книги / Математическое моделирование газотурбинных мини-электростанций и мини-энергосистем
..pdfТаким образом, метод предполагает:
1)выбор однотипных ОД, эксплуатирующихся в одина ковых условиях;
2)измерение значений диагностических параметров £# для всей совокупности ОД через определенные интервалы времени /,•;
3)вычисление средних значений £((,) по всем ОД для фиксированного момента времени tf
4)нахождение коэффициента регрессии а по значениям параметров в моменты времени tf
5) определение среднего времени безотказной рабо
ты ^;
6)вычисление допустимого значения 4доп;
7)нахождение остаточного ресурса.
Рассмотренный метод можно использовать для оценива ния состояния разнообразного электрооборудования; элек трических машин, кабелей, трансформаторов, преобразовате лей, аккумуляторов и др.
Очевидным недостатком расчета тренда по линейной регрессии является принимаемая гипотеза о его линейности, так как на практике диагностические параметры могут изме няться при износе по экспоненциальному закону или иметь насыщение.
6.3.3. Вероятностное прогнозирование
Задачи вероятностного прогнозирования сводятся к оп ределению вероятности невыхода (выхода) прогнозируемого процесса за установленные границы.
При этом математические задачи вероятностного про гнозирования формулируются следующим образом. Извест ны значения функции времени (диагностического параметра
4(0) в моменты времени t,, » = 1,и; Г,- е 7]. Необходимо опре
делить вероятность того, что значение функции Ç(f) не вый дет за допустимые пределы £д0п в моменты времени
/ = 1.*. |
т.е. P{b„+j> b non}- |
(6.18)
где /,+,{£) - плотность распределения значения § во времен ном сечении t„+j с математическим ожиданием т„+/£) и дис персией а„+Д).
Функция распределения F(è) случайной величины Ç во временном сечении tt связана с плотностью распределения XÇ) следующим соотношением:
№ = d F W d b |
F&) = ] m â t , (6.19) |
На практике значения диагностических параметров наи более часто распределены по нормальному закону
где лц - математическое ожидание (среднее); а$ - средне квадратичное отклонение (характеризует разброс величи ны относительно математического ожидания); = D - дис персия.
Эти величины рассматриваются следующим образом:
= - i V* |
v « -b = r |
(6-21) |
ft i=l |
' |
Если закон распределения нормальный, то вероятност ное прогнозирование может быть сведено к прогнозирова нию изменения математического ожидания.
При этом следует: |
|
|
|
• на интервале Т\ определить |
и oç для каждого вре |
||
менного сечения; |
|
|
|
• осуществить интерполяцию значений |
и получить |
||
экстраполяционный полином F(t); |
|
|
|
• выполнить экстраполяцию лц и |
в требуемое вре |
мя tn+j,
• рассчитать вероятность выхода-невыхода диагности ческого параметра за допустимые пределы.
Для обеспечения необходимой точности прогноза при вероятностном прогнозировании для каждого временного се чения нужно определить закон распределения значений па раметра, поэтому требуется выборка около 30...50 однотип ных ОД. Количество рассматриваемых временных сечений для интерполяции характера изменения параметра выбирает сятак же, как и при детерминированном прогнозировании.
6.3.4. Прогнозирование методами статистической классификации
Статистическая классификация базируется на теории распознавания образов. Распознавание образов предполагает отнесение изучаемого явления или объекта по их изображе нию к одному из известных классов объектов или явлений. При этом считается, что каждый класс характеризуется неко торым образом, присущим каждому изображению из множе ства изображений, составляющих этот класс.
Для этого необходимо решение двух задач. Формирова ние классов, что часто трактуется как обучение, при котором на основе изучения изображений каждого класса определяет ся мера подобия или дается описание класса; и собственно распознавание, при котором определяется также мера подо бия классу изображения.
По полученным результатам принимаются решения об отнесении изображений к тому классу, мера подобия ОД ко торому максимальна.
Принадлежность изображения к определенному классу характеризуется функцией подобия, с помощью которой оп ределяется вероятность принадлежности к этому классу. Следует заметить, что отнесение изображения к определен ному классу может основываться в принципе не на подобии (близости), а на различиях между классами.
Таким образом, можно выделить R v, v = l,m, которые разделяются:
• на параметрические
где Ç(... - интервал в поле допуска;
• временные
p v . р* _ 7* 7’ |
_ ф r p |
p*i _г р |
г р |
Пр .Лт- 1 0...1Х, |
Лг -i,...I2,..., |
Лг |
|
где Ti...Tj- временной интервал.
Множество и размеры класса определяются спецификой ОД. Они объединяют объекты, имеющие идентичные пара метры состояния, совокупность свойств и т.п. Каждый вре менной класс характеризует долговечность, а параметриче ский - запас работоспособности.
Классы Rv представляют собой своего рода эталоны (образцовые портреты). Они задаются на основе испыта
ний. При этом определяют экстраполяционные связи Fv соединяющие значения диагностических параметров с клас сами.
Классы необходимо разделить между собой. Если клас сы сильно различаются, то границу найти легко; если пере крываются, то трудно. На границе состояние распознаваемо.
Задать границы |
класса (рис. 6.16) |
RI |
+1 |
||
можно методом зон, используя ре |
|||||
-------------------------- |
|||||
шающее правило |
|
||||
-1, |
если |
|
------------------------- |
51 |
|
0, |
если |
< ç < ç f ; (6.22) |
|
-1 |
|
|
|
||||
+1> |
если |
|
Рис. 6.16. Граница класса |
Чем больше зона «О», тем надежнее распознавание. Если состояние объекта оценивается п параметрами, то мера бли зости рассчитывается как сумма
dx = ±d;. |
(6.23) |
i=l |
|
Для примера (см. рис. 6.16), если d < 0 , T o ОД относится к классу R1, если d > О, то - к классу Л2. Если d = 0, то ОД не может быть классифицирован.
Задача прогнозирования при использовании метода ста тистической классификации (распознавания объектов) фор мулируется следующим образом.
Состояние объекта характеризуется совокупностью
а = {Ç/} из т диагностических параметров - : 7 = 1,/и
(в простейшем случае - одним). Известны значения Ç,- в мо мент времени toили в ограниченный интервал времени [/о, Г|]. Необходимо принять решение о принадлежности объекта по
состоянию к одному из известных классов Rv
Подобная постановка задачи прогнозирования предпо лагает, что каждой совокупности Е = (Ç,i, Çp, ..., ^„) значе ний диагностических параметров Ç,7 / = 1,п, характери
зующей определенный класс состояний, соответствуют опре деленные долговечность или степень работоспособности объекта.
Процедура прогнозирования состояния методами стати ческой классификации предусматривает:
1) определение обучающей выборки N объектов с гаран тированными сроками сохранения работоспособности Тг. Каждому объекту выборки N соответствует определенный
срок сохранения работоспособности |
i- \,n ; |
|
2) в зависимости от соотношения величин Гг и Uобъек |
||
ты разбиваются на классы; |
|
|
3) описание каждого объекта |
диагностирования |
т- |
мерным вектором состояния; |
|
|
4) выбор или построение функции распознавания |
Fv |
|
или решающего правила d\ |
|
|
5) собственно распознавание, |
т.е. отнесение объекта |
к определенному классу по его состоянию.
Первые два действия относятся, как было сказано выше, к решению задачи обучения, вследствие чего их часто назы вают этапом обучения, а последние три соответствуют этапу распознавания и называются основными.
Таким образом, если состояние объекта характеризуется вектором состояния Е = (Ç(, Çz, ..., ^,), то в процессе обуче
ния получают векторы Ev, формирующие классы Rv
Обработку векторов H е R1, Е е R2 внутри каждого
класса Rv можно описать с помощью функции плотности распределений:/1^ ) , / 2(Е).
В зависимости от того как описывается класс или как требует постановка задачи, классификацию векторов произ водят детерминированными или вероятностными методами. При использовании детерминированных методов в качестве меры близости используются расстояния
где S - эталонное значение параметра v-ro класса. Мини
мальное расстояние сГ^т свидетельствует о принадлежности
объекта к классу Rv
Использование вероятностных методов предполагает вычисление величин вероятностей
P'(S,€/?’), Р2(Е;еД2),...
Максимальное значение вероятности Р*т свидетельст
вует о принадлежности объекта к классу Rv. При этом необ ходимо:
•обучение, т.е. получение набора статистики по значе ниям !;(/);
•построение разделяющей функции, т.е. уравнения по
верхности, разделяющей классы Rv в пространстве.
Для формирования классов при обучении необходимо иметь несколько сот измеренных значений диагностических параметров. Прогнозирование методами статической класси фикации в основном находит применение при серийном вы пуске продукции, когда имеется большая «обучающая» вы борка.
Можно также отметить, что на стадии разработки ин формационно-аналитической среды было принято решение воспользоваться методом экстраполяционных полиномов Ла гранжа. Это решение связано с относительной легкостью реализации данного метода по сравнению с остальными рас смотренными выше методами. В дальнейшем не исключено, что для обработки информации будет использован более сложный и более точный метод.
6.4. Уровни адекватности оценок использования информации о техническом состоянии элементов системы электроснабжения предприятия
Рассматривая проблему использования информации о техническом состоянии электротехнического оборудования для принятия решений по ремонтным воздействиям, целесо образно выделить три уровня адекватности оценок.
Первый уровень - идентификация технического состоя ния по показателям надежности, т.е. по параметру потока от казов или интенсивности восстановлений.
Второй уровень - идентификация технического состоя ния по вероятностным характеристикам дефектов и повреж дений, выявленных в определенные моменты времени.
Третий уровень - идентификация состояния по непре рывно контролируемым технологическим параметрам, ха рактеризующим техническое состояние элементов обору дования.
Реализация третьего уровня возможна лишь при условии наличия совершенных диагностических систем и адекватных математических моделей корреляционных связей между вы ходными параметрами и техническим состоянием оборудо вания. Второй уровень более доступен и требует достаточной информации по выявленным дефектам и повреждениям, а также моделей динамики их развития. Реализация первого уровня связана лишь с достаточностью статистического ма териала.
Корректность принятия решения о введении того или иного регламента технического обслуживания и ремонта за висит от технического состояния оборудования. Регламент технического обслуживания и ремонта как система правил, определяющих технологию, средства, объем, методы и пе риодичность ремонтных воздействий, зависит не только от технического состояния рассматриваемого оборудования. На него оказывает влияние структурная значимость данного
оборудования в объемлющей технической системе и кон кретные условия ее функционирования (в том числе чисто ремонтного характера, например, оснащенность ремонтной базы, наличие ресурсов и др.).
При осуществлении декомпозиции состояний техниче ской системы (например, работоспособное и неработоспо собное) первый вопрос, на который должен быть дан ответ: когда необходимо проводить предупредительный (плановый) ремонт? Ответ будет тем точнее, чем полнее информация о функции надежности, вероятностных характеристиках про цесса восстановления работоспособности и функции потерь.
Перечисленные выше три уровня идентификации техни ческого состояния, по сути, являются тремя уровнями оценки функции надежности. Первый уровень соответствует нуле вому приближению, когда априорная информация отсутству ет. Второй уровень соответствует случаю, когда задан апри орный случайный процесс накопления повреждений данного типа. Третий уровень относится к случаю, когда прогноз осуществляется для каждой отдельно взятой реализации слу чайного процесса развития отказа. Использование того или иного уровня определяется необходимостью точности про гноза и наличием соответствующих технических средств, программного и информационного обеспечения.
Общим критерием оптимальности при решении задачи планирования ремонтов основного заводского электрообору дования является минимум затрат, включающих затраты на выполнение ремонтных работ, а также ущерб от возможных аварийных ситуаций. В существующих условиях основным критерием оптимальности планирования ремонтов является максимальное заполнение так называемой ремонтной пло щадки, т.е. наиболее эффективное использование ремонтного резерва предприятия.
При такой постановке весь парк электрооборудования разбивается на ремонтные элементы П,. Наименьшим наблю
даемым ремонтным элементом может быть единица обору дования или его составная часть. Элементы П, могут быть сгруппированы по признакам принадлежности к одной тех нологической системе, технологическому комплексу (напри мер, котельная установка, турбинная установка и т.д.), по функциональному назначению (например, группы насосов, электродвигателей), конструктивно-компоновочным особен ностям или принадлежности к одному заводу-изготовителю. Такие группировки необходимы для решения задач подго товки ремонта, оценки надежности и др. Таким образом, формируются пересекающиеся множества {П,-}.
Множества являются пересекающимися, так как одни и те же элементы (единицы оборудования) могут попасть в различные подмножества в зависимости от горизонта пла нирования и существа решаемой задачи (например, планиро вание потребности в запасных частях и материалах может производиться для схемы планирования трудозатрат как по иерархической соподчиненности ремонтных элементов, так и с группированием оборудования по типам, заводамизготовителям и другим группировкам).
Каждый ремонтный элемент П,- характеризуется своей ремонтной программой Я, - определенной временной и коли чественной закономерностью выполнения ремонтных воз действий. При этом ремонтная программа отражает реальное техническое состояние элемента и может изменяться во вре мени:
R{t) =/технического состояния П/) =Д/Экс), (6.24)
где /„с - длительность эксплуатации элемента.
Каждому ремонтному элементу придается его адрес (на именование, условия входимости в другие элементы) и мас сив информации, определяемой существом задачи (например, для задачи планирования материалов - перечень и расход ма териалов).