CC BY
22
МерановаН.О. Моделювання процесiв теплопереносу пiд час нане-сення газотермiчних покриттiв з використанням гiперболiчних р1внянь теплопровiдностi
Наведено даш математичного моделювання процесiв теплопереносу в cncTeMi "напилювана частица-основа" на стадн дн iмпульсного тиску (т < 10-9 с). Представлено результати щодо встановлення закономiрностей впливу на розв'язок розглянуто! за-дачi врахування залежностi теплофiзичних властивостей матерiалiв вiд температури. Оцiнено релаксацiйнi ефекти для широко використовуваних сполучень матерiалiв пок-риття i основи. Розглянуто можливостi лшеаризацн застосовувано! математично! моде-лi, засновано! на використаннi гiперболiчного рiвняння теплопровiдностi, в якому бе-руть до уваги скiнченнiсть швидкост розповсюдження теплоти.
Ключовi слова: математичне моделювання, процеси теплопереносу, газотермiчне напилення, релаксацiйнi ефекти.
MeranovaN.O. Simulation of Heat Transfer Processes when Applying Thermal Spray Coatings Using Hyperbolic Heat Equation
Data of mathematical modeling of heat transfer processes in the system "sprayed particles-base" on the stage of pulse pressure action (т < 10-9 s) is given. The results of the establishment of influence laws on the solution of these problems of dependent thermo physical properties of materials on temperature are presented. The estimation of the relaxation effects of commonly used combinations of coating and substrate materials is proposed. The possibility of linearization the used mathematical model based on the use of hyperbolic heat equation, which takes into account the speed finite of heat propagation is reviewed.
Keywords: mathematical modeling, heat transfer processes, gas-thermal spraying, relaxation effects.
УДК 681.518:622.248:004.94 Доц. Л.Я. Чигур, канд. техн. наук -
1вано-Франшвсышй НТУ нафти i газу
КОНЦЕПТУАЛЬШ ЗАСАДИ МЕТОДУ КОНТРОЛЮ ТЕХН1ЧНОГО СТАНУ ОБ'еКТА НА ОСНОВ1 ШТУЧНОГО 1НТЕЛЕКТУ
Запропоновано метод контролю техшчного стану об'екта шд час роботи складних систем, на осж^ засобiв штучного штелекту. Вибiр розглянутого методу зумовлений особливiстю щентифшадн технiчного стану об'екта та передаваршннх ситуацiй, що ви-никають у процесi функдiонування складних технолопчних систем. Здiйснено моделювання у середовищ SOM Toobox програмного пакету Matlab на прикладi контролю техшчного стану породоруйшвного инструменту в продесi поглиблення свердловини. Результати проведених наукових дослiджень довели додшьшсть використання штучних нейромереж для внршення завдань дього напрямку. А також де дасть змогу розробля-ти адаптивнi системи контролю техшчного стану об'екту, що значно шдвищить вiрогiд-нiсть контролю, оскiльки вони можуть автоматично пристосовуватися до змшних умов функдiонування, прогнозувати виникнення i розпiзнавати вiдомi та невизначенi переда-варiйнi снтуади, якi можуть трапитись пiд час роботи складних систем.
Ключовi слова: тех^чний стан об'екта, метод контролю, штучш нейромережi, складш технологiчнi системи.
Вступ. Складнi технолопчт процеси здебiльшого е нелiнiйними, неста-цiонарними, невiдтворюваними, багатофакторними, динамiчними. У складних техтчних системах контрольований об'ект функщонуе за умов апрiорноí та поточно!' невизначеносп щодо структури та параметров, розвиваеться в час i пере-бувае пiд впливом зовнiшнiх завад. Наявнiсть таких специфiчних ознак дае шд-
стави говорити про специфiчну методологiю його дослщження, оскшьки все це зумовлюе погану органiзацiю внутрiшньоí структури системи в розумшш нечи-кого проявления причинно-наслвдкових зв'язкiв [1].
Порушення обмежень, накладених на систему, призводить до аварш, иепродуктивиих втрат енергоресурсiв, швидкого зношення обладнання, потреби мати великий штат технолопчного персоналу i ремонтних служб для лшыдацц наслiдкiв аварiй. Ця проблема ускладнюеться тим, що часто найефективнiшi ре-жими роботи багатьох складних систем близькi до гранично допустимих, а та-кож тим, що об'ект керування е ктотно нестацiонарним, функцiонуе пiд жен-сивним впливом неконтрольованих збурень, мае зашзнення в каналах управлш-ня, розвиваеться в часi. Пiд час роботи складних систем, перед людиною-опера-тором, що приймае рiшення, виникае задача оцшювання ситуаций з метою пе-редбачення можливого характеру перебiгу процесу та прийняття рiшения про вибiр керувальних дiй для ефективного ведення робiт [2]. При цьому доводиться стикатися з об'ектами i процесами, яш характеризуються великою кшькктю якiсних i кiлькiсних ознак. Для виртення таких завдань iиженеру важливо мати формалiзований опис об'екта, процесу або ситуацц, що розглядають з урахуван-ням того, що вони залежать вiд велико1 кiлькостi чиннишв, якi визначають пове-дiнку об'ектш, багато з яких мають ймовiрнiсний характер. Ситуацií оцiнюють при цьому в умовах невизначеносп i мають характер розшзнавання образш.
Матерiали та методи. Математичний апарат прийняття ртень про образ розглядуваних об'ектш набув значного розвитку в рiзних галузях знань через широке впровадження комп'ютерiв в iнженерну практику, оскшьки створена можливiсть швидкого перероблення великих об'емiв iнформацií.
Головними задачами теорií розпiзнавания образш е вiднесення конкретного об'екта або ситуацп до тк1 або iншоí, заздалегiдь оговорено!' категорií (дискретизация, вдентифжащя, розпiзнавания об'екта); розподал множини об'екпв на групи, що характеризуються сшльними родинними властивостями (класифiкацiя, кластеризацш).
Шд образом будемо розумiти деяке узагальнення множини рiзних уяв-лень про об'ект, iз яких вiдокремлюються найбшьш стiйкi його характеристики. Кожен шдивщуальний об'ект мае набiр ознак, якими можуть слугувати показ-ники властивостей робочих агентiв, режимнi характеристики роботи обладнання, ввдомосп про зовшшш впливи, номенклатура використаних матерiалiв та обладнання й ш При цьому велика юльккть факторiв, що залучаються до роз-гляду, пов'язана з недостатньою точшстю вимiрювань i складшстю апрiорного визначення найбiльш iнформативних ознак. Й подiбнiй ситуацií дуже ефектив-ним е залучення до розгляду непрямих ознак, узгодженiсть яких шд час розшз-навання переконуе у правильносп прогнозiв.
У загальному випадку об'ект характеризуемся вектором стану або ознак X (Х1, X 2,..., Хп), залежно вiд конкретних значень компонент якого можна ствер-джувати належнiсть об'екта до того чи шшого образу. Ртення задачi про дис-кримшацда об'екта передбачае створення певних правил, ят залежно вiд значень компонент вектора ознак X (Х1,Х2,...,Хп) дасть змогу прийняти рiшения про належнкть об'екта до того чи шшого образу.
Ствоpити системy подiбниx пpaвил, якi e сукупшстю деяких "pоздiль-них" фyнкцiй gi ( X ) i умов ^ийняття piшень пpи ïx вiдомиx значеннях, можна на основi попеpедньо зiбpaниx вибipок з ^едставниками piзниx обpaзiв - нав-чання iз вчителем або за допомогою автоматичних пpоцедyp клaстеpизaцiï, в яких pозбиття на обpaзи здiйснюeться на основi деяких aдaптaцiйниx пpоцедyp i вибpaниx кpитеpiïв близькостi об,eктiв.
Викоpистaння конкpетного методу зyмовлюeться постановкою зaдaчi i ознаками, якi xapaктеpизyють об^кт. Нaпpиклaд, для pозпiзнaвaння обpaзiв за мipою подiбностi, потpiбним e ктьюсне завдання вектоpa ознак. Два iншиx тд-ходи (pозпiзнaвaння обpaзiв за мipою близькостi мш об,eктaми piзниx клaсiв та ймовipнiсне pозпiзнaвaння за фазовим iнтеpвaлом) можуть опеpyвaти як шль-кiсними, так i яюсними фaктоpaми. Окpiм цього, збiльшення ктькосп клaсiв ю-тотно yсклaднюe викоpистaння пеpшого i тpетього пiдxодiв, тодi як ймовipнiсне pозпiзнaвaння e найбтьш yнiвеpсaльним i узагальнюючим.
Результати. Отже, для фоpмyвaння бази клaсiв можливих стaнiв об,eктa потpiбно виконати клaстеpний aнaлiз, що pозбивae множину сташв на класи. Kлaстеpний aнaлiз, на вщмшу вiд задач клaсифiкaцiï, не потpебye aпpiоpниx пpипyщень пpо нaбip даних, не нaклaдae обмеження на подання дослiджyвaниx об,eктiв, дae змогу aнaлiзyвaти показники piзниx типiв даних (iнтеpвaльнi, час-тоти, бiнapнi даш).
Результатом клaстеpного aнaлiзy e pозбиття стaнiв на гpyпи, що задовольняють деякий кpитеpiй оптимaльностi. До основ-них стaнiв контpольовaного об,eктa вщно-сять пpaцездaтний, непpaцездaтний, пеpедa-вapiйний, невизначений стани. Для ^ове-дення клaстеpного aнaлiзy доцiльно вико-pистaти шap Kоxоненa, що склaдaeться з де-яко'1 кiлькостi n адаптивних лiнiйниx сума-тоpiв, якi дшть пapaлельно (лiнiйниx фоp-мальних нейpонiв) [3, 4]. Усi вони мають однакову кiлькiсть вxодiв m i отpимyють на сво'1 входи один i той же вектоp вхдаих сиг-нaлiв X = (хь. ,xn) (pис. 1).
Дaнi, що подаються на входи шapy Kоxоненa, мають бути у виглядi век-TOpa дiaгностичниx ознак (стaнiв) у #-вимipномy евклщовому пpостоpi, а також ^авЕльно пpомaсштaбовaнi для подальшого 1х обpоблення. Виxiдним pезyль-татом pоботи шapy Kоxоненa e множина клaсiв - стани, в яких пеpебyвae кон-тpольовaний об,eкт.
Моделювання пpоведено в сеpедовищi SOM Toobox пpогpaмного пакету Matlab на пpиклaдi контpолю техшчного стану поpодоpyйнiвного iнстpyментy в ^оцеа поглиблення свеpдловини. До вxiдниx пapaметpiв нейpомеpежевого ал-гоpитмy вiдносять: осьове навантаження на долото - P; частота обеpтaння долота - n; ^утаий момент - М; мехашчна швидкiсть пpоxодження - v.
Для навчання i дослiдження aлгоpитмy контpолю, згенеpовaно по 50 вхщ-них пapaметpiв для iдентифiкaцiï можливо'! зм1ни теxнiчного стану бypового до-
Bxidni нейрони Вихгдш нейроны Рис. 1. Структура нeйромeрeжi
лота та утворення передаваршних ситуацiй. Карта Кохонена е вихiдним прошар-ком нейромережi Кохонена, i складаеться з нейрошв, яю розмiщенi на двовимiр-нш решiтцi карти (розмiрнiсть - 6*11 нейрошв). Кожен нейрон мае власний вектор стану. Шсля навчання сусiднi нейрони мають подiбнi вектори стану. У про-цесi шщатацп вхiднi данi накладаються на карту Кохонена i нейрони карти змiнюють свот ваги, випадковим чином розмiщуючись на д1лянках карти.
Оскiльки шщашзащя нейромережi здiйснюеться шляхом призначення нейронам мережi випадкових значень синаптичних ваг, то на початковому еташ роботи нейрони у вхщному шарi нейромережi повнiстю дезорганiзованi. Набiр даних, призначених для навчання мережi, мiстить т. зв. "мггки", якi надалi ста-нуть центрами кластерiв станiв долота. Кожна "мггка" характеризуеться набором з чотирьох вхщних параметрiв, яю визначають один iз станiв контрольова-ного об'екта. Вiзуалiзацiю карти Кохонена у процеш навчання можна спостерь гати у виглядi, зображеному на рис. 2.
Рис. 2. ЫзуалЬзащя карти Кохонена з допомогою функци SOM_SHOW
Для перевiрки функщонування розробленого нейромережевого алгоритму, змоделюемо випадок виникнення ситуацп, що характеризуе зношення долота. Для цього подамо на вхщ мережi вектор стану, характеристики якого подiб-нi до вщомих характеристик роботи зношеного долота на вибоТ свердловини.
Рис. 3. Моделювання SОМ
На рис. 3 чггко видно, що технолопчна ситуащя потрапила у верхню праву частину мапи, де знаходиться кластер стану, що в1дпов1дае зношенню по-родоруйшвного шструменту.
Змодельована самооргашзувальна мапа може працювати в реальному ча-с1. У раз1 потрапляння будь-якого з наведених вище ускладнень на 8ОМ, оператор матиме змогу швидко вдентифшувати 11 тип 1 прийняти вщповщш ршення для Тх усунення. Запропонований метод контролю на баз1 нейромереж1 Кохоне-на надал1 може бути удосконалений 1 застосовуватись для вдентифжацц техшч-них сташв об'екпв, а також для прогнозування авар1йних ситуацш 1 ускладнень, що можуть виникнути шд час функцюнування складних систем.
Обговорення або дискусш. Ефективнкть штучних нейромереж з р1з-ною кшькктю внутршшх (прихованих) прошарюв нейрошв разом з викорис-танням адаптивних активацшних функцш було протестовано тд час контролю техшчного стану породоруйн1вного шструменту. У вс1х моделях було викорис-тано дев'ять вхщних параметр1в, на основ1 яких формувався вихщний сигнал, що характеризував зношення породоруйшвного шструменту [5]. Кшьккть нейрошв у внутршньому шар1 змшювали вщ 14 1 22. Зроблено висновок, що збшьшення кшькосп нейрошв у штучнш нейромереж1 з адаптивними актива-цшними функщями призводить до зростання швидкосп навчання пор1вняно з традицшною нейромережею прямого розповсюдження.
Мережу адаптивного резонансу було випробувано для визначення сильного пошкодження долота шд час лабораторного дослщження процесу бур1ння [6]. Зпдно з теоркю адаптивного резонансу (ТАР), адаптивний резонанс вини-кае тода, коли ймов1рност1 входу мереж1 1 зворотного зв'язку збкаються. АЯТ2-тип нейромереж було розроблено для задач розшзнавання в реальному час1. Нейромереж1 типу АКТ2 пор1внюють вхщний вектор сигнал1в з попередшми вз1рцями, що траплялись рашше. Якщо вхвд е аналопчним до деяких 1з зразюв, вш буде помщений в категорда 1з под1бними вз1рцями. З 1ншого боку, якщо вх1д не под1бний до жодного з попередньо представлених вз1рщв, то цьому входу буде призначено нову категорда. Нейромереж1 типу АЯТ2 вимагали в два-три рази бшьше обчислювального часу шд час класифшацп вхщних сигнал1в, шж 1нш1 нейромережев1 методи. Однак кшьккть помилок класифжацл у них виявилася набагато меншою.
На практищ техшчний стан долота характеризуеться складними причин-но-наслщковими зв'язками м1ж великою кшькктю шформативних параметр1в 1 його техшчним станом. Межа роздшу в цьому випадку описуеться складною кривою або сукупнктю кривих (площиною), що не дае змоги використовувати формальний нейрон як нейромережну модель класифшацп техшчного стану ке-рованого об'екта. Виршення задач1 в такому випадку припускае застосування нейронних мереж, що оргашзована за типом багатошарових нейронних мереж прямого поширення. Використання щеТ нейромереж1 дае змогу ощнити техшч-ний стан об'екта в межах в1д 0 до 1.
Висновки. Реал1защя запропонованого методу на баз1 поеднання цих двох нейромереж дасть змогу розробляти адаптивш системи контролю техшч-ного стану об'екта. Це значно шдвищить в1ропднкть контролю, оскшьки вони
можуть автоматично пристосовуватися до змiнних умов функщонування, прог-нозувати виникнення i розшзнавати вiдомi та невизначенi передаварiйнi ситу-ацц, якi можуть трапитись тд час роботи складних систем.
Лггература
1. Семенцов Г.Н. Автоматизация технолопчних процесiв у нафтовш i газовой промисловос-Ti / Г.Н. Семенцов, Я.Р. Когуч, Я.В. Куровець, М.М. Дранчук. - Iвано-Франкiвськ : Вид-во 1Ф-НТУНГ, 2009. - 300 с.
2. Мшенш, А. А. Шдхщ до шдтримки прийняття ршень операторами складних технолопч-них процеав / А.А. Мiшенiн // Вюник Сумського державного университету : зб. наук. праць. -Сер.: Техшчш науки. - 2005. - № 9(81). - С. 107-123.
3. Self-organizing maps. Teuvo Kohonen. - Helsinki, Finland, 2005. - 496 p.
4. Руденко О.Г. Штучш нейромережi : навч. посiбн. / О.Г. Руденко, G.B. Бодянський. -Харюв : ТОВ "Компанiя СМ1Т", 2006. - 404 с.
5. Liu T.I. Intelligent classification and measurement of drill wear / T.I. Liu, K.S. Anantharaman // Journal of Engineering for Industry, Transactions of the ASME. - 1994. - Vol. 116. - Pp. 392-397.
6. Tansel I.N. Monitoring drill conditions with wavelet based encoding and neural network / I.N. Tansel, С. Mekdeci, О. Rodriguez, В. Uragun // International Journal of Machine Tools & Manufacture. - 1993. - Vol. 33 (4). - Pp. 559-575.
Чигур Л.Я. Концептуальные основы метода контроля технического состояния объекта на основе искусственного интеллекта
Предложен метод контроля технического состояния объекта при работе сложных систем на основе искусственного интеллекта. Выбор рассматриваемого метода обусловлен особенностью идентификации технического состояния объекта и предава-рийных ситуаций, возникающих в процессе функционирования сложных технологических систем. Осуществлено моделирование в среде SOM Toobox программного пакета Matlab на примере контроля технического состояния породоразрушающего инструмента в процессе углубления скважины. Результаты проведенных научных исследований доказали целесообразность использования искусственных нейронных сетей для решения задач данного направления. А также это даст возможность разрабатывать адаптивные системы контроля технического состояния объекта, что значительно повысит вероятность контроля, поскольку они могут автоматически приспосабливаться к меняющимся условиям функционирования, прогнозировать возникновение и распознавать известные и неопределенные предаварийные ситуации, которые могут случиться во время работы сложных систем.
Ключевые слова: техническое состояние объекта, метод контроля, искусственные нейросети, сложные технологические системы.
Chygur L.Ya. Some Conceptual Foundations for Control Method of Technical State of the Object Based on Artificial Intelligence
The method of object condition monitoring during the work of complex systems on the basis of artificial intelligence is proposed. The choice of this method is caused by the peculiarity of identifying the object technical state and situations that arise in the operation of complex technological systems. Modeling was performed in SOM Toolbox Matlab software package as an example of technical state of rock cutting tool in the process of deepening of wells. The results of the research showed the feasibility of using artificial neural networks to solve field problems. It will also enable developing adaptive systems for control of the technical state of the facility that will significantly increase the probability of control since they can automatically adapt to changing operating conditions, predict the emergence and identify known and uncertain pre-emergencies that may occur during the work of complex systems.
Keywords: technical state of object, control method, artificial neural networks, complex technological systems.
