RU150919U1 - Устройство прогнозирования работоспособности многопараметрических электромеханических систем - Google Patents
Устройство прогнозирования работоспособности многопараметрических электромеханических систем Download PDFInfo
- Publication number
- RU150919U1 RU150919U1 RU2014128003/08U RU2014128003U RU150919U1 RU 150919 U1 RU150919 U1 RU 150919U1 RU 2014128003/08 U RU2014128003/08 U RU 2014128003/08U RU 2014128003 U RU2014128003 U RU 2014128003U RU 150919 U1 RU150919 U1 RU 150919U1
- Authority
- RU
- Russia
- Prior art keywords
- parameter
- emc
- unit
- measured
- signals
- Prior art date
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
Устройство прогнозирования работоспособности многопараметрических электромеханических систем (ЭМС), содержащее измерительный блок, состоящий из блока обработки информации, предназначенного для нормировки входных данных, поступающих от датчиков, и выделения эталонного значения по каждому измеряемому параметру путем получения временных сигналов выходных параметров ЭМС и эталонных массивов выходных сигналов по каждому контролируемому параметру, и программного вычислителя, выполненного из последовательно соединенных процессора, сумматора, квадратора, блока интегрирования, вычислительного блока, предназначенного для нахождения коэффициентов нейросетевых нелинейных операторов и передачи их в нейронную сеть, предназначенную для их тестирования и формирования максимального потенциала, соответствующего прогнозируемому техническому состоянию ЭМС по конкретному измеряемому параметру.
Description
Предложенное техническое решение относится к области диагностической техники объектов и представляет собой устройство прогнозирования работоспособности многопараметрических электромеханических систем (ЭМС).
Известен способ диагностирования объекта, состоящего из последовательно соединенных функциональных блоков, охваченных обратными связями, и устройство для его осуществления по авторскому свидетельству SU №1667013 МПК6 G05B 23/02, опубл. 30.07.1991. Устройство для реализации данного способа содержит последовательно соединенные функциональные блоки, в частности группу датчиков допускового контроля, блок вычисления максимума, элемент задержки, блок суммирования, блок преобразования и хранения значений контролируемых параметров состояния объекта, блок ключей, элемент ИЛИ.
Недостаток этого устройства и состоит в том, что оно не содержит соответствующих блоков для прогнозирования параметров состояния объекта.
Известны также способ диагностирования объектов и устройство для его осуществления (патент РФ №2239869, МПК 6 G07C 11/00, опубл. 2004). Для реализации описанного способа используют устройство для диагностирования объекта, состоящее из блока суммирования, блока преобразования и хранения значений контролируемых параметров состояния объекта, блока ключей, элемента ИЛИ, содержащее, кроме того, блок регистрации времен наработки функциональных блоков контролируемого объекта, блок задания времен ресурса функциональных блоков, генератор тактовых импульсов, блок задания периода следования тактовых импульсов, двух элементов задержки времени, элемент выбора минимального значения разности ресурса и наработки, блок прогнозирования параметров состояния, блок вычисления времени прогноза, блок вычисления текущих времен наработки, блок определения выхода контролируемых параметров за допустимые значения и блок вычисления вероятностей безотказной работы функциональных блоков контролируемого объекта.
Основным недостатком этого устройства является отсутствие измерительной системы, то есть набора датчиков, характеризующих объект диагностирования.
Наиболее близким техническим решением является устройство виброакустической диагностики циклически функционирующих объектов (патент РФ №2239869, МПК 7 G07C 13/00, опубл. 20.12.2005). Устройство виброакустической диагностики циклически функционирующих объектов, включает один или несколько каналов выделения измерительной информации, каждый из которых содержит измерительный тракт контроля виброакустического сигнала, состоящий из последовательно соединенных датчика вибраций и первого регулируемого усилителя, тракт контроля частоты вращения, состоящий из последовательно соединенных датчика частоты вращения и второго регулируемого усилителя, части тракта формирования электрического сигнала, включающего цифроаналоговый преобразователь, программно-управляемый избирательный фильтр на основе резонансных цепей, третий регулируемый усилитель и контроллер, программируемый вычислитель, индикатор и регистрирующее устройство, входы, которых связаны с соответствующими выходами программируемого вычислителя, отличающийся тем, что содержит прогнозирующее устройство, входы блока преобразования и хранения значений каждого из контролируемых параметров, состояния объекта которого соединены с соответствующими выходами трактов контролируемых параметров, входы блока регистрации времени наработки функциональных блоков контролируемого объекта к моменту включения устройства и контролируемого объекта соединены с соответствующими выходами контроллера, входы блока задания времен ресурса функциональных блоков контролируемого объекта соединены с соответствующими выходами контроллера, вход блока задания периода следования тактовых импульсов соединен с соответствующим выходом контроллера, а выходы блока вычисления текущих времен наработки функциональных блоков контролируемого объекта соединены с соответствующими входами контроллера, и в каждый канал выделения измерительной информации введен дополнительный тракт измерения шума функционально законченной и пространственно расположенной в одном месте части блоков контролируемого объекта, состоящий из последовательно соединенных датчика шума и четвертого регулируемого усилителя, а тракт формирования электрического сигнала дополнен бесконтактным коммутатором и регулируемым цифровым фильтром, при этом коммутатор своими входами связан с выходами тракта контроля виброакустического сигнала, тракта контроля частоты вращения, тракта измерения шума части блоков объекта и соответствующим выходом контроллера, выход коммутатора связан с первым входом регулируемого цифрового фильтра, второй вход фильтра связан с выходом третьего регулируемого усилителя, а третий его вход связан с соответствующим выходом контроллера, выход регулируемого цифрового фильтра связан со вторым входом контроллера.
Недостатком наиболее близкого технического решения является невысокая точность прогнозирования, которая может иметь место при прогнозировании ЭМС в условиях неопределенности, описывающих их состояние параметров и при наличии недостатка априорной информации.
Задачей предложенного технического решения является повышение достоверности и точности прогнозирования работоспособности, уменьшение погрешности в условиях неопределенности параметров ЭМС и внешней среды и нечувствительностью к недостатку априорной информации.
Поставленная задача достигается тем, что устройство прогнозирования работоспособности многопараметрических электромеханических систем (ЭМС), содержит измерительный блок, состоящий из блока обработки информации, предназначенного для нормировки входных данных, поступающих от датчиков, и выделения эталонного значения по каждому измеряемому параметру путем получения временных сигналов выходных параметров ЭМС и эталонных массивов выходных сигналов по каждому контролируемому параметру, и программного вычислителя, выполненного из последовательно соединенных процессора, сумматора, квадратора, блока интегрирования, вычислительного блока, предназначенного для нахождения коэффициентов нейросетевых нелинейных операторов и передачи их в нейронную сеть, предназначенную для их тестирования и формирования максимального потенциала, соответствующего прогнозируемому техническому состоянию ЭМС по конкретному измеряемому параметру.
На Фиг. изображена структурная схема прогнозирования работоспособности многопараметрических электромеханических систем.
Устройство прогнозирования работоспособности многопараметрических электромеханических систем 1 содержит измерительный блок 2, состоящий из N датчиков для измерения значений контролируемых параметров ЭМС, выходы которых связаны с входами блока обработки информации 3, выходы которого связаны с входом программного вычислителя 4, состоящего из последовательно соединенных процессора 5, выполняющего функцию разложения входного сигнала полиномами Лежандра, сумматора 6, осуществляющего вычитание из полученных N сигналов N эталонов по каждому измеряемому параметру, квадратора 7, выполняющего команду возведения в квадрат полученной разницы, блока интегрирования 8, осуществляющего интегрирование на интервале наблюдения прогноза каждой из N разностей, и вычислительного блока 9, осуществляющего нахождение соответствующих коэффициентов, выходы которого связаны с входами нейронной сети Кохонена 10, состоящей из каскадного подключения двух слоев распределительного слоя и соревновательного слоя.
Работает устройство прогнозирования работоспособности многопараметрических электромеханических систем следующим образом. Сначала ведут обработку входного массива N измеряемых сигналов ЭМС 1 операторами Лежандра, путем разложения его в ряд по числу входных (измеряемых) параметров, затем вычитание из полученных N сигналов N эталонов, предварительно также преобразованных операторами Лежандра, с последующим возведением в квадрат и интегрированием на интервале наблюдения прогноза каждой из N разностей, и затем, конечную обработку полученных функционалов осуществляют нейронной сетью (НС), представляющей сеть Кохонена 10 с каскадным подключением распределительного слоя и соревновательного слоя, путем выделения наиболее близкого в заданной метрике сигнала, характеризующего прогнозное техническое состояние ЭМС. Прогнозирование работоспособности ЭМС в данном техническом решении происходит путем отнесения временного массива выходных (измеряемых) сигналов ЭМС к определенному классу технических состояний, характеризующих то или иное поведения ЭМС в будущем, путем нейросетевой обработки совокупности измеренных в различные интервалы эксплуатации параметров ЭМС.
Можно представить выходные параметры ЭМС Z(t) вектором в N - мерном евклидовом пространстве, при этом декартовы координаты конца вектора есть действительные числа z1, z2, …, zn являющиеся признаками технических состояний ЭМС в будущем и входным для прогнозирующего устройства.
Решения задачи «работоспособен - неработоспособен» предполагает введение для каждого класса прогнозных состояний эталона (эталонного массива выходных сигналов ZH(t)), под которым можно понимать некоторый средний номинальный массив выходных сигналов соответствующего класса. Тогда сравнение текущего массива сигналов Z(t) с эталонным приведет к определению степени, сходства между вектором полученного прогнозного состояния ЭМС и вектором эталонного (номинального) состояния ЭМС в будущем.
В качестве отличительной нормы расстояний между двумя точками (координатами концов векторов), которые отображают различные прогнозные технические состояния ЭМС, вводят евклидову норму: , где ZHji - i-я компонента вектора эталона j-го класса; Zi - i-я компонента вектора Z классифицируемого состояния.
причем все массивы (в том числе и эталонный) подвергнуты одному и тому же НС нелинейному преобразованию. Вид этого преобразования для каждого класса определяют в процессе минимизации расстояния до эталона внутри данного класса и одновременной максимизации расстояния до этого же эталона для массивов остальных классов.
Но если наблюдаемые сигналы на периоде основания прогноза не различимы, но приводят к разным прогнозам, то необходимо предварительно ввести преобразование, которое их разделяет, и тогда НС сможет их распознать.
Условие полной различимости (наблюдаемости) сигналов двух классов («норма - не норма») можно записать в следующем виде:
По функционалу J осуществляют нелинейное преобразование, которое предназначено затем для кластеризации слоем Кохонена. Без предварительного преобразования сама классификация невозможна, прогнозы будут неразличимы, т.к. массивы сигналов обоих классов («норма - не норма») будут перемешаны и выделение одного какого-либо класса будет невозможно.
Искомые значения элементов нейросетевого оператора φ, т.е. коэффициентов {Ai}, можно получить, взяв производные по Ai, и приравняв их нулю, так как при этом условии элементы множества {Ai} отвечают максимуму различимости векторов признаков двух классов («норма - не норма»).
Для этого, полагая, что все временные массивы измеренных сигналов в виде функций Z(t) после сведения к интервалу нормировки [0, 1] принадлежат к пространству L2 (интегрируемы с квадратом), представим их в виде линейной комбинации (N+1) ортонормированных полиномов, в данном случае, полиномами Лежандра. Такому же разложению подлежит и массив номинальных параметров.
На основании вышесказанного и была предложено техническое решение прогнозирования работоспособности многопараметрических ЭМС.
С помощью измерительного блока 2, включающего ряд датчиков (Di, i=1,…N), устанавливаемых в различных точках контролируемого объекта - электромеханической системы 1, контролируемые сигналы поступают с входа блока обработки информации 3, который осуществляет нормировку входных данных и выделения эталонного значения по каждому измеряемому параметру. Это связано с тем, что измеряемые параметры имеют разную физическую размерность, поэтому для того, чтобы нейронная сеть 10 могла производить над ними арифметические и логические действия, их нормируют в блоке обработки информации 3, переходя к безразмерным величинам, представленными числами в диапазоне 0…1. Под эталонным сигналом можно понимать некоторый средний номинальный массив выходных сигналов.
С выхода блока обработки информации 3 временные сигналы выходных параметров ЭМС Z(t) эталонные массивы выходных сигналов ZH(t) по каждому контролируемому параметру поступают в процессор 5, где осуществляют разложение этих сигналов в ряд операторами Лежандра. Затем в сумматоре 6 производят вычитание из полученных N сигналов N эталонов по каждому измеряемому параметру, потом полученную разность возводят в квадрат в блоке квадратора 7, и затем каждую из N разностей интегрируют на интервале наблюдения прогноза в блоке интегрирования 8.
В вычислительном блоке 9, осуществляют нахождение коэффициентов {Ai} из уравнения (1), что равносильно заданию нейросетевых нелинейных операторов {φi}, преобразования функций двух классов («норма - не норма») по каждому из N контролируемых параметров ЭМС. Далее полученный массив временных сигналов передают на нейронную сеть Кохонена 10 с каскадным подключением распределительного слоя и соревновательного слоя.
Организация классификации временных рядов по группам или распознавание образа ряда производят с помощью искусственной нейронной сети. Задача распознавания образов состоит в отнесении входного набора данных, представляющих распознаваемый объект, к одному из ранее известных классов. Нейросетевой подход показал свою эффективность при решении плохо формализованных задач распознавания (см., например, Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. ″Базы данных. Интеллектуальная обработка информации″ - М.: Издатель Молгачева С.В., 2001 г.). Для реализации поставленной задачи применена искусственная НС Кохонена (см., например, C. Amza et. al. TreadMarks: Shared Memory Computing on Networks of Workstation. Computer. Vol.29, No.2, 1996, pp.18-23).
Практика показывает, что нейронная сеть 10 способна относить сходные образы к одному классу. Тестирование нейронной сети 10 путем подачи на ее входы примеров, позволяет установить: какие примеры нейронная сеть 10 относит к каждому классу, количество классов и комбинации значений выходов, соответствующих каждому классу. В ходе функционирования обученная нейронная сеть 10 при подаче на ее входы очередного входного вектора вырабатывает комбинацию значений выходов, соответствующих классу, к которому нейронная сеть отнесла входной вектор.
Выход нейронной сети Кохонена 10 формирует максимальный потенциал на том выходе - E, который соответствует прогнозируемому техническому состоянию ЭМС 1 по конкретному измеряемому параметру и определяет, работоспособна или неработоспособна ЭМС через интервал прогноза.
Предложенное устройство может быть реализовано программно-аппаратным способом на основе промышленной базы.
Предложенное устройство прогнозирования работоспособности многопараметрических электромеханических систем отличается достаточной достоверностью и точностью прогнозирования, уменьшая погрешности в условиях неопределенности параметров ЭМС и внешней среды, и нечувствительностью к недостатку априорной информации.
Claims (1)
- Устройство прогнозирования работоспособности многопараметрических электромеханических систем (ЭМС), содержащее измерительный блок, состоящий из блока обработки информации, предназначенного для нормировки входных данных, поступающих от датчиков, и выделения эталонного значения по каждому измеряемому параметру путем получения временных сигналов выходных параметров ЭМС и эталонных массивов выходных сигналов по каждому контролируемому параметру, и программного вычислителя, выполненного из последовательно соединенных процессора, сумматора, квадратора, блока интегрирования, вычислительного блока, предназначенного для нахождения коэффициентов нейросетевых нелинейных операторов и передачи их в нейронную сеть, предназначенную для их тестирования и формирования максимального потенциала, соответствующего прогнозируемому техническому состоянию ЭМС по конкретному измеряемому параметру.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014128003/08U RU150919U1 (ru) | 2014-07-08 | 2014-07-08 | Устройство прогнозирования работоспособности многопараметрических электромеханических систем |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014128003/08U RU150919U1 (ru) | 2014-07-08 | 2014-07-08 | Устройство прогнозирования работоспособности многопараметрических электромеханических систем |
Publications (1)
Publication Number | Publication Date |
---|---|
RU150919U1 true RU150919U1 (ru) | 2015-03-10 |
Family
ID=53293358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014128003/08U RU150919U1 (ru) | 2014-07-08 | 2014-07-08 | Устройство прогнозирования работоспособности многопараметрических электромеханических систем |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU150919U1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU193607U1 (ru) * | 2019-05-28 | 2019-11-06 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей |
-
2014
- 2014-07-08 RU RU2014128003/08U patent/RU150919U1/ru not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU193607U1 (ru) * | 2019-05-28 | 2019-11-06 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11092952B2 (en) | Plant abnormality detection method and system | |
US11934184B2 (en) | Automated analysis of non-stationary machine performance | |
JP7183471B2 (ja) | 将来の動作の予測分類 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
EP3098681B1 (en) | Artificial intelligence based health management of host system | |
CN111767930A (zh) | 物联网时序数据异常检测方法及其相关设备 | |
JP2019502195A (ja) | 時間的因果グラフにおける異常フュージョン | |
KR102124985B1 (ko) | 트렌딩 및 패턴 인식을 위한 신호 관련 측정치의 정량적 분석 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
CN112334849B (zh) | 诊断装置、诊断方法及程序 | |
Pang et al. | Anomaly detection based on data stream monitoring and prediction with improved Gaussian process regression algorithm | |
US20150012255A1 (en) | Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN117111544A (zh) | 一种自动适配的楼宇物联网监控方法及*** | |
Dietrich et al. | Detecting external measurement disturbances based on statistical analysis for smart sensors | |
RU150919U1 (ru) | Устройство прогнозирования работоспособности многопараметрических электромеханических систем | |
KR20180025447A (ko) | Dtwep 기반 제조공정의 이상탐지 방법 및 장치 | |
Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
CN111222203B (zh) | 一种轴承使用寿命模型创建及其预测方法 | |
RU2699685C1 (ru) | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем | |
Lytvynenko | The problem of segmentation of the cyclic random process with a segmental structure and the approaches to its solving | |
Andersson et al. | Sample size prediction for anomaly detection in locks | |
EP3604195B1 (en) | Method, system and computer program product for predicting failure of a noise-emitting apparatus | |
RU2345492C2 (ru) | Способ диагностирования средств связи телекоммуникационных систем | |
Vulfin et al. | Neuralbase model for detection and recognition of technological situations within the scope of data mining strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20150709 |