УДК 629.5.03.004.5:004.8.032.26 ББК 39.455.5-082.05:32.965
М. Н. Покусаев, Н. Н. Касимов
СИСТЕМА ДИАГНОСТИКИ СУДОВЫХ ЭНЕРГЕТИЧЕСКИХ УСТАНОВОК С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫ1Х МОДЕЛЕЙ
M. N. Pokusaev, N. N. Kasimov
DIAGNOSTIC SYSTEM OF SHIP POWER PLANTS USING NEURAL NETWORK MODELS
В целях снижения числа аварийных ситуаций на отечественных судах необходимо оснащение судна системами мониторинга состояния основных и вспомогательных механизмов. Один из основных недостатков существующих систем мониторинга - невозможность определить начальную стадию нарушения работы системы. Основная функция большинства существующих систем мониторинга заключается в снятии параметров с датчиков и отображении результатов экипажу и судовладельцу. Использование нейросетевых технологий при решении задач диагностики даст возможность не только фиксировать показания датчиков и сравнивать их с эталонными значениями, но и производить анализ получаемых параметров работы системы в комплексе, прогнозируя возможность наступления сбоев в работе как отдельных элементов, так и системы в целом.
Ключевые слова: нейронные сети, система мониторинга, диагностика, главные и вспомогательные механизмы судна, аварийность.
In order to reduce the number of accidents in the domestic courts it is necessary to equip a vessel with monitoring systems of the state of the main and auxiliary machinery. One of the major shortcomings in the existing monitoring systems is the inability to determine the initial stage of the disruption of the system. The main function of most of the existing monitoring system is to remove the parameters from the sensors and to display the results of the crew and the shipowner. The use of neural network technology in the diagnosis of problems will help not only to fix the sensor readings and compare them with reference values, but also to analyze the parameters of the system obtained in the complex, predicting the possibility of occurrence of the failures of both separate elements and the whole system.
Key words: neural networks, monitoring system, diagnostics, main and supporting machinery of the vessel, accident rate.
Анализ аварийности судов, имеющих класс регистра, за последние 10 лет показал, что около 38 % аварий связано с повреждением корпуса судна, 25 % аварий (рис. 1) - с повреждением главных и вспомогательных механизмов судна и около 5 % - с аварийностью валопровода. При этом частота аварий главных и вспомогательных двигателей составляет в среднем 9 аварий на 1 000 судов в год.
35%
30%
25%
20%
15%
10%
5%
0%
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Рис. 1. Статистика аварийности судов в 2002-2011 гг.
Если принять за 100 % весь объем работ по проведению технического обслуживания (ТО) судна, то доля трудоемкости, приходящаяся на механические части судна, составляет 47 %
для сухогрузов и 52 % для танкеров, при финансовых затратах в 21,8 и 26 % для танкеров и сухогрузов соответственно [1]. Именно поэтому предотвращение выхода из строя главных и вспомогательных механизмов судна становится важнейшей задачей при обеспечении эффективности и безопасности мореплавания.
В результате аварийного ремонта судовладелец несет большие финансовые потери, в том числе связанные с простоем судна, необходимостью выплаты неустойки заказчику, устранением последствий аварий и экологических катастроф.
Все аварии можно разделить на два вида: вследствие наработки и вследствие чрезмерной нагрузки на детали [2]. Чрезмерная нагрузка возникает из-за ошибки экипажа, допускающего нежелательные, а зачастую предельные режимы работы двигателя. Наработка механизмов и деталей - это естественный процесс при эксплуатации. Большую часть подобных повреждений можно было бы предотвратить путем смены режима работы двигателей и вспомогательных систем, своевременной заменой детали, проведением внепланового ТО или ремонта. Однако на большинстве отечественных судов качество диагностики зависит и определяется штатными средствами, опытом и знаниями обслуживающего персонала. Недостатком подобной диагностики является невозможность определить начальную стадию нарушения работы системы, что впоследствии приведет к внезапному отказу.
Для улучшения качества диагностики на протяжении многих лет разрабатываются системы мониторинга состояния рабочих параметров систем судна. У большинства существующих систем принцип действия заключается в снятии параметров с датчиков и отображении результатов экипажу и судовладельцу. Анализ российских судов, имеющих класс регистра, показал, что только небольшая доля из них оснащена системами мониторинга, функция которых сводится главным образом к контролю за расходом топлива.
Несмотря на то, что функциональные возможности подобных систем намного шире, судовладельцы предпочитают использовать только данное направление работы системы. Основная причина заключается в стоимости установки и эксплуатации. Экипаж такие системы также не радуют: дополнительная система для обслуживания, неинформативность большого количества снимаемых параметров, дополнительный контроль за действиями экипажа. Опрос старших механиков астраханских судов показал отрицательное отношение экипажа к данной системе. Проблема заключается в том, что в составе систем мониторинга отсутствует анализ снимаемых параметров, который так необходим.
Для устранения этого недостатка предлагается внедрить в систему мониторинга глубокий анализ параметров, который будет не только сравнивать с эталонными значениями, но и составлять прогноз на остаточный ресурс механизмов, предлагать рекомендации по смене режима работы двигателя и проведения внепланового ТО. В настоящее время применяются различные методы анализа снимаемых параметров [3], в том числе быстрое преобразование Фурье; регрессионный анализ, статистика высшего порядка.
Наиболее перспективным направлением анализа данных в настоящее время является метод, основанный на нейросетевых технологиях. Внедрение нейросетевых технологий в существующие системы мониторинга даст возможность системе не только фиксировать показания датчиков и сравнивать их с эталонными значениями, но и производить анализ получаемых параметров системы в комплексе, прогнозируя возможность наступления сбоев в работе как отдельных элементов, так и системы в целом.
Результатом анализа системы мониторинга, основанной на нейросетевых технологиях, должны стать рекомендации по принятию тех или иных мер как судовладельцу, так и экипажу. Это может быть рекомендация по смене режима работы двигателя, для улучшения эксплутаци-онных характеристик, или рекомендации по проведению внепланового ТО или ремонта, т. к. по прогнозам через 1 000 часов выйдет из строя система охлаждения двигателя. Подобные системы мониторинга текущего состояния основных и вспомогательных механизмов судна (рис. 2) позволяют не только заблаговременно вывить момент наступления предельного состояния механизмов, но и запланировать внеплановое ТО или ремонт судна. Диагностика, основанная на нейросетевых технологиях, будет способствовать предотвращению возникновения аварийных ситуаций и увеличению показателя готовности судна, что, в свою очередь, увеличит экономические показатели эксплуатации судна.
Рис. 2. Схема системы мониторинга механизмов судна
Что же такое нейросетевые технологии? Нейросетевые технологии базируются на искусственной нейронной сети, которая функционирует по принципу биологических аналогов, что, в свою очередь, дает возможность применять нейросети при решении задач адаптивного управления, распознавания образов, прогнозирования события, кластеризации. Решение разнообразных задач осуществляется за счет способности к обучению и выявлению скрытых зависимостей во входных параметрах. Обучение сводится к минимизации ошибки путем настройки синаптических весов. Различают три парадигмы обучения [4]:
— обучение «с учителем». При данном подходе считается, что для каждого примера хп из обучающей выборки {хп} заранее известен желаемый результат ^ е {¿п} работы нейронной сети. Это позволяет эффективно корректировать веса сети. Очевидным недостатком подобного подхода является то, что не всегда имеется достаточное количество примеров «с ответами», а порой их и вовсе невозможно получить;
— обучение «без учителя». Этот тип обучения предполагает, что желаемые выходы сети не определены и алгоритм обучения нейронной сети подстраивает веса по своему усмотрению. Фактически при этом нейронная сеть ищет закономерности в обучающих данных и выполняет группирование сходных входных векторов по неявным признакам [5]. Чаще всего этот метод используется для задач классификации. Примером такого типа обучения служит алгоритм обучения Кохонена;
— обучение методом критики. Данный подход является фактически промежуточным между первыми двумя. Предполагается, что имеется возможность только оценивать правильность работы сети и указывать желаемое направление обучения. Подобная ситуация часто встречается в системах, связанных с оптимальным управлением. Подобная нейронная сеть состоит из так называемых «эгоистичных» нейронов. Процедура обучения таких нейронов поощряет каждый отдельный нейрон к увеличению только собственной «награды», а не производительности всей сети, как это реализовано в методе обратного распространения ошибки.
Конкретный вид задачи, выполняемой нейронной сетью, обусловливается способом обучения и особенностью архитектуры сети, т. е. той или иной топологией межнейронных связей, выбором определенных подмножеств элементов для ввода и вывода информации или отсутствием конкуренции, направлением и способами управления и синхронизации информационных потоков между нейронами и т. д. Выделяют четыре группы моделей:
— сети прямого распространения - все связи направлены строго от входных нейронов к выходным. К таким сетям относятся, например, простейший персептрон и многослойный пер-септрон;
— реккурентные нейронные сети - сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя;
— радиально-базисные функции - вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Радиально-базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию, и синаптические веса входного и скрытого слоев равны единице;
— самоорганизующиеся карты или сети Кохонена - такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.
Для построения адекватной нейросетевой модели для решения любой задачи на первом этапе необходимо определиться с рядом параметров:
— определить требования к обучающим множествам;
— выбрать оптимальную архитектуру и тип искусственной нейронной сети (количество слоев, количество нейронов в каждом слое, определить используемый вид функции активации и др.).
Качество будущей нейросетевой модели напрямую зависит от количества проведенных экспериментов. Анализ литературы показал, что на начальном этапе наиболее эффективным будет использование программного продукта МаЙаЬ, который позволяет проанализировать нейронные сети с различной архитектурой [2]. Предлагается в процессе мониторинга состояния судна использовать несколько типов нейронных сетей, которые будут осуществлять анализ снимаемых параметров различных систем судна.
Анализ можно разбить на несколько этапов (рис. 3). Первый этап - это фильтрация сигналов от помех и шумов, выделение реального сигнала. Второй этап заключается в непосредственном анализе снимаемых параметров, сравнении их с эталоном, определении текущего состояния и предсказании остаточного ресурса элементов системы. Третий этап - классификация состояния систем: аварийное, неаварийное, предаварийное и решения по формированию рекомендаций.
Рис. 3. Схема поэтапного анализа параметров судна
Важной задачей в процессе построения нейросетевой диагностики параметров является фильтрация сигналов, поступающих на нейронную сеть, отвечающую за анализ данных. К искаженным сигналам, снимаемым с датчиков (акустических и вибрационных), можно отнести в первую очередь аналоговые сигналы, т. к. они наиболее подвержены влиянию «шума» [6, 7]. Для выявления полезного сигнала предлагается применить нейронные сети с распознаванием образов, типа: многослойный персептрон, сети ARM, сети RBF.
В качестве входных данных на этапе непосредственного анализа и предсказания остаточного ресурса предлагается использовать непосредственно параметры двигателей и вспомогательных систем. Анализ поступающих сигналов и значений параметров будет осуществляться нейронными сетями с архитектурой типа: многослойный персептрон, SOM Кохонена, сети RBF, сеть прямого распространения или соревнования.
На этапе формирования предложения предлагается использовать нейронные сети со смешанной парадигмой обучения и с «учителем», такие как: многослойный персептрон, Сеть RBF. На данном этапе нейронная сеть будет осуществлять анализ не самих параметров системы, а выходных данных нейронной сети второго этапа.
В заключение отметим, что нейронные сети - это достаточно эффективный механизм решения подобного рода задач, т. к. они применимы практически в любой ситуации. Возможности нейросетевых моделей шире стандартных методов диагностики, они достаточно эффективны как для линейных, так и для сложных нелинейных зависимостей, а также в задачах классификации, распознавания образов, определения наличия зависимости между переменными. Следует отметить, что хорошо обученная нейронная сеть находит в данных закономерности, не доступные человеку. Основываясь на свойствах нейронных сетей, можно представить себе совершенно другой способ моделирования и осмысления протекающих процессов, повысив качество процесса диагностики судна, что в конечном итоге позволит существенно снизить количество аварийных ситуаций, возникающих на судах.
СПИСОК ЛИТЕРАТУРЫ
1. Никитин А. Н. Управление технической эксплуатацией судов: учеб. - СПб.: Изд-во Политехи. унта, 2006. - 360 с.
2. Виноградова С. С., Касимов Н. Н. Применение нейросетевых технологий с целью оптимизации управления судостроительным предприятием (на примере Астраханского региона) // Вестн. Астрахан. гос. техн. ун-та. Сер.: Морская техника и технология. - 2011. - № 2. - С. 20-27.
3. Галушкин А. И. Нейронные сети: основы теории. - Горячая Линия - Телеком, 2010. - 496 с.
4. Аксенов С. В., Новосельцев В. Б. Организация и использование нейронных сетей (методы и технологии) / под общ. ред. В. Б. Новосельцева. - Томск: Изд-во НТЛ, 2006. - 128 с.
5. Яхъяева Г. Э. Нечеткие множества и нейронные сети: учеб. пособие. - М.: Интернет-Университет информ. технологий; БИНОМ. Лаборатория знаний, 2006. - 315 с.
6. J.-D. Wu, C.-H. Liu. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network // Expert Systems with Applications - 2009. - N 36. - P. 4278-4286.
7. A non-conventional quality control system to detect surface faults in mechanical front seals / L. Barelli et al. // Engineering Applications of Artificial Intelligence. - 2008. - N 21. - P. 1065-1072.
Статья поступила в редакцию 16.04.2012
ИНФОРМАЦИЯ ОБ АВТОРАХ
Покусаев Михаил Николаевич - Астраханский государственный технический университет; д-р техн. наук, профессор; зав. кафедрой «Эксплуатация водного транспорта»; Kasimov.nick@gmail.com.
Pokusaev Mikhail Nickolaevich - Astrakhan State Technical University; Doctor of Technical Sciences, Professor; Head of the Department "Operation of Water Transport"; Kasimov.nick@gmail.com.
Касимов Николай Николаевич - Астраханский государственный технический университет; аспирант кафедры «Эксплуатация водного транспорта»; Kasimov.nick@gmail.com.
Asimov NickoЫ Nicko^evich - Astrakhan State Technical University; Postgraduate Student of the Department "Operation of Water Transport"; Kasimov.nick@gmail.com.