CC BY
0
Для оценки адекватности модели распределения тепла, сравним полученные значения с протоколом испытания модуля. Протокол испытания модуля представлен на рис.7.
Среднее значение Rth по протоколу для IGBT - 0,204 C/w Diode - 0,315 C/w.
Значение Rth при моделировании для IGBT - 0,207 C/w Diode - 0,324 C/w
Расхождение значений Rth для IGBT 1.6%
Расхождение значение Rth для Diode 2.5%
Результаты и обсуждение. Изучен процесс проведения теплового расчета модулей паяной конструкции, с помощью среды Ansys разработали модель распределения тепла в модуле MIFA-HB12FA-150N. Рассчитали тепловое сопротивление Rth для IGBT и Диода, сравнили полученные значения с протоколом испытаний и получили расхождение значений 1.6%(IGBT) 2.5%(Diode), тем самым оценили адекватность разработанной модели.
Список литературы
1.Datasheet на модуль MIFA-HB12FA-150N [Электронный ресурс] URL: https://www. proton-electrotex.com/files/proiect 5610/tmp download file/M[FA-xx12FA-150N eng v1.8.pdf(дата обращения: 10.05.2023).
2.Руководство по основным методам проведения анализа в программе ANSYS [Электронный ресурс] URL: https://www.proton-electrotex.com/files/proiect 5610/tmp download file/DI215-17-E-1 rus v1.2.pdf (дата обращения: 10.05.2023).
Тарасов Ярослав Олегович, магистр, оператор, [email protected]. Россия, Анапа, ФГАУ «ВИТ «ЭРА»,
Тычков Илья Алексеевич, командир взвода 5 роты (научной), Россия, Анапа, ФГАУ «ВИТ «ЭРА»
ANALYSIS OF THE ADEQUANCY JF THE THERMALDISTRIBUTIONMODEL IN THE IGBT MODULE MIFA HB12FA-150N
Y.O. Tarasov, I.A. Tychkov
The analysis of the adequacy of the thermal distribution model is presented. The object of the study is the heat distribution in the MIFA 12 150 module. The subject of the study is the development and assessment of the adequacy of the heat distribution model in the Ansys environment. The purpose of the study is to gain skills in conducting thermal design calculations, assessing the adequacy of the model based on the calculation of Rth, searching for information for a library of materials.
Key words: thermal distribution, IGBT module MIFA 12 150, thermal calculation.
Tarasov Yaroslav Olegovich, magister, operator, era ^mH^, Russia, Anapa, FGAU«MIT «ERA»,
Tychkov Ilya Alekseevich, junior researcher, platoon commander of the 5th company (scientific), Russia, Anapa, FGAU «MIT «ERA»
УДК 62.192
DOI: 10.24412/2071-6168-2023-9-237-238
ИССЛЕДОВАНИЕ МОДЕЛИ НАДЕЖНОСТИ ВОССТАНАВЛИВАЕМОГО ОБЪЕКТА С ИСПОЛЬЗОВАНИЕМ ПУАССОНОВСКОГО ПОТОКА СОБЫТИЙ НАДЕЖНОСТИ СИСТЕМЫ
А.С. Исаченков, Г.П. Эльсессер, И.А. Тычков
В данной статье рассчитан точечный показатель надежности: вероятность безотказной работы -P(t), ведущая функция потока, рассмотрена модель надежности восстанавливаемого объекта как Пуассоновский поток событий.
Ключевые слова: надежность системы, Пуассоновский поток событий.
Надежность - свойство объекта сохранять во времени в установленных пределах значения всех параметров, характеризующих способность выполнять требуемые функции в заданных режимах и условиях применения, технического обслуживания, ремонтов, хранения и транспортирования (ГОСТ 27.002-82).
К частным свойствам объекта, являющимся отдельными сторонами его надежности, относятся:
Безотказность - свойство объекта непрерывно сохранять работоспособность в течение некоторого времени;
Ремонтопригодность - свойство, заключающееся в приспособленности объекта к предупреждению и обнаружению отказов и восстановлению работоспособности;
Долговечность - свойство объекта сохранять работоспособность до наступления предельного состояния;
Сохраняемость - свойство объекта сохранять работоспособность в течение (и после) его хранения и (или) транспортирования;
Работоспособность - состояние объекта, при котором он способен выполнять заданные функции, удовлетворяя требованиям нормативно-технической документации;
237
Надежность - свойство сохранять работоспособность на некотором отрезке времени или при выполнении некоторого объема работы;
Отказ объекта - событие, заключающееся в полной либо частичной потере свойств работоспособности.
Восстанавливаемыми называются такие изделия, которые в процессе выполнения своих функций допускают восстановление. Если произойдет отказ такого изделия, то он вызовет прекращения функционирования изделия только на период устранения отказа. Существуют два случая восстановления:
мгновенный процесс восстановления - время восстановления пренебрежимо мало по сравнению с временем жизни изделия;
процесс восстановления с конечным временем восстановления - время восстановления сравнимо с временем жизни изделия.
Числовые значения количественных показателей надежности изделий зависят от того, как часто в изделиях возникают отказы и насколько быстро они устраняются.
Отказы изделий, как правило, принадлежат к категории случайных событий. Поэтому и показатели надежности принадлежат к категории показателей, которые используются для характеристики случайных величин и случайных событий.
Показатели надежности могут определяться математическим выражением, полученным из предварительно составленной математической модели.
Показатели надежности могут определяться в результате обработки опытных данных.
Наработка - продолжительность или объем работы объекта.
Наработка до отказа - наработка объекта от начала его эксплуатации до возникновения первого отказа.
Наработка на отказ - среднее значение времени между соседними отказами.
Все объекты подразделяются на:
- Невосстанавливаемые или неремонтируемые, эффект функционирования которых пропорционален наработке и характеризуемые безотказностью;
- Восстанавливаемые или ремонтируемые, эффект функционирования которых пропорционален наработке, характеризуемые безотказностью в цикле и характеризуемые числом восстановлений.
Условиями предельного состояния вышеперечисленных объектов являются: отказ; возрастание параметра потока отказов выше допустимого уровня; необходимость проведения капитального ремонта; снижения вероятности безотказной работы в цикле.
Потоки событий. Рассмотрим появление отказов и последующих восстановлений в качестве потока событий. Под потоком событий в теории вероятностей понимается последовательность событий, происходящих одно за другим в какие-то моменты времени.
Поток событий называется стационарным, если вероятность попадания того или иного числа событий на участок времени длиной х зависит только от длины участка и не зависит от того, где именно на оси Ot расположен этот участок.
Поток событий называется потоком без последствий, если для любых неперекрывающихся участков времени число событий, попадающих на один из них, не зависит от числа событий, попадающих на другие.
Поток событий называется ординарным, если вероятность попадания на элементарный участок At двух или более событий пренебрежимо мала по сравнению с вероятностью попадания одного события.
Если поток событий обладает всеми тремя свойствами, то он называется простейшим потоком.
Рассмотрим простейший поток событий. Количественными показателями надежности в таком случае будут: параметр потока отказов о»(£), средняя наработка на отказ Тср, ведущая функция потока D(t).
Параметр потока отказов восстанавливаемого объекта - это отношение среднего числа отказов восстанавливаемого объекта за произвольную малую его наработку к значению этой наработки. Определяется как
где rij - число отказов j-го изделия, tj - время наработки j-го изделия, N - число однотипных изделий.
Далее будем рассматривать случайный поток событий, который подчиняется трем вышеперечисленным условиям, то есть стационарный, ординарный поток случайных событий с отсутствием последействия. Из теории вероятности известно, что такой поток событий описывается распределением Пуассона. Таким образом, мы можем найти вероятность появления определенного числа событий за необходимый период времени по следующей формуле:
(М)т
где Рт{Т, в} вероятность появления определенного числа событий m за время {Т, Т + в}, M - математическое ожидание событий на этом интервале, равное М = M(t)dt, или если ы = const: М = (x>t. С другой стороны, в терминах теории потоков событий П = M(t)dt называется ведущей функцией потока.
С точки зрения надежности нас будет интересовать вероятность не появления ни одного события, иными словами, найдем Р0{Т, в}, подставив в формулу (1) получим:
Ш)0
Средняя наработка до отказа Т0.
Математическое определение: то = J tf (()dt = Jp((),
о 0
/ \ n
Статистическое определение: T0 = (F1 + F2 + ... + tn ))n = (l/nti .
1
В нашем случае, при ш = const и й = ott, получим:
T0=£+eP(t)dt = С+ве~п dt = C+ee~mdt = -- • е~ш1 \Tt ° = +-е~шТ == -е~шТ(1 - е~шв).
JT 4 ' JT JT wl^w ш ш к J
Однако следует отметить, что по этой формуле можно найти время, только если ш = const, в остальных случаях интеграл придется брать численно.
В результате работы были смоделированы следующие модели надежности восстанавливаемого объекта: При ш = const, ведется расчет по следующим формулам: Т0 = —e~wT(l — е~ыв), П = 0)t, P(t) = e~wt.
ы ^ J
В результате получен следующий график (рис. 1).
-l; 0 5u — 7'J
Plie. 1. График it' = const
На графике желтым цветом обозначен график P(t) =е_0,005£, синим цветом обозначен график P(t) =e~0,01t, красным цветом обозначен график P(t) =e~0,02t.
При ш = kt, ведется расчет по следующим формулам: Т0 = jT е~а dt, П = jT M(t)dt, P(t) =е ~. В результате получен следующий график (рис. 2).
\
\\
\\
V V
о 1омзо№50б0 70 80 90 зм]
-» -O.bj -
Рис. 2. График it' = kt
На графике желтым цветом обозначен график P{t) = e~0'0025t2, синим цветом обозначен график P(t) = g-o,oo5£ , красным цветом обозначен график P(t) = e~0,01t .
При ш = kt2, ведется расчет по следующим формулам: Т0 = jT е~а dt, П = jT M(t)dt, P(t) =е Г. В результате получен следующий график (рис. 3).
На графике желтым цветом обозначен график P(t) =е_0'00166£ , синим цветом обозначен график P(t) = е-о,оозз£ , красным цветом обозначен график P(t) = е_0'0066£ .
Для численного расчета интегралов используем формулу прямоугольников:
f 71 h " h / f(x) dx^hY, fix,-1 + -) = h J2 f(xi - ij) i i=i z ,=i L
В результате моделирования можно сделать следующий вывод: чем больше параметр потока отказов, тем меньше надежность элемента.
Краткое руководство пользователя. Разработанная программа позволяет строить графики P(t) для различных ш и рассчитывать Т0 и А для каждого из ш. Для расчета необходимо задать параметр потока отказов (о>), обычно число в пределах от 0,00001 до 0,1. А также начальное и конечное время наблюдения. Необходимо учесть, что все параметры должны быть больше 0.
к-Ы
РМ Л.6-
16 и зг -в J3 5S и тг
-— ы — -Зы
Рис. 3. График и' = Ш2
После задания всех параметров необходимо нажать кнопку «Рассчитать».
Для переключения между графиками необходимо нажать на соответствующие вкладки в верхней части Результаты расчета представлены в таблице в нижнем левом углу.
Исходные данные
нажмите для расчета
D '| 1щ .'V ч у,
—u — asu —г*
Полученные результаты <<
Рис. 4. Краткое руководство
Заключение. Анализ кривой Р(Г) показывает, что чем больше время наблюдения, тем вероятность не появления ни одного события меньше. При достаточно большом времени наблюдения вероятность не встретить событие спадает (асимптотически) до нуля, т.е. с ростом времени наблюдения событие обязательно произойдет.
Кроме того, кривая показывает, что чем больше величина «интенсивности» X, тем круче спадает вероятность Р(Г). Это соответствует тому, когда значение X велико, то вероятность не появления события быстро уменьшается со временем наблюдения.
Рассмотренная модель ВО обладает таким специфическим условием, свойственным простейшим потокам, как мгновенный переход из одного состояния в другое, что существенно может ограничивать применение таких представлений в практических целях.
В реальной эксплуатации процессы в объектах протекают в зависимости от времени, т.е. процессы наработки и восстановления могут длиться определенное время. Эта заставляет обратиться к моделям «надежности ВО» на основе других видов (форм) СП с учетом временной динамики переменных, описывающих состояния рассматриваемых систем.
Список литературы
1. Антонов А.В., Никулин М.С. Статистические модели в теории надежности: Учебное пособие. М.: Абрис (Высш. шк.), 2012. 390 с.
2. Антонов А.В., Поляков А.А., Чепурко В.А. Модель анализа надежности объектов с неполным восстановлением // Надежность. 2011. № 3(38). С. 33-41.
3. Липатов И.Н. Надежность функционирования автоматизированных систем: конспект лекций. Пермь: Изд-во Пермского ГТУ, 1996. 67 с.
4. ГОСТ 27.002-89. Надежность в технике. Основные понятия. Термины и определения. М.: Изд-во стандартов, 1990.
5. Надежность технических систем и техногенный риск. МЧС России: электронное учебное пособие. [Электронный ресурс] URL: http:// www.obzh.ru/nad (дата обращения: 10.05.2023).
6. Ермаков А.А. Основы надежности информационных систем: учебное пособие. Иркутск: ИрГУПС, 2006. 151 с.
7. Матвеевский В.Р. Надежность технических систем: учебное пособие. М.: МГИЭМ, 2002. 113 с. Исаченков Александр Сергеевич, бакалавр, старший оператор, era [email protected], Россия, Анапа, ФГАУ «ВИТ
«ЭРА»,
Эльсессер Григорий Павлович, магистр, старший оператор, Россия, Анапа, ФГАУ «ВИТ «ЭРА»,
Тычков Илья Алексеевич, младший научный сотрудник, командир взвода 5 роты (научной), Россия, Анапа, ФГАУ «ВИТ «ЭРА»
EXPLORATION OF THE RELIABILITY MODEL OF THE OBJECT BEING RESTORED USING THE POISSON FLOW OF
SYSTEM RELIABILITY EVENTS
A.S. Isachenkov, G.P. Elsesser, I.A. Tychkov
In this article, a point reliability indicator is calculated: the probability of failure-free operation is P(t), the leading function of the flow, the reliability model of the object being restored is considered as a Poisson flow of events. Key words: system reliability, Poisson event flow.
Isachenkov Aleksandr Sergeevich, bachelor, senior operator, [email protected], Russia, Anapa, FGAU «MIT
«ERA»,
Elsesser Grigory Pavlovich, master, senior operator, Russia, Anapa, FGAU «MIT «ERA»,
Tychkov Ilya Alekseevich, junior researcher, platoon commander of the 5th company (scientific), Russia, Anapa, FGAU «MIT «ERA»
УДК 004.032.6
DOI: 10.24412/2071-6168-2023-9-241-242
ПОДГОТОВКА ДАТАСЕТА И АУГМЕНТАЦИЯ ДАННЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧИ МНОГОКЛАССОВОЙ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
А.С. Исаченков, Д.Б. Дмитриенко, Н.В. Фролов
В данной статье рассмотрена задача подготовки данных и их аугментации для решения задачи многоклассовой классификации изображений с использованием искусственной глубокой сверточной нейронной сети (CNN). Были сформированы тренировочный и тестовый наборы данных, содержащие 60 и 25 изображений соответственно, разделённых на 6 классов. Была выполнена аугментация изображений для создания дополнительных данных из уже имеющихся. В результате было сгенерировано примерно по 320 изображений для каждого класса. Всего 1887 изображений.
Ключевые слова: Датасет, классификация изображений, аугментация данных, Keras, глубокое обучение, нейронная сеть, CNN.
Задача классификации изображений представляет собой задачу присвоения входному изображению одной метки из фиксированного набора. Это одна из базовых проблем компьютерного зрения, которая, несмотря на свою простоту, имеет большое разнообразие практических применений.
В последние годы для классификации изображений широко применяется множество передовых классификационных подходов, таких как искусственные нейронные сети, нечеткие множества и экспертные системы, но каждый из них имеет свои проблемы и уровень их точности сравнительно меньше.
Одним из передовых подходов к классификации является использование архитектуры глубокой сверточ-ной нейронной сети (CNN) глубокого обучения, которая дает успешные результаты в решении многих задач машинного обучения [1].
Целью работы является разработка модели искусственной нейронной сети для решения задачи многоклассовой классификации изображений с точностью выше 95%.
Для достижения поставленной цели необходимо решить следующие задачи:
1) подготовить данные (тренировочный и тестовый набор);
2) произвести аугментацию данных;
3) разработать архитектуру нейронной сети;
4) произвести обучение нейронной сети;
5) протестировать обученную модель;
6) скорректировать модель для получения лучших результатов. Объектом исследования является задача классификации изображений.
Предметом исследования является подготовка и аугментация данных для обучения глубокой сверточной нейронной сети.
Подготовка датасета. Для обучения нейронной сети были собраны различные фотографии 6 видов грибов из свободных источников. Всего найдено 60 изображений - по 10 изображений для каждого из 6 классов.
Каждое изображение было предварительно кадрировано таким образом, чтобы изображение бьшо квадратным, а также целевой объект (гриб) находился по центру и занимал большую часть изображения.
Далее каждое изображение было сжато до размера 256 x 256 пикселей, для более быстрой архивации и загрузки в рабочую среду Colab.
