Федеральне агентство з освіти
Південно-Уральський державний університет
Кафедра Філософії
Реферат
на тему:
Розвиток теоретичних принципів технічної діагностики
Аспірант кафедри «Системи управління»
Пушніков А.А.
Науковий керівник проф.
д.т.н. Щіпіцин А.Г.
Челябінськ - 2008
Зміст
Введення ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .3
1. Історія дисципліни «Технічна діагностика» ... ... ... ... ... ..... 6
2. Теоретичні принципи технічної діагностики ... ... ... ... ... 10
Діагностування здійснюється або людиною безпосередньо (наприклад, зовнішнім оглядом, «на слух»), або за допомогою апаратури. Об'єкт і засоби його діагностування в сукупності утворюють систему діагностування. Взаємодіючи між собою, об'єкт і засоби реалізують певний алгоритм діагностування. Результатом є висновок про технічний стан об'єкта - технічний діагноз, наприклад: «радіоприймач справний», «верстат непрацездатний», «в телевізорі відмовив частотний детектор». Розрізняють системи тестового та функціонального діагностування. Системи першого виду застосовують при виготовленні об'єкта, під час його ремонту та профілактики і при зберіганні, а також перед застосуванням і після нього, коли необхідні перевірка справності об'єкта або його працездатності і пошук дефектів. У цьому випадку на об'єкт діагностування подаються спеціально організовувані тестові впливу. Системи другого виду застосовують при використанні об'єкта за призначенням, коли необхідні перевірка правильності функціонування та пошук дефектів, що порушують останнє. При цьому на об'єкт надходять тільки передбачені його алгоритмом функціонування (робочі) впливу. Розробка і створення систем діагностування включають: вивчення об'єкта, його можливих дефектів та їх ознак; складання математичних моделей (формалізованого опису) справного (працездатного) об'єкта і того ж об'єкта в несправних станах; побудова алгоритмів діагностування; налагодження і випробування системи.
У вивченні об'єктів велике значення має їх класифікація за різними ознаками, наприклад за характером зміни значень параметрів, за видом споживаної енергії і т. п. Вивчення дефектів проводиться з метою визначення їх природи, причин і ймовірностей виникнення, фізичних умов їх прояву, умов виявлення і т. п.
Математична модель об'єкта діагностування (детермінована або імовірнісна) - опис об'єкта в справному та в несправному його станах у вигляді формальних залежностей між можливими впливами на об'єкт і його реакціями на ці дії [7]. Моделі (навіть справних об'єктів), що використовуються при діагностуванні, можуть відрізнятися від моделей, що використовуються при проектуванні тих же об'єктів. Наприклад, для діагностування технічного стану шумливих об'єктів моделями можуть служити криві шуму та вібрації (при так званих акустичних методах технічної діагностики), а в мікроелектронної технології або в зварювальному виробництві - зображення об'єктів у рентгенівських променях (при неруйнівному контролі).
Алгоритм діагностування передбачає виконання деякої умовної або безумовної послідовності певних експериментів з об'єктом. Експеримент характеризується тестовим або робочим впливом і складом контрольованих ознак, що визначають реакцію об'єкта на вплив. Розрізняють алгоритми перевірки і алгоритми пошуку. Алгоритми перевірки дозволяють виявити наявність дефектів, що порушують справність об'єкта, його працездатність або правильність функціонування. За результатами експериментів, проведених відповідно до алгоритму пошуку, можна вказати, який дефект або група дефектів (з числа розглянутих) є в об'єкті.
Засоби діагностування є носіями алгоритмів діагностування, зберігають можливі реакції об'єкта на впливи, виробляють і подають на об'єкт тестові впливу, «читають» фактичні реакції об'єкта і ставлять діагноз, порівнюючи фактичні реакції з можливими. Їх ділять на апаратурні, програмні та програмно-апаратурні (кошти двох останніх категорій застосовують для діагностування технічного стану ЕОМ, що працюють за змінною програмі). Апаратурні засоби бувають зовнішні (по відношенню до об'єкта) і вбудовані. Перші застосовуються в основному в системах тестового, другі - функціонального діагностування. Зовнішні апаратурні засоби можуть бути автоматичними, автоматизованими або з ручним керуванням, універсальними або спеціалізованими. [1]
У 1973 році Джонс представив, наприклад, добре відомий метод «фільтрів виявлення відмов» для лінійних систем. Віллскі узагальнив ранні дослідження в цій області. Ролтом розглянув застосування методів ідентифікації до виявлення відмов реактивних двигунів. Методи кореляції були застосовані для виявлення підтікання Ізерманом.
Перша книга з методів діагностики, заснованим на моделях, стосовно до хімічних процесів була опублікована Хіммелблау в 1978. Виявлення відмов датчиків, засноване на аналітичній надмірності спостерігачів було запропоновано Кларком.
Використання методів оцінки параметрів для виявлення відмов технічних систем було продемонстровано Холлманом, Гейгером, Філбертом і Метсгером. Розвиток методів виявлення відмов процесу, засноване на моделюванні, оцінці параметрів і стану, було узагальнено Ізерманом. Методи вектора рівності були спочатку запропоновані Шой і Вілскі, а потім у подальшому доопрацьовані Патоном та Ченом.
Методи частотній області зазвичай застосовуються, коли вплив, як відмов, так і збурень має частотні характеристики, що відрізняються один від одного і, отже, частотний спектр служить критерієм розрізнення відмов. Дані методи розглядаються в роботах Франка і дінго.
Завдання відділення неузгодженостей від збурень розглядається в декількох статтях. Наприклад, Шоу та Вілскі, Чанг, Спейер, Лю і ін запропонували оптимальні надійні відносини рівності, а Енамі і Наені висунули концепцію порогового селектора. Чен і Патон для виконання надійної діагностики використовували метод відділення збурень. Метод Патона і Чена цікавий у протиставленні з методом Шоу і Вілскі, які мінімізували модельовану невизначеність, для декількох робочих точок. Патон і Чен розглядали цю проблему безпосередньо при оцінці оптимальної матриці невідомих вхідних збурень у діапазоні робочих точок і використовували метод розподілу власних чисел. [11]
Широко поширені традиційні підходи діагностики відмов, засновані на методах «апаратної (або фізичної)» надмірності, які використовують додаткові набори датчиків, виконавчих механізмів, комп'ютерів і програмного забезпечення для вимірювання та / або управління окремими змінними. Основні недоліки цих методів апаратної надмірності - додаткове устаткування і вартість технічного обслуговування, а так само додатковий простір, необхідний для розміщення обладнання.
Останнім часом в цьому напрямку з'явилося кілька альтернативних рішень, що дозволяють проводити діагностику відмов в складних і невизначених системах. Найбільш багатообіцяючим з них є використання для моделювання нелінійних динамічних систем та діагностики відмов нейронних мереж.
Нейронні мережі досить широко використовуються в багатьох інженерних областях, але з їх використанням також виникають деякі труднощі. Першою проблемою є те, що в більшості випадків нейронні мережі використовувалися тільки для роботи зі статичними процесами. Таким чином, поведінка нейронної мереж при моделюванні нелінійних динамічних процесів є досить невизначеним і слабо вивченим. Друга складність полягає в тому, що часто нейронні мережі використовувалися лише як класифікаторів відмов. Інші можливості нейронних мереж при цьому не використовувалися. Зазвичай нейронні мережі використовувалися для визначення можливих відмов чи інших змін у системі за її виходів. Такий підхід використання тільки лише виходів системи для діагностики відмов міг бути коректним для статичних систем, але в динамічних системах зміна їх входів може значно вплинути на їх виходи. Таким чином, такий метод діагностики, який тільки аналізує вихідну інформацію, може давати неправильні оцінки про стан системи в ті моменти часу, коли змінюються її вхідні характеристики.
В останнє десятиліття були розроблені кілька ефективних методів виявлення основних дефектів машин і устаткування по вібрації на етапі їх зародження. Вони засновані, головним чином, на аналізі високочастотної вібрації, для порушення якої не потрібні великі коливальні сили, але й виявляється вона лише в місці їх дії, швидко затухаючи при розповсюдженні. Такі методи стали використовуватися діагностами багатьох країн для переходу від вібраційного моніторингу до глибокої діагностиці. Паралельно розвивалися методи автоматизації алгоритмів діагностики, що дозволило ряду виробників діагностичних систем замінити програмним забезпеченням експертів при вирішенні типових діагностичних завдань. Частка таких завдань дуже висока і перевищує дев'яносто відсотків від усіх завдань, що вирішуються шляхом аналізу сигналів вібрації. Перші автоматичні системи вібраційної діагностики були розроблені в 1991-1992 роках і постійно вдосконалювалися. [7]
У 1998 році з'явилося нове покоління систем автоматичної діагностики машин по вібрації, розроблене спільно фахівцями Росії і США, і об'єднало кращі властивості, як систем моніторингу, так і систем діагностики.
Завдання побудови діагностичних моделей також може вирішуватися на основі різних підходів. Серед яких найбільш оптимальним засобом для забезпечення високої точності, хороших апроксимаційних властивостей і логічної прозорості представляються нейро-нечіткі мережі. [9]
По-перше, це пов'язано з неточністю одержуваної інформації та обмеженістю числа параметрів діагностування в міру старіння системи або несанкціонованого доступу до неї. По-друге, з недостатністю точок контролю системи, особливо в умовах кратних дефектів. По-третє, відсутністю своєчасного моніторингу та прогнозування поведінки навколишнього середовища, що впливає на процес роботи системи в режимі реального часу. По-четверте, для систем технічної діагностики, вбудованих в комплекси управління, важливою складовою є часовий чинник, тобто швидкість прийняття рішення. По-п'яте, будь-яке ускладнення системи діагностування призводить до "небажаним", з боку замовника, фінансових вкладень в їх розробки і виробництво. [4]
Технічна система обов'язково взаємодіє із зовнішнім середовищем. Тому відбувається зміна величин діагностованих параметрів під впливом зовнішніх умов. Прогнозування цього впливу є складовою частиною вбудованих систем діагностування.
Працездатність і якість системи діагностування оцінюються незамедлительность видачі інформації про місцезнаходження, тип і причини несправності при проведенні моніторингу технічної системи і навколишнього середовища. Таким чином, по-перше, система діагностування повинна володіти високим швидкодією.
По-друге, відшукання місцезнаходження дефекту сприяє правильність організації пошуків дефектів, яка пов'язана з коефіцієнтом глибини пошуку.
По-третє, система відшукання несправності (дефекту) повинна мати у своєму розпорядженні методологією правильного розпізнавання і класифікацією ознак дефектів будь кратності. Розпізнавання та класифікація несправностей визначає їх тип і причину виникнення.
Вирішенню другої проблеми присвячені дослідження [2, 4, 5], першої проблеми з приводиться бібліографічного списку - роботи [3, 6, 8], а третьою - лише [3]. У цілому, проблема швидкодії діагностичних систем може бути успішно вирішена розпаралелюванням потоків обробки діагностичної інформації шляхом застосування обчислювальних систем з масовим паралелізмом - нейронних мереж.
Найбільш дешевим і простим способом підвищення швидкодії діагностичних систем є введення до їх контрольно-вимірювальний комплекс обчислювальних систем з архітектурою SISD за класифікатором Б. М. Когана, але з використанням в них програмно-алгоритмічного забезпечення, що дозволяє емулювати віртуальну нейронну мережу. Іншим підходом є апаратна реалізація в контрольно-вимірювальному комплексі реального нейронного комп'ютера на основі обчислювальної системи з архітектурою MIMD.
У діагностиці технічних систем нерідко виявляються дефекти, при яких зв'язок між ознаками і причинами несправностей носить неоднозначний характер. Прості двозначні затвердження типу "справний - 1" / "несправний - 0" недостатні, оскільки чіткі правила пошуку несправностей в системі грунтуються на взаимнооднозначное відповідно між причиною і ознаками несправностей, тобто вони жорстко детерміновані в правилах. Сучасні діагностичні системи повинні розпізнавати небезпечні умови функціонування, причини та тип виниклої несправності. Крім цього очікується також інформація про оцінку строку служби всієї технічної системи або її складової частини.
Таким чином, вихідні параметри діагностичної системи повинні визначати з одного боку причину і тип дефекту (несправності), з іншого боку - стан об'єкта діагностування, його відповідність оперативно-функціональному призначенню.
Аналітичні моделі діагностики відмов визначають, виділяють і класифікують відмови в компонентах системи. Малюнок 1 демонструє структуру аналітичної моделі діагностики відмов, що складається з двох основних частин.
Малюнок 1. Концептуальна структура аналітичної моделі діагностики відмов
Перша частина моделі являє собою визначник різниці, який обробляє входи і виходи системи відповідно до певного алгоритму. На його виході формуються сигнали різниці. Різниця повинна бути відмінною від нуля в разі відмови і дорівнює нулю, якщо відмови немає.
Другою частиною моделі є класифікатор відмов, в якому різниці оцінюються на наявність в системі відмови і за певним правилом приймається рішення про вихід системи з ладу. Процес прийняття рішення може складатися з простої перевірки перевищення отриманої різниці максимально допустимого значення, або ж використовувати більш складні методи статистичних оцінок. [6]
Основною проблемою розробки аналітичних моделей діагностики відмов є визначення різниці. Більшість визначників різниці засновані на моделях лінійних систем. Для нелінійних систем основним підходом є їх лінеаризація. Однак, для систем з високим ступенем нелінійності і великою кількістю нелінійних операцій, така лінеаризація не дає задовільних результатів.
Єдиним рішенням даної проблеми є використання великої кількості лінійних систем, що не дуже практично при створенні моделей, що працюють у реальному часі. Більшість відомих лінеаризацією застосовні лише для обмеженого класу нелінійностей. До того ж, процес створення моделей дуже складний і точність одержуваних результатів важко перевірити.
Знаючи можливості нейронних мереж моделювати складні системи володіючи невеликою кількістю інформації, можна зробити висновок про те, що проблеми такого характеру можна вирішити повністю, якщо використовувати в аналітичних моделях нейронні мережі.
Наступна ступінь обробки - класифікація різниць та визначення можливої відмови. Головним завданням тут є правильне відділення нормальних різниць від різниць, що містять дані про відмову. У присутності в системі шумів і невизначеностей це завдання може виявитися важким. Для виділення відмови різниця повинна бути оброблена таким чином, щоб стало зрозуміло, який компонент системи вийшов з ладу. Обробка одного сигналу різниці не становить особливих труднощів, проте, вектор різниць ускладнює процес визначення відмови. Основним підходом визначення відмови є створення набору структурованих різницевих сигналів. Тобто, в цьому випадку, кожна різниця є чутливою до однієї певної групи відмов і нечутливою до всіх інших. Проте, створення такого набору різниць для нелінійних систем є складним завданням. Навіть для лінійних систем відносини між відмовами і різницями можуть бути нелінійними для параметричних відмов.
Все це призводить до вирішення використовувати нейронні мережі для виділення відмов, так як нейронні мережі можуть бути натреновані певним чином з метою отримання відповідної зв'язку між входами і виходами.
Д. Баршдорф в роботі пише, що важливим кроком у будь-якому методі діагностики відмов є побудова математичної моделі, що дає адекватну інформацію про функціонування системи. Діагностування несправностей системи за допомогою детерміністичних методів розпізнавання дефектів ефективно при наявності математичної моделі її функціонування. Ці моделі в більшості випадків можна аналізувати лише чисельними методами, що накладає обмеження на їх використання в реальному часі при пошуку несправностей і управлінні технічною системою. Майже всі реальні процеси функціонування технічних систем мають нелінійне поведінку, для них характерне виникнення нештатних ситуацій. У цих випадках зазвичай використовують експертів, тобто відбувається втручання людини в процес діагностування і управління технічною системою. Якщо детерміністичні знання недоступні або математичне моделювання вимагає великих витрат розрахункового часу, або не забезпечує необхідної точності, то можуть бути використані інші методи. Такими методами є моделювання знань оператора за допомогою евристичних знань і стратегій логічного висновку, як наприклад, це робиться в експертних системах на основі нечітких логік з реалізацією їх на базі апаратних або програмно-алгоритмічних емуляціонних нейронних мереж. [1]
Нейронні мережі виявилися корисними як засіб контролю механізмів. Наприклад, нейронна мережа може бути навчена так, щоб відрізнити звук, який видає машин при нормальній роботі («помилкова тривога») від того, який є передвісником неполадок.
Одним з найбільш важливих переваг нейронних мереж є їх здатність представляти нелінійні перетворення, таким чином, нейронні мережі здатні формувати дуже точну апроксимацію для нелінійних функцій будь-якої тривалості.
Нейронні мережі є альтернативним варіантом проектування оціночних пристроїв. Важливою властивістю нейронних мереж є те, що вони вивчають динаміку системи в процесі тренування, що складається з декількох тренувальних циклів, з тренувальним даними, що поступають або з попереднього циклу, або складається з реальних сигналів. Після кожного циклу нейронна мережа дізнається все більше і більше про динаміку об'єкта. Одним з найбільш важливих якостей нейронних мереж є їх можливість вивчати динаміку поведінки нелінійних систем автоматично, у випадку, якщо архітектура нейронної мережі містить як мінімум три шари. [10]
Переваги класифікатора, побудованого на основі нейромереж, перед традиційними оціночними методами полягає в таких факторах: незалежність від шумів, самообучаемость, можливість паралельної обробки і т.д.
Навчена нейронна мережа, на основі моніторингу навколишніх умов з радіаційного фону, може з високим ступенем точності передбачити появу дефектів у напівпровідникових приладах і оцінити ступінь їх живучості, тобто своєчасно вивести технічний об'єкт (робота) із зони небезпечного впливу радіації для його ремонту.
На даний момент перспективними напрямками розвитку методів і засобів діагностики є методи, засновані на нечіткій логіці або нечітких множинах, експертні системи та нейронні мережі. Методи нечіткої логіки дозволяють значно спростити опис моделі об'єктів контролю і діагностики, а також є більш простими для апаратної реалізації. Експертні системи дозволяють приймати рішення про стан об'єкта контролю, якщо оцінка стану або пошуку несправності об'єкта контролю є важко формалізується завданням. Нейронні мережі використовують для ідентифікації об'єктів контролю, розпізнавання образів і прогнозування стану технічної системи.
2. Бєляков В.В., Бушуєва М.Є., Сагун В.І. Багатокритеріальна оптимізація в задачах оцінки рухливості, конкурентоспроможності автотракторної техніки та діагностики складних технічних систем. -Н.Новгород: НГТУ, 2001, 271 с.
3. Біргер І.А. Технічна діагностіка.-М.: Машинобудування, 1978.
4. Бушуєва М.Є. Методи та алгоритми забезпечення контролепригодности складних технічних систем при кратних дефектах. Н. Новгород, 1997.
5. Бушуєва М.Є., Бєляков В.В. Діагностика складних технічних систем / Розробка радіаційно стійких напівпровідникових приладів для систем зв'язку і прецизійних вимірювань з використанням шумового аналізу / / Праці 1-го ра-бочого наради за проектом НАТО SfP-973799 Semiconductors-Н.Новгород: таламо, 2001, с.63- 98.
6. Круглов В.В., Борисов В.В. Штучні нейронні мережі. Теорія і практика. -М.: Гаряча лінія. Телеком, 2001, 382 с.
7. Розенблатт Ф. Проблема впровадження самообучающихся інформаційних
систем для оцінки якості виготовлення і
функціонування машин і устаткування. Санкт-Петербург - 2004.
8. Селлерс Ф. Методи виявлення помилок в роботі ЕЦОМ, пров. з англ., М., 1972;
9. Субботін С. О. Синтез вейвлет-нейро-нечітких моделей для діагностики деталей авіадвигунів. ВАТ "Мотор-Січ", 2003
10. Шахов А.В., Власов А.І., Кузнєцов А.С., Поляков Ю.А. Нейрокомп'ютери: архітектура і реалізація. / / Додаток до журналу "Інформаційні технології". 2000. № 9
11. Silvio Simani, Cesare Fantuzzi and Ron. Ою Patton. Model-based Fault diagnosis in Dynamic Systems Using Identification Techniques. Spring, 2002
Південно-Уральський державний університет
Кафедра Філософії
Реферат
на тему:
Розвиток теоретичних принципів технічної діагностики
Аспірант кафедри «Системи управління»
Пушніков А.А.
Науковий керівник проф.
д.т.н. Щіпіцин А.Г.
Челябінськ - 2008
Зміст
Введення ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .3
1. Історія дисципліни «Технічна діагностика» ... ... ... ... ... ..... 6
2. Теоретичні принципи технічної діагностики ... ... ... ... ... 10
Висновок ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 17
Література ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 18
Введення
Технічна діагностика - науково-технічна дисципліна, що вивчає і встановлює ознаки дефектів технічних об'єктів, а також методи і засоби виявлення і пошуку (вказівки місця розташування) дефектів. Основний предмет технічної діагностики - організація ефективної перевірки справності, працездатності, правильності функціонування технічних об'єктів (деталей, елементів, вузлів, блоків, заготовок, пристроїв, виробів, агрегатів, систем, а також процесів передачі, обробки та зберігання матерії, енергії та інформації), тобто організація процесів діагностування технічного стану об'єктів при їх виготовленні та експлуатації, в тому числі під час, до і після застосування за призначенням, при профілактиці, ремонті та зберіганні. Діагностування - одна з важливих заходів забезпечення і підтримки надійності технічних об'єктів. [1]Діагностування здійснюється або людиною безпосередньо (наприклад, зовнішнім оглядом, «на слух»), або за допомогою апаратури. Об'єкт і засоби його діагностування в сукупності утворюють систему діагностування. Взаємодіючи між собою, об'єкт і засоби реалізують певний алгоритм діагностування. Результатом є висновок про технічний стан об'єкта - технічний діагноз, наприклад: «радіоприймач справний», «верстат непрацездатний», «в телевізорі відмовив частотний детектор». Розрізняють системи тестового та функціонального діагностування. Системи першого виду застосовують при виготовленні об'єкта, під час його ремонту та профілактики і при зберіганні, а також перед застосуванням і після нього, коли необхідні перевірка справності об'єкта або його працездатності і пошук дефектів. У цьому випадку на об'єкт діагностування подаються спеціально організовувані тестові впливу. Системи другого виду застосовують при використанні об'єкта за призначенням, коли необхідні перевірка правильності функціонування та пошук дефектів, що порушують останнє. При цьому на об'єкт надходять тільки передбачені його алгоритмом функціонування (робочі) впливу. Розробка і створення систем діагностування включають: вивчення об'єкта, його можливих дефектів та їх ознак; складання математичних моделей (формалізованого опису) справного (працездатного) об'єкта і того ж об'єкта в несправних станах; побудова алгоритмів діагностування; налагодження і випробування системи.
У вивченні об'єктів велике значення має їх класифікація за різними ознаками, наприклад за характером зміни значень параметрів, за видом споживаної енергії і т. п. Вивчення дефектів проводиться з метою визначення їх природи, причин і ймовірностей виникнення, фізичних умов їх прояву, умов виявлення і т. п.
Математична модель об'єкта діагностування (детермінована або імовірнісна) - опис об'єкта в справному та в несправному його станах у вигляді формальних залежностей між можливими впливами на об'єкт і його реакціями на ці дії [7]. Моделі (навіть справних об'єктів), що використовуються при діагностуванні, можуть відрізнятися від моделей, що використовуються при проектуванні тих же об'єктів. Наприклад, для діагностування технічного стану шумливих об'єктів моделями можуть служити криві шуму та вібрації (при так званих акустичних методах технічної діагностики), а в мікроелектронної технології або в зварювальному виробництві - зображення об'єктів у рентгенівських променях (при неруйнівному контролі).
Алгоритм діагностування передбачає виконання деякої умовної або безумовної послідовності певних експериментів з об'єктом. Експеримент характеризується тестовим або робочим впливом і складом контрольованих ознак, що визначають реакцію об'єкта на вплив. Розрізняють алгоритми перевірки і алгоритми пошуку. Алгоритми перевірки дозволяють виявити наявність дефектів, що порушують справність об'єкта, його працездатність або правильність функціонування. За результатами експериментів, проведених відповідно до алгоритму пошуку, можна вказати, який дефект або група дефектів (з числа розглянутих) є в об'єкті.
Засоби діагностування є носіями алгоритмів діагностування, зберігають можливі реакції об'єкта на впливи, виробляють і подають на об'єкт тестові впливу, «читають» фактичні реакції об'єкта і ставлять діагноз, порівнюючи фактичні реакції з можливими. Їх ділять на апаратурні, програмні та програмно-апаратурні (кошти двох останніх категорій застосовують для діагностування технічного стану ЕОМ, що працюють за змінною програмі). Апаратурні засоби бувають зовнішні (по відношенню до об'єкта) і вбудовані. Перші застосовуються в основному в системах тестового, другі - функціонального діагностування. Зовнішні апаратурні засоби можуть бути автоматичними, автоматизованими або з ручним керуванням, універсальними або спеціалізованими. [1]
1. Історія дисципліни «Технічна діагностика»
З початку 1970-х років проблеми діагностики та ізоляції відмов динамічних процесів стали приділяти все більшу увагу. Було вивчено і розроблено велику кількість методологій заснованих на фізичній та аналітичної надмірності.У 1973 році Джонс представив, наприклад, добре відомий метод «фільтрів виявлення відмов» для лінійних систем. Віллскі узагальнив ранні дослідження в цій області. Ролтом розглянув застосування методів ідентифікації до виявлення відмов реактивних двигунів. Методи кореляції були застосовані для виявлення підтікання Ізерманом.
Перша книга з методів діагностики, заснованим на моделях, стосовно до хімічних процесів була опублікована Хіммелблау в 1978. Виявлення відмов датчиків, засноване на аналітичній надмірності спостерігачів було запропоновано Кларком.
Використання методів оцінки параметрів для виявлення відмов технічних систем було продемонстровано Холлманом, Гейгером, Філбертом і Метсгером. Розвиток методів виявлення відмов процесу, засноване на моделюванні, оцінці параметрів і стану, було узагальнено Ізерманом. Методи вектора рівності були спочатку запропоновані Шой і Вілскі, а потім у подальшому доопрацьовані Патоном та Ченом.
Методи частотній області зазвичай застосовуються, коли вплив, як відмов, так і збурень має частотні характеристики, що відрізняються один від одного і, отже, частотний спектр служить критерієм розрізнення відмов. Дані методи розглядаються в роботах Франка і дінго.
Завдання відділення неузгодженостей від збурень розглядається в декількох статтях. Наприклад, Шоу та Вілскі, Чанг, Спейер, Лю і ін запропонували оптимальні надійні відносини рівності, а Енамі і Наені висунули концепцію порогового селектора. Чен і Патон для виконання надійної діагностики використовували метод відділення збурень. Метод Патона і Чена цікавий у протиставленні з методом Шоу і Вілскі, які мінімізували модельовану невизначеність, для декількох робочих точок. Патон і Чен розглядали цю проблему безпосередньо при оцінці оптимальної матриці невідомих вхідних збурень у діапазоні робочих точок і використовували метод розподілу власних чисел. [11]
Широко поширені традиційні підходи діагностики відмов, засновані на методах «апаратної (або фізичної)» надмірності, які використовують додаткові набори датчиків, виконавчих механізмів, комп'ютерів і програмного забезпечення для вимірювання та / або управління окремими змінними. Основні недоліки цих методів апаратної надмірності - додаткове устаткування і вартість технічного обслуговування, а так само додатковий простір, необхідний для розміщення обладнання.
Останнім часом в цьому напрямку з'явилося кілька альтернативних рішень, що дозволяють проводити діагностику відмов в складних і невизначених системах. Найбільш багатообіцяючим з них є використання для моделювання нелінійних динамічних систем та діагностики відмов нейронних мереж.
Нейронні мережі досить широко використовуються в багатьох інженерних областях, але з їх використанням також виникають деякі труднощі. Першою проблемою є те, що в більшості випадків нейронні мережі використовувалися тільки для роботи зі статичними процесами. Таким чином, поведінка нейронної мереж при моделюванні нелінійних динамічних процесів є досить невизначеним і слабо вивченим. Друга складність полягає в тому, що часто нейронні мережі використовувалися лише як класифікаторів відмов. Інші можливості нейронних мереж при цьому не використовувалися. Зазвичай нейронні мережі використовувалися для визначення можливих відмов чи інших змін у системі за її виходів. Такий підхід використання тільки лише виходів системи для діагностики відмов міг бути коректним для статичних систем, але в динамічних системах зміна їх входів може значно вплинути на їх виходи. Таким чином, такий метод діагностики, який тільки аналізує вихідну інформацію, може давати неправильні оцінки про стан системи в ті моменти часу, коли змінюються її вхідні характеристики.
В останнє десятиліття були розроблені кілька ефективних методів виявлення основних дефектів машин і устаткування по вібрації на етапі їх зародження. Вони засновані, головним чином, на аналізі високочастотної вібрації, для порушення якої не потрібні великі коливальні сили, але й виявляється вона лише в місці їх дії, швидко затухаючи при розповсюдженні. Такі методи стали використовуватися діагностами багатьох країн для переходу від вібраційного моніторингу до глибокої діагностиці. Паралельно розвивалися методи автоматизації алгоритмів діагностики, що дозволило ряду виробників діагностичних систем замінити програмним забезпеченням експертів при вирішенні типових діагностичних завдань. Частка таких завдань дуже висока і перевищує дев'яносто відсотків від усіх завдань, що вирішуються шляхом аналізу сигналів вібрації. Перші автоматичні системи вібраційної діагностики були розроблені в 1991-1992 роках і постійно вдосконалювалися. [7]
У 1998 році з'явилося нове покоління систем автоматичної діагностики машин по вібрації, розроблене спільно фахівцями Росії і США, і об'єднало кращі властивості, як систем моніторингу, так і систем діагностики.
Завдання побудови діагностичних моделей також може вирішуватися на основі різних підходів. Серед яких найбільш оптимальним засобом для забезпечення високої точності, хороших апроксимаційних властивостей і логічної прозорості представляються нейро-нечіткі мережі. [9]
2. Теоретичні принципи технічної діагностики
Складні системи, в тому числі й технічні, вимагають забезпечення високого рівня якості функціонування та надійності. Ця вимога стає особливо актуальним у випадку, коду від роботи системи залежить виконання поставленої оперативно-функціональної задачі, пов'язаної з небезпекою втрати людських життів або значних капітальних фінансових вкладень. Резервом підвищення надійності є перехід від планово-попереджувального обслуговування і ремонту до обслуговування і ремонту по дійсному технічному стану. Використання цієї стратегії обслуговування вимагає широкого застосування засобів і методів автоматизованого контролю та діагностування. У зв'язку з цим виникає необхідність забезпечення такої властивості вироби (об'єкта технічного діагностування), яке дозволило б з мінімальними витратами достовірно визначити його технічний стан. Функціонування складних технічних систем, особливо електронних, у структурах управління оперативно-функціональними об'єктами, дуже чутливих до зовнішніх впливів (випромінювання, температура, вологість, механічні дії, біологічна агресивність, і т.д.), з часом може не тільки змінювати свої параметри в допустимих межах, але катастрофічно приводити їх до таких значень, які не тільки не сумісні з їх нормальною роботою, але небезпечні для навколишнього середовища і можуть з'явитися причиною самоліквідації (руйнування). Розпізнавання та прогнозування таких ситуацій виходить за межі простої діагностики.По-перше, це пов'язано з неточністю одержуваної інформації та обмеженістю числа параметрів діагностування в міру старіння системи або несанкціонованого доступу до неї. По-друге, з недостатністю точок контролю системи, особливо в умовах кратних дефектів. По-третє, відсутністю своєчасного моніторингу та прогнозування поведінки навколишнього середовища, що впливає на процес роботи системи в режимі реального часу. По-четверте, для систем технічної діагностики, вбудованих в комплекси управління, важливою складовою є часовий чинник, тобто швидкість прийняття рішення. По-п'яте, будь-яке ускладнення системи діагностування призводить до "небажаним", з боку замовника, фінансових вкладень в їх розробки і виробництво. [4]
Технічна система обов'язково взаємодіє із зовнішнім середовищем. Тому відбувається зміна величин діагностованих параметрів під впливом зовнішніх умов. Прогнозування цього впливу є складовою частиною вбудованих систем діагностування.
Працездатність і якість системи діагностування оцінюються незамедлительность видачі інформації про місцезнаходження, тип і причини несправності при проведенні моніторингу технічної системи і навколишнього середовища. Таким чином, по-перше, система діагностування повинна володіти високим швидкодією.
По-друге, відшукання місцезнаходження дефекту сприяє правильність організації пошуків дефектів, яка пов'язана з коефіцієнтом глибини пошуку.
По-третє, система відшукання несправності (дефекту) повинна мати у своєму розпорядженні методологією правильного розпізнавання і класифікацією ознак дефектів будь кратності. Розпізнавання та класифікація несправностей визначає їх тип і причину виникнення.
Вирішенню другої проблеми присвячені дослідження [2, 4, 5], першої проблеми з приводиться бібліографічного списку - роботи [3, 6, 8], а третьою - лише [3]. У цілому, проблема швидкодії діагностичних систем може бути успішно вирішена розпаралелюванням потоків обробки діагностичної інформації шляхом застосування обчислювальних систем з масовим паралелізмом - нейронних мереж.
Найбільш дешевим і простим способом підвищення швидкодії діагностичних систем є введення до їх контрольно-вимірювальний комплекс обчислювальних систем з архітектурою SISD за класифікатором Б. М. Когана, але з використанням в них програмно-алгоритмічного забезпечення, що дозволяє емулювати віртуальну нейронну мережу. Іншим підходом є апаратна реалізація в контрольно-вимірювальному комплексі реального нейронного комп'ютера на основі обчислювальної системи з архітектурою MIMD.
У діагностиці технічних систем нерідко виявляються дефекти, при яких зв'язок між ознаками і причинами несправностей носить неоднозначний характер. Прості двозначні затвердження типу "справний - 1" / "несправний - 0" недостатні, оскільки чіткі правила пошуку несправностей в системі грунтуються на взаимнооднозначное відповідно між причиною і ознаками несправностей, тобто вони жорстко детерміновані в правилах. Сучасні діагностичні системи повинні розпізнавати небезпечні умови функціонування, причини та тип виниклої несправності. Крім цього очікується також інформація про оцінку строку служби всієї технічної системи або її складової частини.
Таким чином, вихідні параметри діагностичної системи повинні визначати з одного боку причину і тип дефекту (несправності), з іншого боку - стан об'єкта діагностування, його відповідність оперативно-функціональному призначенню.
Аналітичні моделі діагностики відмов визначають, виділяють і класифікують відмови в компонентах системи. Малюнок 1 демонструє структуру аналітичної моделі діагностики відмов, що складається з двох основних частин.
Малюнок 1. Концептуальна структура аналітичної моделі діагностики відмов
Перша частина моделі являє собою визначник різниці, який обробляє входи і виходи системи відповідно до певного алгоритму. На його виході формуються сигнали різниці. Різниця повинна бути відмінною від нуля в разі відмови і дорівнює нулю, якщо відмови немає.
Другою частиною моделі є класифікатор відмов, в якому різниці оцінюються на наявність в системі відмови і за певним правилом приймається рішення про вихід системи з ладу. Процес прийняття рішення може складатися з простої перевірки перевищення отриманої різниці максимально допустимого значення, або ж використовувати більш складні методи статистичних оцінок. [6]
Основною проблемою розробки аналітичних моделей діагностики відмов є визначення різниці. Більшість визначників різниці засновані на моделях лінійних систем. Для нелінійних систем основним підходом є їх лінеаризація. Однак, для систем з високим ступенем нелінійності і великою кількістю нелінійних операцій, така лінеаризація не дає задовільних результатів.
Єдиним рішенням даної проблеми є використання великої кількості лінійних систем, що не дуже практично при створенні моделей, що працюють у реальному часі. Більшість відомих лінеаризацією застосовні лише для обмеженого класу нелінійностей. До того ж, процес створення моделей дуже складний і точність одержуваних результатів важко перевірити.
Знаючи можливості нейронних мереж моделювати складні системи володіючи невеликою кількістю інформації, можна зробити висновок про те, що проблеми такого характеру можна вирішити повністю, якщо використовувати в аналітичних моделях нейронні мережі.
Наступна ступінь обробки - класифікація різниць та визначення можливої відмови. Головним завданням тут є правильне відділення нормальних різниць від різниць, що містять дані про відмову. У присутності в системі шумів і невизначеностей це завдання може виявитися важким. Для виділення відмови різниця повинна бути оброблена таким чином, щоб стало зрозуміло, який компонент системи вийшов з ладу. Обробка одного сигналу різниці не становить особливих труднощів, проте, вектор різниць ускладнює процес визначення відмови. Основним підходом визначення відмови є створення набору структурованих різницевих сигналів. Тобто, в цьому випадку, кожна різниця є чутливою до однієї певної групи відмов і нечутливою до всіх інших. Проте, створення такого набору різниць для нелінійних систем є складним завданням. Навіть для лінійних систем відносини між відмовами і різницями можуть бути нелінійними для параметричних відмов.
Все це призводить до вирішення використовувати нейронні мережі для виділення відмов, так як нейронні мережі можуть бути натреновані певним чином з метою отримання відповідної зв'язку між входами і виходами.
Д. Баршдорф в роботі пише, що важливим кроком у будь-якому методі діагностики відмов є побудова математичної моделі, що дає адекватну інформацію про функціонування системи. Діагностування несправностей системи за допомогою детерміністичних методів розпізнавання дефектів ефективно при наявності математичної моделі її функціонування. Ці моделі в більшості випадків можна аналізувати лише чисельними методами, що накладає обмеження на їх використання в реальному часі при пошуку несправностей і управлінні технічною системою. Майже всі реальні процеси функціонування технічних систем мають нелінійне поведінку, для них характерне виникнення нештатних ситуацій. У цих випадках зазвичай використовують експертів, тобто відбувається втручання людини в процес діагностування і управління технічною системою. Якщо детерміністичні знання недоступні або математичне моделювання вимагає великих витрат розрахункового часу, або не забезпечує необхідної точності, то можуть бути використані інші методи. Такими методами є моделювання знань оператора за допомогою евристичних знань і стратегій логічного висновку, як наприклад, це робиться в експертних системах на основі нечітких логік з реалізацією їх на базі апаратних або програмно-алгоритмічних емуляціонних нейронних мереж. [1]
Нейронні мережі виявилися корисними як засіб контролю механізмів. Наприклад, нейронна мережа може бути навчена так, щоб відрізнити звук, який видає машин при нормальній роботі («помилкова тривога») від того, який є передвісником неполадок.
Одним з найбільш важливих переваг нейронних мереж є їх здатність представляти нелінійні перетворення, таким чином, нейронні мережі здатні формувати дуже точну апроксимацію для нелінійних функцій будь-якої тривалості.
Нейронні мережі є альтернативним варіантом проектування оціночних пристроїв. Важливою властивістю нейронних мереж є те, що вони вивчають динаміку системи в процесі тренування, що складається з декількох тренувальних циклів, з тренувальним даними, що поступають або з попереднього циклу, або складається з реальних сигналів. Після кожного циклу нейронна мережа дізнається все більше і більше про динаміку об'єкта. Одним з найбільш важливих якостей нейронних мереж є їх можливість вивчати динаміку поведінки нелінійних систем автоматично, у випадку, якщо архітектура нейронної мережі містить як мінімум три шари. [10]
Переваги класифікатора, побудованого на основі нейромереж, перед традиційними оціночними методами полягає в таких факторах: незалежність від шумів, самообучаемость, можливість паралельної обробки і т.д.
Навчена нейронна мережа, на основі моніторингу навколишніх умов з радіаційного фону, може з високим ступенем точності передбачити появу дефектів у напівпровідникових приладах і оцінити ступінь їх живучості, тобто своєчасно вивести технічний об'єкт (робота) із зони небезпечного впливу радіації для його ремонту.
Висновок
Менше ніж за 40 років у рамках дисципліни технічної діагностики було вирішено багато практичних завдань і здобули дуже багато істотних теоретичних досягнень. Але, незважаючи на значний прогрес у теорії та практиці автоматизації виявлення основних дефектів машин і обладнання, оцінка технічного стану промислового обладнання на більшості російських підприємств виконується на основі суб'єктивного методу оцінки висококваліфікованими фахівцями діагностами, обслуговуючими об'єкти діагностування протягом тривалого часу і отримали досвід орієнтування в зовнішніх ознаках зміни технічного стану. Останні досягнення науки зумовлюють необхідність переходу від суб'єктивних методів оцінки стану до об'єктивних.На даний момент перспективними напрямками розвитку методів і засобів діагностики є методи, засновані на нечіткій логіці або нечітких множинах, експертні системи та нейронні мережі. Методи нечіткої логіки дозволяють значно спростити опис моделі об'єктів контролю і діагностики, а також є більш простими для апаратної реалізації. Експертні системи дозволяють приймати рішення про стан об'єкта контролю, якщо оцінка стану або пошуку несправності об'єкта контролю є важко формалізується завданням. Нейронні мережі використовують для ідентифікації об'єктів контролю, розпізнавання образів і прогнозування стану технічної системи.
Література
1. Баршдорф Д. Нейронні мережі та нечітка логіка. Нові концепції для технічної діагностики несправностей. / / Прилади і системи управління. 1996. № 2.2. Бєляков В.В., Бушуєва М.Є., Сагун В.І. Багатокритеріальна оптимізація в задачах оцінки рухливості, конкурентоспроможності автотракторної техніки та діагностики складних технічних систем. -Н.Новгород: НГТУ, 2001, 271 с.
3. Біргер І.А. Технічна діагностіка.-М.: Машинобудування, 1978.
4. Бушуєва М.Є. Методи та алгоритми забезпечення контролепригодности складних технічних систем при кратних дефектах. Н. Новгород, 1997.
5. Бушуєва М.Є., Бєляков В.В. Діагностика складних технічних систем / Розробка радіаційно стійких напівпровідникових приладів для систем зв'язку і прецизійних вимірювань з використанням шумового аналізу / / Праці 1-го ра-бочого наради за проектом НАТО SfP-973799 Semiconductors-Н.Новгород: таламо, 2001, с.63- 98.
6. Круглов В.В., Борисов В.В. Штучні нейронні мережі. Теорія і практика. -М.: Гаряча лінія. Телеком, 2001, 382 с.
7. Розенблатт Ф. Проблема впровадження самообучающихся інформаційних
систем для оцінки якості виготовлення і
функціонування машин і устаткування. Санкт-Петербург - 2004.
8. Селлерс Ф. Методи виявлення помилок в роботі ЕЦОМ, пров. з англ., М., 1972;
9. Субботін С. О. Синтез вейвлет-нейро-нечітких моделей для діагностики деталей авіадвигунів. ВАТ "Мотор-Січ", 2003
10. Шахов А.В., Власов А.І., Кузнєцов А.С., Поляков Ю.А. Нейрокомп'ютери: архітектура і реалізація. / / Додаток до журналу "Інформаційні технології". 2000. № 9
11. Silvio Simani, Cesare Fantuzzi and Ron. Ою Patton. Model-based Fault diagnosis in Dynamic Systems Using Identification Techniques. Spring, 2002