Online Electric

     Затраты на ремонт и техническое обслуживание электроприводов составляют значительную часть общих эксплуатационных затрат промышленных предприятий. При этом их общая доля в процессе эксплуатации по мере выработки ресурса возрастает. Поэтому особую важность имеют вопросы, связанные с оценкой текущего состояния используемых электроприводов, своевременной диагностики аварийных и предаварийных режимов их работы, оценки остаточного ресурса используемого оборудования.
     Для решения проблем оценки состояния и диагностики электроприводов используются разнообразные компьютерные программные комплексы, основанные на различных математических методах. В данном случае рассматриваются вопросы диагностики с помощью программной оболочки Matlab с пакетом расширения Neural Network Toolbox.
     Задачу поиска неисправностей в электроприводах можно рассматривать как нахождение зависимости между признаками неисправности в момент отказа (выходным данным) и видом неисправности (входными данными). Для реализации эффективной интеллектуальной системы поиска неисправностей целесообразно использовать методы искусственного интеллекта.
     Для анализа работы электроприводов в процессе эксплуатации представим ее с использованием формализма искусственных нейронных сетей в виде функциональной диагностической модели.
     При проведении эксперимента на реальном объекте в первую очередь определяются входные данные, необходимые для работы автоматической системы оценки состояния привода, анализируются переходные характеристики привода при различных неисправностях в нем. Набор входных данных, полученный при исследовании электропривода (вектор состояния) отражает минимум, по которому можно определить его состояние. Данные представляют собой последовательность числовых значений-координат переходной характеристики (в векторной форме), снятых через определенные, равные промежутки времени.
     Набор входных данных (вектор состояния привода) полученный из координат переходной характеристики, вводится в компьютер и ставится автоматический диагноз.
     При постановке задачи для обучения нейросетей исходят из того, что диагностическая система должна выбирать один из предполагаемых диагнозов из заданного набора на основании параметров привода, по которым производится оценка его состояния. В данной работе рассматривается система оценки состояния электроприводов, которая определяет в нормальном, исправном или работоспособном состоянии находятся составные части электропривода.
     Итак, необходимо собрать данные для обучения нейронных сетей. Обучающий набор данных представляет собой набор наблюдений, для которых указаны значения входных и выходных переменных.
     Вопрос о том, сколько наблюдений нужно иметь для обучения сети, часто оказывается непростым. Известен ряд эвристических правил, увязывающих число необходимых наблюдений с размерами сети (простейшее из них гласит, что число наблюдений должно быть в десять раз больше числа связей в сети).
     В данном случае берется 420 выборок данных по 200 значений в каждой. Каждой выборке была поставлена своя цель.
     После того, как определено число слоев и число элементов в каждом из них, нужно найти значения для весов и порогов сети, которые бы минимизировали ошибку прогноза, выдаваемого сетью. Именно для этого служат алгоритмы обучения. С использованием собранных исторических данных веса и пороговые значения автоматически корректируются с целью минимизировать эту ошибку.
     Начальной целью дальнейшего исследования является создание обучающей выборки (в данном случае из 420 элементов), используя группы блоков для сбора данных в Matlab/Simulink (рис. 1).


Рисунок 1 – Сбор обучающей выборки

     После записи первого вектора данных, меняется переменная, и снова записываются данные в рабочую область Matlab. Результаты моделирования объединяются в одну матрицу с числом столбцов равным числу элементов в обучающей выборке. Эта матрица называется матрицей входов (420х200).
     Далее создается матрица целей в виде нулей и единиц. Число столбцов должно совпадать с числом столбцов матрицы входов (420х21).
     После получения матриц входов и целей можно приступать к созданию самой нейросети и для этого был проведен анализ сетей, чтобы выяснить, какая сеть больше всего подходит под нашу задачу.
     В нашем случае используется сеть Probabilistic Neural Network одна из разновидностей радиально базисных сетей. Она наиболее точно воспроизводит заданные зависимости и целевые значения в соответствии с входными данными.
     Созданная нейросеть, с помощью пакета расширения Neural Network Toolbox, импортируется в рабочую область Matlab, а в последующем в виде блока, в окно Simulink Tools. В случае неисправности устройства сигнал пройдет через этот блок с обученной нейронной сетью и точно скажет, исправен электропривод или нет. Это можно осуществить с помощью индикатора библиотеки Gauges Blokset. Зеленый – отвечает на сигнал системы, красный – не отвечает на сигнал системы.
     Готовое программное обеспечение для оценки состояния электроприводов представлено на рисунке 2. В данном случае система отвечает техническим характеристикам электропривода, то есть ПРВП исправен. В том случае, если другой из пяти индикаторов будет красный, соответственно можно будет понять, что электропривод либо работоспособен, либо не исправен.


Рисунок 2 – Система в работе в Simulink

     Для каждого примера в Matlab вычисляется ошибка обучения. Вычисляется, так же, суммарная ошибка всех примеров обучающей выборки. Если после прохождения нескольких циклов она равна нулю или малому значению, заданному при создании сети, обучение считается законченным, в противном случае циклы повторяются. Число циклов обучения (эпох), также как и время полного обучения, зависят от многих факторов - размера обучающей выборки, числа входных параметров, типа и параметров нейросети и даже от случайного расклада весов синапсов при инициализации сети.
     Для обучения нейросетей берут достаточно большую выборку примеров, данные для которых снимаются с реального привода или его модели. Часть примеров (порядка 20%) с правильными диагнозами оставляют для тестирования нейронной сети.
     При разработке автоматической системы диагностики состояния привода (выборка из 60 примеров) число правильно распознанных диагнозов нейронной сетью составило 95%.
     Таким образом, система нейродиагностики оказалась эффективной при определении оценки состояния привода.

Список литературы
     1. Медведев В. С., Потемкин В. Г. Нейронные сети MATLAB 6 – М.: ДИАЛОГ-МИФИ, 2002. – 496 с.
     2. Белова Н.А., Веселов О.В. Искусственные нейронные сети в компьютерной диагностике электромеханического устройства // Прогрессивные технологии в современном машиностроении: сборник статей VI Международной научно-технической конференции. – Пенза: Приволжский Дом знаний, 2010. – 324 с.-С.283-285.
     3. Биргер, И.А. Техническая диагностика / И.А. Биргер – М.: Машиностроение, 1978 – 240 с.
     4. Круглов, В.В., Борисов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов – М.: Горячая линия. Телеком, 2001 – 382 с.