Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Обнаружение, изоляция и восстановление неисправностей ( FDIR ) - это подполе техники управления, которая занимается мониторингом системы, определением момента возникновения неисправности и определением типа неисправности и ее местоположения. Можно выделить два подхода: прямое распознавание показаний датчика, указывающих на неисправность, и анализ несоответствия между показаниями датчика и ожидаемыми значениями, полученными на основе некоторой модели. В последнем случае обычно говорят, что неисправность обнаруживается, если несоответствие или остаток превышает определенный порог. Затем задача локализации неисправности состоит в том, чтобы классифицировать тип неисправности и ее местонахождение в оборудовании. Обнаружение и устранение неисправностей( ПИИ ) методы можно в общих чертах разделить на две категории. К ним относятся ПИИ на основе моделей и ПИИ на основе обработки сигналов.

На основе модели [ править ]

Пример логики FDI на основе модели для исполнительного механизма в системе управления лифтом самолета [1]

В основанных на моделях методах ПИИ некоторая модель системы используется для принятия решения о возникновении неисправности. Системная модель может быть математической или основанной на знаниях. Некоторые из основанных на моделях методов ПИИ включают [2] подход, основанный на наблюдателе, подход пространства четности и методы, основанные на идентификации параметров. Существует еще одна тенденция схем ПИИ на основе моделей, которая называется методами множественного членства. Эти методы гарантируют обнаружение неисправности при определенных условиях. Основное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы не учитывают модели, несовместимые с данными. [3] [4]

Пример, показанный на рисунке справа, иллюстрирует основанный на модели метод FDI для реактивного контроллера лифта самолета с использованием таблицы истинности и диаграммы состояний. Таблица истинности определяет, как контроллер реагирует на обнаруженные неисправности, а диаграмма состояний определяет, как контроллер переключается между различными режимами работы (пассивным, активным, резервным, выключенным и изолированным) каждого привода. Например, если в гидравлической системе 1 обнаружена неисправность, то таблица истинности отправляет в диаграмму состояний событие о том, что левый внутренний привод должен быть выключен. Одним из преимуществ этой методики FDI, основанной на моделях, является то, что этот реактивный контроллер также может быть подключен к модели гидравлики привода в непрерывном времени, что позволяет изучать переходные процессы переключения. [5]

FDI на основе обработки сигналов [ править ]

При FDI на основе обработки сигналов некоторые математические или статистические операции выполняются с измерениями, или некоторая нейронная сеть обучается с использованием измерений для извлечения информации о неисправности. [6] [7] [8] [9]

Хорошим примером FDI на основе обработки сигналов является рефлектометрия во временной области, когда сигнал отправляется по кабелю или электрической линии, а отраженный сигнал математически сравнивается с исходным сигналом для выявления неисправностей. Например, рефлектометрия с расширенным спектром во временной области включает отправку сигнала с расширенным спектром по проводной линии для обнаружения повреждений проводов. [10] Было также предложено несколько методов кластеризации для выявления новой неисправности и сегментации данного сигнала на нормальные и неисправные сегменты. [11]

Диагностика машинной неисправности [ править ]

Диагностика неисправностей машин - это область машиностроения, связанная с поиском неисправностей, возникающих в машинах. Особенно хорошо разработанная его часть относится конкретно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, ведущих к отказу, для сбора данных используются многие методы, включая мониторинг вибрации , тепловизионное изображение , анализ частиц масла и т. Д. Затем эти данные обрабатываются с использованием таких методов, как спектральный анализ , вейвлет-анализ., вейвлет-преобразование, кратковременное преобразование Фурье, расширение Габора, распределение Вигнера-Вилля (WVD), кепстр, биспектр, метод корреляции, спектральный анализ высокого разрешения, анализ формы волны (во временной области, потому что спектральный анализ обычно касается только частотного распределения, а не информация о фазе) и другие. Результаты этого анализа используются в анализе основной причины отказа, чтобы определить первоначальную причину отказа. Например, если диагностирована неисправность подшипника, то вполне вероятно, что сам подшипник был поврежден не при установке, а скорее как следствие другой ошибки установки (например, несоосность), которая затем привела к повреждению подшипника. Диагностики неисправного состояния подшипника недостаточно для точного обслуживания. Необходимо определить и устранить первопричину. Если этого не сделать,заменяемый подшипник скоро изнашивается по той же причине, и машина пострадает больше, оставаясь опасной. Конечно, причина также может быть видна в результате спектрального анализа, проведенного на этапе сбора данных, но это не всегда так.

Наиболее распространенным методом обнаружения неисправностей является метод частотно-временного анализа. Для вращающейся машины скорость вращения машины (часто известная как число оборотов в минуту ) не является постоянной, особенно на этапах запуска и остановки машины. Даже если машина работает в установившемся режиме, скорость вращения будет колебаться вокруг среднего значения установившегося состояния, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, полученные от вращающейся машины, сильно зависят от ее скорости вращения, можно сказать, что они по своей природе изменяются во времени. Эти изменяющиеся во времени особенности несут в себе сигнатуры неисправностей машины. Следовательно, то, как эти особенности извлекаются и интерпретируются, важно для исследований и промышленных приложений.

Наиболее распространенный метод, используемый при анализе сигналов, - это БПФ или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две перспективы изучения сигнала: через временную область или через частотную область. БПФ основанного спектра сигнал показывает время нас существование его содержимые частот. Изучая их, а также их величину или фазовые отношения, мы можем получить различные типы информации, такие как гармоники , боковые полосы , частота биений, частота неисправностей подшипников и т. Д. Однако БПФподходит только для сигналов, частотный состав которых не меняется со временем; однако, как упоминалось выше, частотные составляющие звуковых и вибрационных сигналов, полученных от вращающейся машины, очень сильно зависят от времени. По этой причине спектры, основанные на БПФ , не могут определить, как частотный состав изменяется с течением времени. Чтобы быть более конкретным, если частота вращения машины увеличивается или уменьшается во время периода ее запуска или остановки, ее полоса пропускания в спектре БПФ станет намного шире, чем это было бы просто для устойчивого состояния. Следовательно, в таком случае гармоники не так различимы в спектре.

Частотно-временный подход к диагностике неисправностей машин можно разделить на две большие категории: линейные методы и квадратичные методы. Разница в том, что линейные преобразования можно инвертировать для построения временного сигнала, поэтому они больше подходят для обработки сигналов, такой как уменьшение шума и изменяющаяся во времени фильтрация. Хотя квадратичный метод описывает распределение энергии сигнала в совместной частотно-временной области, что полезно для анализа, классификации и обнаружения характеристик сигнала, информация о фазе теряется в квадратичном частотно-временном представлении; Кроме того, с помощью этого метода невозможно восстановить временные истории.

Кратковременное преобразование Фурье ( STFT ) и преобразование Габора - это два алгоритма, обычно используемые как линейные частотно-временные методы. Если мы рассмотрим линейный частотно-временной анализ как эволюцию обычного БПФ, то квадратичный частотно-временной анализ будет аналогом спектра мощности. Квадратичные алгоритмы включают спектрограмму Габора, класс Коэна и адаптивную спектрограмму. Основным преимуществом частотно-временного анализа является обнаружение закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока эта модель идентифицирована, можно идентифицировать неисправность машины, связанную с этим шаблоном. Еще одно важное применение частотно-временного анализа - это способность отфильтровывать конкретную частотную составляющую с помощью изменяющегося во времени фильтра.

Надежная диагностика неисправностей [ править ]

На практике неопределенности модели и шум измерений могут усложнить обнаружение и локализацию неисправностей. [12]

В результате, использование диагностики неисправностей для удовлетворения промышленных потребностей рентабельным способом и для снижения затрат на обслуживание, не требуя больших инвестиций, чем стоимость того, чего следует избегать в первую очередь, требует эффективной схемы их применения. Это предмет обслуживания, ремонта и эксплуатации ; различные стратегии включают:

  • Техническое обслуживание по состоянию
  • Плановое профилактическое обслуживание
  • Профилактика
  • Корректирующее обслуживание (не использует диагностику)
  • Интегрированное управление состоянием транспортного средства

Обнаружение и диагностика неисправностей с использованием искусственного интеллекта [ править ]

Методы машинного обучения для обнаружения и диагностики неисправностей [ править ]

См. Также: Машинное обучение

При обнаружении и диагностике неисправностей модели математической классификации, которые фактически относятся к контролируемым методам обучения , обучаются на обучающем наборе помеченного набора данных для точного определения избыточностей, неисправностей и аномальных выборок. В течение последних десятилетий в этой области исследований были разработаны и предложены различные модели классификации и предварительной обработки . [13] Алгоритм K- ближайших соседей ( k NN) - один из старейших методов, который использовался для решения проблем обнаружения и диагностики неисправностей. [14]Несмотря на простую логику, присущую этому алгоритму на основе экземпляров, при его использовании с большими наборами данных возникают некоторые проблемы с большой размерностью и временем обработки . [15] Поскольку k NN не может автоматически извлекать признаки, чтобы преодолеть проклятие размерности , часто его сопровождают некоторые методы предварительной обработки данных , такие как анализ главных компонентов (PCA), линейный дискриминантный анализ (LDA) или канонический корреляционный анализ (CCA). для достижения лучшей производительности. [16] Во многих промышленных случаях эффективность k NNсравнивали с другими методами, особенно с более сложными классификационными моделями, такими как машины опорных векторов (SVM), которые широко используются в этой области. Благодаря соответствующему нелинейному отображению с использованием методов ядра SVM обладают впечатляющей производительностью в обобщении даже с небольшими обучающими данными. [17] Однако обычные SVM сами по себе не имеют автоматического извлечения признаков и, как и k NN , часто связаны с техникой предварительной обработки данных . [18] Еще одним недостатком SVM является то, что их производительность очень чувствительна к начальным параметрам, особенно к методам ядра , [19]поэтому в каждом наборе данных сигнала сначала необходимо провести процесс настройки параметров. Следовательно, низкая скорость фазы обучения является ограничением SVM, когда дело доходит до его использования в случаях обнаружения и диагностики неисправностей. [20]

Форма волны во временной области (вверху) и CWTS (внизу) нормального сигнала

Искусственные нейронные сети (ИНС) являются одними из наиболее зрелых и широко используемых алгоритмов математической классификации при обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными возможностями самообучения сложных отношений (которые обычно существуют в задачах обнаружения и диагностики неисправностей) и просты в эксплуатации. [18] Еще одним преимуществом ИНС является то, что они выполняют автоматическое извлечение признаков, присваивая незначительные веса нерелевантным функциям, помогая системе избежать работы с другим средством извлечения признаков. [21] Однако ИНС, как правило, слишком подходятобучающий набор, последствия которого будут иметь низкую точность проверки на проверочном наборе. Следовательно, часто в модель ИНС добавляются некоторые термины регуляризации и предварительные знания, чтобы избежать переобучения и добиться более высокой производительности. Более того, правильное определение размера скрытого слоя требует исчерпывающей настройки параметров, чтобы избежать плохих возможностей аппроксимации и обобщения. [20] В целом, различные модели SVM и ANN (например, нейронные сети с обратным распространением информации и многослойный персептрон ) показали успешные результаты при обнаружении и диагностике неисправностей в таких отраслях, как коробки передач , [22] детали машин (т. Е.механические подшипники [23] ), компрессоры , [24] ветер и газовая турбина [25] [26] , и стальные пластины . [27]

Методы глубокого обучения для обнаружения и диагностики неисправностей [ править ]

Типовая архитектура сверточной нейронной сети
См. Также: Глубокое обучение

С развитием ИНС и появлением алгоритмов глубокого обучения , использующих глубокие и сложные уровни, были разработаны новые модели классификации , позволяющие справляться с обнаружением и диагностикой неисправностей. [28] Большинство моделей поверхностного обучения извлекают из сигналов несколько значений признаков, что приводит к уменьшению размерности исходного сигнала . Используя сверточные нейронные сети , скалограмму непрерывного вейвлет-преобразования можно напрямую разделить на нормальные и ошибочные классы. Такой метод позволяет избежать пропуска каких-либо важных сообщений о неисправности и приводит к более высокой эффективности обнаружения и диагностики неисправностей.[29] Кроме того, путем преобразования сигналов в конструкции изображениямогут быть реализованыдвумерные сверточные нейронные сети для идентификации ошибочных сигналов из характеристик вибрационного изображения. [30]

Глубокая вера сеть , [31] Машина Ограниченных Больцмановской [32] и автоассоциатор [33] и другие глубокие нейронные сети архитектуры , которые были успешно использованы в этой области исследований. По сравнению с традиционным машинным обучением , благодаря своей глубокой архитектуре, модели глубокого обучения могут изучать более сложные структуры из наборов данных , однако им требуются более крупные выборки и более длительное время обработки для достижения более высокой точности. [18]

Восстановление после сбоя [ править ]

См. Также [ править ]

  • Реконфигурация управления
  • Теория управления
  • Анализ видов и последствий отказов
  • Отказоустойчивая система
  • Профилактическое обслуживание
  • Рефлектометрия с расширенным спектром во временной области
  • Идентификация системы

Ссылки [ править ]

  1. ^ Джейсон Р. Гиделла и Питер Дж. Мостерман, «Тестирование на основе требований в проектировании управления самолетом», документ с идентификатором AIAA 2005-5886 на конференции и выставке AIAA Modeling and Simulations Technologies Conference and Exhibit 2005, 15-18 августа, Сан-Франциско, Калифорния, 2005 .
  2. ^ Динг, SX, Методы диагностики неисправностей на основе моделей, Springer 2008
  3. ^ Харирчи, Фаршад; Озай, Некмие (2015). «Недействительность модели для переключаемых аффинных систем с приложениями для обнаружения отказов и аномалий **. Эта работа частично поддерживается грантом DARPA N66001-14-1-4045» . IFAC-PapersOnLine . 48 (27): 260–266. DOI : 10.1016 / j.ifacol.2015.11.185 .
  4. ^ Фаршад Харирчи и Некмий Озай, "Гарантированное модельное обнаружение неисправностей в киберфизических системах: подход к проверке достоверности модели", arXiv
  5. ^ Питер Дж Mosterman и Джейсон Ghidella, «Модель Повторное использование для подготовки сценариев неисправностей в Aerospace» в Трудах АИАА моделирования и конференции Simulation Technologies, CD-ROM, бумага 2004-4931, 16 августа - 19, Rhode Island Convention Центр, Провиденс, Род-Айленд, 2004.
  6. ^ Лю, Цзе (2012). "Анализ вейвлет-спектра Шеннона на усеченных сигналах вибрации для обнаружения зарождающейся неисправности машины". Измерительная наука и технология . 23 (5): 1–11. Bibcode : 2012MeScT..23e5604L . DOI : 10.1088 / 0957-0233 / 23/5/055604 .
  7. ^ Ahmadimanesh, Реза и С. Мохаммад Shahrtash. «Метод определения места повреждения на основе переходных процессов для многопунктовых линий с использованием S-преобразования». Транзакции IEEE по доставке электроэнергии 28.3 (2013): 1373-1380.
  8. ^ Ahmadimanesh, Реза и Сейед Мохаммад Shahrtash. «Алгоритм определения места повреждения на основе преобразования времени и времени для трехполюсников». IET Generation, Transmission & Distribution 7.5 (2013): 464-473.
  9. ^ Ахмадиманеш, А., и С.М. Шахрташ. «Использование S-преобразования для определения места повреждения в трех терминальных линиях». Окружающая среда и электротехника (EEEIC), 2011 10-я Международная конференция по. IEEE, 2011.
  10. ^ Фурс, Синтия; Смит, Пол; Ло, Чет. «Датчики с расширенным спектром для обнаружения критических повреждений. Архивировано 01.05.2010 в Archive.today в проводных сетях под напряжением» Структурный контроль и мониторинг работоспособности 6 июня 2005 г.
  11. ^ Бахрампур, Сохейл; Мошири, Бехзад; Салахшур, Карим. «Взвешенная и ограниченная возможностная кластеризация C-средств для онлайн-обнаружения и изоляции сбоев [1] » Applied Intelligence, том 35, стр. 269-284, 2011 г., 6 июня 2005 г.
  12. ^ «Надежный остаточный отбор для обнаружения неисправностей», 2014.
  13. ^ Чен, Кунджин; Хуанг, Цауэй; Хэ, Цзиньлян (1 апреля 2016 г.). «Обнаружение, классификация и локализация неисправностей в линиях электропередачи и распределительных системах: обзор методов» . Высокое напряжение . 1 (1): 25–33. DOI : 10.1049 / hve.2016.0005 .
  14. ^ Вердье, Гислен; Феррейра, Ариан (февраль 2011 г.). «Адаптивное расстояние Махаланобиса и правило ближайшего соседства $ k $ для обнаружения неисправностей в производстве полупроводников». IEEE Transactions по производству полупроводников . 24 (1): 59–68. DOI : 10.1109 / TSM.2010.2065531 .
  15. ^ Тянь, Цзин; Морилло, Карлос; Азарян, Майкл Х .; Печт, Майкл (март 2016). «Обнаружение неисправности подшипника двигателя с использованием извлечения признаков на основе спектрального эксцесса в сочетании с анализом расстояния K-ближайшего соседа». IEEE Transactions по промышленной электронике . 63 (3): 1793–1803. DOI : 10.1109 / TIE.2015.2509913 .
  16. ^ Сафизаде, MS; Латифи, СК (июль 2014 г.). «Использование объединения данных нескольких датчиков для диагностики вибрационных неисправностей подшипников качения с помощью акселерометра и датчика веса». Информационный фьюжн . 18 : 1–8. DOI : 10.1016 / j.inffus.2013.10.002 .
  17. ^ Лю, Цзе; Зио, Энрико (декабрь 2016 г.). «Векторная регрессия признаков с эффективной настройкой гиперпараметров и геометрической интерпретацией». Нейрокомпьютеры . 218 : 411–422. DOI : 10.1016 / j.neucom.2016.08.093 .
  18. ^ a b c Лю, Руонань; Ян, Боюань; Зио, Энрико; Чен, Сюэфэн (август 2018 г.). «Искусственный интеллект для диагностики неисправностей вращающегося оборудования: обзор». Механические системы и обработка сигналов . 108 : 33–47. Bibcode : 2018MSSP..108 ... 33L . DOI : 10.1016 / j.ymssp.2018.02.016 .
  19. ^ Жентона, Marc G. (2001). «Классы ядер для машинного обучения: перспективы статистики». Журнал исследований в области машинного обучения . 2 : 299–312. DOI : 10.1162 / 15324430260185646 .
  20. ^ a b Коциантис, SB; Захаракис, ID; Пинтелас, ЧП (2006). «Машинное обучение: обзор методов классификации и комбинирования». Обзор искусственного интеллекта . 26 (3): 159–190. DOI : 10.1007 / s10462-007-9052-3 .
  21. Перейти ↑ Vercellis, Carlo (2008). Бизнес-аналитика: интеллектуальный анализ данных и оптимизация для принятия решений ([Online-Ausg.]. Ред.). Хобокен, Нью-Джерси: Уайли. п. 436. ISBN. 978-0-470-51138-1.
  22. ^ Сараванан, N .; Сиддабаттуни, VNS Kumar; Рамачандран, К.И. (январь 2010 г.). «Диагностика неисправностей в коробке передач шпоры скоса с помощью искусственной нейронной сети (ИНС) и векторной машины проксимальной поддержки (PSVM)». Прикладные программные вычисления . 10 (1): 344–360. DOI : 10.1016 / j.asoc.2009.08.006 .
  23. ^ Хуэй, Кар Хоу; Оои, Чинг Шэн; Лим, Мэн Хи; Леонг, Мохд Салман (15 ноября 2016 г.). «Гибридная искусственная нейронная сеть с теорией Демпстера-Шафера для автоматической диагностики неисправностей подшипников» . Журнал виброинженерии . 18 (7): 4409–4418. DOI : 10,21595 / jve.2016.17024 .
  24. ^ Ци, Гуаньцю; Чжу, Чжицинь; Эрциньху, Кэ; Чен, Иньун; Чай, Йи; Сунь, Цзянь (январь 2018 г.). «Диагностика неисправностей поршневых компрессоров с использованием больших данных и машинного обучения». Практика и теория имитационного моделирования . 80 : 104–127. DOI : 10.1016 / j.simpat.2017.10.005 .
  25. ^ Сантос, Педро; Вилла, Луиза; Реньонес, Анибал; Бустильо, Андрес; Модес, Хесус (9 марта 2015 г.). «Решение на основе SVM для обнаружения неисправностей в ветряных турбинах» . Датчики . 15 (3): 5627–5648. DOI : 10.3390 / s150305627 . PMC 4435112 . PMID 25760051 .  
  26. ^ Вонг, Пак Кин; Ян, Чжисинь; Вонг, Чи Ман; Чжун, Цзяньхуа (март 2014 г.). «Диагностика неисправностей в реальном времени для систем газотурбинных генераторов с использованием экстремальной обучающей машины». Нейрокомпьютеры . 128 : 249–257. DOI : 10.1016 / j.neucom.2013.03.059 .
  27. ^ Тянь, Ян; Фу, Менгю; Ву, Фанг (март 2015 г.). «Диагностика неисправностей стальных пластин на основе машин с опорным вектором». Нейрокомпьютеры . 151 : 296–303. DOI : 10.1016 / j.neucom.2014.09.036 .
  28. ^ Lv, Feiya; Вэнь, Чэнлинь; Бао, Цзэцзин; Лю, Мэйцинь (июль 2016 г.). Диагностика неисправностей на основе глубокого обучения . Американская конференция по контролю 2016 г. (ACC) . С. 6851–6856. DOI : 10,1109 / ACC.2016.7526751 . ISBN 978-1-4673-8682-1.
  29. ^ Го, Шэн; Ян, Дао; Гао, Вэй; Чжан, Чен (4 мая 2018 г.). «Новый метод диагностики неисправностей вращающегося оборудования на основе сверточной нейронной сети» . Датчики . 18 (5): 1429. DOI : 10,3390 / s18051429 . PMC 5982639 . PMID 29734704 .  
  30. ^ Хоанг, Дуй-Тан; Кан, Хи-Джун (2019). «Диагностика неисправностей подшипников качения с использованием сверточной нейронной сети и изображения вибрации». Исследование когнитивных систем . 53 : 42–50. DOI : 10.1016 / j.cogsys.2018.03.002 .
  31. ^ Лэй, Ягуо; Цзя, Фэн; Линь, Цзин; Син, Сайбо; Дин, Стивен Икс (май 2016 г.). «Интеллектуальный метод диагностики неисправностей с использованием неконтролируемого обучения функциям на пути к большим механическим данным». IEEE Transactions по промышленной электронике . 63 (5): 3137–3147. DOI : 10.1109 / TIE.2016.2519325 .
  32. ^ Шао, Хайдун; Цзян, Гонконг; Чжан, Сюнь; Ниу, Маогуи (1 ноября 2015 г.). «Диагностика неисправностей подшипников качения с использованием оптимизационной сети глубоких убеждений». Измерительная наука и технология . 26 (11): 115002. Bibcode : 2015MeScT..26k5002S . DOI : 10.1088 / 0957-0233 / 26/11/115002 .
  33. ^ Цзя, Фэн; Лэй, Ягуо; Линь, Цзин; Чжоу, Синь; Лу, На (май 2016 г.). «Глубокие нейронные сети: многообещающий инструмент для поиска характеристик неисправностей и интеллектуальной диагностики вращающегося оборудования с большим объемом данных». Механические системы и обработка сигналов . 72–73: 303–315. Bibcode : 2016MSSP ... 72..303J . DOI : 10.1016 / j.ymssp.2015.10.025 .