CC BY
40АНАЛИЗ НОВЫХ ТЕХНОЛОГИЙ И ПЕРСПЕКТИВ РАЗВИТИЯ ТЕХНИКИ СРЕДСТВ СВЯЗИ
УДК 621.391
Интеллектуальное оценивание технического состояния сложных технических объектов
Винограденко А.М.
Аннотация. Повышение требований к качеству функционирования сложных автономных технических объектов (робототехнические комплексы, беспилотные летательные аппараты и др.), а также их безопасности и надежности сделали особенно актуальной проблему оценивания их состояния с учетом воздействия различного рода кибератак и дестабилизирующих факторов, старения и технологического разброса параметров. Целью работы является повышение точности классификации результатов контроля и диагностики сложных технических объектов, являющаяся следствием относительно низкой устойчивости этой оценки к шуму и помехам. Новизна работы заключается в реализации нового и перспективного подхода к интеллектуальному оцениванию классов технического состояния автономных сложных технических объектов и комплексном учете контролируемых дестабилизирующих факторов. Данный подход основан на интервальном оценивании параметров, использовании базы знаний об аварийных и штатных состояниях. Процесс получения признакового пространства с последующей разработкой алгоритмов классификации импульсных сигналов описан с использованием дискретного вейвлет-преобразования, выбор которого среди прочих обусловлен высокой информативностью коэффициентов разложения, так как объем получаемой информации в общем случае значительно превышает объем исходной выборки сигнала. Задача оценивания технического состояния объектов контроля состоит в обработке полученных коэффициентов на основе изначального выбора типа вейвлета и глубины разложения. Практическая значимость работы заключается в предложенной архитектуре и реализации интеллектуальной системы оценивания состояния сложных автономных технических объектов. Приведены практические результаты экспериментальной оценки предлагаемого подхода, которые показали, что использование вейвлет-анализа при формировании областей работоспособности объектов позволяет производить четкое разграничение классов их технических состояний, повышающее точность и достоверность результатов идентификации состояний, а также расширяющее возможности применения технических средств контроля и диагностики.
Ключевые слова: интеллектуальное оценивание, вейвлет-анализ, сложный автономный технический объект, техническое состояние, база знаний.
Введение
Практика испытаний и эксплуатации сложных технических объектов (СлО), в которых даже кратковременное пропадание или существенное искажение данных о протекающих в них процессах, контролируемых с помощью существующих средств измерений, подчеркивает несоответствие требованиям безопасности и надежности этих объектов. К таким объектам относятся, например, имплантированные в человека устройства для поддержания его жизнедеятельности, робототехнические комплексы, системы беспилотных автомобилей и летательных аппаратов, автономные программные агенты защиты информации и др.
Обеспечение этих требований связано с необходимостью решения целого ряда сложных и трудоемких задач [1-6]. К их числу относится задача параметрического синтеза проектируемых СлО по критериям безопасности и надежности. Основные сложности при решении этой задачи обусловлены вероятностным характером критерия оптимальности и дефицитом информации о закономерностях процессов изменения параметров объектов.
На основе данных по динамике изменяющихся параметров систем возможен подход к решению задачи оценки технического состояния СлО при воздействии внутренних и
внешних факторов, а также определения запаса работоспособности, под которым понимается степень приближения вектора фактического состояния СлО к его предельно допустимому.
Обычно предполагается, что кибернетические и физические атаки на СлО и возникающие неисправности, характеризуемые изменяющимися параметрами СлО, при диагностировании оцениваются методами параметрической идентификации [7, 8]. В технической диагностике такое направление основано на восстановлении модели диагностируемого объекта [9, 10]. Однако, большинство атак и дефектов приводит к изменению не только параметров модели объекта, но и ее структуры, что обуславливает применение методов непараметрической идентификации для построения математической модели СлО на основе экспериментальных данных.
Процесс контроля СлО приводит к необходимости сокращения объема измерительной информации. Сокращение объема порождает, в свою очередь, возникновение неопределенности в оценке состояний таких объектов. Плавное, градиентное изменение значений контролируемых параметров для эффективной работы системы контроля всегда предпочтительнее по сравнению с лавинообразным (нестационарным) и ступенчатым процессом наступления аварийной ситуации.
В связи с этим расширение диапазонов и характеристик средств измерений дает возможность контроля и изучения таких параметров СлО, которые не могут быть исследованы с использованием традиционных математических методов обработки тестовых сигналов в системах дистанционного контроля, либо применение этих методов ограничивается возможностями средств регистрации [11, 12]. Ключевым вопросом цифровой обработки является нестационарность большинства реальных сигналов, которая, как известно, весьма ограничивает применение базисных функций, имеющих некомпактный носитель.
В модельной диагностике процедура диагностирования выполняется в два этапа. На первом получают исходную (первичную) информацию об объекте в виде сигналов-откликов на пробные воздействия. На втором этапе эта информация обрабатывается для выделения диагностических признаков и решения о принадлежности данного объекта к определенному классу технического состояния. Для построения диагностирующего правила используют методы статистической классификации (распознавания образов) [13-20], нейронные сети [4, 6-8], вейвлет-преобразования [5] и другие.
Существующие методики модельной диагностики, основанные на использовании динамических характеристик, ограничиваются только линейными моделями. Методики, основанные на учете эффектов нелинейности, используют информацию только о свойствах статических характеристик. Реальные же объекты, как правило, одновременно обладают и нелинейными и динамическими свойствами.
В ходе оценки технического состояния СлО необходимо учитывать широкий диапазон различных условий, возможность реализации кибернетических и физических атак и других внешних воздействий (температура, влажность, запыленность, давление и др.) и внутренних состояний (например, режимы работы). Это существенно усложняет решение задач диагностики (идентификации, распознавания и др.) технического состояния СлО традиционными методами. В статье предлагается использовать нелинейные динамические модели на основе вейвлет-преобразований. Такой подход позволяет производить оценку технического состояния СлО на основе небольшого объема измерительной информации в условиях высокой степени неопределенности.
В целом, при использовании метода вейвлет-преобразований, значительно упрощается процесс решения задачи комплексной оценки технического состояния СлО, отличающей данный метод от других методов, включающих задачи объединения методов отбраковки аномальных измерений, фильтрации и сжатия данных, выявления локальных
особенностей измерительной информации и прогнозирования аварийных и нештатных ситуаций.
При этом отличительными являются следующие преимущества метода вейвлет-преобразований: возможность адекватного учета нелинейных режимов функционирования; работает значительно быстрее традиционных методов и применим в реальном масштабе времени; возможность фильтрации измерительной информации и ее восстановления в случае потери в процессе получения от СлО.
Применение вейвлет-преобразования в данной работе рассматривается с позиций использования его как инструмента, с помощью которого можно получить признаковое пространство для последующей разработки алгоритмов классификации импульсных сигналов. Выбор инструмента дискретного вейвлет-преобразования для решения задач распознавания и классификации обусловлен универсальностью математического аппарата вейвлет-анализа, его способностью адаптироваться к форме сигнала, сходностью тестовых сигналов с базисными функциями (вейвлетами).
Новизна работы заключается в реализации нового и перспективного подхода к on-line анализу технического состояния автономных СлО, основанного на интеллектуальной технологии оценивания состояния объектов, обеспечивающей комплексный учет контролируемых факторов с использованием базы знаний о типах состояния, полученных в результате дискретных вейвлет-преобразований.
Теоретический и практический вклад заключается в следующем: предложенный подход к оцениванию технического состояния СлО позволяет повысить точность и достоверность результатов идентификации технического состояния, а также расширить возможности применения технических средств контроля и диагностики.
Анализ методов идентификации классов технического состояния контролируемых объектов
Анализ работ [1, 7, 8, 10] показывает, что для обеспечения эффективного функционирования СлО при одновременном снижении стоимости их жизненного цикла необходимо внедрение на всех его этапах средств и методов автоматизированного контроля и диагностики технического состояния, применении эффективных способов и средств обеспечения безопасности и надежности их функционирования.
При этом оценка технического состояния СлО сводится к выбору того или иного метода параметрического синтеза [6, 8]. В [15-19] предлагается использовать не интервал, а область неопределенности, размерность которой определяется количеством выходных параметров. Показана целесообразность эллипсоидальной аппроксимации для области параметрической неопределенности технического состояния динамических систем, в которой с заданной вероятностью находятся значения измеряемых выходных параметров с учетом погрешностей измерения.
Оценивание технического состояния СлО должно проводиться также с учетом внешних факторов, включая множественность структуры и сложную среду функционирования [9, 20]. Подобный способ основан на использовании аппарата нечетких множеств и анализа иерархий. Проводимые исследования [4] показывают также возможность решения аналогичных задач путем разработки составного индекса риска.
Предопределение оценки технического состояния СлО в [10] осуществляется за счет сравнения измеренного значения и значений предопределенных весовых коэффициентов, характерных для контролируемого оборудования.
Однако, во многих случаях априорной информации недостаточно для осуществления (принятия) той или иной оценки технического состояния СлО, а выборка апостериорных данных мала для каких-то статистических выводов. В этих условиях получение достаточно достоверных результатов обеспечивают методы статистической классификации [3], теории
нейронных сетей [4, 7], нечетких вычислений [21, 22], интеллектуальных агентов [23] и другие, которые, как и методы, используемые при решении задач оценки технического состояния, прогнозирования изменений контролируемых параметров СлО имеют свои достоинства и недостатки. Так, в [24] предлагается для оценивания технического состояния использовать метод гамма-процесса, преимущество которого заключается в учете неопределенности исходных данных. Однако этот метод требует больших вычислительных затрат. В [25] предложен метод оценивания, основанный на использовании функции частотной характеристики. Однако он ориентирован на анализ структуры материала, из которого изготовлен объект контроля. В [26] для управления роботизированной рукой используется нейронная сеть с обратным распространением. В [27] предлагается для оценки состояния элементов роботизированных интернет-вещей использовать онтологию позиционирования, которая моделирует пространственную и временную взаимосвязь между наблюдениями с разных датчиков. Это говорит об эффективности использования интеллектуальных методов для технического оценивания сложных объектов.
Альтернативой перечисленным выше методам являются вейвлет-технологии [5], которые при обработке экспериментальных данных для задач классификации технического состояния СлО, в сравнении с нейронными сетями, не требуют дополнительных временных и ресурсных затрат (например, обучение нейронной сети). Использование нелинейных непараметрических динамических моделей на основе вейвлет-преобразований позволяет производить оценку технического состояния СлО, имея небольшой объем измерительной информации при высокой степени неопределенности. Так, [28] демонстрирует, что алгоритм для надежного отслеживание объектов по изменению их внешнего вида, основанный на использовании вейвлет-преобразований, показывает достаточно высокую устойчивость к шуму. В [29] показано, что для бесконтактного оценивания состояния режущих инструментов метод вейвлет преобразований имеет преимущества перед такими методами, как Анализ Фурье, разложение эмпирических мод, спектр Гильберта, спектральный эксцесс и других. В [30] предлагается применять непрерывное вейвлет-преобразование для неинвазивной диагностики состояния двигателей внутреннего сгорания по акустическим сигналам.
Использование метода вейвлет-преобразований значительно упрощает процесс решения задачи комплексной оценки технического состояния СлО, отличающей данный метод от других в объединении методов отбраковки аномальных измерений, фильтрации и сжатии данных, выявлении локальных особенностей ИИ и прогнозировании аварийных, нештатных ситуаций. По этим причинам метод вейвлет-преобразований находит широкое применение для контроля за автономными сложными объектами в ходе решения задач классификации изображений [31], идентификации объектов [32], прогнозирования состояния оборудования [33] и другие. В целом, проводимые исследования в области оценки технического состояния СлО, распознавания типов отказов и их прогнозирования характеризуются довольно широким спектром подходов в данной предметной области.
Математический аппарат процесса оценивания технического состояния СлО
на основе вейвлет-преобразования
При проведении оценки технического состояния СлО, соотнесенной с классом его технического состояния, предлагается использовать область работоспособности, размерность которой определяется количеством выходных параметров. Техническое состояние СлО определяется нахождением характерных для конкретного типа оборудования параметров в пределах допусков. Для осуществления детального представления информации о техническом состоянии СлО необходимо рассмотрение классов технического состояния оборудования, представленных в виде финальных вероятностей нахождения системы в одном из возможных состояний.
Предполагается, что классы технического состояния СлО распознаются на основе бесконтактных методов диагностирования с использованием дискретных вейвлет-преобразований и с учетом внутренних и внешних факторов (воздействий), влияющих на динамику изменения контролируемых параметров.
Для более полного анализа каждого тестового сигнала, характеризующего техническое состояние объекта контроля, и соотнесению его определенному классу технического состояния, необходимо разложение сигнала в базисе вейвлетов.
Выбор анализирующего вейвлета во многом определяется тем, какую информацию необходимо извлечь из сигнала. С учетом характерных особенностей различных вейвлетов во временном и в частотном пространстве, можно выявлять в анализируемых тестовых сигналах те или иные свойства и особенности, которые незаметны при наличии сильных шумов и деструктивных воздействий на объекты контроля. Таким образом, в процессе передачи сигналов измерительной информации необходимо учитывать накладывающиеся на тестовый сигнал помехи, шумы и условия внешней среды (влажность, внешняя температура, давление, запыленность и др.).
Для эффективного использования математического аппарата дискретного вейвлет-преобразования применительно к задачам распознавания состояния и классификации технического состояния (классов технического состояния) СлО, необходимо рассмотреть его некоторые основные особенности. Известно [5], что исследуемую дискретизированную функцию можно представить в виде двух компонент:
= Еке!ат,к фтк(х1) + Еке1^т,к¥тк (х{), (1)
где фтк(х), Утк(х) - масштабирующая и вейвлет-функция; атк, йтк - аппроксимирующие
и детализирующие коэффициенты разложения соответственно.
Сконструируем базис функционального пространства Ь2(И) с помощью непрерывных масштабных преобразований и переносов вейвлета с произвольными значениями
базисных параметров - масштабного коэффициента а и параметра сдвига Ъ:
¥аЬ(°=7Ш¥{!-г)'а'ЬЕК' V(2)
Анализ способов интервального оценивания параметров объекта контроля [13, 15-19] показал, что результаты измерений значений параметров представляют собой эллипсоидальную область неопределенности (работоспособности) в пространстве параметров. Кроме того, исследования взаимовлияния наблюдаемых параметров в системах контроля [7, 8] показали возможный подход к их эллипсоидальной адаптивности с учетом минимизации критериев информативности.
Представим класс технического состояния СлО, характеризуемый набором значений коэффициентов разложения, в виде эллипса. В этом случае, эллипсоидальная аппроксимация значений коэффициентов разложения, отражающая область работоспособности Бр СлО, будет способствовать решению задач обработки неточных измерений величин контролируемых параметров СлО как динамической системы с неопределенностями.
Предположим, что результаты измерений контролируемых параметров СлО, представляют собой эллипсоидальную область признакового пространства. Тогда, область Бр СлО будет представлять собой начальное множество возможных значений и-мерного оцениваемого вектора выходных параметров У, характеризующего техническое состояние СлО, принимающего произвольные значения из эллипсоида:
У Е Е(А0, д) = {(^(Г - Ао), (У - А0)) <1} = йр, (3)
где Е(А0, Q) - условное обозначение эллипсоида с параметрами А0, Q; А0 - и-мерный вектор центра эллипсоида; Q - симметричная положительно определенная матрица размерности пХп, характеризующая погрешность измерений и средств измерений; скобки (,)
обозначают скалярное произведение векторов. Выражение (3) является математической моделью технического состояния СлО с учетом погрешностей измерений.
Архитектура и функционирование интеллектуальной системы оценивания
технического состояния СлО
Практика эксплуатации СлО требует разработки и создания системы управления объектами, функционирующими в условиях многофакторного воздействия, в том числе -подсистемы оценивания технического состояния.
Для определения архитектуры системы бесконтактного оценивания технического состояния СлО определим исходные данные и основные этапы (процедуры) функционирования системы.
Анализ различных подходов к решению задачи распознавания класса технического состояния СлО на основе вейвлет-преобразования предполагает следующие исходные данные:
- телеметрическая информация о штатном поведении СлО (в пределах диапазона допусков контролируемых параметров);
- телеметрическая информация, характеризующая основные классы технического состояния СлО (при выходе контролируемых параметров за пределы области работоспособности);
- исследуемая телеметрическая информация, полученная по результатам испытания
СлО;
- частота опроса телеметрических датчиков СлО;
- максимально возможная частота изменения телеметрируемого параметра;
- набор ортогональных базисных вейвлет функций: добеши, симлеты, койфлеты;
- априорная база знаний О о типах состояний, соответствующих классам технического состояния СлО, и взаимосвязям между этими состояниями; эти знания формируются на основе телеметрической информации о нештатной ситуации, а также штатном поведении системы; О = [А, В1, В2}, где А - нормальное состояние, В1 и В2 - два возможных типа аварийных состояний, распознаваемых с помощью вейвлет-преобразований в результате анализа поступающих сигналов;
- учет факторов воздействия на объект контроля (описание и набор параметров, характеризующих техническое состояние).
Необходимо по телеметрической информации, полученной при функционировании СлО, определить принадлежность его состояния к классу технического состояния при сопоставлении с информацией из базы знаний.
Решение задачи распознавания класса технического состояния СлО представлено в виде последовательности следующих этапов (процедур):
этап 1 - формирование априорной базы знаний об аварийных и штатных состояниях, соответствующая классам технического состояния СлО;
этап 2 - определение уравнений классификатора для заданной базы знаний состояний;
этап 3 - получение вейвлет-коэффициентов исследуемой измерительной информации (разложение сигналов телеизмерения и сигнализации на вейвлет-коэффициенты);
этап 4 - определение (поиск) информативных признаков, отражающих общность свойств класса технического состояния (аварийного состояния) СлО;
этап 5 - определение области работоспособности СлО - эллипсоидная аппроксимация класса технического состояния СлО;
этап 6 - определение комплексного показателя технического состояния СлО (корреляция нескольких контролируемых параметров);
этап 7 - корректировка класса технического состояния СлО в зависимости от типа аварийной ситуации, за счет определения вероятности ошибки классификации и группировки (перегруппировки) областей работоспособности СлО;
этап 8 - определение класса технического состояния (типа аварийного состояния) СлО по информативным признакам;
этап 9 - вычисление изменения достоверности и точности определения технического состояния СлО;
этап 10 - расчет эффективности управления техническим состоянием с учетом динамики изменения классов его технического состояния.
Систему оценивания технического состояния СлО представим в виде интеллектуальной системы, основными элементами которой будут база знаний и множество модулей, реализующих правила и процедуры выполнения этапов 1-10. Основными элементами в архитектуре системы интеллектуального оценивания (рис. 1) являются:
1) модуль интеллектуализации; 2) элемент опроса приемников измерительной информации (датчиков); 3) элемент сравнения (сопоставления) полученных сигналов с информацией априорной базы знаний; 4) элемент коррекции области работоспособности (прогнозирования, определения запаса работоспособности); 5) вычислитель. Модуль интеллектуализации, включает: 1) базу знаний, содержащую правила решения задачи;
2) интерпретатор, решающий на основе знаний, имеющихся в системе, предъявляемую ему задачу; 3) элемент приобретения знаний, обеспечивающий аргументацию действий и рекомендаций системы на понятном для пользователя языке; 4) базу данных (элемент памяти), через которую сообщается вариант действий системе - в элемент сравнения.
Рис. 1. Структурная схема интеллектуальной системы оценивания состояния СлО
Оценивание технического состояния автономных СлО в ходе испытаний и эксплуатации предполагает широкий диапазон различных условий:
1) внешние естественные воздействия - внешняя температура, влажность, запыленность, давление и др. для различных климатических условий (ось Уу на рис. 2);
2) сторонние воздействия - влияние других объектов на СлО (например, в процессе их совместной эксплуатации, атаки различного типа и прочие деструктивные воздействия (ось У1-1 на рис. 2 а);
3) внутренние состояния - режимы работы СлО (недогруженый, нормальный, нагруженный, перегруженный и др. (ось У^ на рис. 2 а).
Широкий диапазон различных условий существенно усложняет решение задачи распознавания технического состояния контролируемого объекта.
Взаимосвязанность всех факторов представлена на рис. 2 а в трехмерной системе координат - оси Vj, Yi-1, Yj, причем диапазоны изменения областей работоспособности Dp из-за взаимной адаптации будут зафиксированы в определенных пределах:
1) для оси Yi-1, — [Y(i-1)2 var,Yi-1 max] и Dii-1^ var,^i-1 min];
2) для оси Yi — ][Yii var, Yi min] и \Yi2 var, Yi max];
3) для оси Yj — [Yj2 var, Yj max] и [Yj1 var, Yj min].
Изменение внешних воздействий влияет на внутренние состояния, вносящие коррективы в текущее техническое состояние СлО. Таким образом, распознавание классов технического состояния СлО необходимо проводить с учетом многофакторности воздействий, в том числе при их комплексном характере, например, как показано на рис. 2 а.
При отклонении контролируемых параметров элементов СлО, на каждом этапе изменения класса технического состояния, производится сравнение параметров с пороговыми значениями в пределах Dp. По результатам сравнения определяется нормальное состояние СлО с вероятностью р1 либо его аномальное состояние с вероятностью р2. Причем распознавание класса технического состояния (аварийного состояния) СлО осуществляют с учетом ошибок первого (а) и второго (ß) рода, которые соответствуют вероятности «ложной тревоги» и «пропуску нарушения».
Минимизация вероятности а сводится к построению вписанного прямоугольника Вв максимальной площади (рис. 2 b) и решается с помощью метода диагоналей. В соответствии с данным методом вершины вписанного параллелепипеда (рис. 2 d) находятся в точке пересечения диагоналей описанного параллелепипеда с эллипсоидом (рис. 2 с). Для этого определяются значения сторон вписанного параллелепипеда (рис. 2 d), соответствующие допускам на параметры элементов СлО при обеспечении нулевой вероятности ошибки ß и минимально возможной ошибки а.
режн м а р а боты СлО
А
s
- aY 4 A, -s,
b
d
Рис. 2. Адаптация классов технических состояний в трехмерном пространстве с учетом воздействий: а — общее представление; Ь — эллипс качества; с — вписанный и d — описанный эллипсоид
c
Обеспечение требуемого соотношения а/в между ошибками первого и второго рода, при аппроксимации области Qn0n допустимых значений параметров (заштрихованный описанный эллипсоид на рис. 2 a), определяет такие допуски на параметры, при которых заранее обуславливается определенная вероятность необнаруженного отказа элементов СлО или минимизируется стоимость системы контроля при выполнении заданных требований к показателю технического состояния контролируемого объекта (качества функционирования) [20].
Результаты вычислительного эксперимента
Эксперименты проводились для СлО на примере беспилотного автомобиля, для оценки технического состояния узлов и агрегатов которого был использован предложенный подход. При проведении эксперимента производился учет внутренних факторов (недогруженный, нормальный, нагруженный и перегруженный режимы работы), внешних факторов (лето, зима и межсезонье, резкие порывы ветра) и деструктивные воздействия (1-я, 2-я и 3-я степени сложности дорожной обстановки), оказывающих влияние на контролируемые параметры (давление масла, температура охлаждающей жидкости, частота оборотов двигателя, скоростной режим), указанные на рис. 2 a. Измерительная информация о технических (контролируемых) параметрах автомобиля передавалась посредством сигналов телеизмерения и телесигнализации в режиме on-line. Для решения задачи распознавания классов технического состояния беспилотного автомобиля были проведены вычислительные эксперименты в среде Mathlab 9.6.
Для выделения критерия различимости по форме, исходные выборки сигналов масштабировались по отношению к максимальному положительному значению в выборке, а также обеспечивалась их временная привязка относительно выбранного начала координат с сохранением заданной предыстории. Для всех классов формировалась обучающая выборка сигналов, при этом вопрос отнесения сигнала к типу аварийной ситуации решался экспертным путем, на основании предварительных данных обследований и визуальному критерию схожести форм. Для каждой выборки производилось дискретное вейвлет-преобразование с сохранением аппроксимирующих коэффициентов разложения. Результаты преобразования формировались в матрицу, для которой производилась оценка статистических характеристик каждого коэффициента разложения.
Практическое нахождение порога по среднему зависит от минимального числа обнаруженных коэффициентов при их обработке для всех классов технического состояния беспилотного автомобиля (типов аварийной ситуации).
Значение доверительного интервала в оценке информативности можно использовать в том случае, когда коэффициенты, прошедшие отбор, не обеспечивают необходимой контрастности классов. В общем случае, это повышает вероятность ошибки классификации, однако позволяет внести коррективы в оценку диапазона изменения Dp, что в конечном итоге увеличивает расстояние между классами технического состояния. Следовательно, использование результирующей области Dp^ характерно в случае низкой контрастности классов технического состояния.
Учитывая неопределенность распределения (обнаружения, обработки) коэффициентов разложения, при которых контрастность классов технического состояния минимальна, необходимо математическое моделирование технического состояния с учетом эллипсоидной аппроксимации области работоспособности Dp.
Для решения задачи разработки решающего правила необходимо найти такие коэффициенты в выбранном множестве, которые обеспечивали бы наибольшую контрастность между классами технического состояния СлО. При этом возможны два подхода к решению: (1) если контрастность классов технического состояния достаточна для
нахождения линейных границ для каждого из классов технического состояния по отношению к остальным; (2) такая граница находится только для двух соседних классов.
Для разработки решающего правила производилась оценка контрастности классов технического состояния путем перебора вариантов комбинаций найденных коэффициентов. В первую очередь производился поиск значений, области изменения которых не перекрывались. Было отмечено отсутствие таких значений. Следовательно, по одному значению (параметру) нельзя четко классифицировать объекты разных типов.
Анализ проводимых исследований показал закономерность, при которой удалось достичь высокой контрастности областей работоспособности, но только для одного-двух классов технического состояния, что в итоге не позволило четко разграничивать классы технического состояния и четко выделять переходы между ними.
На рис. 3 a показана графическая интерпретация варианта построения разделяющих границ. Отмечено, что значения коэффициентов высокой степени сгруппированности и области их значений не перекрываются, что дает возможность построить разделяющие границы отдельно для каждого класса технического состояния.
Рис. 3. Разделение классов технического состояния в виде областей работоспособности: a - неперекрывающихся; Ь - частично перекрывающихся
На рис. 3, Ь приведена графическая интерпретация второго способа классификации, с использованием попарно разделимых классов технического состояния. Показано, что в этом случае разделяющие границы определены только для смежных классов технического состояния, что может иметь место при меньших значениях межклассового расстояния (рис. 3, Ь) или их отсутствию (энтропии коэффициентов) (рис. 4, а). В этом случае, зона принятия решения о неизвестном типе аварийной ситуации отсутствует, и однозначное отнесение контролируемого объекта к определенному классу технического состояния невозможно.
Очевидно сходство классов В1 и В2 по форме, так как объекты этих классов технического состояния представлены в виде импульсов с явным наличием колебательной компоненты. В связи с этим, представляет интерес нахождения разделяющей границы для классов А и В, при условии, что класс В представлен в виде кластера, содержащего подклассы В1 и В2.
Решение задачи классификации технического состояния на примере второго способа, когда получено несколько групп значений коэффициентов, сводится к необходимости получения более гарантированной интервальной оценки классов технического состояния, получаемой за счет сложения областей Бр (рис. 4 ¿).
Рис. 4. Разделение классов технического состояния СлО в виде областей работоспособности:
a — перекрывающихся; b — объединенных
Для оценки результатов сложения эллипсоидов естественно использовать аппроксимацию классом областей, зависящим от фиксированного числа параметров: эллипсоидами, параллелепипедами и др. При этом требуется аппроксимировать (мажорировать) областями данного класса результаты основных операций над исходными Dp. Тогда возникает возможность построения сравнительно простых операций, не выводящих за пределы выбранного класса областей. Однако подобная аппроксимация, сводящаяся к мажорированию областей, ведет к потере информации, то есть завышению объема результирующей области. Целесообразно уменьшить эту потерю и минимизировать объем результирующих областей.
Таким образом, математическая модель технического состояния при интервальном оценивании классов технического состояния и использовании нескольких групп значений коэффициентов представляет собой множество возможных значений n-мерного оцениваемого вектора выходных параметров Y, характеризующего техническое состояние контролируемого объекта, который может принимать произвольные значения из результирующего эллипсоида:
yee(A,Dpz ) = (D-1 (У — А),(У — А))<1,
А = Ai+A2,Dpz = (р'1 + 1)Qi + (р + 1)Q2. (4)
где А,А1,А2 — n-мерные векторы центров эллипсоидов, Dp , Q1, Q2 — симметричные
положительно определенные матрицы размерности пХп, характеризующие погрешности измерений.
Математическая модель (4) обладает свойством коммутативности: при перестановке эллипсоидов Е(А1, Qi) и Е(А2, Q2) результирующий эллипсоид не меняется, т.к. при такой перестановке корни Xj уравнения det(Q1 — XQ2) = 0 заменяются на Х-1, корень уравнения р переходит в р'1, а окончательные результаты A, Dp согласно (4) остаются неизменными.
Сравнительный анализ существующих способов оценивания технического состояния контролируемых объектов (при инструментальном и встроенном контроле, рис. 5) и предложенного подхода показывает существенный временной выигрыш процедур контроля на различных этапах жизненного цикла СлО (испытания, эксплуатация, ремонт, хранение). Поэтому применение предложенной модели может быть вполне оправданно при проектировании системы интеллектуального бесконтактного оценивания технического состояния СлО в режиме on-line.
Таким образом, предложенный подход к распознаванию классов технического состояния СлО позволит совершенствовать системы автоматизированного (автоматического) контроля технического состояния, повысит оперативность их функционирования (рис. 5), с учетом динамики изменения классов технического состояния контролируемых объектов, а также упростит математическое моделирование изменения технического состояния с учетом внешних и внутренних факторов.
Контроль поисковый
(в ходе ремонта)
Контроль готовности
(в ходе технического обслуживания)
5 8
сек
" 5 сек
Измерения единичных параметров
Измерение ограниченной группы параметров
Полный цикл измерений
Контроль функционирования
(при различных режимах работы)
V,
Объем измерений
Рис. 5. Пример динамики межклассового перехода технического состояния СлО при различных источниках измерительной информации
Представленный подход к оцениванию технического состояния СлО при определении областей работоспособности использует метод эллипсоидов [15]. Это позволяет более точно и гарантированно выделить границы допусков, соответствующие вероятностному состоянию (классу технического состояния) контролируемого объекта, а также производить комплексный учет внешних и внутренних факторов, что качественно отличает предлагаемый подход от существующих [16-18]. Известные подходы [4, 7] также позволяют получать достоверные результаты оценки технического состояния, однако связаны с необходимостью привлечения обучающей выборки, размеры которой существенно влияют на результаты обучения, а, следовательно, на качество распознавания класса технического состояния СлО. Отличительной особенностью представленного подхода является использование вейвлет-преобразований получаемой измерительной информации, сочетающих объединение методов отбраковки локальных особенностей измерительной информации с прогнозированием аварийных, нештатных ситуаций благодаря комплексному учету внешних и внутренних факторов. Это позволяет на качественно новом уровне проводить бесконтактный контроль технического состояния автономных СлО, и существенно увеличить область применения автоматизированных (автоматических) систем контроля.
Заключение
В работе представлен подход к определению классов технического состояния сложных автономных технических объектов на основе интервального оценивания их параметров, использовании базы знаний об аварийных и штатных состояниях и применении
вейвлет анализа. Для экспериментальной оценки предлагаемого подхода (на примере беспилотного автомобиля) было использовано нескольких групп измерений, осуществлен учет внешних воздействий, режимов работы объекта контроля и ошибок первого и второго рода.
Применение вейвлет-анализа в процессе оценки технического состояния (благодаря адаптивности базовых функций) позволило значительно увеличить возможности фильтрации сигналов, а именно, привело к удалению помех (ложных отказов) из сигнала локально вблизи окрестности некоторой точки при минимальном изменении полезного сигнала. Предложенная аппроксимация областей работоспособности эллипсоидами позволила повысить контрастность классов технического состояния, и, соответственно, эффективность оценки технического состояния. При низкой контрастности классов, оценки результатов сложения областей работоспособности аппроксимированы результирующим эллипсоидом большего объема, что позволило получить более гарантированную оценку.
Будущие исследования будут направлены на развитие представленного подхода и проведение экспериментов для нескольких тематических исследований, включая робототехнические комплексы, беспилотные автомобили и летательные аппараты.
Литература
1. Гончаренко В.И., Кучерявенко Д.С., Гойденко В.К., Скорик Н.А. Распознавание типа аварийной ситуации при испытании беспилотного космического аппарата на основе использования вейвлет-преобразования // Нейрокомпьютеры: разработка, применение. 2016. № 1. С. 39-48.
2. Vianna E., Abaide A.R., Canha L.N., Miranda V. Substations SF6 circuit breakers: Reliability evaluation based on equipment condition, Electric Power Systems Research. 2017. № 142. Pp. 36-46.
3. Singha J., Das K. Hand Gesture Recognition Based on Karhunen-Loeve Transform, In: Proceedings of Mobile & Embedded Technology International Conference. 2013. Pp. 365-371.
4. Винограденко А.М. Прогнозирование отказов контролируемых комплексов связи специального назначения // Системы управления, связи и безопасности. 2020. № 3. С. 222-237. DOI: 10.24411/2410-9916-2020-10308.
5. Addison P.S. Wavelet transforms and the ECG: a review, Phisiological Measurement. 2005. № 26(5). Pp. 155-199.
6. Абрамов О.В. Параллельные алгоритмы расчета и оптимизации надежности по постепенным отказам // Автоматика и телемеханика. 2010. № 7. С. 126-135.
7. Абрамов О.В. Выбор оптимальных значений параметров настройки технических устройств и систем // Автоматика и телемеханика. 2016. № 4. С. 55-66.
8. Абрамов О.В. Функционально-параметрическое направление теории рисков: возможности и перспективы // Вестник Дальневосточного отделения Российской академии наук. 2016. № 4. С. 96-101.
9. Li X. J., Bin G.F., Dhillon B. S. Model to evaluate the state of mechanical equipment based on health value, Mechanism and machine theory. 2011. № 46(3). Pp. 305-311.
10. Синещук Ю.И., Филиппов А.Г., Терехин С.Н., Николаев Д.В., Саенко И.Б. Структурно-логический метод анализа безопасности потенциально-опасных объектов // Труды Санкт-Петербургского института информатики РАН, 2011. № 17. С. 55-69.
11. Jude D., Hemanth Deepak, Gupta V., Balas Е., Intelligent Data Analysis for Biomedical Applications. 1st Edition. Challenges and Solutions, Academic Press. 2021. 294 p.
12. Md Shafiullah, Abido M. A., Al-Mohammed A. H. Power System Fault Diagnosis. 1st Edition. A Wide Area Measurement Based Intelligent Approach, Elsevier. 2021. 320 p.
13. Будко П.А., Жуков Г.А., Винограденко А.М., Гойденко В.Г. Определение аварийного состояния морского робототехнического комплекса по многоэтапной процедуре контроля на основе использования вейвлет-преобразований // Морская радиоэлектроника. 2016. № 4 (58). С. 20-23.
14. Будко П.А., Винограденко А.М., Меженов А.В., Мирошников В.И. Комплексный подход в работе автоматизированной системы контроля и телеметрии ТС объектов связи морского базирования // Морская радиоэлектроника. 2018. № 4 (66). С. 8-14.
15. Chervyakov N.I., Lyakhov P.A., Babenko M.G. Digital filtering of images in a residue number system using finite-field wavelets, Automatic Control and Computer Sciences. № 48. 2014. Pp. 180-189.
16. Filippov A.F. Ellipsoidal estimates for a solution of a system of differential equations, Interval Computations. 1992. № 4 (2). Pp. 6-17.
17. Винограденко А.М. Эллипсоидальная аппроксимация областей параметрической неопределенности технического состояния РТК // Робототехника и техническая кибернетика. 2018. № 3 (20). С. 53-60.
18. Винограденко А.М., Пасхальный А. В. Эллипсоидальная адаптация области допусков многопараметрических систем // Известия ЮФУ. 2019. № 1 (204). С. 118-129.
19. Polyak B., Nazin S., Durieu C., Walter E. Ellipsoidal parameter or state estimation under model uncertainty, Automatica. 2004. № 40. Pp. 1171-1179.
20. Budko P.A., Fedorenko V.V., Vinogradenko A.M. Adaptive System Monitoring of the Technical Condition Technological Objects Based on Wireless Sensor Networks // 2018 III International scientific Conference, (Convergent'2018) - Moscow, Russia, 29 November - 2 December, 2018. Communications in computing and information Science (CCIS, volume 1140) Springer, Cham. Pp. 200-210. DOI: http://doi.org/10.1007/978-3-030-37436-5_18.
21. Kotenko I.V., Saenko I.B., Budko P.A., Vinogradenko A.M. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis / The 18th International conference on intelligent software methodologies, tools and techniques (S0MET'2019). Kuching, Sarawak. Malaysia, 23-25 September 2019. Pp. 25-38.
22. Kotenko I.V., Saenko I.B., Ageev S. Monitoring the State of Elements of Multi-service Communication Networks on the Basis of Fuzzy Logical Inference, In: Proceedings of the Sixth International Conference on Communications, Computation, Networks and Technologies (INN0V-2017), 2017. Pp. 26-32.
23. Kotenko I.V., Saenko I.B., Ageev S. Implementation of Intelligent Agents for Network Traffic and Security Risk Analysis in Cyber-Physical Systems, In: Proceedings of the 11th International Conference on Security of Information and Networks (SIN'18), № 22, 2018. Pp. 1-4.
24. Budko P.A., Fedorenko V.V., Vinogradenko A.M., Pedan A.V. Approach to the intellectual monitoring of the technical condition of difficult dynamic objects on the basis of the systems of a polling The 22nd International conference «Distributed computer and communication networks: control, computation, communications» (DCCN-2019). Moscow, Russia, 23-27 September 2019. Vol. 1141. Springer, Cham. Pp. 560 -573. D0I.org/10. 1007/978-3-030-36625 -4_45.
25. Zoltowski M., Martinod R.M. Technical Condition Assessment of Masonry Structural Components using Frequency Response Function (FRF), Journal of the International Masonry Society Masonry International. № 29(1). 2016. Pp. 23-27.
26. Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006. 410 с.
27. Simoens P., Dragone M., Saffiotti A. The Internet of Robotic Things: A review of concept, added value and applications, International Journal of Advanced Robotic Systems. Vol. I-II. 2018. Pp. 1-9.
28. Jalal A.S., Singh V. Robust object tracking under appearance change conditions based on Daubechies complex wavelet transform, Int. J. Multimedia Intelligence and Security. № 2(3/4). 2011. Pp. 252-268.
29. Kumar S., Lokeshab M., Manjunath L.H. A Review on Automatic Fault Detection and Diagnosis in a Single Point Cutting Tool Using Wavelet Analysis, International Journal of Advances in Scientific Research and Engineering. № 3(1). 2017. Pp. 230-234.
30. Figlus T., Wilk A. Application of a Continuous Wavelet Transform for the Diagnosing of Excessive Valve Clearance of the Combustion Engine, Solid State Phenomena. № 236. 2015. Pp. 153-160.
31. Ghazali K. H., Mansor M. F., Mustafa M., Hussain A. Feature Extraction Technique using Discrete Wavelet Transform for Image Classification, In: Proceedings of the 5th Student Conference on Research and Development (SCOReD 2007). 2007. Pp. 202-211.
32. Rajpoot K., Rajpoot N., Noble J.A. Discrete Wavelet Diffusion for Image Denoising, In: Proceedings of the 3rd international conference on Image and Signal Processing (ICISP '08). 2008. Pp. 20-28.
33. Sh. Liu, Hu Y., Ch. Li, H. Lu, Zhang H. Machinery condition prediction based on wavelet and support vector machine, J. Intell. Manuf. № 28(4). 2017. Pp. 1045-1055.
34. Leturiondo U., Salgado O., Ciani L., Galar D. Marcantonio Catelani Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data. Measurement, № 108. 2017. Pp. 152-162.
35. Chervyakov N.I., Lyakhov P.A., Kaplun D.I., Butusov D.N., Nagornov N.N. Analysis of the Quantization Noise in Discrete Wavelet Transform Filters for Image Processing, Electronics, № 135. 2018. P.7080135.
36. Chervyakov N.I., Lyakhov P.A., Nagornov N.N., Valueva M.V., Kaplun D.I. High-performance hardware 3D medical imaging using wavelets in the residue number system. The 9th Mediterranean conference on embedded computing (MECO 2020). IEEE. Pp. 913-923.
37. Fedorenko V.V., Vinogradenko A.M., Kononov Y.G., Samoylenko V.V., Samoylenko I.V. The time-probability characteristics of a telemetrie signal with the variable number of bits, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). 2017. Pp. 146-149.
38. Fedorenko V.V., Vinogradenko A.M., Kononov Y.G., Samoylenko V.V., Zelensky E.G. Development of a distributed multi-agent system monitoring and control networks of 0.4-35 kV, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). 2017. Pp. 271-274.
39. Федоренко В.В., Винограденко А.М., Самойленко В.В., Самойленко И.В., Шарипов И.К. Минимизация области параметрической неопределенности для ремонтируемой системы // Труды XXI Международной конференции по мягким вычислениям и измерениям (SCM-2018). СПбГЭТУ «ЛЭТИ». 2018. С. 35-38.
40. Будко П.А., Винограденко А.М., Гойденко В.К., Кузнецов С.В. Реализация метода многоуровневого комплексного контроля технического состояния морского робототехнического комплекса // Системы управления, связи и безопасности», № 4, 2017, С.71-101.
41. Будко П.А., Будко Н.П., Литвинов А.И., Винограденко А.М. Реализация кинетического метода контроля и диагностики технических средств // Мехатроника, автоматизация, управление. 2014. № 8 (162). С. 37-44.
42. Гойденко В.К., Винограденко А.М., Меженов А.В. Алгоритм формирования базы состояний программно-аппаратного комплекса связи на основе тепловых процессов с использованием вейвлет-преобразований // Материалы НПК «Проблемы технического обеспечения войск в современных условиях» ВАС; СПб, Ч. 1, 2019, С. 199-204.
43. Будко П.А., Винограденко А.М., Литвинов А.И. Экспериментальные исследования кинетического метода контроля и диагностики технических средств // Мехатроника, автоматизация, управление. № 9 (162). 2014. С. 53-58.
References
1. Goncharenko V.I., Kucheryavenko D.S., Goydenko V.K., Skorik N.A. Recognition of the type of emergency when testing an unmanned spacecraft based on the use of a wavelet transform. Neurocomputers. 2016. No. 1. Pp. 39-48 (in Russian).
2. Vianna E., Abaide A. R., Canha L.N., Miranda V. Substations SF6 circuit breakers: Reliability evaluation based on equipment condition, Electric Power Systems Research. 2017. No. 142. Pp. 36-46.
3. Singha J., Das K. Hand Gesture Recognition Based on Karhunen-Loeve Transform, In: Proceedings of Mobile & Embedded Technology International Conference. 2013. Pp. 365-371.
4. Vinogradenko А.М. Prediction of failures of controlled special-purpose communication complexes. Systems of Control, Communication and Security. 2020. No 3. Pp. 222-237. DOI: 10.24411/2410-9916-2020-10308 (in Russian).
5. Addison P.S. Wavelet transforms and the ECG: a review, Phisiological Measurement. 2005. No. 26(5). Pp. 155-199.
6. Abramov O.V. Parallel algorithms for computing and optimizing reliability with respect to gradual failures. Automation and Remote Control. 2010. No. 7. Pp. 126-135 (in Russian).
7. Abramov O.V. Choosing Optimal Values of Tuning Parameters for Technical Devises and Systems. Automation and Remote Control. 2016. No. 4. Pp. 55-66 (in Russian).
8. Abramov O.V. Functional-parametric direction of risk theory: opportunities and prospects. Bulletin of the Far Eastern Branch of the Russian Academy of Sciences. 2016. No. 4. Pp. 96-101 (in Russian).
9. Li X. J., Bin G.F., Dhillon B.S. Model to evaluate the state of mechanical equipment based on health value, Mechanism and machine theory. 2011. No. 46(3). Pp. 305-311.
10. Sineshuk Yu.I., Filippov A.G., Tetehin S.N., Nikolayev D.V., Saenko I.B. A structural and logical method for analyzing the safety of potentially dangerous objects. Proceedings of the St. Petersburg Institute of Informatics of the Russian Academy of Sciences, 2011. No. 17. Pp. 55-69 (in Russian).
11. Jude D., Hemanth Deepak, Gupta V., Balas E., Intelligent Data Analysis for Biomedical Applications. 1st Edition. Challenges and Solutions, Academic Press. 2021. 294 p.
12. Md Shafiullah, Abido M.A., Al-Mohammed A.H. Power System Fault Diagnosis. 1st Edition. A Wide Area Measurement Based Intelligent Approach, Elsevier. 2021. 320 p.
13. Budko P.A., Zhukov G.A., Vinogradenko A.M., Goydenko V.G. Determination of the emergency state of the marine robotic complex by a multi-stage control procedure based on the use of wavelet transformations. Marine Radio Electronics. 2016. No. 4 (58). Pp. 20-23 (in Russian).
14. Budko P.A., Vinogradenko A.M., Mezhenov A.V., Miroshnikov V.I. An integrated approach to the operation of an automated system for monitoring and telemetry of the technical condition of sea-based communication facilities. Marine Radio Electronics. 2018. No. 4 (66). Pp. 8-14 (in Russian).
15. Chervyakov N.I., Lyakhov P.A., Babenko M.G. Digital filtering of images in a residue number system using finite-field wavelets, Automatic Control and Computer Sciences. No. 48. 2014. Pp. 180-189 (in Russian).
16. Filippov A.F. Ellipsoidal estimates for a solution of a system of differential equations, Interval Computations. 1992. No. 4 (2). Pp. 6-17.
17. Vinogradenko A.M. Ellipsoidal approximation of areas parametrical uncertainty of technical conditions of a robotic complex. Robotics and technical cybernetics. 2018. Vol. 20. No. 3. Pp. 53-60 (in Russian).
18. Vinogradenko A.M., Pashalniy A.V. Ellipsoidal adaptation of the tolerance range of multiparameter systems. Proceedings of the Southern Federal University. 2019. No. 1 (204). Pp. 118-129 (in Russian).
19. Polyak B., Nazin S., Durieu C., Walter E. Ellipsoidal parameter or state estimation under model uncertainty, Automatica. 2004. No. 40. Pp. 1171-1179.
20. Budko P.A., Fedorenko V.V., Vinogradenko A.M. Adaptive System Monitoring of the Technical Condition Technological Objects Based on Wireless Sensor Networks. 2018 III International scientific Conference, (Convergent'2018) - Moscow, Russia, 29 November - 2 December, 2018. Communications in computing and information Science (CCIS, volume 1140) Springer, Cham. Pp. 200-210. DOI: http://doi.org/10.1007/978-3-030-37436-5_18 (In Russian).
21. Kotenko I.V., Saenko I.B., Budko P.A., Vinogradenko A.M. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis / The 18th International conference on intelligent software methodologies, tools and techniques (S0MET'2019). Kuching, Sarawak. Malaysia, 23-25 September 2019. Pp. 25-38.
22. Kotenko I.V., Saenko I.B., Ageev S. Monitoring the State of Elements of Multi-service Communication Networks on the Basis of Fuzzy Logical Inference, In: Proceedings of the Sixth International Conference on Communications, Computation, Networks and Technologies (INN0V-2017), 2017. Pp. 26-32.
23. Kotenko I.V., Saenko I.B., Ageev S. Implementation of Intelligent Agents for Network Traffic and Security Risk Analysis in Cyber-Physical Systems, In: Proceedings of the 11th International Conference on Security of Information and Networks (SIN'18), No. 22, 2018. Pp. 1-4.
24. Budko P.A., Fedorenko V.V., Vinogradenko A.M., Pedan A.V. Approach to the intellectual monitoring of the technical condition of difficult dynamic objects on the basis of the systems of a polling The 22nd International conference «Distributed computer and communication networks: control, computation, communications» (DCCN-2019). Moscow, Russia, 23-27 September 2019. Vol. 1141. Springer, Cham. Pp. 560-573. D0I.org/10. 1007/978-3-030-36625-4_45 (in Russian).
25. Zôltowski M., Martinod R.M. Technical Condition Assessment of Masonry Structural Components using Frequency Response Function (FRF), Journal of the International Masonry Society Masonry International. No. 29(1). 2016. Pp. 23-27.
26. Ohtilev M.Yu., Sokolov B.V., Yusupov R.M. Intelligent technologies for monitoring and controlling the structural dynamics of complex technical objects. Moscow: Nauka, 2006. 410 p. (in Russian).
27. Simoens P., Dragone M., Saffiotti A. The Internet of Robotic Things: A review of concept, added value and applications, International Journal of Advanced Robotic Systems. Vol. I-II. 2018. Pp. 1-9.
28. Jalal A.S., Singh V. Robust object tracking under appearance change conditions based on Daubechies complex wavelet transform, Int. J. Multimedia Intelligence and Security. No. 2(3/4). 2011. Pp. 252-268.
29. Kumar S., Lokeshab M., Manjunath L. H. A Review on Automatic Fault Detection and Diagnosis in a Single Point Cutting Tool Using Wavelet Analysis, International Journal of Advances in Scientific Research and Engineering. No. 3(1). 2017. Pp. 230-234.
30. Figlus T., Wilk A. Application of a Continuous Wavelet Transform for the Diagnosing of Excessive Valve Clearance of the Combustion Engine, Solid State Phenomena. No. 236. 2015. Pp. 153-160.
31. Ghazali K.H., Mansor M.F., Mustafa M., Hussain A. Feature Extraction Technique using Discrete Wavelet Transform for Image Classification, In: Proceedings of the 5th Student Conference on Research and Development (SCOReD 2007). 2007. Pp. 202-211.
32. Rajpoot K., Rajpoot N., Noble J.A. Discrete Wavelet Diffusion for Image Denoising, In: Proceedings of the 3rd international conference on Image and Signal Processing (ICISP '08). 2008. Pp. 20-28.
33. Sh. Liu, Hu Y., Ch. Li, H. Lu, Zhang H. Machinery condition prediction based on wavelet and support vector machine, J. Intell. Manuf. No. 28(4). 2017. Pp. 1045-1055.
34. Leturiondo U., Salgado O., Ciani L., Galar D. Marcantonio Catelani Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data. Measurement, No. 108. 2017. Pp. 152-162.
35. Chervyakov N.I., Lyakhov P.A., Kaplun D.I., Butusov D.N., Nagornov N.N. Analysis of the Quantization Noise in Discrete Wavelet Transform Filters for Image Processing, Electronics, No. 135. 2018. P.7080135.
36. Chervyakov N.I., Lyakhov P.A., Nagornov N.N., Valueva M.V., Kaplun D.I. High-performance hardware 3D medical imaging using wavelets in the residue number system. The 9th Mediterranean conference on embedded computing (MECO 2020). IEEE. Pp. 913-923.
37. Fedorenko V.V., Vinogradenko A.M., Kononov Y.G., Samoylenko V.V., Samoylenko I.V. The time-probability characteristics of a telemetrie signal with the variable number of bits, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). 2017. Pp. 146-149 (in Russian).
38. Fedorenko V.V., Vinogradenko A.M., Kononov Y.G., Samoylenko V.V., Zelensky E.G. Development of a distributed multi-agent system monitoring and control networks of 0.4-35 kV, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). 2017. Pp. 271-274 (in Russian).
39. Fedorenko V.V., Vinogradenko A.M., Samoylenko V.V., Samoylenko I.V., Sharipov I.K. Minimization of the parametric uncertainty region for a system under repair. Proceedings of the 21st International Conference on Soft Measurements and Computing. 2018. Pp. 35-38 (in Russian).
40. Budko P.A., Vinogradenko A.M., Kuznetsov S.V., Goydenko V.K. Realization of a Method of Multilevel Complex Control of Technical Condition of a Sea Robot. Systems of Control, Communication and Security. No. 4, Pp. 71-101. Available at: http://sccs.intelgr.com/archive/2017-04/04-Budko.pdf (in Russian).
41. Budko P.A., Budko N.P., Litvinov A.I., Vinogradenko A.M. Realization of a kinetic control method and diagnostics of technical means. Mechatronics, automation, control. 2014. No. 8(162), Pp. 37-44 (in Russian).
42. Mezhenov A.V., Goydenko V.G., Vinogradenko A.M. An algorithm for forming a database of states of a software and hardware communication complex based on thermal processes using wavelet transformations. Materials of the Scientific and Practical Conference «Problems of technical support of
troops in modern conditions» Military Academy of Communications; St. Petersburg, Vol. 1. 2019. Pp. 199-204 (in Russian).
43. Budko P.A., Litvinov A.I., Vinogradenko A.M. Experimental studies of the kinetic method of control and diagnostics of technical means. Mechatronics, automation, control. No. 9(162). 2014. Pp. 53-58 (in Russian).
Статья поступила 7 октября 2021 г.
Информация об авторе
Винограденко Алексей Михайлович — Докторант Военной академии связи, к.т.н., доцент. Тел: +7(921)443-90-22. E-mail: [email protected].
Адрес: 194064, Россия, г. Санкт-Петербург, Тихорецкий пр., д. 3.
Intelligent assessment of technical condition of complex technical objects
A.M. Vinogradenko
Annotation. Increasing the requirements for the quality of functioning of complex autonomous technical facilities (robotic complexes, unmanned vehicles and aircraft, etc.), as well as their safety and reliability have made the problem of assessing their condition especially urgent, taking into account the impact of various kinds of attacks and destabilizing factors, aging and technological variation of parameters. The aim of the work is to improve the accuracy of classification of the results of monitoring and diagnostics of complex technical objects, which is a consequence of the relatively low stability of this assessment to noise and interference. The novelty of the work lies in the implementation of a new and promising approach to the intellectual assessment of the classes of the technical condition of autonomous complex technical objects and comprehensive accounting of controlled destabilizing factors. This approach is based on interval estimation of parameters, using a knowledge base about emergency and normal conditions. The process of obtaining a feature space with the subsequent development of algorithms for classifying pulse signals is described using a discrete wavelet transform, the choice of which, among others, is due to the high information content of the decomposition coefficients, since the amount of information received in the general case significantly exceeds the volume of the original signal sample. The task of assessing the technical condition of the control objects is to process the obtained coefficients based on the initial choice of the type of wavelet and the depth of decomposition. The practical significance of the work lies in the proposed architecture and implementation of an intelligent system for assessing the state of complex autonomous technical objects. The practical results of the experimental evaluation of the proposed approach are presented, which showed that the use of wavelet analysis in the formation of areas of operability of objects allows for a clear delineation of classes of their technical states, increasing the accuracy and reliability of the results of identification of states, as well as expanding the possibilities of using technical means of control and diagnostics.
Keywords: intelligent evaluation, wavelet analysis, complex autonomous technical object, technical condition, knowledge base.
Information about Autors
Alexey Mikhailovich Vinogradenko - Doctoral student of the Military Academy of Communications, Ph.D., associate professor. Tel: +7 (921) 443-90-22. E-mail: [email protected].
Address: 194064, Russia, St. Petersburg, Tikhoretsky Ave., 3.
Для цитирования: Винограденко А.М. Интеллектуальное оценивание технического состояния сложных технических объектов // Техника средств связи. 2021. № 4 (156). С. 2-19.
For citation: Vinogradenko A.M. Intelligent assessment of technical condition of complex technical objects. Means of communication equipment. 2021. No 4 (156). Pp. 2-19 (in Russian).
