Разработка подсистемы интеллектуальной диагностики оборудования для  системы управления технологическими процессами

И.С. Кабак,

проф., к.т.н., доц., ikabak@mail.ru,

Н.В. Суханова, 

доц.,  к.т.н., n_v_sukhanova@mail.ru,

А.М. Гаделев,

аспир.,

МГТУ «СТАНКИН», г. Москва

В работе предлагается дополнить существующую систему технической диагностики интеллектуальной подсистемой, реализующей функции прогнозирования и планирования. Эта подсистема реализована на базе методов искусственного интеллекта- искусственных нейронных сетей, нечеткой логики, генетических алгоритмов. Подсистема выполнена как внешнее аппаратно-программное устройство и работает параллельно с существующей системой технической диагностики. Для реализации подсистемы предлагаются унифицированные аппаратные модули. Модули объединены в трехмерную сеть и работают параллельно.  Каждый модуль выполняет отдельную подзадачу и содержит фрагмент обученной нейронной сети. В процессе работы можно добавлять или удалять, переобучать модули. В основу данной работы положена запатентованная авторами технология нейронных сетей.

 

In work it is offered to add the existing system of technical diagnostics with the intellectual subsystem realizing the prediction and planning functions. This subsystem is realized on the base of artificial neuron networks, fuzzy logic and genetic algorithms. The subsystem is constructed as firmware device and woks in parallel with the existing system of technical diagnostics. For subsystem realization the unified hardware modules are offered. Modules are united in a three-dimensional network and work in parallel. Each module performs a separate subtask and contains a fragment of trained neuron network. During the work it is possible to add or delete and retrain modules. The technology of neural networks patented by authors is put in the basis of this work.

 

Современное технологическое оборудование представляет собой сложную техническую систему, которая состоит из ряда взаимодействующих элементов или подсистем.  Первичный отказ одного элемента или подсистемы может повлечь серию вторичных отказов и привести к снижению эффективности работы или к выходу из строя дорогостоящего технологического оборудования. Поэтому задача технической диагностики является важной и актуальной.

Среди отказов можно выделить:

·      внезапные отказы, которые сложно прогнозировать (из-за малого времени проявления отказа);

·      постепенные (параметрические) отказы, которые можно и нужно прогнозировать и своевременно предотвращать.

В системе технической диагностики необходима отдельная подсистема прогнозирования и планирования (ППП). Эта подсистема выполняет следующие функции:

·      прогнозирование времени первичных отказов,

·      предотвращение накопления и развития вторичных  отказов,

·      планирование технического обслуживания и др.

Из уровня техники известны различные системы технической диагностики, которые взяты в качестве аналогов предлагаемого технического решения.  

Известно устройство для  технической диагностики оборудования  электростанций фирмы Сименс[1]. Схема этого устройства приведена на рис. 1, фиг.1-3. На схеме (см. рис.1., фиг.1) показана электростанция,  которая содержит два энергетических блока 3. Каждый энергетический блок электростанции 3 содержит: турбины 5, контур охлаждения 9,  турбинную лопатку 11 и др. элементы, которые на схеме не показаны.Каждый из элементов является сложным технологическим оборудованием. Надежность системы проявляется в процессе взаимодействия ее составных частей и элементов. На схеме (см. рис.1, фиг.2 ) показана схема  устройства технической диагностики 1. Это устройство может содержать один или несколько  модулей анализа 13.  В модуль анализа 13 поступают входные данные, в том числе  рабочие параметры 17 и структурные параметры 19 технической установки.  На выходе модуль анализа 13  формируются данные 23, которые  содержат, в частности,  сообщения об  обнаруженных отказах  и анализ тенденции развития, таких как физический и механический износ и старение, а также оценки качества управления процесса и прогноз будущего поведения технической установки. В качестве рабочих параметров 17 могут  использоваться данные от различных датчиков. Структурные параметры 19 описывают техническую установку. Они содержат, в частности, информацию о соединении в общую схему  отдельных подсистем, которые охвачены диагностикой. На схеме (см. рис.1, фиг.2 ) показана динамическая модель 15, которая  предусмотрена для моделирования поведения технической системы.

Динамическая модель 15 может содержать:

·      аналитические зависимости и уравнения;

·      графические описания;

·      методы искусственного интеллекта, например, нейронные сети, нечеткую логику или генетические алгоритмы.

На схеме (см. рис.1, фиг.2 ) показан основанный на искусственном интеллекте алгоритм 21, который   используется для улучшения динамической модели 15 во время работы системы.  Основанный на искусственном интеллекте алгоритм 21 может быть выполнен, например, в виде нейронной сети, нечеткой логики или генетического алгоритма.

 

рис.1. Устройство для контроля технических установок, содержащих множество систем, фирмы Сименс

На схеме (см. рис.1, фиг.3 ) показано также устройство технической диагностики 1, которое  содержит два параллельно работающих модуля анализа 13а и 13b.  При этом к модулю анализа 13а подводятся рабочие параметры 17а и структурные параметры 19а  одной из подсистем (например, подсистемы  охлаждения 29). Второй модуль анализа 13b получает в качестве входных данных рабочие параметры 17b и структурные параметры 19b от другой подсистемы (например, от генератора 31). К обоим модулям анализа 13а, 13b подводятся данные окружающей среды 33 технической установки ( например температура окружающей среды, влажность воздуха, давление воздуха и т.д. ). Каждый модуль анализа 13а, 13b определяет выходные данные 23а или, соответственно, 23b, которые характеризуют поведение в эксплуатации  одной из анализируемых подсистем (29 или 31).

Так как анализируемые подсистемы (система охлаждения 29 и генератор 31) не являются технологически изолированными друг от друга системами, следует  провести оценку корреляций параметров работы этих подсистем. Для  оценки корреляций параметров предусмотрен дополнительный основанный на искусственном интеллекте алгоритмический блок 25, который может реализовать, например, генетический алгоритм и формирует дополнительные выходные данные 27. Дополнительные выходные данные 27 содержат информацию о взаимодействии систем 29 и 31. Дополнительный основанный на искусственном интеллекте алгоритмический блок 25 выполняет идентификацию и контроль предельных значений  параметров и выявляет  зависимости между ними. Эти зависимости могут содержать, например, уравнения, графические характеристики или нейронные сети, которые формируются основанным на искусственном интеллекте алгоритмическим блоком  25.

Устройство для контроля технической установки [1]  использует динамическую модель  15 одной (или нескольких)  подсистем, причем модель реализована  блоком на  базе искусственного интеллекта. Динамическая модель улучшается  в процессе работы, путем добавления новых входных переменных и новых зависимостей. Технический результат заключается в повышении точности прогнозирования поведения технической установки

Известен также способ контроля и управления техническим процессом [2], при котором сначала измеряют независимые наблюдаемые величины, по которым производят расчет оценки результата R(t):

 

,                                                            (1)

где G1(t),...,Gp(t)- независимые наблюдаемые величины, М – модель, R(t)- оценка результата.

Затем известный закон управления L применяют к оценочным результатом R(t) и рассчитывают новые заданные значения управляющих воздействий   для момента времени (t+1)

,                                                 (2)

где C1(t+1),...,Cn(t+1)- значения управляющих воздействий для момента времени ( t+1).

Техническим результатом является обеспечение контроля и управления в непрерывном режиме техническим процессом, в котором невозможно непосредственно  наблюдать  или измерять получаемый результат.

Известно устройство контроля технического состояния объекта диагностики по остаточному ресурсу[3], которое может быть использовано для прогнозирования отказавшего элемента, расчета надежности устройства по остаточному ресурсу и определения времени до полной потери работоспособности устройства. Техническим результатом является расширение функциональных возможностей устройства. Устройство содержит датчики, блок регистрации отказавших элементов, блок регистрации остаточного ресурса, блок расчета надежности устройства с учетом остаточного ресурса, блок ранжирования отказов по остаточному ресурсу, блок принятия решения по выбору отказавшего элемента и др.

 Проведенный анализ аналогов показал, что традиционные системы технической диагностики оборудования решают следующие задачи:

·      допусковый контроль диагностических  параметров (как правило, в реальном времени);

·      моделирование динамики диагностических  параметров;

·      прогнозирование отказов;

·      выполнение диагностических тестовых процедур с целью обнаружения места неисправности;

·      поиск причины  и места неисправности;

·      принятие решения об исправном или неисправном состоянии оборудования;

·      планирование технического обслуживания;

·      формирование и отображение сигналов технической диагностики и др.

В данной работе предлагается подсистема интеллектуальной диагностики оборудования на базе искусственных нейронных сетей, когда существующая система технической диагностики дополнена интеллектуальной подсистемой, реализующей функции прогнозирования диагностических  параметров в реальном времени и планирования оптимальных сроков технического обслуживания и ремонта для предотвращения отказа в процессе работы оборудования. 

Подсистема прогнозирования диагностических  параметров и планирования  оптимальных сроков технического обслуживания решает сложные, ресурсоемкие и трудно формализуемые задачи. Реализация этой подсистемы осуществляется на базе методов искусственного интеллекта, в частности, искусственных нейронных сетей, нечеткой логики и генетических алгоритмов. Подсистема реализована как внешнее аппаратно-программное устройство и работает параллельно с существующей системой технической диагностики. Для реализации подсистемы предлагается трехмерная сеть из унифицированных аппаратных модулей, которые работают как единое устройство.  Каждый модуль реализует отдельную подзадачу и аппаратно выполнен как фрагмент обученной нейронной сети. В процессе работы можно добавлять или удалять модули и переобучать имеющиеся модули в реальном времени. В основу данной разработки положены новые, разработанные и запатентованные авторами технологии нейронных сетей коммутаторной  и доменной архитектуры [4-7].

Рассмотрим решение задачи технической диагностики на примере контроля износа режущего инструмента [8-10].

Износ режущего инструмента является одной из основных причин снижения точности обработки. Остановка процесса обработки по причине износа инструмента часто означает брак дорогостоящей детали, особенно при обработке труднообрабатываемых материалов, трудоемкость обработки которых соизмерима с ресурсом инструмента. В производственных условиях контроль состояния режущего инструмента, как правило, осуществляется на основе расчетной стойкости.

Информация об интенсивности изнашивания инструмента позволяет оптимизировать параметры  процесса резания,  причем процедура выбора оптимальных технологических условий обработки является трудно формализуемой задачей.

Поэтому задача прогнозирования состояния режущего инструмента и обнаружения состояния критического износа на ранних стадиях является актуальной.

Методы контроля режущего инструмента можно разделить на две группы: прямого и косвенного контроля. Прямые методы контроля основаны на непосредственном определении размеров деталей с помощью электромеханических, оптико-телевизионных, лазерных, ультразвуковых и пневматических средств измерений. Общим недостатком данных методов является невозможность их использования во время обработки детали в процессе резания (активный метод контроля).

Косвенные методы измерения состояния режущего инструмента более универсальны и позволяют осуществлять его в процессе обработки деталей, т. е. не требуют дополнительного времени на измерения. Косвенные методы контроля состояния режущего инструмента основаны на измерении различных физических величин, сопутствующих процессу резания: температуры, термо-ЭДС, электропроводности зоны резания, виброакустических явлений зоны резания, силы и момента на валу двигателя.

В связи со сложностью измерения величины износа прямыми методами во время процесса обработки, целесообразнее применение косвенных признаков износа инструмента.

К системе контроля  состояния режущего инструмента предъявляются следующие требования:

·      учёта нелинейного и неравномерного характера изменения  остаточной стойкости режущего инструмента;

·      учёта нелинейного изменения свойств материала обрабатываемой детали;

·      прогнозирования и оптимизации параметров процесса резания;

·      прогнозирование момента критического износа режущего инструмента;

·      планирование замены режущего инструмента.

Система диагностики должна, не останавливая процесс резания, в реальном времени, определить по косвенным параметрам степень износа инструмента и сравнить ее с критическим пороговым значением, при котором требуется замена инструмента. Система прогнозирования должна принять решение о дальнейшей программе обработки детали:

·      оптимизировать параметры процесса резания, чтобы завершить выполнение очередной операции, без замены инструмента;

·      выполнить замену инструмента  после очередной операции;

·      остановить процесс резания, чтобы выполнить замену инструмента.

рис. 2  Функциональная схема системы диагностики состояния режущего инструмента

В данной работе предлагается применение искусственных нейронных сетей с объемно-модульной архитектурой  для решения задачи прогнозирования состояния режущего инструмента, см. рис.2. При такой архитектуре нейронная сеть состоит из отдельных унифицированных модулей, представляющих собой фрагменты обученной нейронной сети, связанных между собой с помощью трехмерной сети. Применение объемно-модульной архитектуры позволяет лучше масштабировать нейронную сеть и создавать нейронные сети с большим количеством нейронов. 

На вход нейронной сети подается результат обработки сигналов с датчиков в виде коэффициентов разложения входного сигнала в ряд по функциям Тейлора, Фурье или Бесселя, что позволяет выделить полезные составляющие сигналов с датчиков на фоне значительного уровня помех, вызванных вибрациями станка, сетевыми помехами и т.п.

В искусственной нейронной сети можно выделить три основных функциональных блока, см. рис.2:

1.   Блок идентификации текущего состояния режущего инструмента, т.е. текущей величины износа;

2.   Блок прогнозирования  времени  до критического износа;

3.   Блок оценки результата прогнозирования, осуществляющий оценку возможности продолжения процесса резания на основе прогноза.

Каждый блок реализуется отдельным  фрагментом обученной нейронной сети.

Блок идентификации определяет текущее значение величины износа по косвенным признакам. Блок идентификации текущего состояния режущего инструмента обучается перед началом работы системы технической диагностики на основе начальной экспериментальной обучающей выборки, при этом задают  необходимую точность для  метода обратного распространения ошибки. Блок прогнозирования состояния режущего инструмента в процессе работы обучается на основе текущих фактических данных. На вход блока прогнозирования подается текущее значение износа. Выходом является оценка времени до наступления критического износа.

Блок оценки результата прогнозирования получает входные  данные с входов  датчиков,  а также с выходов блоков идентификации и прогнозирования, а на выходе формирует сигналы управления для системы ЧПУ. Этими сигналами могут быть -  продолжить процесс резания с заданными параметрами, оптимизировать параметры резания, приостановить процесс резания и произвести смену инструмента.

Обучение интеллектуальных  блоков происходит в два этапа:

·      первичное обучение при помощи метода обратного распространения ошибки;

·      дополнительное обучение во время работы системы при помощи генетических алгоритмов.

На первом этапе обучения  при помощи метода обратного распространения ошибки создается  заведомо большая по числу нейронов сеть и большое значение среднеквадратичной ошибки обучения. В последующем при дополнительном обучении устанавливается допустимое  значение среднеквадратичной ошибки, и уменьшается размерность сети за счет удаление мало значимых нейронов.

Дополнительное обучение производится с применением генетических алгоритмов, что позволяет обеспечить необходимую скорость и качество обучения так, чтобы следующий прогноз был более достоверным.

Исходной популяцией для генетического алгоритма является весовые коэффициенты изначально обученной нейронной сети при помощи метода обратного распространения ошибки. В дальнейшем вследствие применения генетических операторов сеть обучается.

Целесообразность применения генетических алгоритмов для обучения нейронной сети обуславливается тем, что:

·      увеличивается скорость обучения, за счет меньшего количества итераций обучения;

·      уменьшается вероятность преждевременной остановки обучения из-за попадания в область локального минимума.

Подсистема обучения блоков включает в себя  устройство памяти для хранения  результатов обучения нейронной сети и блок дополнительное обучения  в процессе работы.

Оценка текущего состояния режущего инструмента сравнивается с прогнозным значением, полученным на предыдущей итерации работы системы. С учетом этого, при необходимости, производится дополнительное обучение блока прогнозирования. Время  дополнительного обучения с помощью генетического алгоритма должно быть меньше временного интервала формирования и выдачи выходных сигналов в нейронной сети. 

Выводы  по работе

В работе предложена система диагностики, которая позволяет:

§  строить модель динамики изменения износа инструмента;

§  учитывая нелинейность технологических параметров резания;

§  проводить постоянное дополнительное обучение  на основе фактических данных при помощи генетических алгоритмов.

Использование интеллектуальной системы диагностики в автоматизированном производстве позволяет повысить точность обработки за счет своевременной замены изношенного инструмента и ввода корректировок управляемых параметров при резании.

Литература

1.   Патент №2313815,RU,  Фик Вольфганг (DE), Аппель Мирко (DE), Герк Уве (DE), (73) Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции,   Сименс Акциенгезелльшафт (DE)

2.   Патент №2289837, RU, МОНАРИ Гаэтан (FR), Способ контроля и управления техническим процессом, Юзинор (FR)

3.   Патент №2279703, RU, Старшинов Б.С.(RU),Романюк Н.И.(RU),Фролов М.В.(RU). Устройство контроля технического состояния объекта диагностики по остаточному ресурсу

4.   Кабак И.С., Суханова Н.В. Доменная нейронная сеть. Патент на полезную модель № 72084 от 03.12.2007

5.   Кабак И.С., Суханова Н.В. Нейронная сеть. Патент на полезную модель № 66 831 опубл. 27.09.2007, Бюл. №27

6.   Кабак И.С. Коммутаторная архитектура больших нейронных сетей. //Труды международной научно-технической конференции Информационные средства и технологии Москва,16-18 октября 2007, том 3, стр.124…127

7.   Кабак И.С., Суханова Н.В Модульная вычислительная система. Патент на ПМ № 75247 (2008.07.27)

8.   Мартинов Г.М., Григорьев А.С., Синопальников В.А. Устройство контроля износа и прогнозирования остаточной стойкости режущего инструмента для системы ЧПУ. Заявка на изобретение № 2009141506.

9.   Сосонкин В.Л., Мартинов Г.М. Системы числового программного управления. Логос, 2005. - 296 стр.

10. Сосонкин В. Л., Мартинов Г. М. Программирование систем числового программного управления. Логос, 2008. - 344 стр.