CC BY
703
© Г.И. Бабокин, Д.М. Шпрехер, 2011
Г.И. Бабокин, Д.М. Шпрехер
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ
ДЛЯ ДИАГНОСТИКИ ЭЛЕКТРОМЕХАНИЧЕСКИХ
СИСТЕМ
Рассмотрена возможность применения искусственных нейронных сетей применительно к решению задача диагностики и прогнозирования электромеханической системы.
Ключевые слова: электромеханическая система, нейронная сеть, диагностика, прогноз.
1[Эажнейшим условием эффективной работы любой электро--И-М механической системы (ЭМС): лебедка, конвейер или угледобывающий комбайн, наряду с задачей повышением ее производительности стоит задача повышения ее надежной работы, которая в свою очередь невозможна без диагностики текущего состояния работы элементов самой системы и прогнозирования их поведения в течение дальнейшей эксплуатации.
Как известно [1] ЭМС состоит из стандартного набора составляющих ее элементов: трансформатор, питающий кабель, асинхронный электродвигатель (АД) с короткозамкнутым ротором (или группы таких электродвигателей) и коммутационной аппаратуры, обеспечивающей включение и отключение АД, и регулировку его работы. Каждый элемент имеет свой набор основных неисправностей, которые обнаруживаются также по-разному.
Для подземного горного оборудования, которое постоянно перемещается в ограниченном пространстве, работая, как правило, в агрессивной среде с большими динамическими нагрузками, диагностирование особенно важно. Диагностирование позволяет оценить текущее состояние ЭМС и существенно сократить время на поиск и устранение неисправностей, а прогнозирование - определить время наступления полного отказа и предотвратить его, что значительно повышает надежность оборудования.
Одним из перспективных способов повышения эффективности функционирования систем технического контроля и диагностики ЭМС является применение комплексных интеллектуальных ком-
пьютерных технологий. Идея использования нейронных сетей для задач диагностики и прогнозирования заметно упрощает процесс оценки технического состояния объектов.
Под искусственными нейронными сетями (НС) подразумевают вычислительные структуры, состоящие из большого количества однотипных элементов, каждый из которых выполняет относительно простые функции. Процессы в искусственных НС иногда ассоциируют с процессами, происходящими в нервной системе живых организмов. Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся.
Причины, послужившие применению НС в задачах диагностики и прогнозирования:
- для реализации нейросетевых алгоритмов необходима минимальная информация об объекте.
- при реализации НС возможна параллельная обработка информации, что, во-первых, значительно увеличивает скорость работы системы и, во-вторых, повышает надежность системы.
Рассмотрим основные возможные направления применения
НС.
1. Применение НС для параметрического диагностирования элементов ЭМС. Он основан на сравнении математической модели конкретного элемента ЭМС (двигателя, трансформатора, кабельной линии, коммутационной аппаратуры) с моделью бездефектного элемента, т.е. в проверке принадлежности параметров состояний допустимым диапазонам их рассеивания. Выход параметра за пределы этих диапазонов должен свидетельствовать о наличии неисправности в соответствующем узле элемента ЭМС (рис.1).
2. Применение НС для прогнозирования параметров ЭМС. НС на основе разработанной определенной методики позволяет построить зависимость одного параметра от другого в виде полинома. Т.е она может позволить найти скрытые зависимости, одной величины от другой, которые невозможно определит методами прямых измерений. Так в асинхронном двигателе, путем установки специальных датчиков можно измерять, например, температуру его отдельных частей в статоре. А измерять температуру в отдельных частях ротора (магнитопроводе, обмотке и т.д.) затруднительно.
Рис. 1. Блок-схема метода диагностирования ЭМС
НС по разработанной тепловой модели двигателя поможет определять температуру в заданных частях ротора при известных значениях температуры в элементах статора. Вместо температуры может быть любой другой параметр.
3. Применение НС для распознавания образов. Диагностика неисправностей по многим критериям совпадает с задачей распознавания образов, поэтому, используя НС, можно достичь более высоких результатов обнаружения неисправностей электрооборудования, входящего в ЭМС по сравнению с другими системами диагностики.
Состояние любого элемента ЭМС характеризуется большим количеством параметров состояния (признаков), значения которых можно получить, используя штатные средства измерения, или же путем проведения дополнительных испытаний на работающем или отключенном электрооборудовании.
НС позволяют проводить классификацию состояния электрооборудования, то есть отнести его состояние к одному из классов состояний (исправное или неисправное с дефектом определенного типа), определяемых по данному виду испытаний или измерений.
В системах диагностирования опытная информация о признаках x\ ..л? каждого из п распознаваемых режимов функционирования может определяться как прямыми измерениями, так и на основе косвенных измерений (рис. 2).
Рис. 2. Схема принятия решения в системах распознавания текущего технического состояния с прямыми (слева) и косвенными (справа) способами получения информации
Для последних используются специализированные локальные распознающие системы.
По данным п распознаваемых режимов функционирования определяются первичные признаки. На основе первичных признаков распознающие устройства второго уровня А, В, С, D определя-
ют признаки второго уровня, и т.д. К последней группе относят признаки, непосредственно используемые в процессе распознавания неизвестных объектов, т.е. признаки, входящие в рабочий словарь признаков системы распознавания.
Под классификацией (кластеризацией) в теории НС понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов — это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком. Кластеризацию осуществляют, например, нейронные сети Кохонена.
Число входов сети Кохонена - это число входных параметров, а число выходов это число неисправностей. Число выходов меньше числа входных комбинаций. Таким образом, сети Кохонена распознают неисправности, классифицируя их в зависимости от набора входных параметров, которые изменяются от номинального до критического (максимального или минимального) при котором происходит отказ объекта.
Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждый из которых описывается набором характеристик (факторов) X1, X2,..., Xm - в данном случае это может быть набором сигналов с различных датчиков (параметры состояния элемента ЭМС). Целью кластерного анализа является образование групп, классов сходных между собой объектов, которые принято называть кластерами. Слово "кластер" (cluster) в переводе с английского означает: сгусток, пучок, группа. Как родственные понятия в литературе используются: класс, таксон, сгущение. В ЭМС системах в качестве классов могут выступать в простейшем случае два: "исправен" и "неисправен". Как правило, четкие границы каждого класса не указаны, но количество их известно. При разработке системы диагностирования ЭМС кластерный анализ на основе обучающей выборки позволяет построить меру (расстояние) между двумя основными классами объектов и определить "центры" каждого класса в пространстве характери-136
стик Х1, Х2,..., Хт, то есть сформировать ключевое правило собственно для задачи диагностики: по предъявляемому объекту вычисляются расстояния до каждого из классов ("исправен" и "неисправен"), и классифицируемый объект относится к классу, расстояние до которого оказывается минимальным.
В задачах классификации выходной элемент должен выдавать сильный сигнал в случае, если данное наблюдение принадлежит к интересующему нас классу, и слабый - в противоположном случае. Иначе говоря, этот элемент должен стремиться смоделировать функцию, равную единице в той области пространства объектов, где располагаются объекты из нужного класса, и равную нулю вне этой области.
Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своём ответе.
Приведем пример системы диагностики электродвигателя, построенной на основе НС (рис.3).
Экспертная система состояния двигателя имеет X датчиков, контролирующих состояние его электрических параметров (ток, напряжение, и т.д.) и Y датчиков, контролирующих состояние его механических параметров (скорость, вибрация, температура и т.д.). Каждому элементу входного слоя ставится в соответствие возможное значение параметра. Выходные данные задавались двоичным вектором, в котором 1 соответствует наличию неисправности, а 0
— ее отсутствию. Такая система позволит определить источник неисправности и ее характер.
4. Применение нейросетевых технологий для прогнозирования технического состояния ЭМС. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными.
Система
Электрических параметров Механических параметров
Электрический Механический
Рис. 3. Примерный способ диагностики электродвигателя на основе НС
После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие
Если совокупность величин (Хь Х2, ... ,ХП} представляет собой значения какого-либо параметра, изменяющегося во времени, то такую совокупность называют временным рядом, при этом каждое значение соответствует значению параметра в конкретное время ^, ^,..ЛП. Задача прогнозирования в этом случае заключается в определении значения измеряемой величины X в момент времени ^+1, ^+2, ^+3, то есть для выполнения прогнозирования необходимо выявить закономерность этого временного ряда.
На нейронных сетях задача прогнозирования формализуется через задачу распознавания образов. Данных о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс которого определяется значением прогнозируемой переменной в некоторый момент времени за пределами данного промежутка, т.е. значением переменной через интервал прогнозирования. Метод окон предполагает использование двух окон Wi и Wo с фиксиро-
ванными размерами п и т соответственно. Эти окна, способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно Wi, получив такие данные, передает их на вход нейронной сети, а второе - Wo - на выход. Получающаяся на каждом шаге пара используется как элемент обучающей выборки (распознаваемый образ, или наблюдение).
Каждый следующий вектор получается в результате сдвига окон Wi и Wo вправо на один элемент.
Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать в результате требуемую функцию прогноза.
Как было сказано выше, результатом прогноза с использованием НС является класс, к которому принадлежит переменная, а не ее конкретное значение. Формирование классов должно проводиться в зависимости от того каковы цели прогнозирования. Общий подход состоит в том, что область определения прогнозируемой переменной разбивается на классы в соответствии с необходимой точностью прогнозирования.
Практическая реализация перечисленных свойств НС позволит создать совершенно новую систему для автоматического диагностирования и прогнозирования состояний подсистем ЭМС.
------------------------------------- СПИСОК ЛИТЕРАТУРЫ
1. Ляхомский А.В., Плащанский Л.А., Чеботаев Н.И. и др. Электрификация горного производства. В 2-х томах /Под ред. Л.А. Пучкова, Г.Г. Пивняка, М.: Издательство МГТУ, 2007. - 1104 с. 1Д?Ш
КОРОТКО ОБ АВТОРАХ ---------------
Бабокин Г.И.- доктор технических наук, профессор, Шпрехер Д.М. - кандидат технических наук, доцент, НИ РХТУ им. Д.И.Менделеева, [email protected]
