CC BY
113
Козловский В. Н. Kozlovskiy V N.
доктор технических наук, профессор, заведующий кафедрой «Теоретическая и общая
электротехника», ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Российская Федерация
Петровский С. В. Petrovskiy S. V.
ведущий инженер кафедры «Электрические станции», ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Российская Федерация
Новикова А. П. Novikova Л Р.
ассистент кафедры «Теоретическая и общая электротехника», Федеральное государственное бюджетное образовательное учреждение высшего образования, ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Российская Федерация
УДК 629.331
ЭЛЕКТРОТЕХНИЧЕСКИЙ И ИНФОРМАЦИОННО-ДИАГНОСТИЧЕСКИЙ КОМПЛЕКС ОЦЕНКИ ПАРАМЕТРОВ ФУНКЦИОНИРОВАНИЯ АВТОНОМНОГО ТРАНСПОРТНОГО ОБЪЕКТА
Представленная работа посвящена актуальной в настоящее время проблеме, связанной с развитием интеллектуальных электротехнических и информационных комплексов обеспечения эффективности эксплуатации автотранспортных средств. В статье представлены результаты разработки концепции и определяющих ее моделей по оценке параметров функционирования системы зажигания электрооборудования автомобилей. Идея работы состоит в создании бортовой электротехнической интеллектуальной системы определения параметров функционирования системы зажигания в установленных границах с точки зрения обеспечения требуемой электромагнитной совместимости.
Наличие микропроцессорных систем и интеллектуальных датчиков внутри системы управления двигателем внутреннего сгорания, в том числе в системе зажигания и внутри других устройств современных автомобилей, создаёт благоприятную среду для построения интеллектуально-информационных диагностических систем на их основе.
Функционал интеллектуально-измерительной диагностической системы состоит в выработке экспертной оценки, на основе которой принимается решение выполнения действия по изменению уровня электромагнитного возмущения, причем действие обеспечивается для достижения изначально поставленной цели (выработка управления). Системой прогнозируется значение параметра результата действия, которая сопоставляется с реальными рабочими параметрами, тем самым образуется обратная связь для корректировки экспертной оценки или управления.
Диагностическая система, разработанная в ходе данной работы, представляет собой демонстрационный прототип, показывающий целесообразность и реализуемость предложенного подхода к контролю над соблюдением требований по электромагнитной совместимости электрооборудования автомобиля.
В настоящем исследовании диагностические данные обрабатываются с помощью подхода, основанного на алгоритмах классификации, осуществляющихся программой ВЕКА для интеллектуального анализа данных (версии 3.6.8.), и с помощью вычислительного эксперимента, основанного на методе опорных векторов, реализованного в ENCOG Workbench (версия 3.1).
Ключевые слова: качество, надежность, автомобиль, электрооборудование, система зажигания, электротехнический информационно-диагностический комплекс.
ELECTROTECHNICAL AND INFORMATION-DIAGNOSTIC COMPLEX FOR EVALUATION OF PARAMETERS OF FUNCTIONING OF AUTONOMOUS TRANSPORT OBJECT
The present work is devoted to actual, at the present time, the problems associated with the development of intelligent electrical and information systems the operational efficiency of vehicles. The article presents the results of
ELEcTRicAL FAciLiTiES AND SYSTEMS
concept development and defining of its models in the estimation of parameters of functioning of the ignition system of the electrical cars. The idea is to create intelligent on-Board electrical system of determining the parameters of functioning of the ignition system within the set boundaries from the point of view of providing the required electromagnetic compatibility.
The presence of microprocessor systems and smart sensors inside of the control system of an internal combustion engine, including the ignition system and other devices inside a modern car, creates a favourable environment for building intelligent information diagnostic systems based on them.
The functionality of intellectually-measuring diagnostic system is to provide expert assessment on the basis of which the decision to change the level of electromagnetic disturbances, and works to achieve their original goals (output control). The predicted system parameter value of the result of the actions that are mapped to real operating parameters. Thus is formed a feedback for correction of the expert assessment or management.
Diagnostic system developed during this work represents a demonstration prototype showing the feasibility and feasibility of the proposed approach to monitoring compliance with requirements for electromagnetic compatibility of electrical equipment of the car.
In the present study, the diagnostic data are handled by using approaches based on classification algorithms, carried out the program of the CENTURY for mining (version 3.6.8.), and with the help of computational experiment using a support vector machine, implemented in ENCOG Workbench (version 3.1).
Key words: quality, reliability, car, electrical equipment, ignition system, electrical information and diagnostic complex.
Анализ тенденций развития комплекса электрооборудования современных автотранспортных средств показывает, что требования к качеству функционирования сложных технических устройств, составляющих его элементную базу, в значительной степени растут, при этом все более актуальной становится задача обеспечения требуемого уровня электромагнитной совместимости в единой технической среде автомобиля с повышением уровня соответствующей безопасности для человека и окружающей среды [1, 2].
Наиболее существенный вклад в генерирование широкополосных электромагнитных помех (ЭМП) вносит система зажигания, именно поэтому разработка и внедрение системы диагностики отклонений в работе системы зажигания является важной научно-технической задачей [3, 4, 5].
Сегодня качественную диагностику системы зажигания с точки зрения определения параметров ЭМП, а также анализ изменения соответствующих показателей в динамике можно провести только в специализированных технических центрах. К сожалению, предприятия фирменного автосервиса зачастую обладают соответствующими компетенциями, и далеко не на всех из них есть необходимое измерительное оборудование.
С другой стороны, в настоящее время благодаря развитию электротехнических и электронных систем управления на автомобильном транспорте появляются возможности создания бортовых систем по проверке параметров электромагнитной совместимости (ЭМС). Функционирование бортовых диагностических систем, осуществляющих проверку ЭМС, может базироваться на математических моделях, переведенных в программные коды контроллера электронной системы управления двигателем, что позволяет повысить надёжность и быстродействие диагностических процедур [1].
Для постановки задачи по повышению надёжности и быстродействия диагностики системы зажигания необходимо разработать концептуальную модель, а также математическую и имитационные модели, реализующие исследуемые процессы, провести их экспериментальные исследования на различных частотах для определения уровня электромагнитных помех.
Наличие микропроцессорных систем и интеллектуальных датчиков внутри системы управления двигателя внутреннего сгорания (ДВС), в том числе в системе зажигания и внутри других устройств современных автомобилей, создаёт благоприятную среду
Рисунок 1. Структурная схема интеллектуальной системы диагностики системы зажигания
для построения интеллектуально-информационных диагностических систем (ИИС).
Именно поэтому представленная работа сфокусирована на разработке ИИС для диагностики уровня ЭМП от систем зажигания. На рисунке 1 представлена структурная схема разрабатываемой ИИС.
Функционал интеллектуально-измерительной диагностической системы состоит в выработке экспертной оценки, на основе которой принимается решение к действию по изменению уровня электромагнитного возмущения (ЭМВ), причем действие обеспечивается для достижения поставленной изначальной цели (выработка управления). Системой прогнозируется значение параметра результата действия, которые сопоставляются с реальными рабочими параметрами, тем самым образуется обратная связь для корректировки экспертной оценки или управления [6].
Основным блоком ИИС (рисунок 1) является бортовая система контроля (БСК), которая на основании текущих сведений об окружающей среде, например, по уровню ЭМП и другим параметрам объекта управления, осуществляет экспертную оценку. Полученная оценка преобразуется ИИС в физический сигнал, который поступает на исполнительные устройства. Объект управления, получая сигнал от исполнительных устройств, осуществляет требуемое действие, результаты которого поступают в БСК по цепи обратной связи, где они сравниваются с прогнозируемыми результатами. Если поставленная цель достигается, то управление подкрепляется динамической экспертной системой; в противном случае происходит коррекция управления.
Таким образом, БСК представляет собой комплексное образование, способное оценивать состояние объекта измерения и среды, сопоставлять параметры желаемого и реального результатов действия, принимать решение и вырабатывать в соответствии с ним управление, способствующее достижению поставленной цели. Для этого БСК должна обладать запасом знаний, хранящихся в базе данных и быть ассоциируемой с ИИС, как показано на рисунке 1.
Необходимо отметить, что этапы создания интеллектуальных систем не являются четко очерченными и подробно регламентированными, поэтому между этими этапами трудно провести временную и содержательную границу.
Диагностическая ИИС, разработанная в ходе данной работы, представляет собой демонстрационный прототип, показывающий целесообразность и реализуемость предложенного подхода к контролю над соблюдением требований по ЭМС электрооборудования автомобиля.
В настоящем исследовании диагностические данные обрабатываются с помощью подхода, основанного на алгоритмах классификации, осуществляющихся программой ВЕКА для интеллектуального анализа данных (версии 3.6.8.), и с помощью вычислительного эксперимента, использующего метод опорных векторов, реализованный в ENCOG Workbench (версия 3.1).
1) ВЕКА
Среда Waikato для приобретения знаний обеспечивает удобство и легкий доступ к методам машинного обучения [7]. Программа ВЕКА получила широкое распространение в решении научных и научно-ориентированных задач как универсальный инструмент для анализа данных.
Три алгоритма из этой программы были использованы в данном исследовании:
Zero-R: базовый алгоритм классификации, который определяет основной класс данных для большинства случаев и, как правило, используется в качестве основы для сравнения классификаторов.
One-R: другой алгоритм классификации, который является более сложным. Он определяет набор правил (по одному на каждый признак) и выбирает правило с наименьшей ошибкой прогноза классификации.
J-48: выполненный в ВЕКА алгоритм С4.5. дерева принятия решений, разработанный Джоном Квинланом. Алгоритм строит деревья решений для классификации из выборки данных с использованием нисходящего подхода. Признак с самым высоким показателем нормирования данных используется для принятия решения о классификации.
2) ENCOG
ENCOG также является средой разработки программ машинного обучения, предложенной Дж. Хитон, содержащей различные классы для создания широкого спектра алгоритмов обработки данных, а также поддержки операций для нормализации данных.
Базируясь на функциональных схемах работы интеллектуальных датчиков, приведённых на рисунке 2, можно предложить следующую структуру интеллектуальных блоков системы диагностики уровня электромагнитного возмущения (ЭМВ).
Основным блоком ИИС является интеллектуальный датчик (ИД), который на основании текущих сведений об окружающей среде и состоянии объекта управления (системы зажигания ДВС) осуществляет оценку комплексных характеристик диагностируемой системы. Полученная оценка преобразуется устройством выработки управления (ЭБУ) в физический сигнал и поступает на вход системы зажигания, которое является исполнительным устройством.
Таким образом, диагностическая ИИС представляет собой комплексное образование, способное оценивать состояние объекта диагностики и среды, сопоставлять параметры желаемого и реального результатов действия объекта, принимать решение и вырабатывать в соответствии с ним управление, способствующее достижению поставленной цели [8].
По этой причине ИИС должна обладать возможностью в процессе своего функционирования сохранять и приобретать диагностические знания, которые нацелены на решение наиболее важной задачи любой диагностической системы обнаружения и устранения неисправностей (ОУН), для решения которой используют описанные подходы, при этом данные знания обеспечивают базу для подходов к математическому моделированию (ММ), в то время как алгоритмиче-
Electrical facilmes and systems
Датчик 1
Датчик 2
Датчик n
-tl
Инг мл ектуальный датчик
Измерительный Интерфейс
П
Шумопод акт е нтк
Комплексные характеристики
Рисунок 2. Интеллектуальный датчик диагностики уровня ЭМВ от системы зажигания
ские знания особенно полезны для реализации диагностики на основе данных (ДД подход).
Внутри вышеуказанных подходов находят всё более широкое применение методы искусственного интеллекта, основанные на математических моделях обнаружении и устранения неисправностей, поэтому интеллектуальный подход, выраженный ИИС, все чаще используется для решения сложных проблем в различных технических областях, в том числе в автомобильной диагностике [9].
Имеются несколько причин для интеграции искусственного интеллекта в выявление, анализ и прогно-
зирование электромагнитных помех в различных условиях эксплуатации транспортного средства. Для систематизации методов искусственного интеллекта в данной работе предложена концептуальная модель (рисунок 3), которая адаптирует к процессу ОУН многоуровневую схему, заимствованную из структуры интеллектуального анализа данных [6].
Каждый уровень или слой этой схемы предназначен для определённых задач обработки данных, начиная от низшего уровня сбора диагностических данных, затем обработка и анализ полученных данных и до высшего уровня интерпретации данных с исполь-
Рисунок 3. Концептуальная модель диагностики электромагнитного возмущения от системы зажигания (закрашенные блоки концептуальной модели были реализованы в ходе данной исследовательской работы)
зованием либо существующих, либо приобретенных знаний.
Слой с наименьшим уровнем абстракции (тем самым не использующий методы искусственного интеллекта) соответствует сбору диагностических данных по ЭМП, включая их визуальное представление и подготовку для дальнейшего анализа. Второй слой осуществляет обработку полученных данных (такую, например, как определение резко выделяющихся значений, исключение пропущенных значений и тому подобное) с определением их характерных особенностей. Основной функцией второго слоя является выделение наиболее важных входных переменных, незаменимых при построении диагностических моделей с хорошими возможностями обобщения.
Остальные слои предлагаемой концептуальной модели работают на более высоком уровне абстракции, что позволяет применять в них методы искусственного интеллекта. В частности, третий слой отвечает за создание, оценку и корректировку (при необходимости) моделей, основанных на используемых диагностических данных. В этой концептуальной модели особая роль отводится методу искусственных нейронных сетей (ИНС) и методу опорных векторов (МОВ), которые имеют большое значение в диагностике уровня ЭМП. Задачей последнего слоя является интерпретация диагностических данных в результате обобщения полученных моделей и углубления знаний о принципах обнаружения и устранения неисправностей в объектах и системах, проходящих диагностику. Последний слой как раз и является интеллектуально-информационной системой для диагностики ЭМП от системы зажигания. Покажем работу концептуальной модели диагностики на примере идентификации уровня электромагнитных помех [9].
На рисунке 4 представлены процессы, реализуемые разработанной диагностической системой при идентификации уровня электромагнитных помех. В этом смысле основную обеспокоенность вызывает нежелательный шум, создаваемый автомобильными электрическими системами, в частности, системой зажигания автомобиля, которая вносит негативную составляющую в работу других систем и электрооборудования в радиусе 100 м от автомобиля.
'Эму
В [6] представлен сравнительный анализ данных о ЭМП от системы зажигания, полученных эмпирически и с помощью математического моделирования на основе адаптированной модели Майра. Несмотря на приемлемое соответствие эмпирических и моделируемых значений, погрешность выбранной математической модели варьировалась в пределах 6 - 18 %, что, безусловно, оставляет желать лучшего.
Поэтому первым проведённым экспериментом по использованию диагностических ИИС для выявления повышенного уровня помех было исследование, имеющее те же исходные данные (экспериментальная кривая на рисунке 4), но целью которого было построение вместо математической модели «умного» датчика, способного автоматически определять, когда поступающие диагностические данные указывают на неприемлемый уровень ЭМП.
Для реализации эксперимента был выделен частотный диапазон в пределах от 1 до 10 МГц. В выделенном диапазоне были выбраны значения, характеризующие уровень электромагнитного шума, соответствующие и несоответствующие требованиям по ЭМС (обучающие данные на рисунке 4).
Основной целью использования ИНС является обеспечение автоматизированного обнаружения недопустимо высокого уровня радиопомех без априорного знания минимального соотношения (порогового значения) сигнал — шум на различных частотах. Настроив ИНС на наборе обучающих пар (80 значений), соотносящих уровень ЭМП с удовлетворением требований ЭМС в выбранном частотном диапазоне, можно ожидать, что для текущих значений шума на интересующих нас частотах метод ИНС будет способен идентифицировать, являются они удовлетворительными или нет. Правильность идентификации повышенного уровня шума показана на рисунке 4, из которого видно, что для тестируемых данных (20 значений) факт превышения допустимого уровня ЭМП был определён правильно в 18 случаях (плюсы на рисунке 4), а ошибочно — только для двух тестовых значений. Следует также отметить, что неправильная идентификация уровня ЭМП была осуществлена для значений ЭМП, находящихся в непосредственной близости к порогу допустимости, где и моделируемые
530.
В£
р
0,10-
Ди-
10
у
о
■3
-10 -15-
i
i
* и. т, 1
/ _ ш
1 1 4л / « !
Л V - v 1с
v Ч v а
__ _
--- — _ - т ---- - — Л]
01
-Предел, дБы кБ
.....Эксперимент
—Матемаическая модель
10
- Обучающие длины г + Правильная идентификация уровня ЭМП ■ Ошибочная изентиф] ¡кшня уровня ЭМП
140
Частота МГц
Рисунок 4. Выявление уровня ЭМП
Electrical facilities and systems
значения шума не всегда оказывались по ту же сторону порогового значения, что и экспериментальные данные. Таким образом, можно утверждать, что интеллектуальный датчик на основе ИНС способен
с достаточно высокой точностью определить превышение допустимого уровня ЭМП в заданном частотном диапазоне [10].
Список литературы
1. Барнс Дж. Электронное конструирование: методы борьбы с помехами. — М.: Мир, 1990. — 238 с.
2. Ульямс Т. ЭМС для разработчиков продукции: пер. с англ. — М.: Издательский дом «Технологии»,
2004. — 540 с.
3. Петровский С.В. Математическое моделирование процессов дугообразования в системе зажигания автомобиля // Вестник СамГТУ Серия «Технические науки». — 2009. — № 2 (24). — С. 199-204.
4. Петровский С.В., Николаев П.А. Электромагнитная совместимость автомобильного генератора напряжения // Известия высших учебных заведений. Электромеханика. — 2014. — № 5. — С. 32-34.
5. Петровский С.В., Николаев П.А. Моделирование электромагнитных помех при работе системы зажигания автомобиля // Электроэнергетика глазами молодежи: науч. тр. V Междунар. молодежн. науч.-техн. конф. — Томск: ТПУ, 2014. — Т. 1. — С. 355-359.
6. Петровский С.В. Интеллектуально-измерительная система для идентификации и классификации радиопомех от системы зажигания автомобиля // Измерения в современном мире — 2015: сб. тр. Пятой междунар. науч.-практ. конф. — СПб.: СПГПУ, 2015.
— С. 89-99.
7. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. — СПб.: БВХ-Петербург,
2005. — 736 с.
8. Petrovski S., Bouchet F., Petrovski A. Data-Driven Modeling of Electromagnetic Interferences in Motor Vehicles // INISTA — 2013: IEEE International Symposium on Innovations in Intelligent Systems and Applications. — Albena, Bulgaria, 2013. — ISBN 978-14799-0659-8. - DOI: 10.1109/INISTA.2013.6577658.
— Р. 1-7.
9. Petrovski S., Rattadilok P., Petrovski A. Anomaly Monitoring Framework Based on Intelligent Data Analysis // IDEAL — 2013: Proceedings of the 14th International Conference on Intelligent Data Engineering and Automated Learning. — October, 2013. — Hefei, China. — Springer Global, Lecture Notes in Computer Science. — Vol. 8206. — Р. 134-141. — ISBN 978-3642-41277-6. — DOI: 10.1007/978-3-642-41278-3_17.
10. Petrovski A., Rattadilok P., Petrovski A. Designing a Context-Aware Cyber Physical System for Detecting Security Threats in Motor Vehicles // SIN'15: Proceedings of the 8th International Conference on Security of Information and Networks. — Sochi, Russia, 2015. — Р. 267-270. — ISBN 978-1-4503-3453-2. — DOI: 10.1145/2799979.2800029.
References
1. Barns Dzh. Elektronnoe konstruirovanie: metody bor'by s pomekhami. — M.: Mir, 1990. — 238 s.
2. Ul'yams T. EMS dlya razrabotchikov produktsii: per. s angl. — M.: Izdatel'skii dom «Tekhnologii», 2004.
— 540 s.
3. Petrovskii S.V. Matematicheskoe modelirovanie protsessov dugoobrazovaniya v sisteme zazhiganiya avtomobilya // Vestnik SamGTU. Seriya «Tekhnicheskie nauki». — 2009. — № 2 (24). — S. 199-204.
4. Petrovskii S.V, Nikolaev P.A. Elektromagnitnaya sovmestimost' avtomobil'nogo generatora napryazheniya // Izvestiya vysshikh uchebnykh zavedenii. Elektromekhanika. — 2014. — № 5. — S. 32-34.
5. Petrovskii S.V., Nikolaev P.A. Modelirovanie elektromagnitnykh pomekh pri rabote sistemy zazhiganiya avtomobilya // Elektroenergetika glazami molodezhi: nauch. tr. V Mezhdunar. molodezhn. nauch.-tekhn. konf.
— Tomsk: TPU, 2014. — T. 1. — S. 355-359.
6. Petrovskii S.V. Intellektual'no-izmeritel'naya sistema dlya identifikatsii i klassifikatsii radiopomekh ot sistemy zazhiganiya avtomobilya // Izmereniya v sovremennom mire — 2015: sb. tr. Pyatoi mezhdunar. nauch.-prakt. konf. — SPb.: SPGPU, 2015. — S. 89-99.
7. Leonenkov A.V. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH. — SPb.: BVKh-Peterburg, 2005. — 736 s.
8. Petrovski S., Bouchet F., Petrovski A. Data-Driven Modeling of Electromagnetic Interferences in Motor Vehicles // INISTA — 2013: IEEE International Symposium on Innovations in Intelligent Systems and Applications. — Albena, Bulgaria, 2013. — ISBN 978-14799-0659-8. — DOI: 10.1109/INISTA.2013.6577658.
— R. 1-7.
9. Petrovski S., Rattadilok P., Petrovski A. Anomaly Monitoring Framework Based on Intelligent Data Analysis // IDEAL — 2013: Proceedings of the 14th International Conference on Intelligent Data Engineering and Automated Learning. — October, 2013. — Hefei, China. — Springer Global, Lecture Notes in Computer Science. — Vol. 8206. — R. 134-141. — ISBN 978-3642-41277-6. — DOI: 10.1007/978-3-642-41278-3_17.
10. Petrovski A., Rattadilok P., Petrovski A. Designing a Context-Aware Cyber Physical System for Detecting Security Threats in Motor Vehicles // SIN'15: Proceedings of the 8th International Conference on Security of Information and Networks. — Sochi, Russia, 2015. — R. 267-270. — ISBN 978-1-4503-3453-2. — DOI: 10.1145/2799979.2800029.
