Непрерывная диагностика дизельного оборудования на основе интеллектуального анализа графиков рабочих характеристик

Ф.В.Калугин,

аспирант ИПС РАН,
В.М.Хачумов,

зав. лабораторией ИПС РАН,

д.т.н, проф.,

г. Переславль-Залесский

Рассматривается метод диагностирования топливной аппаратуры локомотивных дизелей, основанный на анализе графиков рабочих характеристик дизелей и выделении информативных параметров, несущих полную информацию о состоянии оборудования. Диагностика осуществляется с помощью нейронной сети прямого распространения, настраиваемой на неисправности по методу обратного распространения ошибки. Непрерывность контроля обеспечивается специальными программно-аппаратными средствами.

Предлагаемый подход предназначен для анализа рабочих характеристик дизельного оборудования, представленных в графической форме, с целью оперативного обнаружения изменений в работе топливной аппаратуры, прогнозирования развития ситуации, классификации неисправностей и выдачи рекомендаций по их устранению. Под непрерывным контролем понимается контроль, осуществляемый в режиме реального времени в течение всего жизненного цикла двигателя с использованием встраиваемых аппаратно-программных средств. Структура системы диагностики представлена на рис.1. Мониторинг реализуется системой датчиков и первичным прибором, регистрирующим графики рабочих характеристик. Предварительная обработка изображений, необходимая для фильтрации помех, осуществляется, в основном, средствами ДПФ преобразования.

Первая часть метода, связанная с выделением информативных параметров из характеристик рабочего процесса дизельных установок с помощью моделирующих функций, достаточно полно изложена в работе [1]. Числовая информация о найденных 5-10 характерных точках (и, возможно, их соотношениях) служит входами нейронной сети.

Представляет наибольший интерес вторая часть метода диагностики, связанная c использованием двухслойной нейронной сети (НС) прямого распространения [2,3]. На вход НС подается информация о найденных особых точках. Применяются нейронные сети с сигмоидальной активационной функцией.

Рис.1. Структура системы диагностики

Классификатор строится путем обучения с учителем (экспертом) по методу обратного распространения ошибки. Величины синоптических связей, эталонные значения входов и выходов хранятся в базе данных, причем для каждого режима работы двигателя подбираются свои коэффициенты настройки. Выходами нейронной сети являются утверждения о наличии или отсутствии определенной неисправности двигателя. Базой данных в данном случае является набор XML файлов, что облегчает перенос программы на другие платформы. Структура базы данных представлена на рис. 2

На данные, хранящиеся в XML, накладываются такие же ограничения, как и на данные, хранящиеся в классической базе данных: типизация данных: строковые данные, целые числа и числа с плавающей точкой, условия на уникальность, ограничения на длину данных, на обязательность значения хранимого в поле. Величины синоптических связей хранятся в таблице coef, значения выходов нейронной сети - в таблицах sample_breakages и samples, значения входов нейронной сети – в таблицах sample_nums, samples. Таблицы breakages и nums хранят описание поломок и числовых характеристик соответственно. Для каждого основного режима работы двигателя подбираются свои коэффициенты.

Рис. 2. Структура базы данных

Процесс добавления входов и выходов НС для последующего использования в процессе обучения автоматизирован и реализуется следующим образом:

· Выбирается режим работы двигателя (автоматически устанавливается режим «текущий»);

· Добавляется новый пример, имя которого (номер) вводится для удобства;

· Добавляются все числовые значения (входы нейронной сети). Предусмотрена возможность автоматического добавления числовых данных для текущего цилиндра двигателя. Числовые значения обучающего примера показаны на рис. 3;

· Вручную добавляются наблюдаемые неисправности (выходы нейронной сети). Результаты обучающего примера показаны на рис. 4.

Предусмотрена возможность автоматического ввода неисправностей, распознанных НС. Эксперту следует только скорректировать данные в том случае, если они являются ошибочными. Так реализуется один из этапов режима обучения «с учителем» нейронной сети [2,3]. Алгоритм обучения НС методом обратного распространения ошибки содержит следующие стандартные шаги [3]:

1. Подать на входы сети один из наборов числовых характеристик работы двигателя и в режиме прямого функционирования НС рассчитать значения выходов;

Рис. 3. Числовые значения обучающего примера

Рис. 4. Возможные неисправности

2. Рассчитать погрешность для выходного слоя и изменения весов слоя ;

3. Рассчитать последовательно величины погрешностей слоя n, используя величины погрешностей слоя , а также изменения весов для всех остальных слоев;

4. Скорректировать все веса в нейронной сети;

5. Если ошибка сети превосходит заданный порог, перейти на шаг 1. В противном случае – конец.

Предложенный метод непрерывного диагностирования дизельного двигателя программно реализован в виде исследовательского прототипа. Программная система позволяет моделировать и анализировать различные режимы работы топливной системы, в том числе аварийные ситуации. Система может работать автономно и с подключением экспертной системы, что дает возможность прогнозирования развития ситуации и выработки рекомендаций.

Дополнительным интеллектуальным средством для пользователя служит визуальный контроль состояния текущих параметров объекта на основе когнитивных графических методов регистрации отклонений параметров от установленной нормы [5]. Данный метод реализуется набором динамических графических образов (цветояркостных, полярных, секторных, интегральных), охватывающих различные уровни иерархии сложного объекта (система, подсистема, параметры).

Непрерывность контроля предполагается обеспечить с помощью встраиваемого отечественного микроконтроллера “Мультикор-12” (МС-12), снабженного соответствующим специализированным программным обеспечением [4].

Работы по данному проекту выполняются при финансовой поддержке РФФИ (проект N 03-01-00808).

Литература

1. Грибов М.Г., Калугин Ф.В., Хачумов В.М. Автоматизированная система диагностики топливной аппаратуры дизельных двигателей. - Труды Седьмой национальной конференции по искусственному интеллекту с международным участием. КИИ’2000 (24-27 октября, г. Переславль-Залесский).- М.: Изд-во Физико-математической литературы, 2000, т.2, с.733-741.

2. Каллан Р. Основные концепции нейронных сетей. - М.: Изд. дом "Вильямс", 2001. -287 с.

3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001- 382с.

4. Солохина Т., Петричкович Я., Глушков А., Александров Ю. и др. Мультикор12S – сигнальный процессор с плавающей точкой для высокоточных встраиваемых применений. – Chip news: Инженерная микроэлектроника, 2003, № 8, с. 4–15.

5. Хачумов В.М., Ксенофонтова Е.В. Образный анализ и диагностика сложных процессов. – Доклады 11-й Всероссийской конференции «Математические методы распознавания образов» (ММРО-11, 23-29 ноября 2003 г., Пущино). – М.:, 2003, с.201-204.