CC BY
25
УДК 621.565.9
ФОРМИРОВАНИЕ ИМИТАЦИОННОЙ МОДЕЛИ
ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
ЦИФРОВЫХ РАДИОЭЛЕКТРОННЫХ КОМПЛЕКСОВ РАДИОЛОКАЦИОННЫХ СРЕДСТВ
А.А. Кокуев, А.Ю. Перлов, А.М. Казанцев, А.В. Тимошенко, И.Б. Загер, А.А. Гирченко
В статье приводится обзор методического аппарата прогнозирования технического состояния радиоэлектронных комплексов из состава многофункциональных радиолокационных средств. Рассмотрены такие модели как «черный» и «серый ящик». Обосновано применение «серого ящика» для формирования имитационной модели прогнозирования технического состояния радиоэлектронного комплекса. Приведено описание процесса разработки имитационной модели прогнозирования технического состояния радиоэлектронного комплекса с учетом особенностей его функционирования. С учетом разработанной модели рассмотрены способы контроля процесса эксплуатации радиоэлектронного комплекса.
Ключевые слова: радиоэлектронный комплекс, модель «черный ящик», модель «серый ящик», имитационная модель, прогнозирование технического состояния.
Эффективность современных подходов к техническому обслуживанию сложных многоэлементных объектов, к числу которых относятся новейшие радиоэлектронные комплексы (РЭК) из состава многофункциональных радиолокационных средств (РЛС), в различных отраслях промышленности определяется в первую очередь успешностью решения задачи высокоточного и оперативного прогноза технического состояния [1-6].
Современные РЭК представляют собой функционально законченные аппаратно-программные комплексы из состава РЛС, решающие задачи формирования на излучение и прием требуемой диаграммой направленности [7]. Наиболее критичным компонентом РЛС, с точки зрения последствий возникновения отказов и неисправностей является передающий РЭК. Число компонентов в передающем РЭК, работающих на высоком уровне мощности достигает нескольких сотен, что создает условия повышенной тепло напряжённости внутри комплекса. Одним из наиболее распространенных отказов РЭК является перегрев блоков усиления мощности, обусловленный достижением температуры порогового значения, после которого срабатывает защита от перегрева и блок перестает на время охлаждения излучать зондирующие сигналы. Поэтому на этапе эксплуатации становится крайне актуально решить задачу прогнозирования технического состояния РЭК для заблаговременного предотвращения отказов, обусловленных перегревом передающих каналов.
Как правило, прогноз технического состояния осуществляется с использованием методов машинного обучения, при этом полагают, что сложный технический объект является «черным ящиком» [8]. При таком подходе характерным является накопление большого массива данных о
техническом состоянии объекта, а также формирование журнала событий, содержащего статистическую информацию по отказам. Сопоставление журнала событий и данных о техническом состоянии объекта позволяет определять закономерности и находить корреляции между параметрами технического состояния и событиями.
К достоинствам такого подхода относятся: простота и масштабируемость решений; широкий спектр применяемых моделей; отсутствие потребности в знаниях предметной области. Вместе с тем указанный выше методический аппарат не лишен следующих недостатков:
низкая точность;
необходимость накопления и обработки большого массива данных;
неудовлетворительные результатыпри применении в динамических системах, ввиду того чтонакопленный массив данных технического состояния, в случае изменения компонентов системы, перестает адекватно отражать происходящие в ней процессы, а значит и полученные на основе этого массива модели также не применимы.
Альтернативой методу «черного ящика» является «серый ящик», в котором сложный технический объект представляется в виде имитационной модели [8-10], в которую заложены экспертные знания об особенностях физических процессов, происходящих внутри объекта, а также об особенностях его эксплуатации. К достоинствам такого подхода прогнозирования относятся:
возможность учета фактов, не отраженных в данных технического состояния;
сравнительная простота получения данных;
надежная прогностическая модель за счет возможности ее верификации;
отсутствие необходимости собирать большие объемы данных за счет использования модели, уже включающей в себя закономерности свойственные моделируемому объекту (при моделировании «черным ящиком» данные закономерности необходимо извлечь из данных, которых для этого должно быть достаточно).
К числу недостатков приведенного выше подхода относятся: необходимость в экспертных знаниях, как в предметной области, так и в особенностях построения и эксплуатации рассматриваемого объекта;
длительный процесс калибровки моделей.
Необходимо отметить ключевую особенность эксплуатируемых в настоящее время передающих РЭК нового поколения, влияющую на выбор методического аппарата прогнозирования его технического состояния. Такие комплексы создаются в единичном экземпляре и состоят как из компо-
нентов, унифицированных по отношению к ранее разработанным РЭК, так и вновь разработанных, прошедших весь цикл отработки и стыковки на стенде главного конструктора [11].
Таким образом, с учетом вышесказанного в основе решения задачи прогнозирования технического состояния РЭК целесообразно использовать метод «серого ящика».
Использование метода «серого ящика» позволяет избежать продолжительного и трудоемкого, в силу свой специфики, процесса сбора данных на этапе эксплуатации РЭК за счет использования ретроспективной информации унифицированных компонент из состава РЭК предыдущего поколения. В дополнении к этому, повышается точность прогноза за счет использования более сложной модели, которая учитывает особенности эксплуатации РЭК. Кроме этого, упрощается диагностика неисправностей, поскольку имитационная модель предоставляет эталонное технического состояние, с которым можно сравнивать текущее состояние, получаемое с датчиков. При использовании «черного ящика» такой возможности нет. Основной сложностью является создание и калибровка моделей прогнозирования технического состояния разных по функционалу компонентов РЭК, таких как формирователь сигналов, блок усиления сигналов. Это обусловлено большим числом контролируемых параметров технического состояния данных компонентов, к которым относятся: температура, мощность, наличие сигналов и т.д.
После создания и автономной отладки моделей прогнозирования компонентов РЭК может быть синтезирована имитационная модель прогнозирования технического состояния РЭК в целом.
Имитационная модель прогнозирования технического состояния РЭК, в своей основе, должна учитывать такие особенности функционирования РЭК как:
стохастические и детерминированные процессы изменения параметров технического состояния со временем;
большое число регистрируемых признаков технического состояния;
различие в последствиях отказа при возникновении различных состояний неработоспособности изделия;
реализация разнообразных способов резервирования и стратегий восстановления компонентов изделия.
Для учета этих особенностей, модель должна предусматривать моделирование как постепенных, так и внезапных отказов, а также моделирование отдельных физических процессов, протекающих в РЭК и влияющих на его параметры.
Обеспечение прогностической способности имитационной модели достигается за счет непрерывного последовательного процесса ее разработки (рис. 1).
На первом этапе на основе экспертной оценки выбирается модель, которая наиболееточно соответствует реальным условиям эксплуатации компонента.
На втором этапе модель обучается на имеющихся ретроспективных данных, при этом контролируется как ее обобщающая способность, так и данные влияющие на результаты обучения. При этом может оказаться, что выбранная на первом этапе модель показывает плохую прогностическую способность. Это может говорить о том, что в процессе эксплуатации собираются неподходящие для прогноза данные, либо о том, что модель выбрана неправильно и необходимо вернуться к первому этапу.
Этап 1
Этап 2
Этап 3
Выбор модели
Обучение модели
О
Использование моделей от объекта предыдущего поколения
<Йг
Интеграционная проверка моделей
Рис. 1. Процесс разработки имитационной модели РЭК
На третьем этапе модель проверяется на стенде главного конструк-торав процессе отработки РЭК путем интеграции с другими компонентами изделия или их моделями. Калибровка модели осуществляется сравнением прогноза с данными средств внутреннего контроля за некоторый период. Схема калибровки имитационной модели РЭК показана на рис. 2.
Передающий РЭК нового поколения
Сбор данных о техническом состоянии
Обучение модели компонентов РЭК предыдущего поколения
Передающий РЭК предыдущего поколения
База данных технического состояния РЭК предыдущего поколения
Обучение модели компонентов РЭК нового
поколения
База данных технического состояния РЭК нового поколения
Имитационная модель РЭК предыдущего поколения
Повторное использование обученных моделей
Имитационная модель РЭК
нового поколения
Рис. 2. Схема калибровки имитационной модели РЭК
Комплексная отработка РЭК может выявить, что имитационная модель не обладает достаточной прогностической способностью, что может быть обусловлено следующим:
модель неправильно выбрана;
модель неправильно обучена;
недостаточно данных встроенного контроля для прогнозирования отказов.
В первых двух случаях причиной низкой точности прогнозаявляет-ся то, что было накоплено недостаточно много ретроспективных данных, в противном случае, неправильный выбор модели или ее обучение был бы обнаружен до комплексной проверки. В последнем случае причиной является отсутствие необходимых данных в перечне регистрируемых данных, получаемых через средства встроенного контроля.
Также, во время обучения моделей компонентов РЭК может оказаться, что через средства внутреннего контроля собирается много избыточных данных, в этом случае перечень контролируемых параметров необходимо сократить, что позволит удешевить изделие, повысить точность и оперативность прогноза, а также снизить нагрузку на информационные системы обслуживания изделия.
Разделение на последовательные этапы позволяет декомпозировать сложную задачу разработки имитационной модели РЭК на более простые с объективными критериями успеха. После выявление причин неудачи по описанным выше правилам, процесс разработки возвращается на соответствующий этап и продолжается с этого этапа.
Имитационная модель РЭК является частью программной системы имитационного комплекса, в который также входит хранилище статистических данных, программы контроля и настройки. Структурная схема применения имитационного комплекса представлена на рис. 3.
и«)
Изделие
Компонент 1 - Компонент 2 ... ... -
„ [ „ - ! , ■С i
- Компонент N-1 --- Компонент N
X(t)
Y(!)
Им итатор издел и я
Преобраэо ватель 'N Модель компонента 1 ... Модель компонента 2
X ! - j - * 1
- - Модель компонента N-1 Модель компонента N
X'tf,
4 А
Хранилище статистических
данных {в т.ч. пред. поколения)
X(t) X'tf)
ГТ71ГТЛ
пп
Настройка моделей на основе данных встроенного контроля А' = F( X'(t, A), X(t), H(t))
Контроль соответствия моделей компонентам G( X'tf, A), Xtf), Htf))
H(t)
Рис. 3. Структурная схема имитационной модели
На вход РЭК подаются команды функционального управления в виде цифрового вектора и(Х). Эти команды содержат параметры зондирующих сигналов (длительность импульса, скважность и т.д.), поступающих
каждый отсчет времени на аппаратуру РЭК. На выходе РЭК формируется цифровой вектор Х(1;), включающий в себя параметры технического состояния каждого из N компонентов изделия.
Вектора и(1;) и Х(1;) передаются в преобразователь имитационной модели РЭК, реализованной в виде программной системы. При запуске программная система создает в памяти ЭВМ структуры данных, необходимые для моделирования технического состояния каждого из N компонентов РЭК, модель каждого компонента конфигурируется отдельно и вместо значения сконфигурированных моделей компонентов формируют вектор конфигурации А. При этом начальные значения для параметров моделей берутся из текущего состояния Х(1;) соответствующих компонентов РЭК, получаемых через преобразователь из средств встроенного контроля. После получения начальных значений выполняется моделирование работы компонентов РЭК, и выполняется прогноз текущего состояния Х'(1;, А).
Данные, получаемые из средств внутреннего контроля РЭК, служат не только для инициализации моделей компонентов. Они непрерывно записываются в базу данных для ретроспективного анализа и обучения моделей компонентов, а также используются для контроля и профилактики неисправностей и отказов реального изделия. В частности выполняется непрерывное сравнение Сданных получаемых из средств внутреннего контроля Х(1;) и соответствующих им моделированных данных Х'(1;, А) с учетом ретроспективных данных Н(1;). Если какой-то из параметров длительное время выходит за рамки смоделированного значения - это является потенциальной неисправностью или отказом. Поэтому использование имитационной модели возможно для диагностики текущего технического состояния реальных компонентов РЭК и принятия решения об отказе блока на основании фактического и прогнозируемого отклонения контролируемого параметра в некотором временном окне. Пример такого отказа приведен на рис. 4.
3 4
об отказе банка
Тыни
Рис. 4. Отказ блока на основании фактического и прогнозируемого отклонения контролируемого параметра
Помимо сравнения непосредственных фактических и прогнозных значений, выполняется сравнение производного вектором конфигурации А', получаемого путем процесса идентификации Р, с текущим вектором
136
конфигурации А. Процесс идентификации Р выполняется на основе данных получаемых из средств внутреннего контроля Х(1;) и соответствующих им моделированных данных Х'(1;, А) с учетом ретроспективных данных Н(1;). Так, для блоков усиления сигналов выполняется сравнение не только текущей и модельной температуры, но и скорости прироста температуры в зависимости от подаваемых параметров зондирующих сигналов. На рис. 5 приведен график иллюстрирующий применение этого подхода для обнаружения дефекта в блоке.
70 30 40 50 60
Т, град
Рис. 5. Нагревание блоков в зависимости от режима работы
Моделирование в имитационной модели выполняется с некоторым шагом по времени, на каждом шаге обновляются входные параметры каждого компонента, моделируется его техническое состояние и обновляются выходные параметры. Шаг моделирования варьируется в зависимости от компонента и необходимой точности моделирования. Для простых компонентов шаг увеличивается для снижения вычислительной сложности.
Таким образом, сбор и анализ параметров технического состояния однотипных компонентов позволяет повысить точность прогнозирования и выявлять неисправности до возникновения отказа по их причине за счет выявление взаимного влияния расположенных рядом друг с другом компонентов друг на друга.
Выводы. Совершенствование средств вычислительной техники позволило создавать все более сложные модели, способствующие более точному описанию технического состояния сложных РЭК, ацифровизация средств внутреннего контроля и развитие методов машинного обучения создали предпосылки к развитию прогностического подхода на этапе эксплуатации РЭК.
Проведенный в статье обзор методического аппарата применительно к задаче прогнозирования технического состояния РЭК позволил выделить наиболее перспективный подход дляформирования имитационной модели прогнозирования технического состояния РЭК - «серый ящик».
Рассмотрены достоинства выбранного подхода, описан процесс разработки имитационной модели, предложена структурная схема применения имитационного комплекса, включающего в себя разработанную модель, приведены способы контроля эксплуатации РЭК в составе разработанного комплекса.
Дальнейшие исследования включают в себя вопросы калибровки отдельных компонентов, а также учет различных источников отказов в рамках одного имитационного комплекса.
Список литературы
1. Marcia Baptista, Shankar Sankararaman, Ivo. P. de Medeiros, Cairo Nascimento, Helmut Prendinger, Eisa M.P. Henriques, Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling // Computers & Industrial Engineering, 2018. Vol. 115. P. 41-53.
2. Marta Fernandes, Alda Canito, Verónica Bolón-Canedo, Luís Con-ceiçâo, Isabel Praça, Goreti Marreiros. Data analysis and feature selection for predictive maintenance: A case-study in the metallurgic industry // International Journal of Information Management, 2019. Vol. 46. P. 252-262.
3. Pedro Cesar Lopes Gerum, Ayca Altay, Melike Baykal-Gürsoy. Data-driven predictive maintenance scheduling policies for railways // Transportation Research Part C: Emerging Technologies, 2019. Vol. 107. P. 137-154.
4. Jose-Raul Ruiz-Sarmiento, Javier Monroy, Francisco-Angel Moreno, Cipriano Galindo, Jose-Maria Bonelo, Javier Gonzalez-Jimenez. A predictive model for the maintenance of industrial machinery in the context of industry 4.0 // Engineering Applications of Artificial Intelligence, 2020. Vol. 87. [Электронный ресурс] URL: https://www.sciencedirect.com/ science/article/pii/ S0952197619302489 (дата обращения: 10.02.2020).
5. Chuan-Jun Su, Shi-Feng Huang, Real-time big data analytics for hard disk drive predictive maintenance, Computers & Electrical Engineering. 2018. Vol. 71. P. 93-101.
6. Thyago P. Carvalho, F. Soares, R. Vita, R. Francisco, Joâo P. Basto, Symone G.S. Alcalá. A systematic literature review of machine learning methods applied to predictive maintenance, Computers & Industrial Engineering, 2019. Vol. 137. [Электронный ресурс] URL: https://www.sciencedirect.com/ science/article/abs/pii/S0360835219304838?via%3Dihub (дата обращения: 10.02.2020).
7. Боев С.Ф., Мурашов А.А., Перлов А.Ю. Метод оперативной оценки характеристик передающих комплексов многоканальной РЛС ДО на этапе приёмо-сдаточных испытаний // Радиотехника. 2018. № 10. С. 24 -29.
8. Willem Sundblad. Why Predictive Maintenance is Not a Silver Bullet Solution for Manufacturers. [Электронный ресурс] URL: https://www. forbes.com/ sites/ willemsundbladeurope/ 2019/ 08/ 06/ why- predictive-maintenance-is-not-a-silver-bullet-solution-for-manufacturers (дата обращения: 10.02.2020).
9. Kaiser Kevin Michael. A simulation study of predictive maintenance policies and how they impact manufacturing systems // MS (MasterofScience) thesis. UniversityofIowa, 2007. [Электронный ресурс] URL: https://ir. uio-wa.edu/etd/152/ (дата обращения: 10.02.2020).
138
10. Kaiser A. Kevin, Nagi Z. Gebraeel. Predictive Maintenance Management Using Sensor-Based Degradation Models // IEEE Transactions on systems, man, and cybernetics. Part A: Systems and humans, 2009. Vol. 39. No. 4. [Электронный ресурс] URL: https://dl.acm.org/doi/10.1109/ TSMCA.2009. 2016429 (дата обращения: 10.02.2020).
11. Боев С.Ф., Логовский А.С. Управление процессами создания РЛС ДО функционально-блочной структуры // Журнал радиоэлектроники [электронный журнал]. 2017. №7. С. 12. [Электронный ресурс] URL: http://ire.cplire.ru/ire/iul17/11/text.pdf (дата обращения: 10.02.2020).
Кокуев Александр Александрович, канд. техн. наук, профессор, alexander.a.koknevagmail.com, Россия, Москва, АО «Радиотехнический институт имени академика А.Л. Минца»,
Перлов Анатолий Юрьевич, канд. техн. наук, начальник сектора, laperlovayandex.ru, Россия, Москва, АО «Радиотехнический институт имени академика А.Л. Минца»,
Казанцев Андрей Михайлович, ведущий инженер, kazantsev.andreiagmail. com, Россия, Москва, АО «Радиотехнический институт имени академика А.Л. Минца»,
Тимошенко Александр Васильевич, д-р техн. наук, профессор, заместитель Генерального конструктора, u567ku78agmail.com, Россия, Москва, АО «Радиотехнический институт имени академика А. Л. Минца»,
Загер Игорь Борисович, заместитель начальника кафедры - начальник учебной части, igor2007@,bk.ru, Россия, Москва, Военно-учебный центр Московского государственного университета имени М.В. Ломоносова,
Гирченко Андрей Александрович, заместитель директора по развитию, sovetnicafgupkrona.ru, Россия, Владимир, «ГНПП «КРОНА»
FORMA TION OF A SIMULA TIONMODEL FOR PREDICTING
THE TECHNICAL CONDITION OF DIGITAL ELECTRONIC COMPLEXES
OF RADAR FACILITIES
A.A. Kokuev, A.Y. Perlov, A.M. Kazantsev, A.V. Timoshenko, I.B. Zager, A.A. Girchenko
The article provides an overview of the methodological apparatus for predicting the technical condition of radio-electronic complexes from the composition of multifunctional radar facilities. Such models as black and gray box are considered. The use of the gray box model for the formation of a simulation model for predicting the technical state of the electronic complex is justified. The description of the development process of a simulation model for predicting the technical state of the electronic complex, taking into account the features of its functioning, is given. In view of the developed model considered ways to control the operation of radio-electronic complex process.
Key words: radio-electronic complex, black box model, gray box model, simulation model, technical condition forecasting.
Kokuev Alexander Alexandrovich, candidate of technical sciences, professor, alexander. a.koknevagmail.com, Russia, Moscow, JSC «Radiotechnical Institute named after academician A.L. Mints»,
Perlov Anatoly Yuryevich, candidate of technical sciences, head of sector, laper-lov@yandex.ru, Russia, Moscow, Russia, Moscow, JSC «Radiotechnical Institute named after academician A.L. Mints»,
Kazantsev Andrei Mikhailovich, lead engineer, kazantsev. andreiagmail. com, Russia, Moscow, Russia, Moscow, JSC «Radiotechnical Institute named after academician A.L. Mints»,
Timoshenko Alexander Vasilyevich, doctor of technical sciences, professor, u567ku78@gmail. com, Russia, Moscow, JSC «Radiotechnical Institute named after academician A.L. Mints»,
Zager Igor Borisovich, deputy head of the department - head of the educational unit, igor2007@bk.ru, Russia, Moscow, Military Training Center of the Moscow State University named after M.V. Lomonosov,
Girchenko Andrei Alexandrovich, Deputy Director for Development, sovetnic@fgupkrona. ru, Russia, Vladimir, State Research and Production Enterprise «KRONA»
УДК 620.179
ВЫБОР МЕТОДОВ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИСТЕМ ТЕПЛОСНАБЖЕНИЯ И ОТОПЛЕНИЯ ЗДАНИЙ
И СООРУЖЕНИЙ
П. А. Грушковский, В.Н. Щельников
В статье описан выбор методов неразрушающего контроля для использования при обследовании и мониторинге систем отопления и теплоснабжения зданий и сооружений. Приводится перечень наиболее эффективных методов в зависимости от вида дефекта и материала рассматриваемой системы. Также показывается правило, по которому принимается решение о наличии или отсутствии дефекта.
Ключевые слова: неразрушающий контроль, трубопровод, дефект, физический износ, обследование, мониторинг.
Для выполнения задач объектов наземной инфраструктуры необходима надежная работа инженерных систем зданий и сооружений. Системы отопления и теплоснабжения являются важнейшими инженерными системами, которые обеспечивают требуемые параметры температуры в здании в холодное время года.
Достоверная информация о техническом состоянии систем отопления, теплоснабжения, полученная во время очередного обследования здания, позволит вовремя спланировать комплекс мер для поддержания систем в работоспособном состоянии в течении долгого времени. Так как для данных систем характерны высокие температура и давление теплоносителя, аварии на сетях теплоснабжения и отопления могут быть связаны с серьезными материальными потерями и даже человеческими жертвами.
140
