Диагностика и прогноз технических состояний горных машин с использованием нейронных сетей

Тип работы:
Реферат
Предмет:
Общие и комплексные проблемы естественных и точных наук


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 519. 1: 621
Д. М. Шпрехер, канд. техн. наук, доц., 8(487−62) 6−13−83, shpreher-d@yandex. ru
(Россия, Новомосковск, НИ (филиал) «РХТУ им. Д.И. Менделеева»)
ДИАГНОСТИКА И ПРОГНОЗ ТЕХНИЧЕСКИХ СОСТОЯНИЙ ГОРНЫХ МАШИН С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Приведены возможности нейронных сетей за счет использования данных статистической обработки измеряемых параметров ЭМС горных машин, позволяющие, обрабатывая эти массивы диагностических данных, решать задачи контроля и прогнозирования работоспособности ЭМС.
Ключевые слова: электромеханическая система, нейронная сеть, диагностика,
прогноз.
Наиболее актуальными проблемами эксплуатации электромеханических систем (ЭМС) горных машин на сегодняшний день являются проблемы повышения эффективности технического обслуживания, обеспечения долговечности объектов и снижения материальных расходов как на содержание, так и на ликвидацию последствий отказов. И наиболее перспективными направлениями в области повышения эффективности обслуживания ЭМС считается разработка и внедрение систем мониторинга и прогнозирования технического состояния на основе искусственных нейронных сетей (ИНС).
ИНС — это способ подражания биологической нейронной сети мозга при помощи математической модели. Это совокупность простых вычислительных модулей, связанных друг с другом весовыми коэффициентами заданными для каждого соединения. Путем изменения этих весовых коэффициентов по определенному тренировочному алгоритму ИНС может быть натренирована для распознавания любой совокупности, содержащейся в тренировочных данных.
Диагностика технического состояния (ТС) ЭМС горных машин заключается в идентификации текущего режима работы оборудования к одному из эталонных режимов и, вообще говоря, является задачей распознавания образов (распознавание классов технических состояний ЭМС).
Сформулируем задачу распознавания. Пусть имеется некоторое множество состояний ЭМС Вj ={?1,Ь2,… Ь^}, как исправных, так и неисправных. Это множество априорно заранее разбито на классы А2,… АN }, где под классом понимают совокупность образов, имеющих одни и те же признаки. Наблюдаемое техническое состояние изделия можно представить комплексом диагностических признаков Yj в виде N -мерного вектора, т. е.
точками в N -мерном пространстве Yj ={у1, У2,… Уп }, ^ = 1, N, на языке которых и описаны классы состояний, т. е. составлен рабочий словарь при-
знаков Aj = Fj (y1,У2,… yn}, i = 1, N. Эта совокупность признаков в теории распознавания называется изображением, или образом распознаваемого состояния. Распознавание состояний объекта диагностирования — это отнесение предъявляемого к распознаванию состояния изделия Bj к одному из
возможных классов (диагнозов) Aj с помощью специально построенного
решающего правила. Для успешного решения этой задачи должна быть набрана статистика соответствия диагностических признаков классам технических состояний, т. е. должно быть проведено обучение. ИНС обучается таким образом, чтобы соотносить входной вектор значений из пространства параметров определённому классу в пространстве неисправностей. Следовательно, задачу диагностирования можно рассматривать как двойственную: с одной стороны, построение характеристики класса состояний, которому принадлежит совокупность обучающих изображений, и, с другой стороны, принятие решения о принадлежности к одному из классов состояний испытуемого изображения.
Количество входных и выходных элементов нейронной сети определяется условиями задачи. Очевидно, что входной слой должен содержать количеству нейронов, равное количеству диагностируемых параметров, а выходной слой — то количество нейронов, которое соответствует количеству классов диагностируемых неисправностей плюс нормальный режим.
При проведении экспериментальных исследований ЭМС горных машин или моделировании различных режимов (ситуаций) их работы можно получить обучающую выборку измеряемых параметров, зарегистрированных через равные промежутки времени — определенное количество часов наработки. Ввиду того, что измеряемые параметры различны по размерности и максимальным и минимальным своим значениям, их следует
х- - хmin norm л7 л7
нормировать в соответствии с выражением Xj = ------ в единич-
Г Г х max — х min
Xi Xi
ный отрезок, xform е [0,l], где Xj — исходное значение отсчета- х& quot-огт —
нормированное значение отсчета- xmax, xmin — максимальное и минимальное значения выборки по j -й переменной.
Тогда вектор обучающей выборки будет представлять собой матрицу, в которой число строк будет равно числу измерений, а число столбцов -числу измеряемых параметров. В результате данные обучения и распознавания видов ТС ЭМС (в том числе неисправных) получаются в виде вектора-строки (рис. 1). Левая часть обучающего вектора (измеренные параметры различных технических состояний), подается на вход НС, на выход НС подается — кодовое описание вида технического состояния в бинарной форме записи (рис. 2).
Для обеспечения поставленной задачи была разработана программа диагностирования технического состояния ЭМС [1]. В качестве модели распознавания классов технических состояний ЭМС используется многослойный нейросетевой классификатор с числом скрытых слоев от 1 до 4. В качестве алгоритмов распознавания реализован метод наискорейшего спуска.
В программе возможно опытным путем подбирать количество скрытых слоев и число нейронов в каждом слое. Оператор, работающий с программой, экспериментальным путем выбирает из общего массива вектора числовых данных количество обучающих, проверочных и тестовых векторов таким образом, чтобы их сумма не превышала общего числа отсчетов выборки. Также суммарное число входов и выходов НС не должно превышать общего числа параметров выборки.
0,34 664 0,6503 0,87 332 -0,68 332 -0,89 404 -0,9939 -0,97 051 -0,82 677 -0,5805 -0,26 225 0,8 852 0,42 831 0,71 499
7,5 284 0,95 013 1 -0,15 051 8,80 138 10,5499 24,5383 0,1 587 26,2868 0,89 023 28,0354 0,27 011 29,7839 31,5324 33,281 35,0295 36,7781 0,49 895 38,5266 0,5344 40,2752 0,9 242
0,15 683 0,98 625 0,91 737 0,34 687 0,17 392 0,1 654
1 -0,97 443 1 0 0 0 0 0 0 0 1 1
0,29 758 0,78 734 0,55 535 -0,87 116 -0,42 386 0,93 513 0,28 271 -0,9778 -0,13 513 0,9982 -0,1 554
32,2894 0,15 683 1 0,93 904 42,1386 51,9877 130,781 140,63 150,479 160,328 170,178 180,027 189,876 199,725 209,574 0,9 242 219,423
0,98 625 0 0,8 096 0,89 023 0,27 011 0,91 737 0,34 687 0,17 392 0,1 654 0,49 895 0,5344 0,90 218
0 0 1 1 0 0 0 1 1 0
0,99 845 0,89 506 -0,84 001 -0,55 694 -0,18 305 0,22 068 0,58 844 0,86 023 0,99 176 0,96 157 0,77 458 0,46 128
21,3914 0,98 625 1 0,98 114 25,6858 0,8 096 1 0,98 884 29,9802 64,3353 68,6297 72,9241 77,2185 81,5129 85,8073 90,1017 94,396 98,6904 0,90 218 102,985 0,8 291
0,49 364 0,27 011 0,91 737 0,34 687 0,17 392 0,1 654 0,49 895 0,5344 0,9 242
0 0 0 0 0 1 1 1 1 0
0,88 063 -0,99 454 -0,90 106 -0,70 195 -0,42 057 -0,8 988 0,25 134 0,5631 0,80 885 0,95 979 0,99 823
50,0131 0,8 096 0 -0,99 048 58,3904 66,7677 133,786 142,163 150,541 158,918 167,295 175,673 184,05 192,427 0,90 218 200,805 0,8 291 209,182 0,37 002
0,49 364 0,54 839 0,91 737 0,34 687 0,17 392 0,1 654 0,49 895 0,5344 0,9 242
0 -0,71 318 0 0 0 1 1 1 0 0 0 0
0,12 053 0,91 541 0,87 731 0,15 473 -0,68 856 -0,99 464 -0,52 471 0,3546 0,95 725 0,81 306 0,3 452
73,5251 0,49 364 1 0,36 643 85,8241 0,54 839 1 -0,81 994 98,1232 196,516 208,815 221,114 233,413 245,712 258,011 270,31 282,609 294,908 307,207
0,27 156 0,34 687 0,17 392 0,1 654 0,49 895 0,5344 0,9 242 0,90 218 0,8 291 0,37 002 0,61 617
1 0 0 0 1 1 1 1 1 1 0
0,99 973 -0,4 672 -0,51 362 0,90 249 -0,9901 0,74 718 -0,25 485 -0,32 257 0,7923 -0,99 754 0,86 979
77,5934 0,54 839 1 88,8289 0,27 156 100,064 189,948 201,183 212,419 223,654 0,5344 234,89 0,9 242 0 246,125 0,90 218 1 257,361 268,596 279,832 291,067
0,27 902 0,17 392 0,1 654 0,49 895 0,8 291 0 0,37 002 0,61 617 0,70 681
0 1 1 0 0 0 1 0 0
Рис. 1. Данные задачи контроля технического состояния ЭМС
Рис. 2. Формирование обучающей пары из массива исходных данных
в режиме контроля ТС
В результате выполнения операции контроля технических состояний ЭМС на экране монитора появится следующее изображение (рис. 3), где нижним графиком отображаются истинные (зеленым цветом) и распознанные (красным цветом) элементы правых частей тестовых векторов бинарных кодов технических состояний ЭМС.
При решении задачи «Прогнозирование Т С ЭМС» формирование обучающей выборки из исходного массива измерений технических состояний ЭМС осуществляется соответствии с методом скользящего окна наблюдений [2].
Отличие процедуры прогнозирования заключается в формировании обучающей выборки из исходного массива измерений ТС ЭМС в соответствии с методом скользящего окна наблюдений. В этом случае, в процессе обучения на вход НС подаётся вектор параметров (значения которых необходимо прогнозировать) технического состояния ЭМС из последовательных значений временного ряда интервала наблюдения (т.е. интервала времени на котором значения параметров ТС известны), а выходной вектор НС формируется из значений временного ряда интервала упреждения прогноза (промежутка времени, на который разрабатывается прогноз).
Рис. 3. Результат контроля ТС ЭМС
На следующем шаге цикла обучения входной и выходной векторы сдвигаются на одно значение с шагом А? в сторону увеличения времени таким образом, что один из элементов старого выходного вектора попадает во входной, а один из элементов старого выходного вектора отбрасывается, т. е. реализуется принцип движущегося окна (рис. 4).
Рис. 4. Пример разбиения обучающей выборки на входные и выходные
векторы
Обучение Н С выполняется до тех пор, пока не достигнута требуемая точность настройки весовых коэффициентов НС, например, минимум среднеквадратической ошибки сети, определяемый по формуле
м
ЕЪ=Т7 I
мй
С1 — В
(1)
где В1 — соответствует «истинному» вектору из обучающей выборки- С1 -результат нейросетевой обработки входного сигнала- 8 — номер обучающей эпохи- м — число параметров (элементов) в обучающей выборке.
В соответствии с вышеприведенным алгоритмом обучения НС реализована программа прогнозирования технических состояний ЭМС горных машин [1].
Оператор, работающий с программой (рис. 5, левая часть экрана), может изменять параметры обучающей выборки, структуру НС и параметры самого алгоритма обучения. При этом необходимо следить за соответствием ряда числовых характеристик модели и открытого массива числовых данных, например сумма обучающих, проверочных, тестовых векторов, удвоенного числа отсчетов-периодов основания прогноза и интервала упреждения не должна превысить общего числа отсчетов выборки, отображаемого в панели состояния (нижняя часть экрана). Суммарное число входов и выходов НС не должно превышать общего числа параметров выборки.
В результате операции использования прогнозной модели по целевому назначению на нижнем графике (в правой части рабочей области) отобразятся истинные и распознанные значения тестовых векторов (рис. 5).
Рис. 5. Результат прогнозирования векторов ТС ЭМС
Предлагаемый способ диагностики и прогнозирования ЭМС горных машин с использованием разработанной программы может быть внедрен на горнодобывающих предприятиях для диагностики и прогнозирования электроприводов переменного тока.
Список литературы
1. Шпрехер Д. М. Программа диагностирования технического состояния электромеханических систем («ЭМС-НС»). Свидетельство о государственной регистрации программы для ЭВМ № 2 010 611 531. Заявка № 2 010 611 531. Зарегистрировано в Реестре программ для ЭВМ 16. 02. 2011 г. М: Федеральная служба по интеллектуальной собственности, патентам и товарным знакам (РОСПАТЕНТ), 2011.
2. Комарцова Л. Г., Максимов А. В. Нейрокомпьютеры: учеб. пособие для вузов. М.: Изд-во МГТУ имени Баумана, 2002. 320 с.
D.M. Shprekher
DIAGNOSTICS AND FORECAST OF THE TECHNICAL CONDITIONS OF THE MOUNTAIN MACHINES WITH USE NEURO NETWORKS
The broughtedpossibilities neuro networks to account of the use the given statistical processing measured parameter EMS mountain machines, allowing, processing these arrays diagnostic data, solve the problems of the checking and forecastings to capacity to work EMS.
Key words: electromechanic system, neuro network, diagnostics, forecast.
Получено 19. 06. 12

ПоказатьСвернуть
Заполнить форму текущей работой