книги / Математическое моделирование газотурбинных мини-электростанций и мини-энергосистем
..pdfоценка с требуемой точностью не должна представлять больших трудностей.
Успех в решении второй задачи во многом определяется искусством распознавания, т.е. отнесением ОД по результа там оценки к известному классу, характеризуемому опреде ленной тенденцией изменения состояния ОД с течением вре мени.
Взависимости от используемого математического аппа рата различают три вида прогнозирования:
1)аналитическое, основанное на степенных рядах и урав нениях регрессии;
2)вероятностное, основанное на теории вероятности;
3)прогнозирование методом статистической классифи
кации.
Впервом случае используются наиболее распростра ненные методы прогнозирования: степенных полиномов, обобщенного параметра, градиентные, моделирования. Во втором - статической экстраполяции, вероятностных нера венств, планирование экспериментов, на основе марковских процессов. В третьем - на основе обучения и без обучения.
Решение задачи прогнозирования для конкретного ОД позволяет:
•выявить элементы (блоки) объекта, работоспособ ность которых существенно изменится в ближайший отрезок времени, и, следовательно, своевременно подготовить запас ные или резервные элементы для замены;
•обосновать количество запасных блоков или элемен тов и объем запасных частей на весь период использования объекта;
•определить сроки проведения профилактических работ, направленных на повышение работоспособности объ екта.
6.3.2. Аналитическое прогнозирование
Методы экстраполяции, используемые для определения значений прогнозируемой переменной, называются аналити ческими или методами аналитического прогнозирования.
При выборе математического аппарата для решения за дачи аналитического прогнозирования необходимо предва рительно определить диагностические параметры. Оценить параметры каждого элемента, входящего в объект, техниче ски сложно из-за их большего количества, поэтому стараются выбрать минимум (в пределе - 1) диагностических парамет ров, обеспечивающих требуемую достоверность прогнозиро вания изменения состояния объекта.
Выбранные параметры должны быть чувствительными к изменениям, происходящим в элементах, входящих в объ ект диагностирования, т.е. любая наметившаяся тенденция изменения состояния составляющих элементов должна отра жаться на поведении выбранного диагностического парамет ра. В частности, такими параметрами могут быть коэффици ент передачи, коэффициент усиления, параметры обратной связи и т.д.
Рассмотрим постановку задачи прогнозирования. Для простоты будем считать, что работоспособность объекта оп ределяется одним параметром Ç. В этом случае прогнозиро вание работоспособности ОД рассматривается как прогнози рование изменения функции £(/), значения которой изменя ются дискретно или непрерывно в интервале времени = [/о, /„]. В результате этого имеются значения этой функции Ço, Çi,
..., ..., на интервале Т\ (рис. 6.12).
Необходимо по известным значениям Ç,- определить зна чение функции Ç(r): Çn+1, .... Çn+ь ..., Ç„+mв будущие моменты времени /л+ь ..., tn+i, .... /п+т, принадлежащие Т2, или узнать, через какое время значения ^,+, достигнут допустимого уров ня 4аопЗадача может быть решена методом экстраполяцион ных полиномов и регрессионного анализа.
Si I
So>
^доп
J___ L
A> |
А |
А |
А» AH-1 |
A+i |
Ai+m i |
L - ________ ? i ________ ^ L - ____________ b ____________J |
|
||||
|
|
|
-► K- |
|
|
Рис. 6.12. Изменение диагностического параметра |
|||||
Метод |
экстраполяционных |
полиномов. Идеальным |
случаем решения задачи является адекватное описание изме нения функции Щ) каким-либо аналитическим выражением. Ввиду сложности нахождения таких выражений по дискрет ным Ç,- точкам целесообразно определить наилучшую струк туру аналитического выражения, а при прогнозировании конкретной функции Ç(f) - изменить базовые элементы, вхо дящие в это выражение.
В интервале Т\ по известным значениям Ç,- необходимо найти такую функцию F{t), которая с заданной точностью описала бы процесс изменения состояния ОД, т.е. выполнить интерполяцию. В общем случае можно использовать много
член вида |
|
^ (0 = 1«,Ф,(0. |
(6.1) |
/ |
|
где ai - неизвестные коэффициенты; (p/(t) - известные функ ции простейшего вида.
Целесообразно использовать в качестве функций <р/(/) функции, имеющие наиболее простую структуру, например:
Фо(0 = 1> Фо(0 = ', ф2( 0 = ' \ |
ф Д 0= 'г |
|
Тогда будем иметь базовый полином в виде |
|
|
F(() - а 0+ axt +a2t2 + ...+а / |
(6.2) |
К этому виду могут быть сведены многие степенные вы ражения, различающиеся способом вычисления а\. Например, в результате измерения параметра Ç в моменты времени k и t\ получены его значения и ^ (рис. 6.13).
Рис. 6.13. Изменение диагностического параметра
Отношение (Ç, -Ç 0V(*i |
= назовем средней скоро |
стью изменения параметра в интервале [/0, /1]. Описать харак тер изменения параметра в этом интервале времени можно с помощью выражения
гдеа0 = £о,Я| = 4.
Если предполагать, что скорость изменения параметра сохраняется, можно прогнозировать значение параметра че рез время т. На практике для малых интервалов т такой про гноз вполне допустим. Если известно допустимое значение Ç диагностического параметра, то с помощью этой формулы можно определить остаточный ресурс, т.е. время, в течение которого оборудование сможет проработать до отказа:
(6.4)
Зная остаточный ресурс оборудования по каждому па раметру, можно определить время его работоспособного со стояния в целом, которое равно наименьшему остаточному ресурсу по всем диагностическим параметрам.
Для выполнения точного прогнозирования следует вос пользоваться более сложной экстраполяционной формулой и использовать результаты не двух, а большего числа изме рений. При прогнозировании изменения состояния по одному обобщенному параметру могут быть использованы экстрапо ляционные полиномы Лагранжа и Ньютона.
Полином Лагранжа в общем виде можно представить следующим образом:
Г |
(6.5) |
W - Z I A . |
|
/=О |
|
где § - значение диагностического параметра в момент вре мени U, L-,- коэффициенты Лагранжа. В простейших случаях:
1 = 1: Fj,(/) =
1= 2 : ^л(0 =
(< o-h)(to-t> r
(6.6)
('a
Ввиду того что коэффициенты экстраполяционных по линомов не зависят от значения прогнозируемого параметра, они могут быть заранее рассчитаны и сведены в специальные таблицы, что упрощает процесс прогнозирования.
Широкое применение в прогнозировании находит поли ном Ньютона.
Р н (')= 5 ,+ л ^ ,
+- + ^ L(' - ' ' ) ( ' ' ' ,) ’ |
( 6 ' 7 ) |
где A4 - первая разность между измеренными величинами; Д24 - вторая разность (разность между разностями) и т.д.
Экстраполяционный полином первой степени г = 1 вы
глядит следующим образом: |
|
Г ц « > - « . + ^ |
(6-8) |
а полином второй степени г = 2, соответственно, |
|
(0=S.+K -,(I-I.)+% 1( |
' |
(«) |
где t берется из области Г2 (разности |
|
можно вы |
разить через число шагов прогнозирования т =At соответст венно ш+1иш).
Поскольку в этом случае коэффициенты при конечных разностях не зависят от прогнозируемой функции, они могут быть рассчитаны заранее и сведены в таблицы. Наличие таб лиц коэффициентов экстраполяционных полиномов сущест-
венно упрощает процесс прогнозирования, так как сокраща ется объем вычислительных работ и облегчается автоматиза ция прогнозирования.
На практике обычно ограничиваются полиномами пер вой и второй степеней, поскольку скорость изменения со стояния не превышает скорости реагирования полиномов. Реальные процессы протекают медленно.
При этом точность прогнозирования можно повышать, если прогнозировать только на один шаг с последующим включением полученного значения (точка ai) в область из вестных значений Т\. При этом каждое прогнозирование (на один шаг) начинается из новой точки a t, получаемой смеще нием процесса на один шаг (/о, t\).
Количество измерений и время прогнозирования влияет на точность прогноза: чем больше п, тем точнее прогноз, так как удается более точно описать (интерполировать) процесс изменения параметра в области Т\. Чем больше время, на ко торое осуществляется прогнозирование 7пр, тем меньше точ ность, так как в области Т2могут быть учтены не все факто ры. Минимальное количество требуемых измерений связано со степенью г полинома следующим образом:
w = r+ 1.
На практике для приемлемой точности прогноза п увеличи вается в 3-5 раз.
Таким образом, использование экстраполяционных по линомов для аналитического (детерминированного) прогно зирования предполагает:
1)выбор оптимального выражения F(t) с учетом тен денции изменения параметра в области Т\,
2)определение коэффициентов ai для получения точно го прогноза;
3)экстраполяцию F{t) на область Т2 и определение зна чения параметра в требуемый (прогнозируемый) момент времени;
4) оценивание точности прогноза.
Метод регрессионного анализа. Он основывается на использовании уравнения регрессии (лат. regressio - движе ние назад) вида
;v = P o + Z P < * / + e > |
( 6 .1 0 ) |
< =| |
|
где у - величина, характер изменения которой необходимо определить; р0 - постоянная величина; Р/ - коэффициенты; х,— параметры. Это линейная зависимость у от х.
Модель изменения диагностического параметра \ во времени на основе регрессионного уравнения имеет вид
Ç = - d a , |
(6.11) |
где Ço - начальное значение параметра; а - коэффициент рег рессии, определяющий наклон прямой.
Очевидно, что время работы ОД до отказа будет оп ределяться допустимым значением диагностического пара метра:
* « . - 0 u - s . b |
<612) |
Однако среди электрооборудования имеются объекты (обмотки электрических машин), для которых это значение задать невозможно. Как быть в этом случае?
Рассмотрим схему замещения обмотки электрической машины (рис. 6.14).
Здесь Rg - сопротивление известной величины. Основ ной целью прогнозирования для рассматриваемого случая является определение остаточного ресурса. В качестве диаг ностических параметров выступают S = (L, R\, Ci), где L - эквивалентная индуктивность обмотки; R - эквивалентное активное сопротивление обмотки; С| - эквивалентная ем кость 1-й обмотки.
В связи с тем что индуктивность меняется скачком при появлении короткозамкнутых витков, этот параметр не при годен для задачи прогнозирования.
Диагностические параметры Ri и Ci характеризуют со стояние изоляции, которая подвержена старению, и меняются монотонно. Сложность решения задачи заключается в том, что допустимые значения параметров Ri и Ci обмотки элек трической машины неизвестны.
Исходной информацией для прогнозирования будут значения диагностических параметров Ri и Ci в общем слу
чае 4>у Для N машин в моменты времени tj, где i = l,N;
j = l,ni . По измеряемым значениям, используя метод регрес сионного анализа, вычисляются значения для каждого объекта.
Для прогнозирования остаточного ресурса обмоток электрических машин необходимо определить допустимое значение диагностических параметров Riao„ и Ciaon, т.е. ^д0П. Для этого вычисляются средние значения для линейной рег
рессии; |
|
|
N i=i |
« . - - I r i s * ; |
(в -») |
N i= |
|
Используя (6.10), можно осуществить прогнозирование. В некоторых случаях (например, сопротивление изоляции обмоток электрических машин) невозможно задать допусти мое значение параметра. Тогда определить его можно сле дующим образом. По накопленным статическим данным оп ределяем математическое ожидание времени отказа:
откуда находим
^on= ^0 + M ( ^ ) ^ - |
(6.15) |
Это значение принимается за предельно допустимое ди агностического параметра.
Тогда для i-й электрической машины время отказа мож но прогнозировать, воспользовавшись формулой
'ало =(^доп |
=[^o+M(/OTK)/a - 4 0/]û/. (6.16) |
|
Найдем время безотказной работы от момента оконча |
||
ния наблюдений. Разность ô0 =(^доп- Ç 0) - |
запас работоспо |
|
собности, а 50 =(^доп -Ç,) - остаточный |
запас работоспо |
собности. Используя формулу линейной модели изменения диагностических параметров, находим остаточный ресурс тор1 для i-й электрической машины:
V ' =feon“ ^l)a/ =[So + M('<mc)/ a -Z>0i]ai- (6-17)
Для решения этой задачи могут быть взяты уже накоп ленные сведения об изменении диагностических параметров электрической машин при использовании. Такие зависимости для R\ и Ci для двух электрических машин приведены на рис. 6.15.