[RATINGS]
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ СОЗДАНИЯ ЭКСПЕРТНОЙ СИСТЕМЫ ДИАГНОСТИРОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ
А.В. Семенченко
Московский государственный строительный университет (МГСУ)
Предлагается экспертная система диагностирования технологического оборудования на основе математического аппарата искусственных нейронных сетей. В качестве основного объекта диагностирования выбран подшипник качения. Это сделано не случайно, так как он является составным, содержит несколько элементов (тела качения, внешнее и внутреннее кольцо и сепаратор) и представляет собой характерный пример технического агрегата. Важно, что каждый элемент подшипника, как правило, имеет собственную скорость разрушения.
Наиболее простым и информативным параметром для комплексной оценки состояния агрегата является вибрация. Поэтому организация системы периодического вибрационного контроля — один из эффективных способов увеличения надежности работы оборудования.
Для оценки состояния подшипников в настоящее время используются, по крайней мере, четыре метода оценки технического состояния подшипников качения: метод ПИК-фактора, метод ударных импульсов, метод прямого спектра, метод спектра огибающей. Математический аппарат, применяемый в методах ударного импульса и ПИК-фактора, достаточно прост. Методы анализа прямого спектра и спектра огибающей могут быть реализованы с применением теории искусственных нейронных сетей. Применение математического аппарата нейронных сетей обеспечивает повышение точности процесса диагностики подшипников, путем применения имеющихся знаний о работе аналогичных подшипников. Кроме того, результаты измерения вибрации, как и любые другие физические измерения, подвержены некоторой случайности. А аппарат нейронных сетей относится к статистическим математическим методам, что позволяет ставить диагноз при значительных случайных составляющих обрабатываемого сигнала.
Тенденция практической реализации систем диагностики — формализация, упрощение и автоматизация процесса постановки диагноза. К данному моменту в вибродиагностике сформированы таблицы «характерных частот», на которых проявляются известные дефекты. Эти таблицы могут быть использованы в качестве основных правил для создания системы автоматизированного диагностирования (САД). Однако, реализация и эффективность практического использования могут сильно разниться у различных систем.
Качественный скачок в этой области стал возможен благодаря развитию методов математики, статистики, и бурному совершенствованию компьютерных технологий. Мечта многих поколений диагностов воплотилась в экспертных системах.
При изучении САД мы исходили из того, что по известным модулирующим частотам дефектов можно однозначно определить состояние отдельных элементов подшипника. Эти частоты будем использовать в качестве исходных данных для создания системы диагностирования. Очевидно, что другой информацией при диагностировании исследователь не располагает.
Построение нейронной сети предлагается осуществлять таким образом, чтобы на вход сети подавались нормированные значения амплитуд виброскорости и виброускорения на соответствующих частотах, т.е. спектры. Для получения диагноза используется нейронная сеть, построенная определенным способом. Предлагается придерживаться идеи использования одной архитектуры сети и различных характеристик этой сети для получения диагнозов состояния различных типоразмеров подшипников. Сеть характеризуется присущими ей коэффициентами весов. Путем подбора этих характеристик для различных подшипников, возможно составление списка характеристик сети применительно к конкретным типоразмерам подшипников.
Обучение нейронной сети — процесс получения весов применительно к определенному типу подшипника. При обучении предлагается использовать математическую модель подшипника, а именно вибрационный спектр некоторого виртуального подшипника, изменения характеристик которого полностью контролируются. При обучении задается пара: виброспектр и диагноз. Диагноз отражает какому состоянию подшипника данный спектр соответствует. Так производится «обучение с учителем».
В итоге создания САД подшипников должна быть спроектирована единая архитектура нейронной сети для проведения технической диагностики подшипников качения. К данной архитектуре сети прилагается список характеристик (веса) применительно к конкретным типоразмерам подшипников. В процессе эксплуатации возможно дообучение сети накапливаемыми диагностическими данными.
Нами было проведено компьютерное моделирование применения искусственной нейронной сети для диагностики состояния на примере нормального (бездефектного) подшипника и подшипника, имеющего дефект на наружном кольце. Одним из вариантов решения поставленной задачи является применение RBF — нейронной сети (Radial basis neural networks) , построенной определенным образом. В процессе моделирования было определено необходимое число элементов сети, а также весовые коэффициенты и смещения сети.
Для обучения сети необходимо подобрать достаточное число обучающих примеров. Выбор числа примеров зависит от нескольких параметров:
- от зашумленности сигнала,
- квантования спектра,
- желаемой скорости обучения,
- точности постановки диагноза.
Эти параметры связаны друг с другом сложными нелинейными зависимостями, взаимное влияние которых оценить довольно сложно. В данном эксперименте преследовалась задача оценки возможности постановки диагноза при помощи нейронной сети, поэтому детального изучения влияния указанных параметров на качество решения задачи не проводилось.
В процессе обучения была сформирована двухслойная сеть, которой были предложены контрольные примеры (100 различных спектров). Сеть однозначно относила предлагаемые спектры вибросигналов к нормальному либо дефектному состоянию подшипника. Ошибка в постановке диагноза составила 1%.
При изменении математико-статистических характеристик обрабатываемых сигналов наблюдалось изменение качества работы сети. При уменьшении зашумленности сигнала среднеквадратическая ошибка снижалась, и число неправильно распознанных спектров доходило до нуля. С другой стороны, при увеличении шума появлялись многочисленные ошибки. При достижении некоторого уровня шума в сигнале распознавание оказывалось невозможным.
На рис. 1 приведено несколько графиков распределения ошибок в контрольном примере (красные границы — правильный ответ).
Проведенные экспериментальные исследования доказывают возможность применения искусственных нейронных сетей для распознавания текущего состояния подшипника по виброспектрам. Нейронные сети являются перспективным математическим аппаратом для создания САД.
- Blink
- del.ici.ous
- Digg
- Furl
- Simpy
- Spurl
- Y! MyWeb
- БобрДобр
- Мистер Вонг
- Яндекс.Закладки
- Текст 2.0
- News2
- AddScoop
- RuSpace
- RUmarkz
- Memori
- Закладки Google
- Писали
- СМИ 2
- Моё Место
- Сто Закладок
- Ваау!
- Technorati
- RuCity
- LinkStore
- NewsLand
- Lopas
- Закладки - I.UA
- Connotea
- Bibsonomy
- Trucking Bookmarks
- Communizm
- UCA
Эта запись была опубликована 06.04.2007в 3:16 пп. В рубриках: АСУ, Моделирование, Все статьи. Вы можете следить за ответами к этой записи через RSS 2.0. Вы можете оставить свой отзыв или трекбек со своего сайта.