Розробка методики дослідження працездатності, а також ідентифікації відмов і прогнозування ушкоджень складних інформаційних систем з регулярною структурою. Обґрунтування топологічної еквівалентності. Умови використання імітаційних моделей ушкоджень.
Аннотация к работе
Ідентифікацію відмови утруднює також звичайно великий та дорогий запас працездатності СТС, що закладається на етапі її проектування, - стійкість системи до ушкоджень окремих елементів, що не призводять до відмови, а також відсутність унікальних елементів, ушкодження яких негайно приводить до відмови системи в цілому. Останнє особливо властиво системам з регулярною структурою (СТС РС), які зустрічаються в механіці (рами, арматури, кручені канати), гідравліці (каскади апаратів), електротехніці (розгалужені ланцюги) та ін. Це джерело інформації про ушкодження та відмови СТС РС, як додатковий аналіз в медицині, дозволить підвищити достовірність діагностики поточного стану складних систем та ефективність прогнозування їх розвитку при подальшій експлуатації. В ролі такого джерела можуть виступати складні інформаційні системи з регулярною структурою (СІС РС), наприклад, штучні нейронні мережі (НМ), які мають топологічну подібність до СТС РС, що дозволяє припускати в них подібні властивості: запас працездатності, взаємозамінність елементів, кореляцію між подібними ушкодженнями та відмовою тощо. На підставі викладеного можна стверджувати, що дослідження, спрямовані на створення на основі штучних НМ адекватних імітаційних моделей ушкоджень і відмов СТС РС є вельми актуальними.Розглянуто складні технічні системи з регулярною структурою та проблеми оцінки їхньої працездатності, проаналізовані способи прогнозування ушкоджень і відмов складних технічних систем, методи моделювання ушкоджень і відмов складних технічних систем за допомогою динамічних моделей. Наприклад, у рамних конструкціях вузлами були місця зєднання окремих стрижнів рами, а звязками - самі стрижні, в хімічних установках вузлами були апарати, а звязками - трубопроводи між ними. Елементи матриць (1) можуть приймати два значення: 0 - ушкодження немає; 1 - ушкодження є. Перетворення (3) та (4) здійснюються шляхом додавання до елементів матриць та , отриманих після i-ї ітерації, елементів таких же за розміром D-матриць ушкоджень вузлів і звязків на (i 1)-ї ітерації: ; . «Ушкодженням» звязку вважається його видалення з конструкції, а «ушкодженням» вузла - видалення всіх звязків, що примикають до нього.Невизначеність впливу зовнішнього середовища та відсутність інформації про стан спостережуваного обєкта при тих або інших зовнішніх та внутрішніх умовах робить завдання прогнозування частиною складного не завжди алгоритмізуємого процесу, у якому тісно переплітаються емпіричні та теоретичні компоненти. Для рішення таких завдань найбільше підходять сучасні інтелектуальні моделі - нейронні мережі, які мають подібну зі СТС РС структуру та властивості. Модель рами будували у вигляді двовимірної регулярної нейроподібної структури із трьох паралельно розташованих шарів вузлів, зєднаних стрижнями, і рівномірно навантажували. Для дослідження працездатності апаратного комплексу за допомогою розробленої програми DCRS була створена модель у вигляді регулярної нейроподібної структури із трьох паралельно розташованих шарів вузлів - фільтрів, зєднаних трубопроводами, і «навантажених» потоками рідини, забрудненої твердими домішками. НМ, яку використовували для дослідження працездатності при «ушкодженнях», будували в рамках оригінального програмного комплексу NEURONET, який допускає внесення будь-якої кількості ушкоджень в НМ в автоматичному режимі.
План
Основний зміст роботи
Вывод
1. СТС РС відносяться до обєктів зі специфічним підходом до ідентифікації та прогнозування їхнього технічного стану. Ця специфіка багато в чому визначається наявністю, як правило, запасу працездатності та високим рівнем взаємозамінності елементів у таких системах. Невизначеність впливу зовнішнього середовища та відсутність інформації про стан спостережуваного обєкта при тих або інших зовнішніх та внутрішніх умовах робить завдання прогнозування частиною складного не завжди алгоритмізуємого процесу, у якому тісно переплітаються емпіричні та теоретичні компоненти. Для рішення таких завдань найбільше підходять сучасні інтелектуальні моделі - нейронні мережі, які мають подібну зі СТС РС структуру та властивості.
2. Для дослідження працездатності механічних конструкцій з регулярною структурою використаний програмний комплекс для автоматизованої побудови та дослідження механічних обєктів SCAD. Модель рами будували у вигляді двовимірної регулярної нейроподібної структури із трьох паралельно розташованих шарів вузлів, зєднаних стрижнями, і рівномірно навантажували. Працездатною вважалася рама, в якій напруження та деформація в будь-якій точці не перевищували припустимі значення.
3. Для дослідження працездатності апаратного комплексу за допомогою розробленої програми DCRS була створена модель у вигляді регулярної нейроподібної структури із трьох паралельно розташованих шарів вузлів - фільтрів, зєднаних трубопроводами, і «навантажених» потоками рідини, забрудненої твердими домішками. Апаратний комплекс визнавали працездатним при вмісті домішок на виході не більше 0,01%.
4. НМ, яку використовували для дослідження працездатності при «ушкодженнях», будували в рамках оригінального програмного комплексу NEURONET, який допускає внесення будь-якої кількості ушкоджень в НМ в автоматичному режимі. Структура мережі тришарова, 28 - 10 - 2, повнозвязна між шарами. Завдання, що вирішували за допомогою НМ у процесі ідентифікації відмови, відносились до завдань класифікації образів. НМ визнавали працездатною, якщо вона правильно розпізнавала обидва запропонованих образи.
5. При моделюванні накопичення ушкоджень у СТС виконувалася структурна декомпозиція СТС на окремі компонентні та топологічні елементи: вузли та звязки між ними. Ушкодженням визнавали повну відмову того або іншого вузла або звязку. При «призначенні» чергового ушкодження моделі враховували три компоненти: стохастичний - за допомогою генератора випадкових чисел; навантажувальний - за допомогою розрахунку максимального навантаження на СТС; динамічний - за допомогою бази даних про практичне випробування системи в реальних умовах протягом досить довгого ресурсного відрізка.
6. Аналізом елементів і звязків СТС РС різного виду: механічних, гідравлічна та електричних обґрунтована їхня топологічна еквівалентність із НМ. Запропоновано імітаційну модель ідентифікації відмов у СТС РС у вигляді топологічно подібної НМ. Виконуючи кожний «свою» роботу, СТС РС і НМ при збереженні топологічної подібності, тобто при забезпеченні однакового ушкодження елементів і звязків між ними, виявляють тенденцію до близьких значень ймовірностей відмов.
7. Сформульовано Твердження, про те, що структура будь-якої складної технічної системи може бути зведена до нейроподібної шляхом скінченної кількості еквівалентних перетворень.
8. Компютерним експериментом по визначенню ймовірностей відмов СТС РС різного типу та топологічно подібних їм НМ встановлена висока (0,83 - 0,96) кореляція між рівнем ушкодження та ймовірностю відмови для реальних і віртуальних систем. Запропоновано метод настроювання нейромережевої моделі відмови, що полягає в підборі оптимального значення розрахункового навантаження на СТС РС, при якому коефіцієнт кореляції між ймовірностями відмов СТС РС і НМ досягає максимального значення.
9. Запропоновано загальну схему організації автоматизованого управління життєвим циклом СТС РС, яка включає блок проектування, що працює, коли конструкція СТС РС може бути змінена протягом ЖЦ, а також імітаційну модель СТС РС, на якій здійснюється прогнозування її технічного стану.
10. Випробування системи ідентифікації відмов виробничого обладнання, що базується на нових інформаційних технологіях, на спорудах, призначених для очищення баластових вод від залишків нафтопродуктів, які утворюються в процесі обробки танків судів в Одеському морському порту, зокрема, використання нейромережевих методів прогнозування ушкоджень та ідентифікації відмов на очисних спорудах на ділянці ультрафільтрації, дозволило поліпшити якість фільтрування на 0,05 мг нафтопродуктів на 1 л баластової води та знизити на 35% витрати на експлуатацію та ремонт технологічного обладнання.
Запропоновані методи прогнозування відмов, а також алгоритми та програми, розроблені для їхньої реалізації, впроваджені в навчальний процес в Одеському національному політехнічному університеті.
Список литературы
1. Балан С.О., Красножон С.Н., Становська Т.П. Моделювання ушкоджень нафтогазового обладнання за допомогою порогової логіки // Труды Одесского политехнического университета. - 2001. - Вып. 3 (15). - С. 12 - 15.
2. Становська Т.П., Балан С.О., Красножон С.М. Моделювання життєвого циклу хімічного та нафтохімічного обладнання за допомогою нейронної супермережі // Труды Одесского политехнического университета. - 2001. - Вып. 4 (16). - С. 154 - 157.
3. Становська Т.П., Балан С.О., Красножон С.М. Управління життєвим циклом складних систем за допомогою нейронної супермережі // Наукові праці Донецького національного технічного університету. - 2002. - В. 47. - С. 155 - 161.
4. Балан С.О., Красножон С.Н., Становська Т.П. Моделювання ушкоджень складних технічних систем за допомогою нейронної супермережі // Вісник наукових праць. - Алчевськ: Науково-виробничий концерн «ППП». - 2002. - Том 1. - С. 28 - 34.
5. Худенко Н.П., Красножон С.Н., Налева Г.В. Моделирование отказа технических объектов с помощью нейронной сети // Труды Одесского национального политехнического университета. - 2003. - №2 (20). - С. 138 - 140.
6. Становська Т.П., Балан С.О., Красножон С.М. Управління життєвим циклом складних систем за допомогою нейронної супермережі // Праці Міжнародної конференції з управління «Автоматика - 2002». - Донецьк: Українська Асоціація з міжнародного управління, 2002. - Т. 2. - С. 149 - 150.
7. Становский А.Л., Хомяк Ю.М., Красножон С.Н. Нейросеточное прогнозирование отказа механических конструкций // Труды Х семинара «Моделирование в прикладных научных исследованиях». - Одесса: ОНПУ, 2003. - С. 46 - 48.
8. Лысенко Т.В., Красножон С.Н. Моделирование жизненного цикла нефте и газопроводов с помощью нейронной суперсети // Труды Х семинара «Моделирование в прикладных научных исследованиях». - Одесса: ОНПУ, 2003. - С. 52.
9. Становский А.Л., Красножон С.Н. О новом применении нейронных сетей // Материалы ХІ семинара «Моделирование в прикладных научных исследованиях». - Одесса: ОНПУ, 2003. - С. 65.
10. Становская Т.П., Красножон С.Н., Закусило М.В. Программа для исследования надежности нейронных сетей // Труды ХІІ семинара «Моделирование в прикладных научных исследованиях». - Одесса: ОНПУ, 2005. - С. 22 - 23.
11. Красножон С.Н., Плачинда О.Е. Исследование стойкости регулярных конструкций // Труды ХІІ семинара «Моделирование в прикладных научных исследованиях». - Одесса: ОНПУ, 2005. - С. 18 - 19.
12. Балан С.О., Красножон С.Н., Становська Т.П. Моделювання складних систем за допомогою нейронної супермережі // Труды третьей международной научно-практической конференции «Современные информационные и электронные технологии». - Одесса: ОНПУ, 2002. - С. 79.