ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Системы вентиляции включают в себя группы самого разнообразного оборудования: прежде всего, это вентиляторы, вентиляторные агрегаты или вентиляционные установки. Среди дополнительного оборудования — шумоглушители, воздушные фильтры, электрические и водяные воздухонагреватели, регулирующие и воздухораспределительные устройства и пр. Используемые вентиляторы относятся к аксиальному типу, т.е. содержат лопасти, которые перемещают воздух вдоль оси, вокруг которой они вращаются. Они приводятся в движение трехфазными асинхронными двигателями.

В настоящее время диагностика оборудования, и, соответственно, прогнозирование отказов, проводится следующим образом: инженер при помощи вибропреобразователя снимает спектрограммы вибросигналов с вентиляторов (и их составных частей, например, подшипников) и анализирует их. Обнаружить электромагнитные дефекты (возникающие в двигателях и генераторах) значительно сложнее, поскольку, кроме синхронного снятия спектрограмм шести вибросигналов спектроанализатором с очень высокой разрешающей способностью, с числом спектральных линий, не меньшим, чем 3200, при максимально возможной нагрузке двигателя, обычно необходимо произвести замеры токов в обмотках электрической машины [1].

1. Актуальность темы

Поскольку от исправности вентиляционного оборудования зависит безопасность рабочих на шахте, задача прогнозирования его отказов является приоритетной.

Разработка данной системы позволит более полно анализировать неисправности, обнаруживать их за максимально короткий срок, что обеспечит повышение безопасности работы шахты, а также станет возможным планирование времени профилактических ремонтов и закупок нового оборудования.

2. Цель и задачи исследования, планируемые результаты

Целью исследования является создание подсистемы, позволяющей прогнозировать отказы и планировать ремонты шахтного вентиляционного оборудования.

Основные задачи исследования:

  1. Анализ существующих методов, моделей, алгоритмов, применяющихся для решения поставленной задачи.
  2. Обзор существующих пакетов прикладных программ, реализующих требуемую функциональность.
  3. Проектирование и разработка заданной подсистемы.
  4. Тестирование работы системы.
  5. Оптимизация модели и параметров алгоритма.

Объект исследования: процесс диагностики вентиляционного оборудования.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Разработка алгоритма, позволяющего производить диагностику вентиляционного оборудования различных групп с наименьшими затратами системных ресурсов.
  2. Разработка алгоритма прогнозирования многомерных временных рядов для оценки времени бесперебойной работы оборудования.

3. Обзор существующих методов, моделей, алгоритмов

На сегодняшний день существует целый ряд методов диагностики оборудования, начиная от широко применявшихся до 70-ых годов XX века параметрических методов анализа, которые в значительной степени подвержены влиянию человеческого фактора, до современных методов неразрушающего контроля [2].

3.1 Обзор методов диагностики вентиляционного оборудования

Методы неразрушающего контроля позволяют диагностировать оборудование без выведения его из работы и демонтажа. К данным методам относятся:

  1. Вибрационный.
  2. Ультразвуковой.
  3. Радиационный.
  4. Акустический.

Для диагностики вентиляционного оборудования, как правило, используют метод вибродиагностики и акустический метод, поскольку в комплексе они достаточно точны и не требуют применения дорогостоящего оборудования [3].

Существует большое количество методов вибродиагностики (Shock Pulse Method — SPM, Evaluated Vibration Analysis Method — EVAM и др.), которые, обычно комбинируются для получения наилучших результатов [4]. Выбор основного метода зависит от механизма, который требуется диагностировать, поскольку необходимо учитывать характерные особенности его функционирования. Разница между ударными импульсами SPM и вибрацией видна на рисунке 1.

Отличие ударных импульсов от вибрации

Рисунок 1 – Различие между ударными испульсами SPM и вибрацией

В начальный момент касания тел соприкасающиеся молекулы вырабатывают ударные волны, которые распространяются в материалах обоих тел. Амплитуда такой ударной волны — это функция скорости соударения тел, она не зависит от их массы и формы. Метод SPM анализирует это первое событие - ударный импульс, распространяющийся в материале. Далее в результате упругой деформации возникает затухающая вибрация бруска, которая зависит от скорости, массы и формы соприкасающихся тел. Метод измерений вибрации анализирует это второе событие — вибрационные колебания тела [4, 5].

Таким образом, входной информацией подсистемы является набор спектрограмм вибросигналов, снятых в различных точках. Для решения задачи прогнозирования выхода оборудования из строя требуется построить прогноз исходных рядов, что приводит к задаче прогнозирования многомерных временных рядов.

3.2 Обзор методов прогнозирования многомерных временных рядов

Существующие методы прогнозирования многомерных временных рядов можно разделить на следующие группы [6]:

  1. Статистические методы. К ним относятся простейшие методы, строящие прогноз на основе усредненного значения за некоторый период. Методы обладают низкой точностью, поскольку не учитывают наличие тренда, сезонности, аномальных выбросов в исходных данных.
  2. Регрессионные методы. В данную группу методов, кроме собственного регрессионных методов, принято включать методы авторегрессии и их модификации, такие как интегрированная модель авторегрессии – скользящего среднего (ARIMA). Данные методы являются более точными по сравнению со статистическими методами, но также являются неустойчивыми к выбросам. Обычно, перед использованием данных методов, производится сокращение размерности задачи при помощи одного из существующих методов, например метода главных компонент, дискретно-косинусного преобразования, быстрого преобразования Фурье, факторного анализа и другие [7]. Но в рамках данной задачи сокращение размерности приведет к потере некоторого количества информации, что является недопустимым.
  3. Вейвлет-преобразования. В основе данной группы методов лежит основное свойство вейвлетов — возможность анализа различных частотных компонент ряда. В настоящее время данные преобразования используются для прогнозирования одномерных временных рядов, как и все вышеперечисленные группы методов. Математический аппарат, позволяющий анализировать многомерные ряды, еще разрабатывается. Следует заметить, что выбор вейвлет-функции также представляет определенную сложность [8, 9].
  4. Нейросетевые модели. Являются мощным и гибким инструментом прогнозирования многомерных временных рядов, по-скольку структура нейронной сети может быть изменена в зависи-мости от типа оборудования. К недостаткам можно отнести необходимость наличия достаточно большого количества данных для обучения сети [9], что является затруднительным в случае, например, установки более нового оборудования.
  5. Генетические алгоритмы. В основе обучающегося алгоритма LGAP (Learning Genetic Algorithm for Prognosis) лежит идея, ранее использованная в алгоритмах ZET и WANGA, которые, как правило, используются для заполнения пропусков в эмпирических таблицах данных. Данный алгоритм лишен недостатков описанных выше алгоритмов, однако требует большое количество системных ресурсов для своей работы. Алгоритм легко распараллеливается и показывает хорошие результаты при работе на многопроцессорных системах [10], но такое решение является весьма дорогостоящим.
  6. Сингулярный анализ временных рядов (SSA). В настоящее время обычно применяют модификацию данного метода, называемую «гусеницей», которая легко обобщается на любое число измерений. Данный алгоритм является двухпараметрическим (задается длина гусеницы и число ее компонент). Выбор параметров оказывает значительное влияние на результат, а также время работы алгоритма. Особо следует выделить устойчивость алгоритма к выбросам, что является важным в рамках рассматриваемой задачи, поскольку датчик, снимающий спектрограмму вибросигнала, является очень чувствительным. Хорошо справляется с прогнозированием нестационарных временных рядов [11, 12], что также является преимуществом.

Таким образом, наиболее подходящим методом для решения поставленной задачи является алгоритм SSA.

3.2.1 Математическая постановка задачи

Пусть наблюдается система функций Ряд, где

k – номер ряда. k = 1 .. s.

s – число временных рядов.

N – длина временного ряда.

i – номер отсчета.

Рядом в данном случае является спектрограмма вибросигнала, снятая в определенной точке. Требуется разложить в ряд сумму компонент, интерпретировать каждую и построить продолжение ряда Ряд по выбранным компонентам.

3.2.2 Алгоритм SSA

В результате применения метода ряд раскладывается на простые компоненты: тренды, сезонные, периодические и колебательные составляющие, а также шумовые компоненты. Полученное разложение может служить как для прогноза ряда в целом, так и отдельных его компонент.

Алгоритм состоит из трех этапов:

  1. Построение матрицы наблюдений.
  2. Анализ главных компонент.
  3. Прогноз.

Для упрощения рассмотрим одномерный временной ряд Ряд. Выберем n такое, что 0 < n < N - 1 – время жизни гусеницы. Пусть Сигма – длина гусеницы. Построим последовательность Z из n векторов в пространстве R следующего вида:

Z
Y

Будем называть Z нецентрированной матрицей наблюдений. В случае многомерного ряда матрицей наблюдений называется столбец из матриц наблюдений, соответствующий каждой из компонент.

Рассмотрим ковариационную матрицу полученной выборки:

C

Выполним ее сингулярное разложение (SVD):

C

V – ортогональная матрица собственных векторов:

V

Далее рассмотрим систему главных компонент:

Z

После проведения анализа, следует восстановить матрицу наблюдений по главным компонентам:

Z
V
U

Далее восстанавливаются исходные последовательности:

f

Затем начинается прогнозирование. Числовой ряд Ряд называется продолжением ряда Ряд, если порождаемая им при гусеничной обработке выборка лежит в той же гиперплоскости, что и у исходного ряда. Ранее был вычислен набор главных компонент Компоненты. Определим:

w
V

Также определим:

Q

Тогда прогнозируемое значение в точке N + 1 вычисляется по формуле [13]:

fn

Пример прогнозирования трех одномерных временных рядов приведен на рисунке 2 [14].

anim

Риcунок 2 – Построение прогноза методом SSA
(Анимация: 6 кадров, количество циклов воспроизведения не ограничено, 10 килобайт)

3.3 Обзор методов планирования ремонтных работ

Способы планирования мер по техническому обслуживанию и ремонту классифицируются следующим образом:

  1. По событию — например, устранение поломки оборудования, используется если себестоимость ремонта относительно низкая, а брак продукции, который получается в результате поломки оборудования, невысок и не повлияет на выполнение обязательств перед заказчиками.
  2. Регламентное обслуживание — для оборудования, с предусмотренными режимами и регламентами обслуживания, изначально предполагающего регулярное применение соответствующих мер по поддержанию работоспособности, такой вид обслуживания дает самый высокий процент готовности оборудования, но он и самый дорогой, поскольку реальное состояние оборудования может и не требовать ремонта.
  3. По состоянию — экспертным путем или с помощью измерителей, установленных на оборудовании, проводится оценка состояния оборудования, и на основании этой оценки делается прогноз, когда это оборудование надо выводить в ремонт. Плюсы этого вида обслуживания: его себестоимость меньше, а готовность оборудования к выполнению производственных программ достаточно высока.

Все методы календарного планирования можно разделить на несколько групп:

Методы календарного планирования

Рисунок 3 – Методы календарного планирования

Анализ приведенных методов показал, что сложность использования как комбинаторного метода, так и метода динамического программирования связана с экспоненциальным ростом длительности вычислений от размерности задачи. К тому же в задачах календарного планирования на каждом шаге планирования изменяется система ограничений, что затрудняет применение симплекс-метода, как части метода ветвей и границ. Для использования имитационного моделирования необходим большой объем статистических данных, доступ к которым на предприятии обычно затруднен. Таким образом, наиболее перспективным будет выбор эвристических методов. В настоящий момент разработано множество эвристических методов, основанных на применении генетических алгоритмов и их модификаций, позволяющих находить близкое к оптимальному решение задачи календарного планирования с ограниченными ресурсами [15].

Обзор существующих программных продуктов

В настоящее время существует несколько систем, аналогичных проектируемой, например:

  1. Пакет DREAM-E, разработанный компанией «ВАСТ» (Санкт-Петербург) [16].
  2. Система CMM, разработанная ЗAO "СПМ Инструмент Санкт-Петербург" [17].

Обе системы предназначены для постоянного мониторинга и диагностики состояния оборудования и обладают схожей функциональностью. Недостатками данных систем являются:

  1. Учитывают только информацию с датчиков.
  2. Выводят только один, наиболее вероятный дефект.
  3. Данное ПО предоставляется после оплаты, соответственно, сложно оценить его качество.
  4. Высокая стоимость.

Выводы

На сегодняшний день одной из наиболее важных практических производственных задач является обеспечение надежной работы оборудования. От правильного ее решения зависят не только экономические показатели предприятия, но и безопасность рабочих.

Недостаточное использование стационарных систем превентивной диагностики обычно определяется финансовыми либо организационными причинами. Как правило, системы глубокой диагностики монтируются на агрегате после нескольких лет работы, когда отказы оборудования начинают учащаться. Такие системы не являются штатными и их сохранность при проведении ремонтных работ на агрегатах не предусматривается заводской документацией на обслуживание и ремонт агрегата.

Разработка и внедрение проектируемой системы позволит снизить затраты на обслуживание оборудования и повысить безопасность рабочих предприятия.

В рамках проведенных исследований выполнено:

  1. На основании анализа литературных источников выделены основные алгоритмы, которые могут быть использованы для решения поставленной задачи.
  2. Выполнен поиск существующих пакетов прикладных программ, реализующих требуемую функциональность.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Барков А.В. Основные требования к современным средствам мониторинга состояния и диагностики машин и оборудования / А.В. Барков. — М:2011. — 716 с.
  2. Сараев А. Д. Системный анализ и современные информационные технологии / А.Д. Сараев, О.А. Щербина — Симферополь: СОНАТ, 2006. — 486 с.
  3. Клюев В.В. Неразрушающий контроль: Справочник: В 7т. / В.В. Клюев. — М:2005. — Том 1. - 616 с.
  4. РТМ 07.03.004-83 «Методика вибродиагностики подшипников качения опорных узлов шахтных вентиляторов главного проветривания» - М:1984. — 284 с.
  5. ДНАОТ 1.1.30-06.09.93 «Руководство по проектированию вентиляции угольных шахт» - Киев, 1994. — 311 с.
  6. Хеннан Э. Многомерные временные ряды / Э. Хеннан. — М.: Мир, 1974. — 576 с.
  7. Большаков А.А. Методы обработки многомерных данных и временных рядов / А.А. Большаков, Р.Н. Каримов. Учебное пособие для вузов — М.: Горячая линия — Телеком, 2007. – 522 с.
  8. Nason G.P. The stationary wavelet transform and some statistical applications / G.P. Nason, B.W. Silverman — N.Y.: Springer, 1995. — 464 p.
  9. Шибалкин А.А. Прогнозирование временных рядов с использованием многослойных нейронных сетей и вейвлет-преобразований / А.А. Шибалкин, М.В. Марковский — М.: Научная сессия МИФИ – 2008. — Том 11. — 412 с.
  10. Загоруйко Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко — Новосибирск: ИМ СО РАН, 1999. – 270 с.
  11. Keppenne C. Complex singular spectrum analysis and multivariate adaptive regression splines applied to forecasting the southern oscillation / C. Keppenne, U. Lall – Exp. Long­Lead Forcst. Bull, 1996. – 684 p.
  12. Elsner J. Singular Spectrum Analysis. A New Tool in Time Series Analysis. / J. Elsner, A. Tsonis — New York: Plenum Press, 1996. - 163 p.
  13. Прогнозирование временных рядов методом SSA. [Электронный ресурс]. – Режим доступа: http://www.machinelearning.ru/....
  14. Метод гусеницы [Электронный ресурс]. – Режим доступа: http://www.gistatgroup.com.
  15. Ковалев М.Я. Модели и методы календарного планирования / М.Я. Ковалев. — М:2004. — 447 с.
  16. Вибродиагностика, мониторинг [Электронный ресурс]. – Режим доступа: http://www.vibrotek.ru.
  17. SPM Instrument [Электронный ресурс]. – Режим доступа: http://www.spminstrument.ru/.