CC BY
3
АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПРОИЗВОДСТВАМИ
УДК 681.5:004.5
DOI: 10.24412/2071-6168-2024-1-331-332
МОДЕЛИРОВАНИЕ СИСТЕМЫ ДИАГНОСТИКИ ДАТЧИКОВ СУДОВЫХ
ЭНЕРГЕТИЧЕСКИХ СИСТЕМ
В. А. Кучеренко
Модель надежности и диагностики датчиков контроля параметров работы главного двигателя судна, прогнозирование на основе Марковского процесса функционирования датчика исходя из разных состояний работоспособности.
Ключевые слова: датчики главного двигателя, цепи Маркова, автоматизация
судна.
Эксплуатация судовых энергетических систем на судне должна постоянно контролироваться, это сделано не только для того, чтобы предоставлять данные экипажу, но и для информации о состоянии механизмов и возникновения отклонений от заданных величин. Это достигается с помощью внедрения SCADA систем, которые обеспечивают полный обзор за измеряемыми величинами и возможностью работать с ними в пользовательском интерфейсе. Система состоит из модульной платформы автоматизации, которая способна выводить информацию о состоянии судовых систем, с функцией мониторинга, управления и сигнализации для обеспечения непрерывной работы механизмов и безопасности экипажа судна.
Внедрение SCADA позволяет усовершенствовать системы автоматизации судна, повышает надежность механизмов, а так же сокращает техническое обслуживание, мониторинг за измеряемыми величинами позволит своевременно предотвращать выход из строя судовых систем.
Для контроля за параметрами механизмов устанавливаются датчики, которые измеряют параметры и передают информацию в SCADA систему. В случае выхода из заданного диапазона заданных величин, система выдает аварийный сигнал либо может прекратить работу механизма в случаи критических величин. Датчики главного двигателя, которые требуют проведения технического обслуживания, так же передают информацию в SCADA систему. В связи новыми системами управления главным двигателем и условиями эксплуатации внутри машинного отделения, в данной работе уделяется основное внимание датчикам контроля температуры выхлопных газов, датчику оборотов, датчикам подачи топлива. Неисправность любого из этих датчиков может привести к ухудшению эксплуатации или к полной остановке главного двигателя.
Эксплуатация главного двигателя и график технического обслуживания зависит от правильного функционирования датчиков. Критические показания измеряемых величин могут привести к дорогостоящему ремонту либо задержки выполнения планового рейса.
Ниже представлены примеры, которые могут продемонстрировать критичность неправильной работы датчика и их влияние на эксплуатацию судна.
Неисправность датчика контроля температуры выхлопных газов ГД, может вызван неправильным впрыском топлива, поврежденным впускным клапаном. Если проблема связана с клапаном, задержка с ремонтом может привести к дальнейшей его поломке.
Отказ датчика оборотов, который работает в не заданном диапазоне, может привести к перегрузке главного двигателя. Во время рейса внезапный отказ главного двигателя может повлиять на безопасность экипажа.
Таким образом внедрение SCADA системы и датчиков контроля и управления ключевыми механизмами и для обеспечения надежности обнаружения повреждений, могут снизить затраты на техническое обслуживание и повысить эффективность работоспособности судовых энергетических систем.
Диагностика датчиков. Диагностика датчиков является наиболее важной и часто игнорируемых проблем во время эксплуатации судна. Для автоматизации систем требуется большое количество входных данных, в случае выхода контрольных измерительных систем из строя оптимальное функционирование системы SCADA будет затруднено. Для выполнения автоматического контроля или измерения, заданные значения датчика должны находиться в действительном диапазоне. При проектирование судов, необходимо учитывать вопросы безопасности, контроля и надежности, поскольку современные судовые системы оснащены большим количеством датчиков. Для расширенных функций таких как автоматизация судовых энергетических систем, диагностика датчиков должна быть адресной и автоматизированной, а точные измерения величин являются основным показателем для реализации этих функций. Точная диагностика датчиков обеспечивают ключевые измерения, необходимые для своевременного проведения технического обслуживания, включая системную диагностику и прогнозирование.
Способность обнаруживать неисправности датчиков и предоставлять соответствующую аналитическую оценку всем функциям управления на основе измеренного значения имеет важное значение. Базовые данные датчиков, включая показания, статус, уровни достоверности и многое другое, должны быть доступны по запросу для любого приложения, требующего этого, включая функции системы управления. Проверка данных датчиков, либо непосредственно на основе избыточных физических измерений, либо на основе моделирования аналитического устройства, является ключевым фактором повышения надежности таких устройств.
Моделирование условий работы датчиков на основе теории цепей Маркова. Теория цепей Маркова позволяет моделировать случайные процессы в дискретном времени и пространстве, так же позволяет прогнозировать будущее состояние системы на основе ее текущего состояния, игнорируя ее прошлую историю.
Марковский анализ является аналитическом методом, что означает, что параметры надежности системы эффективно вычисляются по формуле. Это позволяет значительно повысить скорость и точность получения данных. Скорость особенно полезна при изучении множества альтернативных вариантов конструкции или диапазона чувствительности. Точность, с другой стороны, имеет решающее значение при исследовании небольших изменений конструкции или при количественной оценке надежности или доступности систем с высокой степенью целостности. Марковский анализ имеет явное преимущество перед моделированием методом Монте-Карло, с точки зрения скорости и точности, поскольку требует более длительных циклов моделирования для достижения более высокой точности и, в отличие от марковского анализа, не дает точного ответа.
Марковский процесс - это случайный процесс, динамическое поведение которого таково, что распределение вероятностей его будущего развития зависит только от текущего состояния, а не от того, как процесс пришел в это состояние.
Если мы предположим, что пространство состояний Е является дискретным (конечным или счетно бесконечным), то марковский процесс известен как цепь Марко-
ва. Предполагая, что состояние параметра Т также дискретно, тогда Марковский процесс называется цепью Маркова с дискретным временем. Мы выбираем наблюдение за состоянием системы в дискретный набор моментов времени. Последовательные наблюдения определяют случайные величины Х0,Х1,Х2,—,Хп, с временными шагами 0, 1, 2, ... соответственно. Если Хп =}, то состояние системы на временном шаге п равно у'. Хо - начальное состояние системы. Марковское свойство можно сформулировать как:
Р(.Х-п = = ¿0,^1 =11,—,Хп-1 = ^п-1) =Р(.Х-п = = ^п-1) (1)
Уравнение (1) подразумевает, что учитывая настоящее состояние системы, будущее не зависит от ее прошлого.
Однородные цепи Маркова. Пусть Ру(п) обозначает функцию вероятности случайно величины Хп, которая равна
Р;(п) = Р(Хп=Я (2)
р]к(т,п) = Р(Хп = к\Хт=}),0 <т<п (3)
Обозначим вероятность того, что процесс переходит из состояния' на шаге т в состоянии к на шаге п. Таким образом р^к{т,п) называется переходной вероятностью функции цепи Маркова.
Цепь Маркова называется однородной стационарной, если вероятность перехода Р]к(т,п) зависит только от разности п - т, и в этом случае говорится, что цепь Маркова имеет стационарные вероятности перехода. Для таких цепочек используется выражение:
р]кСт, п) = Р(Хп+т = к\Хт=]) (4)
Для обозначения вероятностей перехода, состоящих из п этапов.
Следовательно, Р]к(п) какова вероятность того, что однородная цепь Маркова перейдет из состояния ' в состояние к.
Р;к(т,п) = Р(Хп = к\Хп_1 =]),п > 1 (5)
Сформированные в виде матрицы вероятностей перехода, вероятности одно-этапного перехода задаются следующим образом:
гРоо Р01 Р = (Р0') = Рю Ри
Выражение матрицы Р удовлетворяет следующим двум свойствам:
0< Р1] < 1, и] е Е Ру = 1,1 е Е
ЧеЕ
Любая такая квадратная матрица, элементы которой не являются отрицательными и чьи строки в сумме равны единице, называется стохастической матрицей.
Моделирование с помощью непрерывного марковского процесса. Датчики контроля параметров главного двигателя, подвергаются профилактическому обслуживанию. Обслуживание выполняется с заранее определенными интервалами и предназначено для уменьшения вероятности выхода из строя датчика или системы. Техническое обслуживание проводится для того, чтобы продлить срок службы и предотвратить внезапный отказ. Проведение ремонтных действий возникает в случаи поломки и служат для того, чтобы восстановить датчики до функционирования в заданных диапазонах.
Рассматривается интегрированная система управления судном, состоящая из трех различных датчиков учета контроля за измеряемыми величинами главного двигателя (датчик температуры выхлопных газов, датчиков оборотов, датчик подачи топлива).
Допустим состояние системы может быть разделено на следующие категории, полное функционирование (ПФ), незначительное ухудшение (НУ), прогрессирующее отклонение (ПО), серьезное ухудшение (СУ) и отказ системы. Для моделирования кон-
X
троля работы датчика используется непрерывная во времени цепочки Маркова.
Рассмотрим три уровня износа датчиков, НУ, ПО, СУ и отказ (рисунок 1).
Рис. 1. Диаграмма цепи состояния эффективности датчика
Предлагаемая модель основана на следующих допущениях. Как мы предположили выше, состояния модели контроля датчиков могут иметь пять различных уровней, которые связаны с предлагаемой категоризацией износа (незначительное ухудшение, прогрессирующее отклонение, Серьезное ухудшение) датчиков. Изначально система находится в полностью рабочем состоянии ПФ (полное функционирование). Мы предполагаем, что система может переходить в ухудшающееся состояние НУ со скоростью Хну.
Так как датчики системы могут выйти из строя одновременно несколько, система может переходить из состояния полного функционирования в прогрессирующее отклонение (ПО) со скоростью Хпо, так же предполагается, что системы может перейти сразу в серьезное ухудшение (СУ) со скоростью Хсу.
Из любой системы функционирования датчик может переходить в состояние полного отказа (О) со скоростями Х01, Х02, Хоз и Х04. В случаи ремонтных действий, когда датчик находится в состоянии НУ, система возвращается в рабочее состояние ПФ со скоростью /ипФ. Так же происходит с оставшимися системами ухудшения ПО и СУ со скоростями цпо и цсу. Кроме того, когда состояние системы находится в отказе, при выполнении ремонтных работ состояние возвращается в полное функционирование ПФ со скоростью цоф.
технического обслуживания
334
На рисунке 2 представлена модель при проведение технического обслуживания датчиков. Как упоминалось выше, условия модели предполагают, что система диагностики может проходить пять различных стадий, связанных с предлагаемыми категориями ухудшения (НУ, ПО, СУ) датчиков. Во-первых, система находится в полностью функциональном состоянии ПФ. Затем предполагается, что система способна проходить через состояние износа НУ со скоростью Л,ну. Если система находится в состоянии НУ, то выполняется техническое обслуживание, и система переходит в первое состояние обслуживания ТО1. В случае, когда техническое обслуживание показано как идеальное, система возвращается в предыдущее состояние ПФ. Следовательно, существует предположение, что также может иметь место сбой в техническом обслуживании. В этом случае система переходит в состояние полного отказа О из состояния ТО1.
С другой стороны, ремонтное действие может быть выполнено, когда датчики находятся в состоянии СУ, при котором система может быть отремонтирована и возвращается в предыдущее рабочее состояние ПФ со скоростью /лсу. Кроме того, выполняется ремонтное действие, когда система находится в состоянии отказа О, и интегрированная система автоматизации восстанавливается до полностью рабочего состояния ПФ со скоростью ¡лоф.
Доступность рассматривается как показатель надежности, который дает вероятность того, что система в данный момент времени находится в рабочем состоянии. Доступность определяется как Av(t) = РГ (система работает в момент времени t).
Пусть E - состояния марковского процесса (X(t),t > 0) состояние модели показателя надежности может быть разделено на два подмножества: подмножество U, которое содержит рабочие состояния, и подмножество D, которое содержит нерабочие состояния. Доступность системы в момент времени t может быть выражена как:
Av(t) = Pr(X(t)e U)=lieUPi(t), где Pj(t) это вероятность того, что система будет находиться в состоянии (i) в момент t.
Асимптотическую доступность можно вычислить с помощью выражения: Av(<зо) = lim ZieuPi(t) = lieu^i,
где Ui - асимптотические вероятности системы в состоянии i.
Согласно рис. 1 и рис. 2, подмножество U может быть записано как U = {1, 2, 3, 4}. Доступность интегрированной системы автоматизации может быть затем вычислена с помощью:
Av =п1 +п2 +л"4
Заключение. Рассмотрена модель определения показателей надежности датчиков контроля параметров главного двигателя представлено два разных сценария выполнения ремонта или технического обслуживания при различных неисправных состояниях датчиков. Кроме того, изучается методология оценки доступности при вышеупомянутых допущениях. Данная модель системы позволит получать численное значение показателя надежности датчиков, позволит сократить плановое обслуживание. Так же система способна прогнозировать выход из строя датчика.
Список литературы
1. Ивановский В. Г., Варбанец Р. А. Мониторинг рабочего процесса судовых дизелей в эксплуатации. // Всеукр. науч.-техн. журн. 2004. Вып. 2. С. 138-141.
2. Данилян А. Г., Чимшир В. И., Разинкин Р. А., Найденов А. И. Совершенствование систем технического диагностирования малооборотных судовых дизелей // Молодой ученый. 2015. № 2 (82). С. 138-142.
3. Соловьёв А. В. Концепция единого целеориентированного управления судовой энергетической установкой // Вестн. гос. ун-та мор. и реч. флота им. адм. С. О. Макарова. 2017. Т. 9. № 5. С. 1027-1039.
4. Кельберт М. Я., Сухов Ю. М. Вероятность и статистика в примерах и задачах. Т. II: Марковские цепи как отправная точка теории случайных процессов и их приложения. М.: МЦНМО, 2009. 295 с.
Кучеренко Владислав Александрович, ассистент, [email protected], Россия, Керчь, Керченский Государственный Морской Технологический Университет
MODELING OF THE DIAGNOSTIC SYSTEM OF SENSORS OF SHIP POWER SYSTEMS
V.A. Kucherenko
A model of reliability and diagnostics of sensors for monitoring the parameters of the ship's main engine, forecasting based on the Markov process of sensor functioning based on different states of operability.
Key words: main engine sensors, Markov chains, ship automation.
Kucherenko Vladislav Alexandrovich, assistant, [email protected], Russia, Kerch, Kerch State Marine Technological University
УДК 669.162.275.12 : 621.952 + 06 DOI: 10.24412/2071-6168-2024-1-336-337
АППРОКСИМАЦИЯ ГРАНУЛОМЕТРИЧЕСКОГО СОСТАВА ЧУГУННОЙ ПЫЛИ И СТРУЖКИ ПРИ СВЕРЛЕНИИ ФИНИТНЫМИ И ИНФИНИТНЫМИ РАСПРЕДЕЛЕНИЯМИ С АВТОМАТИЗАЦИЕЙ В MS EXCEL
И.Т. Хиникадзе
Полученные ранее в экспериментальных исследованиях характеристики чугунной пыли, а также результаты дисперсного анализа позволили построить математические модели, адекватно описывающие интегральные и дифференциальные кривые распределения чугунных частиц пыли и стружки по размерам. Найденные закономерности гранулометрического состава чугунной пыли позволяют учитывать такие параметры как средний медианный диаметр частицы пыли, диаметр сверла и скорость подачи.
Ключевые слова: сверление, пылеобразование, дисперсный состав, аппроксимация, функция распределения, СКО
Задача аппроксимации экспериментальных данных модельными функциями методом наименьших квадратов заключается в том, чтобы найти такую функцию, которая наилучшим образом описывает зависимость между размером частиц и их процентным содержанием.
Для решения задачи аппроксимации необходимо выполнить следующие шаги:
1. Собрать экспериментальные данные, состоящие из значений процентного содержания частиц различного размера.
2. Выбрать модельную функцию, которая наилучшим образом описывает зависимость между переменными. Модельная функция может быть линейной или нелинейной, в зависимости от типа связи между переменными.
3. Найти коэффициенты этой функции, которые наилучшим образом соответствуют экспериментальным данным.
4. Проверить качество аппроксимации, используя различные методы статистического анализа, такие как среднеквадратичное отклонение.
