поэтому представляется целесообразным обеспечить диагностирование технического состояния и принятие обоснованных решений о стратегии и дальнейшей эксплуатации в первую очередь СГ, от уровня технического состояния которых зависит работоспособность станции в целом.
Целью исследований являлась разработка модели экспертной системы оценки и прогнозирования технического состояния на основе интеллектуального управления по комплексному критерию качества с учетом работоспособности оборудования.
Для достижения поставленной цели сформулированы и решены следующие задачи.
1. Разработка частных и комплексного показателей качества диагностических параметров судового электрооборудования [3].
2. Разработка нечеткой модели интеллектуальной системы управления диагностическим комплексом.
Для повышения быстродействия системы управления необходимо уменьшить число диагностируемых параметров. Для перехода от качественной оценки диагностического состояния объекта к количественной предлагается строить систему принятия решений с использованием комплексного критерия качества, построенного на основе функций желательности Харрингтона. Комплексный критерий качества преследует цель упростить процесс обработки больших объемов диагностических данных, а также получить дифференцированную оценку технического состояния оборудования, в достаточной степени независимую от способа диагностики.
Идея использования функции желательности в качестве оценочного параметра заключается в том, что значение каждого из параметров диагностики уи, которых в задаче может быть сколь угодно много, переводится в соответствующую желательность йи:
йи = ехр[-ехр(-Уи)]. (1)
Полученная шкала желательности изменяется от 0 до 1:
— 0-0,37 - нежелательный уровень;
— 0,37-0,63 - хороший и удовлетворительный уровень;
— 0,63-0,8 - хороший уровень;
— 0,8-1,0 - отличный уровень.
Затем формируется обобщенная функция желательности D, представляющая собой среднее геометрическое желательностей отдельных оценочных параметров:
D = qjd1d2...dq , (2)
где q - число параметров диагностики.
Методология системного моделирования служит концептуальной основой системноориентированной структуризации предметной области. В этом случае исходными компонентами концептуализации являются системы и взаимосвязи между ними. Результатом системного моделирования является построение некоторой модели системы и соответствующей предметной области, которая описывает важнейшие с точки зрения решаемой проблемы аспекты системы.
Для реализации процесса нечеткого моделирования можно использовать соответствующую библиотеку нечеткой логики (Fuzzy Logic Toolbox) из пакета MATLAB.
Для формирования базы правил систем нечеткого вывода необходимо предварительно определить входные и выходные лингвистические переменные. В качестве входных переменных используем обобщенный критерий Харрингтона D, максимальный dBm и собственный dBc шумы подшипника [4], сопротивление изоляции обмотки I. В качестве выходной переменной используем степень работоспособности оборудования R.
На рис. 2 представлена модель диагностирования судового электрооборудования.
I
Рис. 2. Модель диагностирования судового электрооборудования
В качестве терм-множества первой лингвистической переменной будем использовать множество D = {«плохо», «удовлетворительно», «хорошо», «очень хорошо»}, в качестве терм-множеств второй, третьей и четвертой лингвистических переменных используем множества dBm, dBc, I = {«очень плохо», «плохо», «хорошо», «отлично»}. При этом каждый из термов входных переменных будем оценивать от 0 до 1. В качестве терм-множества выходной лингвистической переменной «Степень работоспособности» будем использовать множество R = {«30 %», «50 %», «80 %» «100 %»} [5].
С учетом сделанных уточнений рассмотренная субъективная информация о степени работоспособности электрооборудования может быть представлена в форме 256 правил нечетких продукций, что затрудняет их визуальный контроль и оценку. На рис. 3 представлена структура сгенерированной системы нечеткого вывода типа Сугено.
Рис. 3. Структура сгенерированной системы нечеткого вывода
Процедура нечеткого вывода, выполненная системой МЛТЬЛБ для разработанной нечеткой модели, выдает в результате значение выходной переменной «Степень работоспособности» (рис. 4).
Рис. 4. Правила сгенерированной системы нечеткого вывода для значения входных переменных [0.5 0.5 0.5 0.5]
В качестве входных переменных использованы: критерий Харрингтона, максимальный и собственный шумы подшипника, сопротивление обмоток, взятые на среднем уровне 0,5. Проверка построенной модели может быть выполнена для нескольких значений выходной переменной. Сравнение результатов нечеткого вывода для этих значений входных переменных, полученные на основе численных расчетов и с помощью разработанной нечеткой модели МЛТЬЛБ, показывает хорошую согласованность модели и подтверждает ее адекватность в рамках рассматриваемой модели.
Для общего анализа адекватности разработанной нечеткой модели также может оказаться полезной визуализация соответствующей поверхности нечеткого вывода представленного на рис. 5.
Рис. 5. Визуализация поверхности нейронечеткого вывода
Данная поверхность нечеткого вывода позволяет установить зависимость значений выходной переменной от значений входных переменных нечеткой модели системы управления электрооборудованием при фиксировании остальных переменных на основном уровне. Эта зависимость может послужить основой для программирования контроллера или аппаратной реализации соответствующего нечеткого алгоритма управления в форме соответствующей таблицы решений.
Заключение
Разработанная модель управления судовым электрооборудованием по диагностическим параметрам с использованием графических средств системы MATLAB может выполнить оценку системы нечеткого вывода для задачи автоматического управления электрооборудованием.
Более удобным и менее трудоёмким процессом для системных аналитиков является использование методов нейронных сетей для построения правил нечетких продукций. Нечёткие нейронные сети или гибридные сети призваны объединить в себе достоинства нейронных сетей и систем нечёткого вывода. Они позволяют разрабатывать и представлять модели систем в форме правил нечётких продукций. Среда MATLAB предоставляет средства разработки гибридных сетей с помощью моделей адаптивных систем нейронечеткого вывода (ANFIS, Adaptive Neuro-Fuzzy Inference System). В последнее время аппарат гибридных сетей повсеместно признаётся специалистами как один из наиболее перспективных для решения слабо- или плохоструктурированных задач прикладного системного анализа.
СПИСОК ЛИТЕРАТУРЫ
1. Назарычев А. Н. Основные принципы системы технического обслуживания и ремонта электрооборудования по техническому состоянию // Надежность либерализованных систем энергетики / под ред. Н. И. Воропая, А. Д. Тевяшева. - Новосибирск: Наука, 2004. - С. 173-189.
2. Круг П. Г. Нейронные сети и нейрокомпьютеры. - М.: Изд-во МЭИ, 2002. - 176 с.
3. Головко С. В., Нестеров О. С., Чавычалов Д. Ю. Инновационный диагностический комплекс // Инновационные технологии в управлении, образовании, промышленности - «АСТИНТЕХ-2007»: материалы Всерос. науч. конф. - Астрахань: Издат. дом «Астраханский университет», 2007. - С. 80-84.
4. Информационные технологии в диагностировании судового электрооборудования / О. С. Вахромеев, С. В. Головко, О. С. Нестеров, Д. Ю. Чавычалов // Теория, методы и средства измерений, контроля и диагностики: материалы VII Междунар. науч.-практ. конф. - Новочеркасск: ЮРГТУ, 2006. - С. 27-32.
5. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. - СПб.: БХВ - Петербург, 2005. - 736 с.
Статья поступила в редакцию 1.10.2009
DIAGNOSTICS OF TECHNICAL CONDITION OF SHIP ELECTRIC EQUIPMENT ON THE BASIS OF THE INTELLECTUAL DATA ANALYSIS
S. V. Golovko
Reliability of functioning of ship electric equipment substantially depends on its technical condition. While in service as a result of influence of various factors, modes and working conditions the initial technical condition of electric equipment continuously worsens, the probability of occurrence of refusals increases. Searching for defect is realized on the base of the measurements and analysis of diagnostic parameters, number of which can be big enough, but requirements to speed and accuracy of the measurements are very hard. One of the directions defining improvement of quality of information technology of the control and diagnostics of technical condition, it is necessary to consider intellectualization of the processes of processing of the diagnostic information with the use of technology of expert systems which are capable to provide improvement of quality of recognition of technical condition of the object.
Key words: diagnostics, ship electric equipment, modelling, artificial neural networks, indistinct managerial.
9З
