CC BY
36
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
УДК 519.237.5
В. В. Мокшин, А. П. Кирпичников, Л. М. Шарнин РАЗРАБОТКА КОМПЛЕКСА ПРОГРАММ ДЛЯ АНАЛИЗА ТЕХНИЧЕСКОГО СОСТОЯНИЯ
ГРУЗОПОДЪЕМНЫХ МЕХАНИЗМОВ
Ключевые слова: имитационная модель, база данных, вероятностная модель, многопараметрическая система.
В статье приводится описание комплекса программ для анализа технического состояния грузоподъемных механизмов. Описывается методика анализа грузоподъемных механизмов. В работе представлено описание логической модели базы данных для обработки и хранения результатов анализа и представлена модель поведения разрабатываемой системы. Полученные результаты позволяют выполнять принятие решений на основе вероятностной модели функционирования грузоподъемных механизмов.
Keywords: imitation model, database, probabilistic model, multiparameter system.
The article describes a set ofprograms for analyzing the technical condition of load-lifting mechanisms. The technique of analysis of load-lifting mechanisms is described. The paper presents a description of the logical model of the database for processing and storing the analysis results and presents a model of the behavior of the system being developed. The obtained results allow carrying out decision-making on the basis of the probabilistic model of the functioning of load-lifting mechanisms.
Введение
Технология строительства и монтажа промышленных и жилых зданий, электростанций, линий электропередачи и других сооружений предусматривает широкое применение грузоподъемных машин и механизмов. Основную работу по подъему и перемещению строительных материалов и конструкций выполняют грузоподъемные краны, составляющие наибольшую часть строительных машин. Поэтому очень важно перед строительством любого объекта строителям быть уверенным в работоспособном состоянии ГПМ на весь период их эксплуатации [1]. Грузоподъемные механизмы относятся к классу многопараметрических систем. Для анализа многопараметрических систем могут применяться модели и методы, описанные в работах [121].
Информационная система профилактики и ремонта грузоподъемных механизмов дает возможность спрогнозировать и выявить будущие сбои узлов ГПМ благодаря методам статистического анализа данных о степени изношенности узлов ГПМ.
На практике уже давно широко используются системы диагностики неисправностей во время или после их возникновения, тогда как системы раннего прогнозирования еще не так развиты. Преимущества заранее выявленного сбоя очевидны:
- Избежание поломки благодаря своевременному вмешательству.
- Предотвращение простоя ГПМ в результате поломки.
- Сокращение издержек на тех обслуживание и т.д.
Данная система может быть применима в организациях занимающихся содержанием и ремонтом ГПМ, т.е., где имеют место перегрузки, износ и внешние воздействия, приводящие к сбою в работе ГПМ.
Поскольку предполагается, что информация о состоянии грузоподъемных механизмов передается на сервер по каналам связи, возникает вопрос обеспечения безопасности передачи сообщений. Вопросам безопасности посвящены работы [22-35].
Основной целью данной работы является прогнозирование вероятности отказа участка крана в течение определенного интервала времени. Задачами, решаемыми в ходе выполнения работы, являются:
- Установление зависимостей между выбранными показателями и показателями работоспособности.
- Прогнозирование вероятности отказа участка крана [19].
- Формирование плана ремонта.
Основным статистическим методом, используемым для прогнозирования вероятности выхода из строя узлов крана, является метод главных компонент, который представляет собой один из методов факторного анализа. Факторный анализ позволяет установить для большого числа исходных признаков сравнительно узкий набор «свойств», характеризующих связь между группами этих признаков и называемых факторами.
Функциональная структура интеллектуально информационной системы (ИИС)
Модель окружения описывает систему как объект, реагирующий на события, порождаемые внешними сущностями.
Модель окружения представляет собой совокупность одного функционального блока, обозначающего моделируемую систему, и внешних сущностей, от которых в систему и/или к которым из системы поступают информационные или управляющие потоки.
Функциональный блок обозначает моделируемую систему и носит название «Информационная система ремонта и профилактики грузоподъемных машин».
Внешними сущностями являются:
- ИТР, ответственный за работоспособное состояние ГПМ - работник, осуществляющий организацию и руководство производственным процессом;
- Инженер по контролю за регистраторами параметров - работник, осуществляющий мониторинг регистраторов ГПМ, хранящих информацию о параметрах узлов крана;
- Член комиссии по контролю за рабочим процессом - представитель аттестационной комиссии, контролирующий работу предприятия;
- Аналитик - работник, осуществляющий обработку статистических данных показателей работы ГПМ.
От сущности «ИТР, ответственный за работоспособное состояние ГПМ» поступает информация о технических и эксплуатационных характеристиках грузоподъемных машин. Он же является получателем информации об отказах узлов и механизмов.
От сущности «Инженер по контролю за регистраторами параметров» поступает информация о параметрах узлов крана.
Сущность «Член комиссии по контролю за рабочим процессом» является получателем информации о необходимости проведения ремонтных работ.
Сущность «Аналитик» занимается формированием информации о наиболее значимых показателях и ее дальнейшей обработкой с целью определения вероятности выхода из строя узла крана.
Данные, результаты, хранилища и логическая модель
Логическая модель отображает систему, как набор действий и описывает, что должна делать система. Логическая модель представляет собой набор функциональных блоков, связанных потоками данных.
NODE:
Информационная система профилактики и ремонта ГПМ
АО
Рис. 1 - Логическая модель
TITLE
NUMBER
На рис.1 приведена логическая модель.
Логическая модель представляет собой систему функциональных блоков, связанных потоками данных.
Основными функциональными блоками являются:
- Установление зависимостей между выбранными показателями и показателями надежности (на основе информации об отказах узлов и механизмов, параметрах узлов крана, технических и эксплуатационных характеристик крана формируется информация о зависимости между выбранными показателями и показателями надежности);
- Определение вероятности отказа узла крана во времени (на основе информации о зависимости между выбранными показателями и показателями надежности, а также характеристик крана формиру-
ется информация о вероятности отказа узла крана во времени);
- Формирование плана ремонта грузоподъемных машин (на основе технических и эксплуатационных характеристик крана, а также информации о вероятности отказа узла крана формируется информация и необходимых ремонтных работах).
Помимо них на логической модели присутствуют следующие функциональные блоки:
- Ведение информации об отказах узлов и механизмов;
- Ведение информации о параметрах узлов крана;
- Регистрация технических характеристик крана;
- Регистрация эксплуатационных характеристик крана;
- Ведение информации о состоянии узлов кранов;
- Ведение информации о необходимости ремонтных работ.
Задачи, функции и модель поведения
Модель поведения показывает, как система обрабатывает те или иные события.
Модель поведения содержит внешние сущности (представлены в модели окружения) как источники и/или приемники информации и функциональные блоки (представленные в логической модели) для обработки этой информации. Соединение блоков отражает процессы приема/передачи информации. Для моделирования процессов сохранения данных используются хранилища данных. Таким образом, модель поведения есть интегрирующая и детализи-
рующая схема того, что было представлено в логической модели и модели окружения.
На рис. 2 приведена модель поведения. Модель поведения показывает порядок обработки событий в системе.
Внешними сущностями являются:
- ИТР, ответственный за работоспособное состояние ГПМ;
- Инженер по контролю за регистраторами параметров;
- Член комиссии по контролю за рабочим процессом;
- Аналитик.
2
Инженер по контролю за Параметры узлов
регистраторами фана
параметров
V 4
Необходимые
Формирование плана / ремонтные работы
ремонта грузоподъемных машин
4
Член комиссиии по
контролю за рабочим
1 процессом
Информационная система профилактики и ремонта ГПМ
АО
Рис. 2 - Модель поведения
Основными функциональными блоками являются:
- Установление зависимостей между выбранными показателями и показателями надежности;
- Определение вероятности отказа узла крана во времени;
- Формирование плана ремонта грузоподъемных машин.
Хранилищами данных являются:
- Отказы узлов и механизмов (представляется в виде таблицы, в которой хранится статистическая информация обо всех параметрах узлов и механизмов крана на момент отказа крана);
- Технические характеристики крана (представляется в виде таблицы, в которой хранится информация о номере крана, марке, его массе, скорости подъема груза, мощности двигателей, максимальной высоте подъема, максимальной глубине опускания, скорости передвижения, частоте вращения крана);
- Эксплуатационные характеристики крана (представляется в виде таблицы, в которой хранится информация о дате изготовления крана, дате его ввода в эксплуатацию, дате последнего техническо-
го осмотра, дате последнего капитального ремонта, общей наработке моточасов, количестве рабочих циклов);
- Параметры узлов крана (представляется в виде таблицы, в которой хранится информация о параметрах узлов крана для дальнейшей обработки);
- Зависимости между выбранными показателями и показателями надежности (представляет собой перечень формул, характеризующих зависимости выбранных показателей и вероятности отказа);
- Вероятность отказа узла крана во времени (представляется в виде таблицы, в которой хранится информация об узлах крана и вероятность их отказа в заданный промежуток времени);
- Необходимые ремонтные работы (представляется в виде таблицы, в которой хранится информация о перечне необходимых ремонтных работ для конкретного крана).
Построение математической модели задачи
При построении математической модели задачи определяются следующие компоненты:
1. Набор переменных, нахождение наилучших значений которых подлежит определению при решении задачи.
2. Ограничения задачи, которые связывают значения набора переменных и определяют область допустимых значений.
3. Критерии решения, определяющие оценку качества решения задачи.
4. Целевая функция, связывающая значения одного критериев или нескольких критериев и значения набора переменных.
Построение математической модели задачи выполняется поэтапно:
- вербальная (словесная) формулировка задачи с обязательным определением набора переменных, ограничений (условий) и критериев;
- список обозначений переменных;
- формирование ограничений (условий) в форме равенств или неравенств;
- запись целевой функции;
- окончательная формулировка задачи.
Вербальное описание. Пусть имеется n признаков, значения которых определены в результате мониторинга грузоподъемных механизмов: х¡j, x2j,.. , xnj. На основании полученных данных необходимо сделать заключение о вероятности Р поломки крана в определенный интервал времени.
Вероятность P сравнивается с пороговой вероятностью Рпор, полученной на основе большой выборки данных [4-5].
Для нахождения значения Рпор используется функция С(РКр) =cipi (Ркр) + С2'Р2(Ркр), для которой необходимо найти значение минимума, то есть формируется целевая функция
С(Ркр)=сгР1(Ркр)+ С2'Р2(Ркр) -> min где с1 и с2 - весовые коэффициенты. Значения p1 и p2 - вероятность ошибок первого рода (ложных тревог), т.е. когда вероятность поломок крана превышает критическое значение, и вероятность ошибок второго рода (пропусков события), т.е. когда вероятность поломок крана ниже критического значения. Для того, чтобы можно было получить критическое значение, необходимо иметь большое количество вероятностей, которые могут быть подсчитаны лишь после перехода из пространства исходных признаков в пространство главных компонент. Представим выражение для подсчета значений главных компонент:
_ %lja ' Iii + %2ja ' + ■■■ + %nja ' ^ni где Yij - i-ая главная компонента j-го элемента выборки; x±ja, x2ja, ..., xnja - значения признаков j-го элемента матрицы автошкалированных данных; lli, Ini - значения i-го собственного вектора ковариационной матрицы. Автошкалирование данных производится посредством центрирования и нормирования по столбцам:
Размерность пространства главных компонент можно определить с помощью неравенства
1т > Q
где 1т - информативность т наибольших собственных чисел ковариационной матрицы, а Q - установленная (требуемая) информативность главных компонент. Информативность можно вычислить по следующей формуле:
J _ Я1+Я2+ ...+Ят _ Я1+Я2+ ...+лт
т Х1+ Я2+---+Яп п
где А[ - i-ый элемент ряда собственных чисел ковариационной матрицы, отсортированного в порядке убывания.
Теперь вернемся к выражению для нахождения вероятностей. Для нахождения вероятностей будем использовать формулу Байеса. Для этого разобьем весь массив значений каждой главной компоненты на равные интервалы. Тогда формула Байеса примет вид:
Р(Х1А)*Р(Х)
Р(А\Х) =
Р(Х\Л)*Р(Л)+Р(Х\Л)*Р(Л)
где Р(А\Х)- вероятность отказа крана при данном значении Х(Х есть набор значений главных компонент для определенного крана). Р(Х\А) _ П1=1 Р(ХЦА), где Р(ХЦА)-вероятность того, что значение ьой главной компоненты попадет в такой же интервал, в каком находится значение ьой главной компоненты для рассматриваемого крана, в случае, если кран сломан. Соответственно, Р(Х\А)_ПГ1=1 Р(ХЦА), где Р(Х1\А)- вероятность того, что значение /-ой главной компоненты попадет в такой же интервал, в каком находится значение /-ой главной компоненты для наблюдаемого крана, в случае, если кран находится в работоспособном состоянии. Р(А)- вероятность выхода крана из строя; Р(А) - вероятность того, что кран находится в работоспособном состоянии.
Логическое проектирование базы данных
При логическом проектировании базы данных используется методика, ориентированная на реляционную модель данных.
Базовыми понятиями в реляционной модели данных являются: отношение, схема отношения, атрибуты, домены, функциональная зависимость атрибутов отношения.
Полученные отношения находятся во второй нормальной форме, т.к каждый атрибут полностью зависит от всего ключа и в третьей нормальной форме, поскольку транзитивные зависимости в выделенных отношениях отсутствуют.
Представление логической модели в форме графа изображено на рис.3.
Рис. 3 - Логическая модель БД
Заключение
В результате выполнения подэтапа разработан комплекс программ, позволяющий проводить тестовую диагностику грузоподъемных механизмов.
В ходе выполнение подэтапа был изучен принцип работы нечеткого нейронного модуля на примере системы управления движения транспортных средств на регулируемом перекрестке. Полученные результаты адекватны и не противоречат здравому смыслу. Решены задачи установления зависимостей между выбранными показателями и показателями работоспособности, прогнозирования вероятности отказа участка крана, формирование плана ремонта.
Результаты данной работы несут не только теоретический, но и практический характер. Они были внедрены в организацию «Лун-М», занимающуюся техническим обслуживанием и ремонтом грузоподъемных кранов и вышек на территории Приволжского округа.
Внедрение полученных результатов на предприятии приведёт к повышению прибыли предприятия, а также увеличит коэффициент занятости работников и сократит время простоя кранов на ремонте.
Литература
1. Киндлер Е. Языки моделирования. - М.: Энергоатомиз-дат, 1985. - 288 с.
2. Борщёв А.В. Имитационное моделирование: Состояние области на 2015 г., тенденции и прогноз. Труды седьмой Всероссийской научно-практической конференции «Имитационное моделирование. Теория и практика» (ИММОД_2015). Том пленарных докладов. С.14-22.
3. Мокшин В.В., Якимов И.М. Моделирование систем в среде AnyLogic: практикум. Рекомендации к выполне-
нию лабораторных и практических работ. - Казань: Ред.-изд. центр «Школа», 2014. - 252 с.
4. Якимов И.М., Кирпичников А.П., Мокшин В.В., Аляут-динова Г.Р., Пайгина Л.Р. Имитационное моделирование бизнес-процессов в системе Bizagi Modeler. Вестник Казанского технологического ун-та. 2015. Т.18, №9. С. 236-239.
5.Мокшин В.В., Сайфудинов И.Р., Кирпичников А.П., Шарнин Л.М. Распознавание транспортных средств на основе эвристических данных и машинного обучения // Вестник технол. ун-та. 2016. Т. 19. № 5. С. 130-137.
6. Мокшин В.В., Кирпичников А.П., Якимов И.М., Сайфудинов И.Р. Определение транспортных средств на участках дорог классификатором Хаара и оператором LPB с применением Adaboost и отсечением по дорожной разметке / Вестник технол. ун-та. 2016. Т. 19. № 18. С. 148-155.
7. Мокшин В.В., Кирпичников А.П., Шарнин Л.М. Отслеживание объектов в видеопотоке по значимым признакам на основе фильтрации частиц / Вестник Казанского технологического университета. 2013. Т. 16. № 18. С. 297-303.
8. Мокшин В.В., Якимов И.М. Метод формирования модели анализа сложной системы / Информационные технологии. 2011. № 5. С. 46-51.
9. Мокшин В.В. Параллельный генетический алгоритм отбора значимых факторов, влияющих на эволюцию сложной системы / Вестник Казанского государственного технического университета им. А.Н. Туполева. 2009. № 3. С. 89-93.
10. Мокшин В.В., Якимов И.М., Юльметьев Р.М., Мок-шин А.В. Рекурсивно-регрессионная самоорганизация моделей анализа и контроля сложных систем / Нелинейный мир. 2009. Т. 7. № 1. С. 66-76.
11. Якимов И.М., Кирпичников А.П., Мокшин В.В., Му-хутдинов Т.А. Обучение имитационному моделированию в пакете Simulink системы MatLAb / Вестник технол. ун-та. 2015. Т. 18. № 5. С. 184-188.
12. Якимов И.М., Абзалова Л.Р., Кирпичников А.П., Мокшин В.В. Краткий обзор графических редакторов структурных моделей сложных систем / Вестник Казанского технологического университета. 2014. Т. 17. № 17. С. 213-221.
13. Yakimov, I., Kirpichnikov, A., Mokshin, V., Yakhina, Z., Gainullin, R. The comparison of structured modeling and simulation modeling of queueing systems. Communications in Computer and Information Science (CCIS) volume 800. Springer. 2017. DOI: 10.1007/978-3-319-68069-9_21.
14. Якимов И.М., Кирпичников А.П., Мокшин В.В., Ко-стюхина Г.В., Шигаева Т.А. Комплексный подход к моделированию сложных систем в среде BPWN-Arena / Вестник Казанского технологического университета. 2014. Т. 17. № 6. С. 287-292.
15. Якимов И.М., Кирпичников А.П., Мокшин В.В. Моделирование сложных систем в среде имитационного моделирования GPSS W с расширенным редактором / Вестник Казанского технологического университета. 2014. Т. 17. № 4. С. 298-303.
16. Якимов И.М., Кирпичников А.П., Матвеева С.В., Мокшин В.В., Фролова К.А. Имитационное моделирование сложных систем средствами ARIS TOOLSET 6 / Вестник Казанского технологического университета. 2014. Т. 17. № 15. С. 338-343.
17. Сайфудинов И.Р., Мокшин В.В., Кирпичников А.П. Многоклассовое обнаружение и отслеживание транспортных средств в видеопоследовательности / Вестник Казанского технологического университета. 2014. Т. 17. № 19. С. 348-355.
18. Якимов И.М., Кирпичников А.П., Мокшин В.В. Моделирование сложных систем в имитационной среде AnyLogic / Вестник Казанского технологического университета. 2014. Т. 17. № 13. С. 352-357.
19. Степанова М.А., Сытник С.А., Кирпичников А.П., Мокшин В.В. Оптимизация процесса ремонта грузоподъемных машин по математической модели / Вестник Казанского технологического университета. 2013. Т. 16. № 20. С. 309-314.
20. Мокшин В.В., Сайфудинов И.Р., Кирпичников А.П. Рекурсивный алгоритм построения регрессионных моделей сложных вероятностных объектов / Вестник тех-нол. ун-та. 2017. Т. 20. № 9. С. 112-116.
21. Сайфудинов И.Р., Мокшин В.В., Кирпичников А.П. Группирование контуров объектов структурных изображений на основе сети заметности элементов / Вестник технол. ун-та. 2017. Т. 20. № 9. С. 120-123.
22. Моисеев, В.С. Вероятностная динамическая модель функционирования программных средств активной защиты мобильных распределенных АСУ / В.С. Моисеев, П.И. Тутубалин // Информационные технологии. - 2013. - № 6. - С. 37-42.
23. Тутубалин, П.И. Применение компьютерных технологий в профессиональном обучении / П.И. Тутубалин, А.И. Шевченко // Образовательные технологии и общество. - 2012. - Т. 15. - № 2. - С. 433-448.
24. Медведева, С.Н. Информационные технологии контроля и оценки знаний в системе дистанционного обучения Moodle / С.Н. Медведева, П.И. Тутубалин // Обра-
зовательные технологии и общество. - 2012. - Т. 15. - № 1. - С. 555-566.
25. Тутубалин, П.И. Оптимизация выборочного контроля целостности информационных систем / П.И. Тутубалин // Информация и безопасность. - 2012. - Т. 15. - № 2. - С. 257-260.
26. Моисеев, В.С. Общая модель крупномасштабной мобильной распределенной АСУ / В.С. Моисеев, П.И. Тутубалин // Нелинейный мир. - 2011. - Т. 9. - № 8.
- С. 497-499.
27. Тутубалин, П.И. Применение моделей и методов стохастических матричных игр для обеспечения информационной безопасности в мобильных распределенных автоматизированных системах управления / П.И. Тутубалин // Нелинейный мир. - 2011. - Т. 9. - № 8.
- С. 535-538.
28. Моисеев, В.С. Основные принципы построения и задачи разработки защищенных прикладных информационных технологий / В.С. Моисеев, П.И. Тутубалин,
A.Н. Козар, Г.Е. Борзов // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2008. - № 4. - С. 112-116.
29. Моисеев, В.С. К задаче определения вероятностных характеристик информационной безопасности разрабатываемых автоматизированных систем управления /
B.С. Моисеев, П.И. Тутубалин // Депонированная рукопись ВИНИТИ № 26-В2007 11.01.2007.
30. Моисеев, В.С. Об одном подходе к обеспечению активной защиты информационных систем / В.С. Моисеев, П.И. Тутубалин // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2011. -№ 2. - С. 129-135.
31. Моисеев, В.С. К задаче маскировки конфиденциальных данных автоматизированных систем / В.С. Моисеев, В.В. Дятчин, П.И. Тутубалин // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2007. - № 2. - С. 55-58.
32. Тутубалин, П.И. Основные задачи прикладной теории информационной безопасности АСУ / П.И. Тутубалин // Научно-технический вестник информационных технологий, механики и оптики. - 2007. - № 39. - С. 63-72.
33. Моисеев, В.С. Оптимизация состава вычислительного кластера мобильной распределенной интегрированной информационной системы / В.С. Моисеев, П.И. Тутубалин, Р.Р. Шафигуллин // Вестник Казанского государственного технического университета им.
A.Н. Туполева. - 2012. - № 1. - С. 120-128.
34. Моисеев, В.С. Оценка требуемых вероятностей обеспечения информационной безопасности / В.С. Моисеев,
B.В. Дятчин, П.И. Тутубалин // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2005. - № 4. - С. 36-39.
35. Моисеев, В.С. Двухкритериальная теоретико-игровая модель с заданным упорядочиванием смешанных стратегий / В.С. Моисеев, А.Н. Козар, П.И. Тутубалин, К.В. Бормотов // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2005. -№ 1. - С. 40-45.
© В. В. Мокшин - канд. тех. наук, доцент каф. автоматизированных систем обработки информации и управления КНИТУ-КАИ, e-mail: vladimir.mokshin@mail.ru; А. П. Кирпичников - д-р. физ.-мат. наук, проф., зав. каф. интеллектуальных систем и управления информационными ресурсами КНИТУ, e-mail: kirpichnikov@kstu.ru; Л. М. Шарнин - д-р. техн. наук, проф. каф. автоматизированных систем обработки информации и управления.
© V. V. Mokshin - PhD, Associate Professor of the Department of Automated Information Processing Systems & Control, KNRTU named after A.N. Tupolev, e-mail: vladimir.mokshin@mail.ru; А. P. Kirpichnikov - Dr. Sci, Head of the Department of Intelligent Systems & Information Systems Control, KNRTU, e-mail: kirpichnikov@kstu.ru; L. M. Sharnin - Dr. Sci, Professor of the Department of Automated Information Processing Systems & Control, KNRTU named after A.N. Tupolev; e-mail: sharnin@asu.kstu-kai.ru.
