CC BY
64
УДК 664.7, 66-5
Распределенные автоматизированные системы интеллектуального мониторинга оборудования пищевых предприятий
А. М. Костин, аспирант, А. Е. Яблоков, канд. техн. наук, доцент, И. Г. Благовещенский, д-р техн. наук, профессор Московский государственный технический университет им. Н.Э. Баумана С. М. Носенко, д-р техн. наук, профессор Управляющая компания «Объединенные кондитеры»
Технологическое оборудование представляет собой наиболее важную часть основных производственных фондов, от качества функционирования которых зависят технико-экономические показатели работы предприятия. Зерноперерабатываю-щие производства являются взры-вопожароопасными (категория Б), что требует введения дополнительных мер контроля за технологическим процессом, так как их аварийная остановка машин может привести к пожару и взрыву.
Показатели функциональной надежности, технологической эффективности являются важнейшими для оборудования зерноперера-батывающего предприятия [1]. Эти показатели закладываются на этапе проектирования, обеспечиваются на этапе изготовления и поддерживаются во время эксплуатации.
Для обеспечения высокого уровня показателей надежности на этапе проектирования требуется большой объем информации по наработке оборудования в реальных условиях эксплуатации. До второй половины 80-х годов ресурсные испытания новых образцов техники проводили на машиностроительных испытательных станциях (МИС) [2]. В настоящее время связи между наукой, машиностроительными и перерабатывающими предприятиями остаются разрозненными, не представляющими собой устойчивой информационно-аналитической структуры, объединяющей технические средства мониторинга, информационно-аналитические средства, объекты управления. Отсутствие таких связей приводит к научно-техническому регрессу в области пищевого машиностроения и, как следствие, к малому количеству новых разработок, отсутствию данных по показателям надежности существующих машин.
Диагностические параметры (температура, вибрация, скорость рабочих органов, мощность привода и пр.) несут информацию о техническом состоянии объекта контроля. Отслеживая изменения значений диагностических параметров, можно контролировать текущее техническое состояние объекта [3]. Внедрение системы контроля на зерноперера-батывающих предприятиях позволит повысить эксплуатационную надежность оборудования, оптимизировать техническое обслуживание, предупреждать обслуживающий персонал о приближающемся критическом состоянии и своевременно отключать аварийное оборудование.
Тенденцией последних лет является создание автоматизированных интеллектуальных систем мониторинга оборудования с использованием нейронных сетей на базе новых методов нелинейной обработки диагностической информации. Такие системы основываются на принципе динамической самообучаемости и приспособляемости системы управления технологическим объектом (ТО) к реальным условиям производства [4]. Применение нейронных сетей дает возможность решать нелинейные задачи классификации технических состояний объекта контроля, прогнозировать изменения параметров технологического процесса во времени, свести к минимуму субъективную составляющую оценки качества технологического процесса и показателей эффективности работы оборудования [5].
Управление техническим состоянием ТО целесообразно проводить по результатам их диагностирования. Характерным для процесса диагностирования является получение знаний в виде данных, которые являются только основой для принятия решения, а не самим решением. Принятие
решения вручную в практических условиях сложных задач наталкивается на известные трудности, вытекающие, во-первых, из необходимости эвристической обработки большого объема информации и, во-вторых, из необходимости логического анализа сложных взаимосвязанных процессов. Значение указанных фактов усиливается в условиях скоротечности рабочих процессов, опасности ошибочной и запоздалой оценки технического состояния ТО, что может привести к значительным потерям ресурсов и не позволить получить нужный эффект.
Эффективность и качество принятого оператором решения при анализе диагностических данных в процессе мониторинга и поиска неисправностей зависит от выбранной им стратегии. Представляется целесообразным иметь для пользования готовый, ранжированный набор стратегий, основанный на знаниях предметной области.
Предлагается метод мониторинга и поиска неисправностей, структурная система которого содержит информационную компоненту, позволяющую снизить информационную нагрузку на оператора. Сущность метода заключается в использовании экспертных систем (ЭС). При этом ЭС является инструментом хранения, дополнения, редактирования, тиражирования и использования знаний предметных областей: «настройки», «регулировки» и «поиска неисправностей». В общем случае ЭС - часть системы автоматического мониторинга ТО.
Часто при проведении анализа надежности необходимо рассматривать вероятность отказа в течение малого интервала времени после момента 1 при условии, что до момента 1 отказа не произошло. Функция риска или функция интенсивности при этом формально определяется следующим образом [61:
где ~ функция интенсивности отказов или функция риска на момент времени /(') - плотность
Экспертные системы
Название системы Разработчик (страна) Назначение
AFFRIM Университетский колледж, Уэльс (Великобритания) Контроль текущего состояния производственного оборудования
AI-SPEAR DEC (США) Анализ неполадок в вычислительных системах
DELTA CATS Electric (США) Отыскание неисправностей при обслуживании и ремонте дизель-электровозов
Micro-Expert ISIS Ltd (Великобритания) Поиск отказов в электрических машинах
распределения времени отказов;
~ функция распределения времени отказов (интеграл от плотности по интервалу [0,1]).
В общем виде функция интенсивности отказов записывается в виде: ,
где Х0>0 и а>0 - некоторые числовые параметры.
При а = 1 функция риска равна константе, что соответствует нормальной эксплуатации машины; при а < 1 функция риска убывает (переработка машины); при а > 1 функция риска увеличивается (старение машины).
Методы и средства искусственного интеллекта в целях диагностики и мониторинга широко используются в машиностроении и робототехнике [7]. В таблице представлены примеры применения экспертных систем в различных областях.
К примеру, программное обеспечение «Мониторинг» успешно применяется на Саратовском подшипниковом заводе для оценки характеристик технологического процесса и оборудования за счет вибромониторинга, вихретокового контроля качества деталей и активного контроля процесса шлифования [7]. Результаты испытаний, проведенных на предприятии-заказчике, свидетельствуют о том, что внедрение данной системы обеспечило более высокую эксплуатационную надежность подшипников ОАО «СПЗ» по сравнению с аналогичными подшипниками отечественных и зарубежных фирм. Интеллектуальные системы мониторинга успешно используются при контроле качества творога [8]. Однако подобный подход еще не нашел применения на зерноперерабатывающих предприятиях.
Таким образом, задачи мониторинга и управления техническим состоянием зерноперерабатывающего оборудования, установления каналов обмена информацией о результатах эксплуатации конкретных единиц оборудования между учеными, разработчиками и производственниками являются актуальными.
В МГУПП ведутся научные исследования по разработке распределенных автоматизированных систем интеллектуального мониторинга оборудования зерноперерабатывающих предприятий. Цель исследований - повышение показателей функциональной надежности и технологической эффективности оборудования зерноперерабатывающих предприятий путем разработки и внедрения распределенных систем интеллектуального мониторинга на базе «облачных» технологий. Для достижения по-
ставленной цели необходимо решить ряд задач, связанных с организацией сбора и обработки большого объема статистических данных по обслуживанию, параметрам технологических процессов, диагностическим параметрам, сопровождающим работу машины (вибрации, току, звуку, температуры).
Для решения задач сбора, анализа и распространения информации о техническом состоянии технологических машин авторами статьи предложено создание на базе 1Т-технологий информационного пространства функционирующей машины. Для этого предлагается оснастить исследуемое оборудование системами автоматического сбора телеметрической информации об их функционировании (системами мониторинга и диагностики) и посредством «облачных» технологий обеспечить доступ заинтересованных лиц к этой информации. Способ организации связи на базе 1Т-технологии между системой мониторинга и ее пользователями показан на рис. 1.
Применение «облачных» технологий позволит минимизировать расходы на обслуживание ИТ инфраструктуры, а данные будут доступны всем из любой точки мира, с любого компьютера. Кроме того, статистическая обработка будет осуществляться на одном компьютере (сервере), а пользователи будут иметь доступ к уже статистически обработанной и удобочитаемой информации о параметрах функционирования контролируемой машины.
Такой подход позволит разработчикам и производителям проводить испытания новых машин в производственных условиях путем непрерывного автоматического сбора телеметрической информации с работающего оборудования.
Это даст возможность оценить надежность оборудования, накопить статистические данные по режимам работы, определить квалификационные требования к обслуживающему персоналу, получить представление об интенсивности и скорости изна-
шивания деталей, конкретизировать требования к видам и срокам технического обслуживания оборудования, а в случае необходимости внести изменения в конструкцию машины. Пользователями собранной информации являются: зерноперера-батывающее предприятие (ремонтный персонал, служба главного энергетика, руководство предприятия); завод-изготовитель (разработчики, изготовители, менеджеры); организации технического надзора; ремонтные организации; независимые эксперты и пр.
Исходя из цели исследований сформулированы требования к системе мониторинга технологических машин (СМТМ) роторного типа мукомольного и комбикормового производства. К таким машинам относятся: молотковые дробилки, вальцовые станки, вымольные машины, обоечные машины, вентиляторы и пр. В настоящее время подобраны аппаратные и разработаны программные средства СМТМ. Для анализа текущего технического состояния объекта контроля используются следующие диагностические признаки: частота вращения рабочего органа; температура подшипниковых узлов; среднеквадратические значения (СКЗ) и спектр вибрации в диапазоне частот от 10 до 1000 Гц; СКЗ и спектр уровня шума в диапазоне частот 10-20000 Гц; значение СКЗ и спектр мгновенных значений тока в цепи электродвигателя в диапазоне 1-100 Гц, также фиксируется время наработки машины, события возникновения дефектов и их описание.
Структурная схема СМТМ представлена на рис. 2. Система состоит из трех элементов: КСД - контроллер сбора данных; КИ - контроллер интерфейса; СЧ - серверная часть.
КСД базируется на 16-разрядном сигнальном контроллере dsPIC30F4013 и служит для измерения и обработки данных с датчиков. В качестве датчиков измерений физических параметров используют цифровые датчики вибрации (V), температуры (Т), оборотов (^, тока (I) и звука (Б) (рис. 2). На процессоре
■■ц
Руцоаодст&о. диспетчерская, текничрскии прОСОнэП
Рис. 1. Организация связи на базе 1Т-технологии между системой мониторинга и ее пользователями
dsPIC30F4013 реализована двухуровневая система аварийной сигнализации превышения контролируемых значений СКЗ диагностических признаков. При этом включается световая и/или звуковая сигнализация, также предусмотрено отключение машины.
КИ базируется на 8-разрядном контроллере PIC18F8722 и служит для настройки, отображения, хранения результатов измерений и их передачи по GSM-каналу на удаленный сервер в СЧ проекта. В системе предусмотрен графический интерфейс с 4-дюймовым LCD-экраном для настройки параметров работы системы и отображения текущей информации в виде графиков и гистограмм. Имеется встроенная карта памяти micro-SD с объемом памяти около 8 Гб для хранения измеренной информации.
СЧ служит для приема данных из различных источников (КИ с разными Ю-номерами) и их разбора по таблицам базы данных (БД). Предполагается параллельная работа нескольких СМТМ (с разными Ю). Доступ к БД обеспечивается через Интернет посредством пользовательского интерфейса с компьюте-
ров пользователей из любой точки мира.
Дальнейшая обработка собранной информации осуществляется в специализированных программах (Б1а1^1мка, МаНаЬ) с применением нейросетевых методов анализа данных. Предварительные исследования показали, что для решения задачи классификации технического состояния объекта контроля по входной информации, характеризующей физические процессы, сопровождающие работу машины, необходимы сети с архитектурой - многослойный персептрон [6-10].
Нейронная сеть создает сложное многомерное образование, собранное из простейших преобразований. С их помощью можно приближать очень сложные многомерные функции, следовательно, оценивать сложные зависимости. Текущее состояние нейрона имеет вид [11]
.V
,
У-1
где .*(_/), j = 1,2..-Ы ~ входные сигналы; и-(/, /)~ коэффициенты симпатических связей, которые могут
быть положительными и отрицательными.
При обучении сети нейронов рассчитывается некоторый функционал, характеризующий качество обучения [12]:
,
- 4-1 Р-1
где J - функционал; Q - объем выборки; М - число слоев сети; ц -номер выборки; Бм - число нейронов выходного слоя; у ~ вектор сигнала на выходе сети; Ч'у ~ вектор желаемых (целевых) значений сигнала на выходе сети для выборки с номером ц.
Выводы
1. На современном этапе развития 1Т-технологий информационные связи между наукой, разработчиками оборудования и эксплуатирующими организациями можно обеспечить путем создания информационного пространства функционирующей машины.
2. Построение высокоэффективной системы мониторинга и технического диагностирования оборудования зерноперерабатывающего предприятия невозможно без примене-
Рис. 2. Структурная схема системы автоматизированного мониторинга технологических машин (СМТМ)
ния современного математического аппарата нелинейной обработки данных. Таким аппаратом является технология нейросетевого анализа данных.
3. Для успешного применения нейросетевого анализа необходимо иметь большой объем статистических данных по диагностическим параметрам работы машин в различных режимах работы и технических состояниях.
4. Применение «облачных» технологий передачи, хранения и обработки телеметрической информации с контролируемого оборудования позволит существенно упростить и снизить стоимость системы мониторинга, обеспечив удобный доступ к информации всем заинтересованным субъектам.
5. Разработана аппаратная часть, подобраны технические средства и ведутся работы по разработке программных средств системы мониторинга технологических машин.
ЛИТЕРАТУРА
1. Глебов, Л. А. Технологическое оборудование и поточные линии предприятий по переработке зерна: учебник/Л. А. Глебов [и др.] // Ч. I и III
под ред. Л. А. Глебова, Ч. II под ред. А. Б. Демского. - М.: ДеЛи принт, 2010. -696 с.
2. Благовещенская, М. М. Информационные технологии систем управления технологическими процесса-ми/М. М. Благовещенская, Л. А. Злобин. -М.: Высшая школа, 2005. - 768 с.
3. Благовещенская, М. М. Методология разработки основ моделирования и диагностики гидромеханических систем пищевых производств по их динамическим характеристикам/ М. М. Благовещенская, В. Д. Сулимов, П. М. Шкапов // Мат-лы XVII международной науч.-метод. конф. «Высокие интеллектуальные технологии и инновации в образовании и науке» - СПб.: Изд-во Политехнического ун-та, 2010. -Т. 2. - С. 95-98.
4. Тугенгольд, А. К. Интеллектуальные системы в управлении производственными и технологическими процессами/А. К. Тугенгольд [и др.]. - М.: ДГТУ, 2010. - 179 с.
5. Благовещенская, М. М. Использование интеллектуальных технологий для контроля качества творога / М. М. Благовещенская [и др.] // Вестник ВГУИТ. - 2014. - № 2. -С. 83-89.
6. Кулаков, С. М. Интеллектуальные системы управления технологическими
объектами: теория и практика/С. М. Кулаков, В. Б. Трофимов. - Федеральное агентство по образованию, Сибирский гос. индустриальный ун-т, 2009. -223 с.
7. Галушкин, А. И. Нейронные сети. Основы теории / А. И. Галушкин. -М.: Горячая линия-Телеком, 2012. -496 с.
8. Шаверин, А. В. Автоматизация контроля органолептических показателей качества шоколадных изделий/А. В. Ша-верин, М. М. Благовещенская, И. Г. Благовещенский // Мат-лы первой международной науч.-практ. конференции-выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». - М.: Изд. комплекс МГУПП, 2012. - С. 209-212.
9. Благовещенская, М. М. Виртуальные датчики на основе нейросетевых алгоритмов для определения качества пищевых масс / М. М. Благовещенская, С. И. Апанасенко, И. Г. Благовещенский // Хранение и переработка сельхозсырья. -2012. - № 9. - С. 44-45.
10. Благовещенская, М. М. Система автоматического регулирования процесса формования конфетных жгутов/М. М. Благовещенская, И. Г. Благовещенский, С. М. Носенко // Пищевая промышленность. - 2013. - № 5. - С. 46-49.
11. Благовещенская, М. М. Система автоматического регулирования процесса формования конфетных жгутов /М. М. Благовещенская [и др.] //
Хранение и переработка сельхозсырья. -2013. - № 7. - С. 39-40.
12. Благовещенский, И. Г. Создание виртуальных датчиков на основе нейронной сети для определения
основных характеристик кондитерских масс/И. Г. Благовещенский, С. И. Апана-сенко, М. М. Благовещенская // Кондитерское и хлебопекарное производство. - 2014. - № 11-12. - С. 44-47.
Распределенные автоматизированные системы интеллектуального мониторинга оборудования пищевых предприятий
Ключевые слова
диагностика; зерноперерабатывающее предприятие; интеллектуальные автоматизированные системы; мониторинг; облачные технологии; технологическое оборудование
Реферат
В статье рассмотрены аспекты использования технологий искусственного интеллекта в качестве метода распознавания образов в задачах мониторинга, принятия решений и технической диагностики оборудования пищевых предприятий. Показано, что наиболее перспективным направлением развития систем мониторинга является применение интеллектуальных методов анализа исходной диагностической информации. К таким методам относятся экспертные системы на базе методов нейросете-вого анализа данных. Использование интеллектуальных систем мониторинга и технического диагностирования способствует повышению показателей эффективности и надежности технологического оборудования. Для успешного применения подобных технологий необходимо иметь большой объем статистических данных по многочисленным параметрам работы машин в различных режимах работы и технических состояниях. Разработка и теоретические исследования интеллектуальной системы мониторинга проводятся в Московском государственном университете пищевых производств. Практические исследования по сбору информации, характеризующей различные технические состояния исследуемых машин, осуществляются на зерноперерабатывающих предприятиях (комбикормовых и мукомольных) Московского региона. Предложенная система контроля и сбора информации носит распределенный характер и построена с применением «облачных» технологий. При этом контролируемое оборудование оснащается стационарной системой допускового контроля сбора телеметрической информации (вибрации, температуры, мгновенных значений тока в цепи электродвигателя, шума, издаваемого машиной в процессе ее работы). Далее информация транслируется на удаленный сервер посредством технологии GSM для ее хранения и математической обработки. В настоящее время создан опытный образец системы мониторинга, который осуществляет непрерывный сбор информации в режиме реального времени с функционирующего оборудования. Данный подход позволяет накапливать необходимые статистические данные по работе оборудования для создания мощной базы знаний и нейронных сетей. Результатом исследований является разработка программных и аппаратных средств стационарной системы сбора и обработки диагностической информации о работе исследуемого оборудования. Приведена структурная схема системы автоматизированного мониторинга технологических машин. Разработана процедура сбора и анализа диагностической информации с использованием нейросетевых инструментов анализа данных программы Statistica.
Авторы
Костин Александр Михайлович, аспирант, Яблоков Александр Евгеньевич, канд. техн. наук, доцент, Московский государственный университет пищевых производств, 125080, Москва, Волоколамское шоссе, д. 11, akostin@grandexpert.ru
Благовещенский Иван Германович, д-р техн. наук, профессор, Московский государственный технический университет им. Н. Э. Баумана, 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1, drbl@bk.ru
Носенко Сергей Михайлович, д-р техн. наук, профессор, Управляющая компания «Объединенные кондитеры», 115184, Москва, 2-й Новокузнецкий пер., д. 13/15, стр. 1, Aleksandr.Nenilin@uniconf.ru
Distributed automated system for intelligent monitoring of the equipment of grain processing enterprises
Key words
technological equipment; diagnostics; monitoring; cloud technology; grain manufacture enterprises; intelligent automated systems
Abstracts
In article aspects of the use of artificial intelligence technologies as a method of pattern recognition in the tasks of monitoring decisionmaking and technical diagnostics equipment grain processing enterprises. It is shown that the most perspective direction of development of monitoring systems is the use of intelligent methods of analysis of source diagnostic information. These methods include expert systems based on neural network data analysis methods. The use of intelligent systems for monitoring and technical diagnostics helps to increase efficiency and reliability of technological equipment. For the successful application of these technologies is necessary to have a large amount of statistical data on many parameters of the machines in various operating modes and technical conditions. There are development and theoretical researches of the intelligent monitoring system in Moscow State University of Food Production (MGUPP). There are practical researches to collect information characterizing various technical state of the researched machines on grain processing enterprises (feed and milling) in the Moscow region. The proposed system for monitoring and gathering information having distributed nature and constructed with the use of «cloud» technologies. Thus, the controlled equipment is equipped with a stationary system tolerable of collection of telemetry data (vibration, temperature, instantaneous values of current to motor circuit, the noise emitted by the machine during its operation). Further information is transmitted to a remote server through GSM technology for its storage and mathematical treatment. Currently designed a prototype monitoring system that continuously collect information in real time with functioning equipment. This approach allows us to accumulate the necessary statistics on the equipment to create a powerful knowledge base and the creation of neural networks. The results of research is the development of software and hardware of a stationary system of collection and processing of diagnostic information about the researched equipment. The block diagram of the automated monitoring of technological machines is shown. The procedure of collecting and analyzing diagnostic information using neural network data analysis tools program Statistica has been developed.
Authors
KostinAlexander Mikhailovich, graduate, YablokovAlexander Evgenievich, candidate of technical Sciences, associate Professor Moscow State University of Food Production, department of information technology and automated sustems, 125080, Moscow, Volokolamskoeshosse, 11.
Blagoveshchenskiilvan Germanovich, doctor of technical Sciences, Professor,
Moscow state technical University. N. Uh. Bauman,,department «The Theoretical Mechanics» named afterprofessor N. E. Zhukovsky, 105005, Moscow, 2-nd Baumanskaya, 5, p. 1
NosenkoSergei Mikhailovich, doctor of technical Sciences, Professor, Management Company «United Confectioners», 115184, Moscow, Novokuznetskaya 2 nd per., 13/15, p. 1.
