CC BY
70
УДК 629.113.004.58
НЕЙРОСЕТЕВАЯ КЛАССИФИКАЦИЯ В РАСПРЕДЕЛЕНИИ РЕМОНТНОГО ФОНДА АГРЕГАТОВ ПО РЕЗУЛЬТАТАМ
ДИАГНОСТИРОВАНИЯ
В. А. Корчагин, В.Н. Красовский
В данной статье представлена методика распределения агрегатов автомобилей и специальной нефтегазопромысловой техники по комплексу технологических процессов ремонта, в зависимости от выявленных сочетаний дефектов, с использованием искусственной нейронной сети при централизованном ремонте по техническому состоянию.
Ключевые слова: дефекты агрегатов, централизованный ремонт по техническому состоянию, комплексы ремонтных работ, искусственная нейронная сеть, когнитивные технологии.
Техническое состояние каждого из множества 0=[0{. i = 1, 2, 3, ..., M} поступающих в ремонтный фонд агрегатов автомобилей и специальной нефтегазопромысловой техники (СНГПТ) характеризуется набором структурных, размерных и диагностических параметров, значения которых определяются на этапе предремонтного диагностирования при централизованном ремонте по техническому состоянию (ЦРТС). Определенные сочетания данных параметров и их значений означают наличие или отсутствие дефектов агрегатов [1].
Для выявления дефектов и последующего распределения агрегатов по комплексам ремонтных работ (КРР), в зависимости от выявленных дефектов, может использоваться многослойная искусственная нейронная сеть (ИНС) с сигмоидальной функцией активации на каждом слое и обученная по методу обратного распространения ошибки (от англ. Back propagation) с введением дополнительного момента ^ [2].
Предположим, что количество комплексов ремонтных работ при централизованном ремонте по техническому состоянию задается заранее известным значением Z, а X - сочетание структурных, размерных и диагностических параметров агрегата, которое необходимо классифицировать. Отклонения в значениях параметров от допустимых свидетельствуют о наличии дефектов агрегатов Y. В такой постановке задача нейросетевой классификации сводится к построению алгоритма 0, где на начальном этапе происходит классификация 0: X ® Y, а далее происходит распределение совокупности агрегатов по КРР в зависимости от набора дефектов: 0: Y ® Z, где y е Y и z е Z .
Так как поставленная задача выявления дефектов подразумевает более двух классов распределения сочетаний параметров между ними, то наиболее рациональным способом формирования выходных сигналов бу-
127
дет являться совокупность компонентов вектора. Иными словами, каждый возможный дефект будет иметь свой выходной сигнал, а о наличии определенного дефекта или его отсутствии будет говорить значение 0 или 1 на соответствующем выходе.
На рис. 1 приведён фрагмент схемы ИНС для выявления дефектов в цилиндро-поршневой группе (ЦПГ) двигателя ЯМЗ-238. Здесь количество нейронов входного слоя берется равным количеству параметров, указывающих на наличие дефектов.
1=0
Высота 1-го
компрессионного
кольца
Высота 2-го
компрессионного
кольца
Высота 3-го
компрессионного
кольца
1=Ь
У
Ут
Износ канавки поршня под 1-ое компрессионное кольцо
Износ канавки поршня под 2-ое компрессионное кольцо
Рис. 1. Схема ИНС для решения задачи выявления дефектов цилиндро-поршневой группы (ЦПГ) двигателя ЯМЗ-238
В укрупненном виде методика формирования алгоритма нейросете-вой классификации дефектов и последующего распределения агрегатов по комплексам ремонтных работ может быть представлена следующей последовательностью.
1. Составление базы данных (БД) различных сочетаний значений структурных, размерных и диагностических параметров агрегатов. Разбиение примеров из БД на два набора данных: обучающая выборка и тестовая.
2. Нормирование исходных данных в интервал области значений активационной функции.
3. По формулам (1) и (2), являющиеся следствием из теорем Ар-нольда-Колмогорова-Хехт-Нильсена, можно рассчитать необходимое число нейронов для скрытого слоя, где вначале происходит оценка необходимого числа весов синаптической связи [3]:
Му • б „ „Г б
Мх У
1 +1о^ б
М + Му +1) + Му, (1)
где Му - размерность выходного сигнала; Q - число элементов обу-
чающей выборки; Мw - необходимое число синаптических весов; Мх -размерность входного сигнала.
Затем рассчитывается число нейронов в скрытом слое [3]:
Ь = —М^— (2)
Мх + Му ^
Однако, как показывает практика построения ИНС, при таком подходе нельзя утверждать, что число нейронов в скрытом слое было оптимально подобрано под поставленную задачу, кроме того, обычно в результате получается большой размах интервала, в котором лежит значение Ь.
Поэтому, следствие из теорем Арнольда-Колмогорова-Хехт-
Нильсена будет использовано лишь для определения верхнего предела ко-
личества нейронов (Б.) в скрытом слое. Отбросив нижнюю границу интервала в формуле (1) и приравнивая Мм/ к оставшейся верхней границе, подставляем формулу (2) в (1), получаем:
Ny
„ (Nx + Ny +1) + Ny
\ Nr У у у
R =--------^у------------------------------------ (З)
Nx + Ny W
4. Обучение ИНС методом обратного распространения ошибки (от англ. Back propagation) с введением дополнительного момента ^, для преодоления мелких локальных минимумов.
5. Для оценки качества обучения ИНС используем квадратичную функцию оценивания ошибки є (от англ. Quadratic error function). Она зависит от весовых коэффициентов и является функцией от них.
е =1 Е (yf- yff, (4)
2,=1
о - „ж.
где р - количество нейронов в выходном слое; у£ - желаемый выходной вектор нейронной сети; уф - получаемый (фактический) выходной
вектор нейронной сети.
6. На последнем этапе происходит оценка качества по количеству верно выявленных сочетаний дефектов и числу верно распределенных по КРР агрегатов.
Данная методика имеет обобщенный характер, поэтому для практической реализации была разбита на два алгоритма.
1. Алгоритм построения ИНС для выявления дефектов агрегатов в зависимости от сочетаний структурных, размерных и диагностических параметров. Блок-схема данного алгоритма приведена на рис. 2.
Рис. 2. Блок-схема алгоритма построения ИНС для решения задачи выявления сочетаний дефектов агрегатов
130
2. Алгоритм построения ИНС для распределения агрегатов по КРР в зависимости от выявленных сочетаний дефектов. Блок-схема данного алгоритма приведена на рис. 3.
Рис. 3. Блок-схема алгоритма построения ИНС для решения задачи нейросетевой классификации агрегатов по КРР
Как видно из рис. 3, шаги алгоритма, где выполняется нормирование входных данных, определение оптимального числа нейронов в скрытом слое и процедура обучения методом обратного распространения ошибки аналогичны соответствующим шагам алгоритма на рис. 2.
Разработанная методика применения искусственных нейронных сетей в процессах предремонтного диагностирования агрегатов автомобилей при ЦРТС является эффективным аппаратом определения технического состояния поступающего ремонтного фонда и последующего распределения по КРР.
Данная методика в процессе распределения агрегатов автомобилей по КРР при их ЦРТС исключает процесс накопления статистической информации для однозначного и достоверного отнесения объекта ремонта к конкретному КРР из числа сформированных на ремонтном предприятии, что существенно облегчает работу мастера-диагноста.
Список литературы
1. Красовский В.Н., Иванкив М.М., Корчагин В.А. Состояние и перспективы совершенствования ремонта специальной нефтегазопромысловой техники // Сборник научных трудов SWorld. Материалы Международной научно-практической конференции “Современные направления теоретических и прикладных исследований 2012”. Выпуск 1. Том 1. Одесса: КУПРИЕНКО, 2012. С. 77-82.
2. Корчагин В.А., Красовский В.Н. Когнитивные технологии в решении организационно-технологических задач предприятий автомобильного транспорта // Новые технологии - нефтегазовому региону: материалы Всероссийской научно-практической конференции. Т. 1; Тюмень: ТюмГН-ГУ, 2012. C. 34-37.
3. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: учеб. пособие. М.: БИНОМ. Лаборатория знаний, 2011. 197 с.
Корчагин Владислав Алексеевич, ассистент, 'waxwork@nm.ru, Россия, Тюмень, Тюменский государственный нефтегазовый университет,
Красовский Валентин Николаевич, канд. техн. наук, доц., krass200552@mail.ru, Россия, Тюмень, Тюменский государственный нефтегазовый университет.
NEURAL NETWORK CLASSIFICATION IN DISTRIBUTION OF REPAIR STOCK OF VEHICLE PLANT UNITS ACCORDING TO DIAGNOSIS RESULT
V.A. Korchagin, V.N. Krasovsky
This paper represent the method of distribution ofplant units of vehicles and special oil and gas field equipment between the complex of technological repair processes, depending on identified combinations of defects, using artificial neural network during centralized repair on-condition.
Key words: defects of plant units, centralized repair on-condition, complex of technological repair processes, artificial neural network, cognitive technologies.
Korchagin Vladislav Alekseevich, assistant, waxwork@nm.ru. Russia, Tyumen, Tyumen State Oil and Gas University,
Krasovsky Valentin Nikolaevich, candidate of technical science, docent, krass200552@mail.ru, Russia, Tyumen, Tyumen State Oil and Gas University.
УДК 658.562.3
ПРОБЛЕМЫ ПРИМЕНЕНИЯ МЕТОДА ШУХАРТА ДЛЯ МОНИТОРИНГА ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
Л. А. Васин, Ю.В. Нечаев
Проанализированы основные дискуссионные вопросы, сдерживающие широкое применение контрольных карт Шухарта для мониторинга технологических процессов в реальных производственных условиях. Сформулированы рекомендации для руководителей и специалистов, решивших внедрить на своих предприятиях мониторинг технологических процессов.
Ключевые слова: мониторинг процесса, вариабельность процесса, статистическая управляемость процесса, контрольные карты.
Мониторинг технологических процессов является одним из основных элементов системы менеджмента качества. Ход технологического процесса оценивается контрольными показателями. Далее рассматриваются технологические процессы с одним контрольным показателем, измеряемым в метрической шкале. Для обеспечения соответствия продукции установленным требованиям вариабельность контрольного показателя технологического процесса должна находиться в определенных прогнозируемых пределах, т.е. процесс должен находиться в состоянии статистической управляемости. При этом отклонение контрольного показателя процесса от номинального значения остается в допустимых пределах. В состоянии статистической управляемости вариабельность процесса обусловлена внутренними причинами, присущими самому процессу. Эти причины называют общими причинами.
Под действием некоторых внешних причин, называемых специальными, технологический процесс может выйти из состояния статистической управляемости, т.е. перейти в состояние статистической неуправляемости. В этом состоянии вариабельность контрольного показателя технологического процесса является непредсказуемой, и отклонение контрольного показателя процесса от номинального значения превышает допустимые пре-
