RU2563161C2 - Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей - Google Patents
Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей Download PDFInfo
- Publication number
- RU2563161C2 RU2563161C2 RU2013133304/08A RU2013133304A RU2563161C2 RU 2563161 C2 RU2563161 C2 RU 2563161C2 RU 2013133304/08 A RU2013133304/08 A RU 2013133304/08A RU 2013133304 A RU2013133304 A RU 2013133304A RU 2563161 C2 RU2563161 C2 RU 2563161C2
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- neurons
- signals
- technological equipment
- parameters
- Prior art date
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Изобретение относится к области автоматики и вычислительной техники и может быть использовано для контроля и технической диагностики сложного технологического оборудования, в том числе - станочного оборудования и гибких производственных систем. Техническим результатом является обеспечение автоматического выбора значимых параметров из всего множества входных и выходных параметров за счет дополнительного обучения нейронной сети в процессе работы, за счет увеличения-уменьшения количества активных нейронов, не приводящего к ухудшению качества технической диагностики, а также за счет выбора избыточных нейронов и их активации при переобучении или при отказе нейронов сети. Устройство содержит датчики, вычислительную систему и устройства отображения сигналов диагностики. Вычислительная система содержит модуль, реализованный с возможностью интеллектуального анализа и содержащий динамическую модель, которая реализована на обученной нейронной сети, и модуль, реализованный с возможностью дополнительного обучения нейронной сети и выбора активных и избыточных нейронов. 2 н. и 3 з.п. ф-лы, 5 ил.
Description
Изобретение относится к области автоматики и вычислительной техники, к системам контроля и технической диагностики сложного технологического оборудования, в том числе - станочного оборудования и гибких производственных систем.
В системах технической диагностики имеются элементы принятия решения, которые позволяют классифицировать техническое состояние контролируемого объекта либо как исправное, либо как неисправное. В случае обнаружения неисправности такие системы проводят идентификацию неисправного элемента и определяют причину отказа.
Из уровня техники известно устройство для допускового контроля функциональных состояний технических систем, которое содержит группу блоков памяти, дифференцирующий элемент, триггер, группу регистров памяти, группу элементов И, группу блоков сравнения, каждая из которых содержит три регистра памяти, четыре сумматора, восемь блоков элементов И, блок элементов ИЛИ, компаратор, инвертор, элемент ИЛИ. Причем на вторую и третью группы входов каждого компаратора поступают значения нижней и верхней границ области допустимых значений параметра. В компараторе осуществляется проверка условия (1)
| Pi н≤Pi≤Pi в, | (1) |
где Pj н и Pj в- соответственно нижняя и верхняя границы диапазона значений j-го параметра.
При невыполнении условия (1) срабатывает второй выход компаратора, сигнал с выхода которого обеспечивает расширение области допуска параметра на 3σ относительно нижней и верхней границы. Согласно изобретению достоверность принятия решения (Д) по результатам допускового контроля определяется через вероятность ошибки контроля:
| Д=1-Рош, | (2) |
где Рош - вероятность ошибки.
Вероятность ошибки равна сумме двух слагаемых:
| Рош=α+β, | (3) |
где α - ошибка первого рода, вероятность ошибочного признания объекта контроля неисправным, и β - ошибка второго рода, вероятность ошибочного признания объекта контроля исправным (Полоус А.И., Волков А.Г., Бурый А. Устройство для допускового контроля функциональных состояний технических систем. Патент на изобретение №2222823, приоритет 27.05.2002).
Аналог заявленного устройства имеет следующие недостатки. При допусковом контроле параметров по формуле (1) предполагается, что параметры Pj распределены по нормальному закону N(a, σ2), где a-математическое ожидание, σ2 - дисперсия. Известно, что при нормальном распределении параметра 99% измерений попадают в доверительный интервал [а±3σ]. Предположение о нормальном законе распределения параметров не всегда справедливо и нуждается в дополнительной проверке. При отказах объекта контроля могут меняться как закон статистического распределения, так и значения контролируемых параметров. Аналог заявленного устройства не учитывает возможность изменения закона статистического распределения параметров до и после отказа. В сложных технических системах количество элементов измеряется десятками и сотнями. Степень влияния отказов отдельных элементов на работоспособность сложной технической системы различна. Допускового контроля элементов недостаточно для технической диагностики всей системы.
Из уровня техники известен способ анализа функционирования газовой турбины. Способ анализа функционирования многоступенчатого компрессора газовой турбины с некоторым числом компрессорных ступеней, при котором одна или более нейронных сетей обучаются, базируясь на нормальном режиме работы газовой турбины, при этом измеряется, по меньшей мере, один динамический сигнал давления посредством, по меньшей мере, одного датчика давления в или на компрессоре газовой турбины, а также измеряется один или более рабочих параметров газовой турбины с помощью одного или более других датчиков при нормальном режиме работы газовой турбины и/или динамический сигнал давления, а также один или более других рабочих параметров, которые измерены в нормальном режиме работы газовой турбины, динамический сигнал давления подвергается частотному анализу, посредством чего определяются один или более параметров частотного спектра сигнала давления; базируясь на одном или более измеренных рабочих параметрах и одном или более параметрах частотного спектра сигнала давления, обучаются одна или более нейронных сетей, которые в качестве входных величин имеют один или более измеренных рабочих параметров и один или более параметров частотного спектра сигнала давления, а в качестве выходной величины имеют, по меньшей мере, один показатель диагностики, который представляет меру вероятности для наличия нормального режима работы газовой турбины в зависимости от входных величин, отличающийся тем, что в качестве параметра частотного спектра для каждой компрессорной ступени определяется характеристическая частотная полоса на основе числа оборотов газовой турбины и числа направляющих лопаток и рабочих лопаток соответствующей компрессорной ступени, и для каждой характеристической частотной полосы вычисляется содержащаяся в ней доля энергии сигнала давления, в частности среднеквадратичное значение, и/или амплитудный максимум и/или несколько смежных амплитудных максимумов частотных составляющих характеристической частотной для применения в качестве входных величин одной или более нейронных сетей (Пфайфер Уве (DE), Штерцинг Фолькмар (DE). Способ анализа функционирования газовой турбины. Заявитель: Сименс акциенгезелльшафт (DE). Патент на изобретение №2010121150, МПК G05B 13/02).
Недостатком этого способа является то, что в нем нет возможности дополнительного обучения, самоорганизации и реконфигурирования нейронной сети в процессе работы турбины. Результат анализа функционирования газовой турбины, его достоверность зависят от обучающей выборки и не учитывают динамику рабочих параметров турбины во времени.
Наиболее близкими к заявленному изобретению являются устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции. Устройство для контроля технической установки, содержащей множество систем, отличающееся тем, что предусмотрен, по крайней мере, один модуль, который содержит динамическую модель, по крайней мере, одной системы технической установки, причем к модулю анализа подводятся в качестве входных данных рабочие параметры или рабочие и структурные параметры технической установки. По крайней мере, один содержащийся в модуле анализа, основанный на искусственном интеллекте алгоритм выявляет в рабочих параметрах или рабочих и структурных параметрах системы зависимости между рабочими параметрами или рабочими и структурными параметрами посредством методов искусственного интеллекта и интегрирует идентифицированные при этом зависимости в динамическую модель в качестве новых зависимостей и тем самым улучшает ее в отношении повышения точности прогнозирования поведения системы. Посредством этого динамическая модель системы является улучшаемой в отношении повышения точности прогнозирования поведения системы во время эксплуатации системы. В модуле анализа определяют выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации системы. Улучшение динамической модели охватывает идентификацию таких входных данных, которые ранее еще не были использованы до этого динамической моделью. С помощью этих входных данных динамическая модель является расширяемой. Динамическая модель системы содержит один или несколько элементов из группы: графическая характеристика, физическое уравнение, нейронная сеть, нечеткая логика, генетический алгоритм. Динамическая модель содержит, по крайней мере, одну нейронную сеть, которая является обучаемой историческими рабочими параметрами системы. Устройство имеет множество модулей анализа, которые содержат соответственно динамическую модель, по крайней мере, одной системы технической установки. Предусмотрен, по крайней мере, один дополнительный алгоритм, основанный на искусственном интеллекте, посредством которого могут определяться корреляции, по крайней мере, между входными и/или выходными данными первого и входными и/или выходными данными второго из модулей анализа.
Способ для контроля технической установки, содержащей множество систем, в частности установки электростанции, отличающийся тем, что предусмотрены следующие операции. К динамической модели, по крайней мере, одной системы технической установки подводят в качестве входных данных рабочие параметры или рабочие и структурные параметры технической установки. Посредством основанного на искусственном интеллекте алгоритма улучшают в отношении повышения точности прогнозирования поведения системы динамическую модель системы во время эксплуатации системы. Посредством методов искусственного интеллекта ищут в рабочих параметрах или рабочих и структурных параметрах системы зависимости между рабочими параметрами или рабочими и структурными параметрами и интегрируют идентифицированные при этом зависимости в динамическую модель в качестве новых зависимостей. Посредством динамической модели определяют выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации системы. Улучшение динамической модели в отношении повышения точности прогнозирования поведения системы охватывает идентификацию таких входных данных, которые ранее еще не были использованы динамической моделью. С помощью этих входных данных динамическая модель является расширяемой. Предусмотрено множество динамических моделей, которые описывают соответственно, по крайней мере, одну систему технической установки, и предусмотрен, по крайней мере, один следующий основанный на искусственном интеллекте алгоритм, посредством которого определяются корреляции, по крайней мере, между входными и/или выходными данными первой и входными и/или выходными данными второй из динамических моделей. Посредством корреляций определяются дальнейшие выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации технической установки, причем эти дальнейшие выходные данные содержат информацию, выходящую за пределы системы (Фик Вольфганг (DE), Аппель Мирко (DE), Герк Уве (DE). Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции. Патент №2313815 RU, приоритет 04.07.2003, прототип).
Прототип изобретения имеет следующие недостатки. Прототип изобретения решает задачу технической диагностики за счет расширения числа рабочих и структурных параметров технической установки, поиска новых корреляционных зависимостей между параметрами и включения этих зависимостей в динамическую модель системы. Для того чтобы реализовать сложную динамическую модель технической системы, требуется не менее сложная искусственная нейронная сеть, причем большого размера. Добавление новых входных и выходных параметров и новых связей в динамическую модель потребует наращивания числа нейронов и взаимных связей в искусственной нейронной сети. Время обучения и переобучения нейронной сети существенно зависит от числа нейронов. Таким образом, «улучшение» динамической модели приведет, на определенном шаге, к снижению эффективности работы системы технической диагностики, за счет увеличения числа нейронов сети и затрат времени на обучение и переобучение нейронной сети.
Задачи, на решение которых направлено изобретение, заключаются в оптимизации размеров искусственной нейронной сети, сокращении числа задействованных нейронов сети и уменьшении затрат времени на обучение и переобучение нейронной сети.
Технический результат изобретения состоит в повышении эффективности работы системы технической диагностики за счет автоматического выбора значимых параметров из всего множества входных и выходных параметров, используемых для диагностики сложного технологического оборудования, за счет дополнительного обучения нейронной сети в процессе работы, за счет увеличения-уменьшения количества активных нейронов, не приводящего к ухудшению качества технической диагностики, а также за счет выбора избыточных нейронов и их активации при переобучении или при отказе нейронов сети.
Технический результат изобретения достигается за счет того, что при заявленном способе технической диагностики сложного технологического оборудования сначала на технологическом оборудовании и в рабочей зоне размещают датчики и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования, после чего формируют сигналы обучения для нейронной сети в форме векторов значений входов и выходов и по этим сигналам проводят первоначальное обучение нейронной сети, затем обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа, который содержит динамическую модель, реализованную на обученной нейронной сети, причем в процессе работы технологического оборудования производят измерения и преобразования сигналов от датчиков и на основе этих сигналов улучшают динамическую модель путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами, согласно изобретению после первоначального обучения нейронной сети к ней добавляют избыточные нейроны, а в процессе дополнительного обучения нейронной сети выбирают активные и избыточные нейроны, которые не влияют на результат диагностики, причем избыточные нейроны активируют при последующем дополнительном обучении нейронной сети или при отказе нейронов сети.
Согласно изобретению критерием выбора избыточных нейронов является значение суммарной вероятности ошибок первого и второго рода.
Согласно изобретению критерием выбора избыточных нейронов является значение суммы масштабирующих коэффициентов для входных и выходных сигналов нейрона обученной нейронной сети.
Согласно изобретению сигналы от датчиков, задающие рабочие и структурные параметры сложного технологического оборудования, сначала преобразуют в форму суммы рядов Фурье, причем используют существенно большее количество членов ряда и большую точность измерения параметров, чем требуется для технической диагностики, затем оценивают остаток ряда, после чего рассчитывают значения коэффициентов временных рядов и преобразуют их в двоичные коды и цифровые сигналы и подают на входы обученной нейронной сети.
Технический результат изобретения достигается за счет того, что устройство для реализации способа технической диагностики сложного технологического оборудования содержит датчики, вычислительную систему и устройства отображения сигналов диагностики, соединенные друг с другом последовательно по входам и выходам, где датчики выполнены с возможностью размещения на технологическом оборудовании и в рабочей зоне для измерения значений рабочих и структурных параметров сложного технологического оборудования и преобразования их в цифровые сигналы, причем вычислительная система состоит из взаимосвязанных модулей, где хотя бы один модуль реализован с возможностью интеллектуального анализа и содержит динамическую модель, включающую обученную нейронную сеть, у которой входы и выходы выполнены с возможностью формирования на них сигналов от упомянутых датчиков, причем динамическая модель реализована с возможностью ее улучшения за счет увеличения числа упомянутых параметров, выявления взаимных связей между ними и дополнительного обучения нейронной сети в процессе работы технологического оборудования, согласно изобретению хотя бы один модуль реализован с возможностью дополнительного обучения нейронной сети в процессе работы технологического оборудования и выбора активных и избыточных нейронов, причем входы упомянутого модуля подсоединены к датчикам, а выходы подключаются к входам одного или нескольких модулей интеллектуального анализа.
Заявлен способ технической диагностики сложного технологического оборудования, при котором выполняют следующую последовательность действий.
1. Сначала на технологическом оборудовании и в рабочей зоне размещают датчики и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования. Количество таких параметров и их точность выбирают существенно больше, чем необходимо для технической диагностики. В процессе дополнительного обучения и сокращения числа активных нейронов сети будут автоматически выявлены несущественные параметры и избыточная точность.
2. После этого на основе обработки измеренных сигналов от датчиков формируют сигналы обучения для нейронной сети в форме векторов значений входов и выходов. Проводят первоначальное обучение нейронной сети. К обученной нейронной сети добавляют некоторое количество избыточных нейронов.
3. Обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа, который содержит динамическую модель, реализованную на обученной нейронной сети.
4. В процессе работы технологического оборудования с помощью датчиков производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования. Эти сигналы подают на вход вычислительной системы, на выходе которой формируются сигналы диагностики. Сигналы диагностики поступают на вход устройства отображения сигналов диагностики. Вычислительная система включает взаимосвязанные модули, в том числе хотя бы один модуль интеллектуального анализа и хотя бы один модуль, выполненный с возможностью дополнительного обучения нейронной сети и выбора активных и избыточных нейронов. В процессе работы технологического оборудования проводится дополнительное обучение нейронной сети, добавление новых параметров и выявление новых взаимных связей между упомянутыми параметрами.
5. Согласно изобретению в процессе дополнительного обучения нейронной сети вычислительная система выбирает активные и избыточные нейроны. Активные нейроны влияют на результат технической диагностики. Избыточные нейроны не влияют на результат технической диагностики. Например, критерием выбора избыточных нейронов является суммарная вероятность ошибок первого и второго рода, вычисленная по формуле 3. Например, критерием выбора избыточных нейронов является сумма масштабирующих коэффициентов для входных и выходных сигналов нейрона. Избыточные нейроны переводят в резерв.
6. Избыточные нейроны активируют при последующем дополнительном обучении нейронной сети или при отказе нейронов. Избыточные нейроны входного слоя нейронной сети определяют несущественные параметры для технической диагностики и контроля функционирования технологического оборудования. Активные нейроны входного слоя нейронной сети соответствуют существенным параметрам технической диагностики. Отличием от прототипа является возможность оптимизации размера нейронной сети, не только за счет увеличения числа нейронов при расширении числа параметров, подключении дополнительных датчиков и модулей вычислительной системы, выявления новых взаимных связей, но и за счет обратного процесса - сокращения размера нейронной сети и выбора избыточных нейронов, которые не оказывают существенного влияния на результат технической диагностики.
Изобретение поясняется графическими материалами, где на фиг. 1 приведено устройство технической диагностики сложного технологического оборудования.
В графических материалах конструктивные элементы обозначены следующими позициями (см. фиг. 1-5):
1 - датчики,
2 - вычислительная система,
3 - устройство отображения сигналов диагностики,
4, 5, 8 - модули вычислительной системы,
5 - модуль интеллектуального анализа,
6, 7 - обученная нейронная сеть,
6 - активные нейроны,
7 - избыточные нейроны,
8 - модуль дополнительного обучения нейронной сети и выбора активных и избыточных нейронов.
На фиг. 1-5 показана последовательность действий, с помощью которых реализуется заявленный в изобретении способ диагностики сложного технологического оборудования.
На фиг 1, 2, 3 показано, как в процессе работы технологического оборудования происходит дополнительное обучение нейронной сети, при котором сокращается число активных нейронов 6 и часть активных нейронов переводят в избыточные нейроны 7. Связи между избыточными нейронами показаны пунктирной линией.
На фиг 4, 5 показано, как в процессе работы технологического оборудования происходит дополнительное обучение нейронной сети, при котором увеличивается число активных нейронов 6, за счет активации избыточных нейронов 7. Связи между активированными нейронами показаны пунктирной линией.
Рассмотрим пример использования заявленного способа технической диагностики сложного технологического оборудования, при котором последовательно выполняют следующие действия, см. фиг. 1-5.
1. Сначала на технологическом оборудовании и в рабочей зоне размещают датчики 1 и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования. Количество таких параметров и их точность выбирают существенно больше, чем необходимо для технической диагностики. На основе измеренных сигналов от датчиков формируют обучающую выборку и проводят первоначальное обучение нейронной сети, которая состоит из активных нейронов 6. В нейронную сеть добавляют избыточные нейроны 7. Обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа 5, который содержит динамическую модель, реализованную на обученной нейронной сети, см. фиг. 1.
2. Затем с помощью датчиков 1 производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования. Эти сигналы подают на входы вычислительной системы 2, которая включает взаимосвязанные модули 4, 5, 8, в том числе - один или несколько модулей интеллектуального анализа 5. Модуль интеллектуального анализа 5 оценивает степень отклонения измеренных параметров и динамической модели, которая реализована на обученной нейронной сети 6. Модуль интеллектуального анализа 5 формирует выходные сигналы диагностики, которые поступают на входы модулей вычислительной системы 4 и входы устройства отображения сигналов диагностики 3, см. фиг. 1.
3. В процессе работы технологического оборудования улучшают динамическую модель путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами Согласно изобретению в вычислительной системе 2 имеется хотя бы один модуль 8, выполненный с возможностью дополнительного обучения нейронной сети и выбора активных 6 и избыточных 7 нейронов. Этот модуль выполняет дополнительное обучение нейронной сети. После дополнительного обучения нейронной сети модуль 8 выбирает в нейронной сети активные нейроны 6 и избыточные нейроны 7 на основе заданного критерия. Активные нейроны 6 существенно влияют на результат технической диагностики. Избыточные нейроны 7 не влияют на результат технической диагностики. Например, критерием выбора избыточных нейронов 7 является суммарная вероятность ошибок первого и второго рода, которая рассчитывается по формуле 3. Например, критерием выбора избыточных нейронов 7 является сумма масштабирующих коэффициентов для входных и выходных сигналов нейрона после дополнительного обучения нейронной сети. Избыточные нейроны 7 переводят в резерв, см. фиг. 2, 3.
4. Избыточные нейроны 7 активируют при последующем дополнительном обучении нейронной сети или при отказе нейронов, см. фиг 4, 5. Избыточные нейроны входного слоя нейронной сети определяют несущественные входные параметры для технической диагностики и контроля функционирования технологического оборудования. Активные нейроны входного слоя нейронной сети соответствуют существенным параметрам технической диагностики.
Заявлен способ технической диагностики сложного технологического оборудования, при котором согласно изобретению выполняют следующие действия, см. фиг. 1-5.
1. Сигналы, задающие рабочие и структурные параметры сложного технологического оборудования, сначала преобразуют в форму суммы рядов Фурье.
2. Затем вводят ограничение на количество членов ряда и оценивают его остаток. Количество членов ряда и точность выбирают существенно больше, чем необходимо для технической диагностики и контроля функционирования системы. Количество членов ряда и точность будут сокращаться в дальнейшем до рационального уровня (см. пункт 5 настоящего способа).
3. Определяют коэффициенты временных рядов. Преобразуют коэффициенты временных рядов в двоичные коды и цифровые сигналы и подают их на входы обученной нейронной сети.
4. В процессе работы технологического оборудования улучшают динамическую модель путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами.
5. В обученной нейронной сети все нейроны делят на две группы - активные и избыточные нейроны. Избыточные нейроны выбирают на основе заданного критерия. Например, критерием выбора избыточных нейронов является сумма масштабирующих коэффициентов для входных и выходных сигналов нейрона (то есть степень их влияния на результат технической диагностики). Активные нейроны участвуют в принятии решения нейронной сетью. Избыточные нейроны не участвуют в принятии решения нейронной сетью. Избыточные нейроны переводят в резерв. Избыточные нейроны активируют при необходимости. Например, избыточные нейроны активируют, если система обнаруживает, что результат технической диагностики неудовлетворительный. Избыточные нейроны активируют при дополнительном обучении нейронной сети в процессе работы или при отказе активных нейронов сети. В процессе первоначального и дополнительного обучения нейронной сети происходит постепенное сокращение и затем стабилизация числа активных нейронов в нейронной сети. Сокращение числа активных нейронов происходит за счет автоматического выбора наиболее значимых входных и выходных параметров, которых, как правило, не много. При отказе системы диагностики происходит ее повторный запуск, при этом отказавшие активные нейроны заменяются резервными избыточными нейронами. В процессе дополнительного обучения нейронной сети происходит автоматический выбор и рационализация уровня точности существенных параметров и отсеивание несущественных параметров.
Устройство технической диагностики сложного технологического оборудования работает следующим образом, см. фиг. 1. Устройство содержит датчики 1, вычислительную систему 2 и устройства отображения сигналов диагностики 3, соединенные друг с другом последовательно по входам и выходам. Вычислительная система 2 содержит взаимосвязанные модули 4, 5, 8, где хотя бы один модуль 5 реализован с возможностью интеллектуального анализа, и содержит динамическую модель, реализованную на обученной нейронной сети, которая состоит из нейронов 6 и 7. Входы и выходы нейронной сети выполнены с возможностью формирования на них сигналов, которые задают рабочие параметры или рабочие и структурные параметры сложного технологического оборудования. Сигналы поступают на входы нейронной сети от датчиков 1, размещенных на технологическом оборудовании и в рабочей зоне, 4.
В обученной нейронной сети имеется некоторое число активных нейронов 6 и некоторое число избыточных нейронов 7. Динамическая модель реализована с возможностью ее улучшения, путем дополнительного обучения нейронной сети, увеличения-уменьшения числа задействованных активных нейронов 6 и увеличения-уменьшения числа избыточных нейронов 7. Согласно изобретению хотя бы один модуль вычислительной системы 8 реализован с возможностью дополнительного обучения нейронной сети в процессе работы технологического оборудования и выбора активных 6 и избыточных 7 нейронов, причем входы упомянутого модуля 8 подсоединены к датчикам 1, а выходы подключаются к одному из модулей интеллектуального анализа 5.
Отличием от прототипа является возможность выбора активных 6 и избыточных нейронов 7 на основе заданного критерия. Избыточные нейроны 7 не влияют на результат технической диагностики. Избыточные нейроны задействуются при последующем дополнительном обучении нейронной сети в процессе работы технологического оборудования или при отказе активных нейронов. Выбор активных 6 и избыточных 7 нейронов производится на каждом шаге обучения нейронной сети, с целью оптимизации размеров нейронной сети, сокращения числа активных нейронов 6. Например, в качестве критерия для выбора избыточных нейронов 7 предлагается суммарная вероятность ошибок первого и второго рода (см. формулу 3).
В устройстве технической диагностики сложного технологического оборудования могут использоваться различные датчики. Например, при диагностике технического состояния станочного оборудования используют датчики сигналов акустической эмиссии, вибрационные датчики, тензометрические датчики, температурные датчики и др.
Вычислительная система состоит из отдельных модулей, которые могут быть реализованы на базе контроллера, компьютера, а также на базе программно или аппаратно-программно реализованной обученной нейронной сети, с подключением дополнительных плат расширения для ввода-вывода сигналов и преобразования сигналов от датчиков в цифровой вид.
Вычислительная система может быть реализована на базе патента на полезную модель №75247 (2008.07.27). Модульная вычислительная система, авторы Кабак И.С., Суханова Н.В.
Нейронная сеть может быть реализована на базе патентов на полезную модель №66831. Нейронная сеть, авторы Кабак И.С., Суханова Н.В. и №72084. Доменная нейронная сеть, авторы Кабак И.С., Суханова Н.В. При доменной организации нейронной сети ее первоначальное и дополнительное обучение происходит по доменам.
Устройство отображения сигналов диагностики может быть реализовано на базе дисплея или монитора, который подключается к компьютеру или контроллеру, входящему в вычислительную систему.
Таким образом, заявленные в изобретении способ и устройство технической диагностики сложного технологического оборудования на основе нейронных сетей могут быть реализованы аппаратно или аппаратно-программно на базе контроллеров, компьютеров с установленным на них программным обеспечением и обученных нейронных сетей.
Указанные в независимом пункте формулы признаки являются существенными и взаимосвязаны между собой с образованием устойчивой совокупности необходимых признаков, достаточной для получения требуемого технического результата.
Свойства, регламентированные в заявленном способе отдельными признаками, общеизвестны из уровня техники и не требуют дополнительных пояснений.
Однако следует отметить, что заявленная совокупность существенных признаков обеспечивает в соединении синергетический (сверхсуммарный результат).
Таким образом, вышеизложенные сведения свидетельствуют о выполнении при использовании заявленного способа следующей совокупности условий:
- заявленный способ имеет практическое применение, предназначен для использования в системах технической диагностики и контроля функционирования сложного технологического оборудования, например станочных комплексов и гибких производственных систем;
- для заявленного способа в том виде, как он охарактеризован в независимом пункте нижеизложенной формулы, подтверждена возможность его осуществления с помощью указанных в заявке или известных из уровня техники на дату приоритета средств и методов;
- при осуществлении способа достигается усматриваемый заявителем технический результат.
На основании изложенного, заявленный способ соответствуют требованию условия патентоспособности «новизна» и «изобретательский уровень».
Claims (5)
1. Способ технической диагностики сложного технологического оборудования, при котором сначала на технологическом оборудовании и в рабочей зоне размещают датчики и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования, после чего формируют сигналы обучения для нейронной сети в форме векторов значений входов и выходов и по этим сигналам проводят первоначальное обучение нейронной сети, затем обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа, который содержит динамическую модель, реализованную на обученной нейронной сети, причем в процессе работы технологического оборудования производят измерения и преобразования сигналов от датчиков и на основе этих сигналов улучшают динамическую модель путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами, отличающийся тем, что после первоначального обучения нейронной сети к ней добавляют избыточные нейроны, а в процессе дополнительного обучения нейронной сети выбирают активные и избыточные нейроны, которые не влияют на результат диагностики, причем избыточные нейроны активируют при последующем дополнительном обучении нейронной сети или при отказе нейронов сети.
2. Способ по п. 1, отличающийся тем, что критерием выбора избыточных нейронов является значение суммарной вероятности ошибок первого и второго рода.
3. Способ по п. 1, отличающийся тем, что критерием выбора избыточных нейронов является значение суммы масштабирующих коэффициентов для входных и выходных сигналов нейрона обученной нейронной сети.
4. Способ по п. 1, отличающийся тем, что сигналы от датчиков, задающие рабочие и структурные параметры сложного технологического оборудования, сначала преобразуют в форму суммы рядов Фурье, причем используют существенно большее количество членов ряда и большую точность измерения параметров, чем требуется для технической диагностики, затем оценивают остаток ряда, после чего рассчитывают значения коэффициентов рядов Фурье и преобразуют их в двоичные коды и цифровые сигналы и подают на входы обученной нейронной сети.
5. Устройство для реализации способа технической диагностики сложного технологического оборудования по п. 1, которое содержит датчики, вычислительную систему и устройства отображения сигналов диагностики, соединенные друг с другом последовательно по входам и выходам, где датчики выполнены с возможностью размещения на технологическом оборудовании и в рабочей зоне для измерения значений рабочих и структурных параметров сложного технологического оборудования и преобразования их в цифровые сигналы, причем вычислительная система состоит из взаимосвязанных модулей, где хотя бы один модуль реализован с возможностью интеллектуального анализа и содержит динамическую модель, включающую обученную нейронную сеть, у которой входы и выходы выполнены с возможностью формирования на них сигналов от упомянутых датчиков, причем динамическая модель реализована с возможностью ее улучшения за счет увеличения числа упомянутых параметров, выявления взаимных связей между ними и дополнительного обучения нейронной сети в процессе работы технологического оборудования, отличающееся тем, что хотя бы один модуль реализован с возможностью дополнительного обучения нейронной сети в процессе работы технологического оборудования и выбора активных и избыточных нейронов, причем входы упомянутого модуля подсоединены к датчикам, а выходы подключаются к входам одного или нескольких модулей интеллектуального анализа.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2013133304/08A RU2563161C2 (ru) | 2013-07-18 | 2013-07-18 | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2013133304/08A RU2563161C2 (ru) | 2013-07-18 | 2013-07-18 | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2013133304A RU2013133304A (ru) | 2015-02-10 |
| RU2563161C2 true RU2563161C2 (ru) | 2015-09-20 |
Family
ID=53281407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2013133304/08A RU2563161C2 (ru) | 2013-07-18 | 2013-07-18 | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2563161C2 (ru) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2612951C1 (ru) * | 2015-11-16 | 2017-03-14 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" (НГТУ) | Способ определения остаточного ресурса узла транспортного средства |
| RU2614740C1 (ru) * | 2015-11-16 | 2017-03-29 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
| RU2697613C1 (ru) * | 2018-11-20 | 2019-08-15 | Общество с ограниченной ответственностью "Вокорд СофтЛаб" | Способ распознавания объектов с помощью нейронных сетей |
| RU2699685C1 (ru) * | 2018-12-18 | 2019-09-09 | федеральное государственное бюджетное образовательное учреждение высшего образования "Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова" | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем |
| RU2702510C1 (ru) * | 2019-01-28 | 2019-10-08 | Общество с ограниченной ответственностью "КОНВЕЛС Автоматизация" | Способ работы и определения параметров работы прокатного стана |
| RU2753151C1 (ru) * | 2020-09-23 | 2021-08-12 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Орловский государственный университет имени И.С. Тургенева" (ФГБОУ ВО "ОГУ имени И.С. Тургенева") | Способ вибрационной диагностики роторных систем |
| RU2779795C1 (ru) * | 2021-06-21 | 2022-09-13 | Акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (АО "ВНИКТИ") | Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7074166B2 (ja) * | 2020-08-07 | 2022-05-24 | トヨタ自動車株式会社 | サーバ、車両の制御装置、および車両の機械学習システム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353815B1 (en) * | 1998-11-04 | 2002-03-05 | The United States Of America As Represented By The United States Department Of Energy | Statistically qualified neuro-analytic failure detection method and system |
| RU2313815C2 (ru) * | 2002-09-26 | 2007-12-27 | Сименс Акциенгезелльшафт | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции |
| RU72084U1 (ru) * | 2007-12-03 | 2008-03-27 | Илья Самуилович Кабак | Доменная нейронная сеть |
| RU75247U1 (ru) * | 2008-02-26 | 2008-07-27 | Илья Самуилович Кабак | Модульная вычислительная система |
| WO2012074823A1 (en) * | 2010-12-01 | 2012-06-07 | Siemens Corporation | Machine anomaly detection and diagnosis incorporating operational data |
-
2013
- 2013-07-18 RU RU2013133304/08A patent/RU2563161C2/ru not_active IP Right Cessation
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6353815B1 (en) * | 1998-11-04 | 2002-03-05 | The United States Of America As Represented By The United States Department Of Energy | Statistically qualified neuro-analytic failure detection method and system |
| RU2313815C2 (ru) * | 2002-09-26 | 2007-12-27 | Сименс Акциенгезелльшафт | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции |
| RU72084U1 (ru) * | 2007-12-03 | 2008-03-27 | Илья Самуилович Кабак | Доменная нейронная сеть |
| RU75247U1 (ru) * | 2008-02-26 | 2008-07-27 | Илья Самуилович Кабак | Модульная вычислительная система |
| WO2012074823A1 (en) * | 2010-12-01 | 2012-06-07 | Siemens Corporation | Machine anomaly detection and diagnosis incorporating operational data |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2612951C1 (ru) * | 2015-11-16 | 2017-03-14 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" (НГТУ) | Способ определения остаточного ресурса узла транспортного средства |
| RU2614740C1 (ru) * | 2015-11-16 | 2017-03-29 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
| RU2697613C1 (ru) * | 2018-11-20 | 2019-08-15 | Общество с ограниченной ответственностью "Вокорд СофтЛаб" | Способ распознавания объектов с помощью нейронных сетей |
| RU2697613C9 (ru) * | 2018-11-20 | 2022-04-15 | Хуавей Текнолоджис Ко., Лтд. | Способ распознавания объектов с помощью нейронных сетей |
| RU2699685C1 (ru) * | 2018-12-18 | 2019-09-09 | федеральное государственное бюджетное образовательное учреждение высшего образования "Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова" | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем |
| RU2702510C1 (ru) * | 2019-01-28 | 2019-10-08 | Общество с ограниченной ответственностью "КОНВЕЛС Автоматизация" | Способ работы и определения параметров работы прокатного стана |
| RU2753151C1 (ru) * | 2020-09-23 | 2021-08-12 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Орловский государственный университет имени И.С. Тургенева" (ФГБОУ ВО "ОГУ имени И.С. Тургенева") | Способ вибрационной диагностики роторных систем |
| RU2779795C1 (ru) * | 2021-06-21 | 2022-09-13 | Акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (АО "ВНИКТИ") | Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2013133304A (ru) | 2015-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2563161C2 (ru) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей | |
| US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| US7483774B2 (en) | Method and system for intelligent maintenance | |
| AU2012284460B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
| US7457674B2 (en) | System, device, and methods for updating system-monitoring models | |
| US20160110651A1 (en) | Method of Sequential Kernel Regression Modeling for Forecasting and Prognostics | |
| CN107111309B (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
| US20060230313A1 (en) | Diagnostic and prognostic method and system | |
| CN109102101B (zh) | 风电场风速的预测方法和系统 | |
| US11152126B2 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| WO2013012535A1 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
| CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
| WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
| ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
| KR20170104705A (ko) | 설비 고장 진단 장치 및 방법 | |
| KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| US11306705B2 (en) | System and method for monitoring a device | |
| CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
| CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| Hadad et al. | Enhanced neural network based fault detection of a VVER nuclear power plant with the aid of principal component analysis | |
| Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| RU2699685C1 (ru) | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20200719 |