Развитие теоретических принципов технической диагностики (стр. 2 из 3)

В последнее десятилетие были разработаны несколько эффективных методов обнаружения основных дефектов машин и оборудования по вибрации на этапе их зарождения. Они основаны, главным образом, на анализе высокочастотной вибрации, для возбуждения которой не нужны большие колебательные силы, но и проявляется она только в месте их действия, быстро затухая при распространении. Такие методы стали использоваться диагностами многих стран для перехода от вибрационного мониторинга к глубокой диагностике. Параллельно развивались методы автоматизации алгоритмов диагностики, что позволило ряду производителей диагностических систем заменить программным обеспечением экспертов при решении типовых диагностических задач. Доля таких задач очень высока и превышает девяносто процентов от всех задач, решаемых путем анализа сигналов вибрации. Первые автоматические системы вибрационной диагностики были разработаны в 1991-1992 годах и постоянно совершенствовались. [7]

В 1998 году появилось новое поколение систем автоматической диагностики машин по вибрации, разработанное совместно специалистами России и США, и объединившее лучшие свойства, как систем мониторинга, так и систем диагностики.

Задача построения диагностических моделей также может решаться на основе различных подходов. Среди которых наиболее оптимальным средством для обеспечения высокой точности, хороших аппроксимационных свойств и логической прозрачности представляются нейро-нечеткие сети. [9]

2. Теоретические принципы технической диагностики

Сложные системы, в том числе и технические, требуют обеспечения высокого уровня качества функционирования и надежности. Это требование становится особенно актуальным в случае, кода от работы системы зависит выполнение поставленной оперативно-функциональной задачи, сопряженной с опасностью потери человеческих жизней или значительных капитальных финансовых вложений. Резервом повышения надежности является переход от планово-предупредительного обслуживания и ремонта к обслуживанию и ремонту по действительному техническому состоянию. Использование этой стратегии обслуживания требует широкого применения средств и методов автоматизированного контроля и диагностирования. В связи с этим возникает необходимость обеспечения такого свойства изделия (объекта технического диагностирования), которое позволило бы с минимальными затратами достоверно определить его техническое состояние. Функционирование сложных технических систем, в особенности электронных, в структурах управления оперативно-функциональными объектами, весьма чувствительных к внешним влияниям (излучение, температура, влажность, механические воздействия, биологическая агрессивность, и т.д.), с течением времени может не только изменять свои параметры в допустимых пределах, но катастрофически приводить их к таким значениям, которые не только не совместимы с их нормальной работой, но опасны для окружающей среды и могут явиться причиной самоликвидации (разрушения). Распознавание и прогнозирование таких ситуаций выходит за пределы простой диагностики.

Во-первых, это сопряжено с неточностью получаемой информации и ограниченностью числа параметров диагностирования по мере старения системы или несанкционированного доступа к ней. Во-вторых, с недостаточностью точек контроля системы, в особенности в условиях кратных дефектов. В-третьих, отсутствием своевременного мониторинга и прогнозирования поведения окружающей среды, влияющей на процесс работы системы в режиме реального времени. В-четвертых, для систем технической диагностики, встроенных в комплексы управления, важной составляющей является временной фактор, то есть скорость принятия решения. В-пятых, любое усложнение системы диагностирования приводит к “нежелательным”, со стороны заказчика, финансовым вложениям в их разработки и производство. [4]

Техническая система обязательно взаимодействует с внешней средой. Поэтому происходит изменение величин диагностируемых параметров под влиянием внешних условий. Прогнозирование этого влияния является составной частью встроенных систем диагностирования.

Работоспособность и качество системы диагностирования оцениваются незамедлительностью выдачи информации о местонахождении, типе и причине неисправности при проведении мониторинга технической системы и окружающей среды. Таким образом, во-первых, система диагностирования должна обладать высоким быстродействием.

Во-вторых, отысканию местонахождения дефекта способствует правильность организации поисков дефектов, которая связанна с коэффициентом глубины поиска.

В-третьих, система отыскания неисправности (дефекта) должна располагать методологией правильного распознавания и классификацией признаков дефектов любой кратности. Распознавание и классификация неисправностей определяет их тип и причину возникновения.

Решению второй проблемы посвящены исследования [2, 4, 5], первой проблеме из приводимого библиографического списка – работы [3, 6, 8], а третьей – лишь [3]. В целом, проблема быстродействия диагностических систем может быть успешно решена распараллеливанием потоков обработки диагностической информации путем применения вычислительных систем с массовым параллелизмом – нейронных сетей.

Наиболее дешевым и простым способом повышения быстродействия диагностических систем является введение в их контрольно-измерительный комплекс вычислительных систем с архитектурой SISD по классификатору Б.М.Когана, но с использованием в них программно-алгоритмического обеспечения, позволяющего эмулировать виртуальную нейронную сеть. Другим подходом является аппаратная реализация в контрольно-измерительном комплексе реального нейронного компьютера на основе вычислительной системы с архитектурой MIMD.

В диагностике технических систем нередко проявляются дефекты, при которых связь между признаками и причинами неисправностей носит неоднозначный характер. Простые двузначные утверждения типа “исправный – 1” / “неисправный – 0” недостаточны, поскольку четкие правила поиска неисправностей в системе основываются на взаимнооднозначном соответствии между причиной и признаками неисправностей, то есть они жестко детерминированы в правилах. Современные диагностические системы должны распознавать опасные условия функционирования, причины и тип возникшей неисправности. Помимо этого ожидается также информация об оценке оставшегося срока службы всей технической системы или ее составной части.

Таким образом, выходные параметры диагностической системы должны определять с одной стороны причину и тип дефекта (неисправности), с другой стороны - состояние объекта диагностирования, его соответствие оперативно-функциональному назначению.

Аналитические модели диагностики отказов определяют, выделяют и классифицируют отказы в компонентах системы. Рисунок 1 демонстрирует структуру аналитической модели диагностики отказов, состоящую из двух основных частей.

Рисунок 1. Концептуальная структура аналитической модели диагностики отказов

Первая часть модели представляет собой определитель разности, который обрабатывает входы и выходы системы в соответствии с определенным алгоритмом. На его выходе формируются сигналы разности. Разность должна быть отличной от нуля в случае отказа и равна нулю, если отказа нет.

Второй частью модели является классификатор отказов, в котором разности оцениваются на наличие в системе отказа и по определенному правилу принимается решение о выходе системы из строя. Процесс принятия решения может состоять из простой проверки превышения полученной разности максимально допустимого значения, или же использовать более сложные методы статистических оценок. [6]

Основной проблемой разработки аналитических моделей диагностики отказов является определение разности. Большинство определителей разности основаны на моделях линейных систем. Для нелинейных систем основным подходом является их линеаризация. Однако, для систем с высокой степенью нелинейности и большим количеством нелинейных операций, такая линеаризация не дает удовлетворительных результатов.

Единственным решением данной проблемы является использование большого количества линейных систем, что не очень практично при создании моделей, работающих в реальном времени. Большинство известных линеаризацией применимы лишь для ограниченного класса нелинейностей. К тому же, процесс создания моделей очень сложен и точность получаемых результатов трудно проверить.

Зная возможности нейронных сетей моделировать сложные системы обладая небольшим количеством информации, можно сделать вывод о том, что проблемы такого характера можно решить полностью, если использовать в аналитических моделях нейронные сети.

Следующая ступень обработки - классификация разностей и определение возможного отказа. Главной задачей здесь является правильное отделение нормальных разностей от разностей, содержащих данные об отказе. В присутствии в системе шумов и неопределенностей эта задача может оказаться трудной. Для выделения отказа разность должна быть обработана таким образом, чтобы стало понятно, какой компонент системы вышел из строя. Обработка одного сигнала разности не представляет особой трудности, однако, вектор разностей усложняет процесс определения отказа. Основным подходом определения отказа является создание набора структурированных разностных сигналов. То есть, в этом случае, каждая разность является чувствительной к одной определенной группе отказов и нечувствительной ко всем остальным. Однако, создание такого набора разностей для нелинейных систем является сложной задачей. Даже для линейных систем отношения между отказами и разностями могут быть нелинейными для параметрических отказов.