ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Системи вентиляції включають в себе групи різноманітного обладнання: перш за все, це вентилятори, вентиляторні агрегати або вентиляційні установки. Серед додаткового обладнання — шумоглушники, повітряні фільтри, електричні і водяні повітронагрівачі, а також повітророзподільні пристрої і пр. Вентилятори, що зазвичай використовуються на шахтах, відносяться до аксіального типу, тобто містять лопаті, які переміщують повітря уздовж осі, навколо якої вони обертаються. Вони рухаються завдяки трифазним асинхронним двигунам.

У даний час діагностика обладнання, і, відповідно, прогнозування відмов, проводиться таким чином: інженер за допомогою віброперетворювача знімає спектрограми вібросигналів з вентиляторів (і їх складових частин, наприклад, підшипників) і аналізує їх. Виявити електромагнітні дефекти (що виникають в двигунах і генераторах) значно складніше, оскільки, крім синхронного зняття спектрограм шести вібросигналів спектроаналізатором із дуже високою роздільною здатністю, з числом спектральних ліній, не меншим, ніж 3200, при максимально можливому навантаженні двигуна, звичайно необхідно зробити виміри струмів в обмотках електричної машини [1].

1. Актуальність теми

Оскільки від коректної роботи вентиляційного обладнання залежить безпека робочих на шахті, завдання прогнозування його відмов є пріоритетним.

Розробка цієї системи дозволить більш повно аналізувати несправності,виявляти їх за максимально короткий термін, що забезпечить підвищення безпеки роботи шахти, а також стане можливим планування часу профілактичних ремонтів і закупівель нового обладнання.

2. Мета і задачі дослідження та заплановані результати

Метою дослідження є створення підсистеми, що дозволяє прогнозувати відмови і планувати ремонти шахтного вентиляційного обладнання.

Основні завдання дослідження:

  1. Аналіз існуючих методів, моделей, алгоритмів, що застосовуються для вирішення поставленої задачі.
  2. Огляд існуючих пакетів прикладних програм, що реалізують необхідну функціональність.
  3. Проектування та розробка заданої підсистеми.
  4. Тестування роботи системи.
  5. Оптимізація моделі та вхідних параметрів алгоритму.

Об’єкт дослідження: процес діагностики вентиляційного обладнання.

У рамках магістерської роботи планується отримання актуальних наукових результатів за наступними напрямками:

  1. Розробка алгоритму, що дозволяє проводити діагностику вентиляційного обладнання різних груп з найменшими витратами системних ресурсів.
  2. Розробка алгоритму прогнозування багатовимірних часових рядів для оцінки часу безперебійної роботи обладнання.

3. Огляд існуючих методів, моделей, алгоритмів

На сьогоднішній день існує ціла низка методів діагностики обладнання, починаючи від широко застосовуваних до 70-их років XX століття параметричних методів аналізу, які в значній мірі схильні до впливу людського фактора, до сучасних методів неруйнівного контролю [2].

3.1 Огляд методів діагностики вентиляційного обладнання

Методи неруйнівного контролю дозволяють діагностувати обладнання без виведення його з роботи і демонтажу. До даних методів належать:

  1. Вібраційний.
  2. Ультразвуковий.
  3. Радіаційний.
  4. Акустичний.

Для діагностики вентиляційного обладнання, як правило, використовують метод вібродіагностики та акустичний метод, оскільки в комплексі вони досить точні і не потребують застосування коштовного обладнання [3].

Існує велика кількість методів вібродіагностики (Shock Pulse Method — SPM, Evaluated Vibration Analysis Method — EVAM тощо), які, зазвичай комбінуються для отримання найкращих результатів [4]. Вибір основного методу залежить від механізму, який потрібно діагностувати, оскільки необхідно враховувати характерні особливості його функціонування. Різницю між ударними імпульсами SPM і вібрацією видно на рисунку 1.

Відмінність ударних імпульсів від вібрації

Рисунок 1 – Відмінність ударних імпульсів від вібрації

У початковий момент торкання тел дотичні молекули виробляють ударні хвилі, які розповсюджуються в матеріалах обох тел. Амплітуда такої ударної хвилі — це функція швидкості співудару тіл, вона не залежить від їх маси і форми. Метод SPM аналізує цю першу подію - ударний імпульс, що поширюється в матеріалі. Далі в результаті пружної деформації виникає загасаюча вібрація бруска, яка залежить від швидкості, маси та форми дотичних тел. Метод вимірювання вібрації аналізує цю другу подію — вібраційні коливання тіла [4, 5].

Таким чином, вхідною інформацією підсистеми є набір спектрограм вібросигналів, знятих в різних точках. Для вирішення задачі прогнозування виходу обладнання з ладу потрібно побудувати прогноз вхідних рядів, що призводить до задачі прогнозування багатовимірних часових рядів.

3.2 Огляд методів прогнозування багатовимірних часових рядів

Існуючі методи прогнозування багатовимірних часових рядів можна розділити на наступні групи [6]:

  1. Статистичні методи. До них відносяться найпростіші методи, що будують прогноз на основі усередненого значення за деякий період. Методи характеризуються низькою точністю, оскільки не враховують наявності тренда, сезонності, аномальних викидів у вхідних даних.
  2. Регресійні методи. До цієї групи методів, окрім власно регресійних методів, прийнято включати методи авторегресії та їх модифікації, такі як інтегрована модель авторегресії–ковзного середнього (ARIMA). Дані методи є більш точними в порівнянні зі статистичними методами, але також є нестійкими до викидів. Зазвичай, перед використанням даних методів, проводиться скорочення розмірності задачі за допомогою одного з існуючих методів, наприклад методу головних компонент, дискретно-косинусного перетворення, швидкого перетворення Фур'є, факторного аналізу та інші [7]. Але в рамках даного завдання скорочення розмірності призведе до втрати деякої кількості інформації, що є неприпустимим.
  3. Вейвлет-перетворення. В основі даної групи методів лежить основна властивість вейвлетів — можливість аналізу різних частотних компонент ряду. В даний час дані перетворення використовуються для прогнозування одновимірних часових рядів, як і всі вищеперелічені групи методів. Математичний апарат, що дозволяє аналізувати багатовимірні ряди, ще розробляється. Слід зауважити, що вибір вейвлет-функції також представляє певну складність [8, 9].
  4. Нейромережеві моделі. Є потужним і гнучким інструментом прогнозування багатовимірних часових рядів, оскільки структура нейронної мережі може бути змінена в залежності від типу обладнання. До недоліків можна віднести необхідність наявності досить великої кількості даних для навчання мережі [9], що є складним у випадку, наприклад, установки нового обладнання.
  5. Генетичні алгоритми. В основі алгоритму LGAP (Learning Genetic Algorithm for Prognosis) полягає ідея, раніше використана в алгоритмах ZET і WANGA, які, як правило, використовуються для заповнення пропусків в емпіричних таблицях даних. Даний алгоритм позбавлений недоліків описаних вище алгоритмів, однак вимагає велику кількість системних ресурсів для своєї роботи. Алгоритм легко розпаралелюється і показує добрі результати при роботі на багатопроцесорних системах [10], але таке рішення є досить дорогим.
  6. Сингулярний аналіз часових рядів (SSA). В даний час зазвичай застосовують модифікацію даного методу, звану «гусеницею», яка легко узагальнюється на будь-яке число вимірювань. Даний алгоритм є двопараметричних (задається довжина гусениці і число її компонент). Вибір параметрів значно впливає на результат, а також час роботи алгоритму. Особливо слід виділити стійкість алгоритму до викидів, що є важливим в рамках розглянутої задачі, оскільки датчик, що знімає спектрограму вібросигнал, є дуже чутливим. Добре справляється з прогнозуванням нестаціонарних часових рядів [11, 12], що також є перевагою.

Таким чином, найбільш підходящим методом для вирішення поставленої задачі є алгоритм SSA.

3.2.1 Математична постановка задачі

Нехай спостерігається система функцій Ряд, де

k – номер ряду. k = 1 .. s.

s – число часових рядів.

N – довжина часового ряду.

i – номер відліку.

Рядом у даному випадку є спектрограмма вібросигналу, що знята в певній точці. Потрібно розкласти в ряд суму компонент, інтерпретувати кожну з них і побудувати продовження ряду Ряд за обраними компонентами.

3.2.2 Алгоритм SSA

В результаті застосування методу ряд розкладається на прості компоненти: тренди, сезонні, періодичні та коливальні складові, а також шумові компоненти. Отримане розкладання може служити як для прогнозу ряду вцілому, так і окремих його компонент.

Алгоритм складається з трьох етапів:

  1. Побудова матриці спостережень.
  2. Аналіз головних компонент.
  3. Прогноз.

Для спрощення розглянемо одновимірний часовий ряд Ряд. Выберемо n таке, що 0 < n < N - 1 – час життя гусениці. Нехай Сігма – довжина гусениці. Побудуємо послідовність Z із n векторів у просторі R наступного вигляду:

Z
Y

Будемо називати Z нецентрованою матрицею спостережень. У разі багатовимірного ряду матрицею спостережень називається стовпець з матриць спостережень, відповідний кожній з компонент.

Розглянемо коваріаціонну матрицю отриманої вибірки:

C

Виконаємо її сингулярне розкладання (SVD):

C

V – ортогональна матриця власних векторів:

V

Далі розглянемо систему головних компонент:

Z

Після проведення аналізу, слід відновити матрицю спостережень за головними компонентами:

Z
V
U

Далі відновлюються вхідні послідовності:

f

Потім починається прогнозування. Числовий ряд Ряд називається продовженням ряду Ряд, якщо породжувана їм при гусеничній обробці вибірка лежить в тій же гіперплощини, що й у вхідного ряду. Раніше був обчислений набір головних компонент Компоненти. Визначимо:

w
V

Також визначимо:

Q

Тоді прогнозоване значення в точці N + 1 обчислюється за формулою [13]:

fn

Приклад прогнозування трьох одновимірних часових рядів наведено на рисунку 2 [14].

anim

Риcунок 2 – Побудова прогнозу методом SSA
(Анімація: 6 кадрів, кількість циклів відтворення не обмежена, 10 кілобайт)

3.3 Огляд методів планування ремонтних робіт

Способи планування заходів з технічного обслуговування і ремонту класифікуються наступним чином:

  1. За подією — наприклад, усунення поломки обладнання, використовується якщо собівартість ремонту відносно низька, а брак продукції, який виходить в результаті поломки обладнання, невисокий і не вплине на виконання зобов'язань перед замовниками.
  2. Регламентне обслуговування — для обладнання, з передбаченими режимами і регламентами обслуговування, спочатку передбачає регулярне застосування відповідних заходів з підтримки працездатності, такий вид обслуговування дає найвищий відсоток готовності обладнання, але він і найдорожчий, оскільки реальний стан устаткування може і не вимагати ремонту.
  3. За станом — експертним шляхом або за допомогою вимірювачів, встановлених на обладнанні, проводиться оцінка стану обладнання, і на підставі цієї оцінки робиться прогноз, коли це обладнання треба виводити в ремонт. Плюси цього виду обслуговування: його собівартість менше, а готовність обладнання до виконання виробничих програм досить висока.

Всі методи календарного планування можна розділити на декілька груп:

Методи календарного планування

Рисунок 3 – Методи календарного планування

Аналіз наведених методів показав, що складність використання як комбінаторного методу, так і методу динамічного програмування пов’язана з ростом тривалості обчислень від розмірності задачі. До того ж в задачах календарного планування на кожному кроці планування змінюється система обмежень, що ускладнює застосування симплекс-методу, як частини методу гілок і меж. Для використання імітаційного моделювання необхідний великий обсяг статистичних даних, доступ до яких на підприємстві зазвичай утруднений. Таким чином, найбільш перспективним буде вибір евристичних методів. На даний момент розроблено безліч евристичних методів, заснованих на застосуванні генетичних алгоритмів та їх модифікацій, що дозволяють знаходити близьке до оптимального рішення задачі календарного планування з обмеженими ресурсами [15].

Огляд існуючих програмних продуктів

В даний час існує декілька систем, аналогічних тій, що проектується, наприклад:

  1. Пакет DREAM-E, розроблений компанією «ВАСТ» (Санкт-Петербург) [16].
  2. Система CMM, розроблена ЗAТ "СПМ Инструмент Санкт-Петербург" [17].

Обидві системи призначені для постійного моніторингу та діагностики стану обладнання і мають схожу функціональність. Недоліками даних систем є:

  1. Враховують тільки інформацію з датчиків.
  2. Визначають тільки один, найбільш ймовірний дефект.
  3. Дане ПО надається після оплати, відповідно, складно оцінити його якість.
  4. Висока вартість.

Висновки

На сьогоднішній день однією з найбільш важливих практичних виробничих завдань є забезпечення надійної роботи обладнання. Від правильного її вирішення залежать не тільки економічні показники підприємства, але і безпека робітників.

Недостатнє використання стаціонарних систем превентивної діагностики зазвичай визначається фінансовими або організаційними причинами. Як правило, системи глибокої діагностики монтуються на агрегаті після кількох років роботи, коли відмови обладнання починають частішати. Такі системи не є штатними та їх збереження при проведенні ремонтних робіт на агрегатах не передбачається заводською документацією на обслуговування і ремонт агрегату.

Розробка та впровадження системи, що проектується, дозволить знизити витрати на обслуговування обладнання і підвищити безпеку робітників підприємства.

У рамках проведених досліджень виконано:

  1. На підставі аналізу літературних джерел виділено основні алгоритми, які можуть бути використані для вирішення поставленої задачі.
  2. Виконано пошук існуючих пакетів прикладних програм, що реалізують необхідну функціональність.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після вказаної дати.

Перелік посилань

  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/.