RU2737457C1 - Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой - Google Patents
Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой Download PDFInfo
- Publication number
- RU2737457C1 RU2737457C1 RU2020121876A RU2020121876A RU2737457C1 RU 2737457 C1 RU2737457 C1 RU 2737457C1 RU 2020121876 A RU2020121876 A RU 2020121876A RU 2020121876 A RU2020121876 A RU 2020121876A RU 2737457 C1 RU2737457 C1 RU 2737457C1
- Authority
- RU
- Russia
- Prior art keywords
- diagnostics
- module
- control
- temperature
- neuro
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/22—Use of propulsion power plant or units on vessels the propulsion power units being controlled from exterior of engine room, e.g. from navigation bridge; Arrangements of order telegraphs
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Изобретение относится к системам диагностики и дистанционного управления судовыми энергетическими установками (СЭУ) с использованием нечеткой логики, в частности, для процедуры сбора, накопления, передачи и централизации диагностических и функциональных параметров основных элементов СЭУ. Система содержит модуль диагностики, соединенный с интеллектуальным модулем для обработки и анализа параметров СЭУ, блок автоматического нейроуправления. Модуль диагностики включает блок комплексной диагностики элементов СЭУ от S1 до Sn и блок сортировки параметров объектов диагностики от PS1 до PSn, которые обеспечивают синхронную передачу контролируемых параметров интеллектуальному модулю по параллельным каналам,, при этом интеллектуальный модуль построен с использованием нейро-нечеткой сети, выполненной в виде многослойного перцептрона, обеспечивающей получение комплексной текущей информации о внутреннем состоянии СЭУ и внешних воздействиях на нее. Обеспечивается комплексная техническая диагностика и управление СЭУ, отвечающие требованиям высокого уровня достоверности определения как текущего технического состояния, так и реалистичного прогноза изменения технического состояния. 3 з.п. ф-лы, 1 ил.
Description
Изобретение относится к системам диагностики и дистанционного управления судовыми энергетическими установками (СЭУ) с возможностью цифровых вычислений или обработки данных с использованием нечеткой логики, в частности, для процедуры сбора, накопления, передачи и централизации диагностических и функциональных параметров основных элементов судовой энергетической установки.
Развитие компьютерных технологий позволило вывести процессы диагностики и управления на новый уровень, позволяющий перейти от локальных систем управления каждым элементом СЭУ по отдельности к глобальному - всей совокупностью СЭУ, являющейся составляющей сложной динамической системы «СЭУ-СУДНО», с использованием искусственного интеллекта.
Анализ существующих систем диагностики технического состояния СЭУ показал следующее: эти системы узкоспециализированные - они не могут учитывать взаимное влияние элементов СЭУ друг на друга и при этом не выполняется одна из главных задач технического диагностирования - прогнозирование технического состояния. Кроме того, диагностирование и управление отдельными СТС является децентрализованным и носит фрагментарный и периодический характер.
На сегодняшний день в таких областях, как экономика, медицина, в автомобилестроении широко применяют диагностические и экспертные системы с использованием «искусственного интеллекта» на основе нейро-нечетких сетей.
Известно «Устройство определения дефекта судового дизель-генераторного агрегата» по патенту на полезную модель № 146253, опубл. 10.10.2014, B63B 9/00. Полезная модель относится к системам автоматизированного функционального диагностирования судовых дизель-генераторных агрегатов (ДГА). Устройство содержит аппаратно-программный комплекс с измерительно-нормирующими преобразователями, модулем вычисления текущих значений диагностических параметров и расхода топлива, блоком хранения текущих значений коэффициентов вида дефекта и дисплеем.
Технический результат заключается в возможности определения наличия и вида дефекта на ранней стадии его возникновения без вывода ДГА из действия, а также производить периодическое диагностирование и на его основе прогнозировать время возникновения отказа.
Устройство осуществляет диагностику , но не решает проблему прогнозирования технического состояния.
Известен «Способ поиска методов разрешения технических противоречий и система на основе обучаемой нейронной сети для его осуществления» по патенту РФ № 2707917, опубл. 02.12.2019 г.
Данное изобретение относится к системам, синтезирующим
интеллектуальные решения в виде нахождения нужного решения или пути к нему по запросу пользователя из заданной им области знания. Система содержит модуль приема запроса пользователя системы, модуль распознавания языка интерфейса с запросом пользователя, модуль создания алгоритма для формирования кода запроса, модуль формирования кода запроса, модуль формирования соответствующей коду запроса структуры баз данных, модуль формирования приоритетов для обучения нейронной сети, модуль дообучения нейронной сети по соответствующим коду запроса параметрам 1-n, нейронная сеть, модуль формирование кода ответа, модуль перевода кода ответа в язык интерфейса, модуль выдачи ответа пользователю.
Достоинством этого способа и системы является то, что они предназначены для разрешения любого технического противоречия в виде нахождения оптимальных решений с помощью системы на основе обучаемой нейронной сети, использующей принципы морфологического анализа и нечеткой логики, однако для решения поставленной в заявляемом изобретении задачи этот способ и система неприменимы.
Известна «Многоканальная автоматизированная измерительная система для мониторинга и диагностики работы дизельных судовых энергетических установок» по патенту РФ на полезную модель № 148229, опубл. 27.11.2014 г.
Многоканальная автоматизированная измерительная система содержит универсальный измерительный модуль, выполненный на базе промышленного компьютера и две группы измерительных преобразователей. В первую группу измерительных преобразователей входят датчик подводного шума, датчик воздушного шума и датчик виброускорения, установленные в контролируемых узлах диагностируемой установки. Во вторую группу измерительных преобразователей, входят датчик температуры охлаждающей жидкости, пара и выхлопных газов, а также детали и механизмы диагностируемой установки, датчик давления в топливных магистралях, датчик давления трубонадува, датчик динамического давления в цилиндрах установки и датчик частоты вращения и угла поворота, при этом измерительный модуль дополнительно содержит два блока коммутации и обработки. Обе группы преобразователей через соответствующие блоки коммутации и обработки подключены к промышленному компьютеру, включающему встроенные аналого-цифровые преобразователи с параллельным опросом данных, функцией синхронизации и устройством ввода-вывода информации.
Система осуществляет диагностику, но не решает проблему прогнозирования технического состояния.
Известна «Автоматическая система управления движением мобильного объекта и способ автоматического управления движением мобильного объекта» по патенту РФ № 2451593, опубл. 27.05.2012 г.
Способ включает в себя создание исходных баз правил нечетких продукций для множества сценариев развития ситуаций и предварительное обучение системы управления на выполнение задач, связанных с движением мобильного объекта в условиях изменяющейся окружающей среды.
По этому патенту решается задача управления движением мобильного объекта в разных ситуациях без участия человека, однако проблема диагностики при этом не затрагивается.
Известна «Система двухуровневого управления на основе нечеткой логики» по патенту на полезную модель № 117652, опубл. 27.06.2012 г.
Эта система управления предназначена для регулирования объектом, состоящим из взаимосвязанными локальных объектов управления, при изменении связей между ними. Система содержит взаимосвязанные первый и второй локальные объекты управления , блок анализа взаимосвязей, глобальный нечеткий регулятор, первый и второй локальные нечеткие регуляторы, реализующие корректирующие управления для каждого локального объекта управления с учетом количественных и качественных изменений взаимосвязей между локальными объектами управления.
Для решения поставленной в заявляемом изобретении задачи эта система неприменима.
За прототип принята «Система поддержки принятия решений с модульной структурой для операторов судов двойного действия» по патенту РФ № 2713077, опубл. 03.02.2020 г.
Система позволяет реализовать контроль, анализ, диагноз технического состояния всей сложной динамической системы, состоящей из главных, вспомогательных элементов СЭУ, элементов систем поддержания груза, элементов систем пожарной безопасности, извещателей и пожаротушения; режим движения судна, величину сопротивления движению, полезную нагрузку главной энергетической установки (ГЭУ) и прогноз метеообстановки; параметры испарения груза, режим работы установок повторного сжижения, текущее и прогнозное потребления топлива ГЭУ и вспомогательными ЭУ; выдает рекомендации оператору судна и, в случае отсутствия положительного отклика, задействует САР и ССиЗ для предотвращения развития аварийной ситуации.
Система содержит блоки контроля внутренних параметров судовой энергетической установки, включающие блок источников данных автоматизированной системы управления технологическим процессом, блок обработки данных, блок базы данных телеметрии, блок многомерной базы данных, блок формирования отчетов, блок интеллектуального анализа параметров устройств, блок базы знаний, блок автоматизированного рабочего места оператора, блок компьютерной симуляции объекта контроля, блок логической модели, блок принятия решений в условиях неопределенности, блок оповещения персонала и управления автоматизированной системой управления технологическим процессом, выполненный с возможностью автономного выполнения противоаварийных мероприятий, оповещения персонала и управления элементами судовой энергетики, а также оснащена выполненными с возможностью контроля как внутренних, так и внешних параметров модулями, каждый из которых отвечает за выполнение анализа соответствующих технологических процессов, в том числе аналитическим, интеллектуальным и логическим модулями. К недостаткам этой системы относятся: отсутствие блока комплексной автоматической диагностики; система не имеет управляющего воздействия на элементы СЭУ; является системой поддержки, а не системой управления; другими словами, данная система выполняет функции «советчика», а не «исполнителя».
ТЕХНИЧЕСКОЙ ЗАДАЧЕЙ предлагаемого изобретения является создание автоматической системы с использованием нейро-нечеткой сети,
обеспечивающей комплексную техническую диагностику и управление СЭУ отвечающей требованиям высокого уровня достоверности определения как текущего технического состояния, так и реалистичного прогноза изменения технического состояния, для определения ресурса судовых технических средств, планирования технического обслуживания и ремонта и внесения необходимых изменений в режим работы.
ТЕХНИЧЕСКИЙ РЕЗУЛЬТАТ заключается в том, что построенная система комплексного автоматического управления судовой энергетической установкой за счет использования нечетко-нейронных сетей учитывает влияние как внутренних, так и внешних возмущающих воздействий, формирует в каждый текущий момент времени полную картину технического состояния судовой энергетической установки, и выбирает оптимальный режим ее работы.
Технический результат достигается использованием совокупности как ограничительных, так и отличительных признаков предложенной системы, архитектуры построения и алгоритмов действия системы.
Для решения поставленной технической задачи и технического результата автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) содержит модуль диагностики, соединенный с интеллектуальным модулем для обработки и анализа параметров СЭУ, блок ручного ввода информации, соединенный с многомерной базой данных, включающей блок телеметрии, базу знаний, блок рабочего места оператора, контролирующий процесс и пополняющий базу данных и базу знаний , блок ручного управления, соединенный с СЭУ, блок формирования отчетов, логический модуль «ИЛИ», отличается тем, что содержит блок автоматического нейроуправления, соединенный с СЭУ, выход интеллектуального модуля подключен к логическому модулю «ИЛИ», передающему управление СЭУ непосредственно оператору или блоку автоматического нейроуправления через базу знаний, модуль диагностики включает блок комплексной диагностики элементов СЭУ от S1 до Sn , и блок сортировки различных контролируемых параметров объектов диагностики от РS1 до РSn, , которые обеспечивают синхронную передачу контролируемых параметров интеллектуальному модулю по параллельным каналам, при этом интеллектуальный модуль построен с использованием нейро-нечеткой сети, выполненной в виде многослойного перцептрона, обеспечивающей получение комплексной текущей информации о внутреннем состоянии СЭУ и внешних воздействиях на нее и формирующей объемной матрицы состояний для баз данных и баз знаний , причем многомерная база данных , включающая блок телеметрии, обеспечивает информацией базу знаний , через внутренний слой нейро-нечеткой сети, которая принимает решение о переходе в один из ключевых режимов работы СЭУ или передаче управления оператору.
Кроме того, в предложенной автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) , объектами диагностики от S1 до Sn являются элементы СЭУ: газотурбонагнетатель и воздуходувки; воздушный ресивер ; подпоршневое пространство; цилиндро-поршневая группа; выхлопной коллектор и выпускные клапаны; коленчатый вал и подшипники; гидравлика и система цилиндровой смазки; система циркуляционной смазки и вспомогательные судовые технические средства, а параметрами от РS1 до РSn являются: перепад давления на компрессоре; температура надувочного воздуха после компрессора; перепад давления на воздушном охладителе; температура надувочного воздуха после холодильника; перепад температур на турбине; давление масла, температура масла; температура подшипников газотурбонагнетателя, частота вращения газотурбонагнетателя; работа воздуходувок; температура воздуха в продувочном ресивере; давление воздуха в продувочном ресивере; загрязнённость подпоршневого пространства; температура воздуха в подпоршневом пространстве; давление сжатия; давление сгорания; определяемые по состояние поршня и колец; состояние втулки; температура выхлопных газов по цилиндрам; температура газов в выхлопном коллекторе; состояние выпускного клапана; частота вращения главного двигателя; температура подшипников; давление масла в системе; давление масла после маслоподкачивающего насоса лубрикаторов; давление масла в системе открытия выпускных клапанов; температура масла в системе смазки пар трения; давление в системе смазки; давление смазки распределительного вала; температура масла охлаждающего поршни на выходе из системы охлаждения; плотность масляного тумана; давление масла охлаждающего поршни.
Ключевыми режимами или ключевыми состояниями системы являются: «Авария», «Экология», «Ресурс», «Экономия».
СУЩНОСТЬ ИЗОБРЕТЕНИЯ заключается в следующем.
Данная система позволяет реализовать на программно-аппаратном уровне контроль, анализ, диагноз технического состояния и управление всей сложной динамической системы, состоящей из главных, вспомогательных элементов СЭУ, элементов систем поддержания груза, элементов систем пожарной безопасности, извещателей и пожаротушения, нагрузку на корпус судна, на грузовые танки, учесть величину запаса полезной мощности главной и вспомогательной энергетических установок; предполагаемые сбросы и набросы механических и электрических нагрузок; взаимные зависимости температурных режимов двигателя, груза и метеорологической обстановки; режим движения судна, величину сопротивления движению, полезную нагрузку главной энергетической установки (ГЭУ) и прогноз метеообстановки; параметры испарения груза, режим работы установок повторного сжижения, текущее и прогнозное потребления топлива ГЭУ и вспомогательными ЭУ; ледовую обстановку, параметры оледенения судна и пр.
Модульная структура системы обеспечивает процедуру сбора, накопления, передачи и централизации диагностических и функциональных параметров элементов СЭУ. В условиях реальной эксплуатации судна, при любом предусмотренном для эксплуатируемого типа судов режиме (ходовом, маневренном, движении во льдах и т.д.), производится непрерывный сбор информации от всех датчиков, установленных на судовой энергетической установке, а также от датчиков, отражающих внешние условия работы (температура наружного воздуха, влажность, скорость и направление ветра, волнение моря и др.).
Вся информация от датчиков поступает на модуль диагностики, где , благодаря совместной работе блока диагностики и блока сортировки, обрабатывается и сортируется по принадлежности к подсистемам и узлам судовой энергетической установки и синхронно, по нескольким параллельным каналам, передается на интеллектуальный модуль.
Введение модуля диагностики позволяет в рабочем режиме, при движении, проводить непрерывный контроль состояния узлов и механизмов СЭУ.
Объектами диагностики (ОД) являются подсистемы, узлы судовой энергетической установки, протекающие в них технологические процессы и воздействие на них внешних факторов.
Интеллектуальный модуль содержит нейро-нечеткую сеть, построенную по типу многослойного перцептрона. Наружный слой нейронов модуля осуществляет фаззификацию параметров - приведение четкого множества параметров объектов диагностики к нечетким значениям, выражающимися в
форме качественных оценок: «недостаточный уровень охлаждения», «приемлемая температура» и т.д. Эти значения, в соответствии с весовыми коэффициентами, поступают на внутренний слой нейро-нечеткой сети таким образом, что на каждый нейрон поступают сигналы от всех нейронов первого слоя и сигнал на выходе каждого нейрона будет равен сумме
где ϕi (x) - сигнал от i-того нейрона, θi - весовой коэффициент от -1 до +1, для выхода каждого из нейронов первого слоя.
Внутренний слой осуществляет формирование многомерной матрицы состояний ОД в соответствии с весовыми коэффициентами с учетом взаимного влияния диагностических параметров каждой группы на другие группы. Этим формируется матрица состояний каждого объекта диагностики, через которую информация от многомерной базы данных с блоком телеметрии поступает на базу знаний. Эта матрица постоянно пополняет базу знаний, тем самым выполняется условие «самообучения» системы.
Многомерная база данных состоит из множества характеристик, отвечающих различным нормальным и предельным техническим состояниям элементов и систем СЭУ при определенных режимах работы, в которых устройство подвергается диагностированию
База знаний содержит матрицу возможных управляющих воздействий на объект диагностики для приведение его в нормальное состояние.
Блок многомерной базы данных и телеметрии соединен с выходом нейро-нечеткой сети, и блоком ручного ввода информации, то есть образуется обратная связь, которая также обеспечивает обучение системы.
Сумма выходных весов каждого нейрона скрытого слоя является частью вероятности наступления каждого состояния и в сумме дают 1:
WвыхN1 = WаварияN1 + WэкологияN1 + WресурсN1 + WэкономияN1 = 1
Нейроны внешнего слоя выхода производят определение наибольшего веса входного сигнала, помноженного на коэффициент приоритета (наибольший для «аварии», затем «экология» и т.д.) в соответствии с заданным алгоритмом.
Далее, интеллектуальный модуль путем перекрестного анализа матрицы состояний «базы знаний» и матрицы возможных управляющих воздействий формирует сигнал, который подается на вход логического модуля «ИЛИ», передающего управление блоку автоматического нейроуправления через базу знаний или блоку автоматического рабочего места оператора, с одновременным подключением блока формирования отчетов для ручного режима управления.
При этом наружный слой нейронов, с учетом взаимного влияния диагностических параметров каждой группы на другие группы и матрицы состояний и прогнозирует влияние каждого внутреннего и внешнего диагностического параметра на вероятность перехода ОД в какое-либо из возможных ключевых режимов.
Внутренний слой (обозначен пустыми окружностями, соединенных пунктирной стрелой) формирует многомерную матрицу состояний объекта.
Каждый из элементов матрицы соответствует конкретному состоянию объекта диагностики, связанному посредством его координат с группами требуемых действий для управления его функционированием.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ ПОЯСНЯЕТСЯ ГРАФИЧЕСКИ.
На фиг. 1 изображена предлагаемая система, где показано:
1 - модуль диагностики , соединенный с интеллектуальным модулем 2 для обработки и анализа параметров СЭУ;
2 - интеллектуальный модуль;
3 - блок ручного ввода информации , соединенный с многомерной базой данных, включающей блок телеметрии;
4 - многомерная база данных, включающая блок телеметрии;
5 - база знаний ;
6 - блок рабочего места оператора , контролирующий процесс и пополняющий базу данных 4 и базу знаний 5;
7 - блок ручного управления , соединенный с СЭУ;
8 - блок формирования отчетов;
9 - логический модуль «ИЛИ»;
10 - блок автоматического нейроуправления, соединенный с СЭУ;
11 - блок комплексной диагностики элементов;
12 - блок сортировки.
Выход интеллектуального модуля 2 подключен к логическому модулю 9 «ИЛИ», передающему управление СЭУ непосредственно оператору 6 или блоку автоматического нейроуправления 10 через базу знаний 5.
Модуль диагностики 1 включает блок комплексной диагностики 11 элементов СЭУ от S1 до Sn и блок сортировки 12 различных контролируемых параметров объектов диагностики от РS1 до РSn .
Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой РАБОТАЕТ СЛЕДУЮЩИМ ОБРАЗОМ.
На предварительном этапе производится накопление актуальных данных о состоянии системы и параметрах внешней среды при различных режимах движения судна, в многомерной базе данных 4 и базе знаний 5, а также обработка собранных данных и формулирование прогноза состояния исследуемых систем в модуле диагностики 1 на некоторый период вперед.
Для сбора оперативной информации с объектов диагностики ОД используется один из наиболее распространенных протоколов, применяющихся в промышленной автоматизации и централизации - это Modbus с возможностью использования различных видов последовательных линий связи - EIA-485, EIA -422, EIA -232 и пр., а также сетей TCP/IP (Modbus TCP).
Через блок ручного ввода информации 7 в многомерную базу данных 4 передаются сведения о различных характеристиках, отвечающих различным нормальным и предельным техническим состояниям элементов и систем СЭУ при определенных режимах работы, в которых устройство подвергается диагностированию. Главное условие корректного функционирования СЭУ - отличия характеристик при различных предельных состояниях. Если две различные неисправности имеют одинаковые признаки, их распознавание будет невозможным и блок комплексной диагностики 12 выдаст перечень возможных неисправностей. Это же касается и построения прогноза развития ситуации. Подготовка многомерной базы данных 4, по которой нейро-нечеткая сеть будет обучаться, а в последующем использоваться и пополняться база знаний 5 нечеткой нейронной сетью (собственно диагностирование неисправностей, прогноз развития аварийных ситуаций), требует проведения измерений, которые однозначно свидетельствуют о фактическом состоянии объектов диагностики.
При этом выделяются те фрагменты характеристик, которые отличаются друг от друга. Для достижения этой цели выполняются различные математические операции, в том числе - нелинейные, по всей базе данных.
Модуль диагностики 1 осуществляет непрерывный контроль диагностических параметров, которые затем сортируются блоком сортировки 11 в соответствии с принадлежностью к группам , характеризующим отдельные объекты диагностики СЭУ.
Наружный слой нейронов нечетко-нейронной сети осуществляет фаззификацию параметров - приведение четкого множества к нечетким значениям. Внутренний слой осуществляет формирование многомерной матрицы состояний ОД в соответствии с весовыми коэффициентами с учетом взаимного влияния диагностических параметров каждой группы на другие группы. Эта матрица постоянно пополняет базу знаний 5, тем самым выполняется условие самообучения системы.
Нейроны внешнего слоя выхода производят определение наибольшего веса входного сигнала, помноженного на коэффициент приоритета (наибольший для ключевого режима «авария», затем «экология», «ресурс», «экономия») в соответствии с заданным алгоритмом.
Далее интеллектуальный модуль 2 путем перекрестного анализа матрицы состояний базы знаний 5 и матрицы возможных управляющих воздействий базы знаний 5 формирует сигнал, который через логический модуль «ИЛИ» 9 и базы знаний 5 подается на блок автоматического нейроуправления 10, или на блок автоматического рабочего места оператора 6 и блок формирования отчетов 8.
Многомерная база данных 4 работает в параллели с базой знаний 5, постоянно обновляющейся в соответствии со всей многовариантностью состояний ОД в условиях реальной эксплуатации с привязкой к характеристикам конкретного судна.
Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой позволяет:
- улучшить экономические и экологические показатели эксплуатации СЭУ;
- сократить расходы на приобретение специального диагностического оборудования;
- уменьшить затраты за счет снижения численности экипажа, перехода на техническое обслуживание и ремонт по состоянию;
- повысить ресурс судовых технических средств;
- избежать развития непредвиденных и аварийных ситуаций;
- снизить влияние «человеческого фактора».
Claims (4)
1. Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) содержит модуль диагностики, соединенный с интеллектуальным модулем для обработки и анализа параметров СЭУ, блок ручного ввода информации, соединенный с многомерной базой данных, включающей блок телеметрии, базу знаний, блок рабочего места оператора, контролирующий процесс и пополняющий базу данных и базу знаний, блок ручного управления, соединенный с СЭУ, блок формирования отчетов, логический модуль «ИЛИ», отличающаяся тем, что содержит блок автоматического нейроуправления, соединенный с СЭУ, выход интеллектуального модуля подключен к логическому модулю «ИЛИ», передающему управление СЭУ непосредственно оператору или блоку автоматического нейроуправления через базу знаний, модуль диагностики включает блок комплексной диагностики элементов СЭУ от S1 до Sn и блок сортировки различных контролируемых параметров объектов диагностики от PS1 до PSn, которые обеспечивают синхронную передачу контролируемых параметров интеллектуальному модулю по параллельным каналам, при этом интеллектуальный модуль построен с использованием нейро-нечеткой сети, выполненной в виде многослойного перцептрона, обеспечивающей получение комплексной текущей информации о внутреннем состоянии СЭУ и внешних воздействиях на нее и формирующей объемной матрицы состояний для баз данных и баз знаний, причем многомерная база данных, включающая блок телеметрии, обеспечивает информацией базу знаний через внутренний слой нейро-нечеткой сети, которая принимает решение о переходе в один из ключевых режимов работы СЭУ или передаче управления оператору.
2. Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) по п. 1, отличающаяся тем, что объектами диагностики от S1 до Sn являются элементы СЭУ: газотурбонагнетатель и воздуходувки; воздушный ресивер; подпоршневое пространство; цилиндро-поршневая группа; выхлопной коллектор и выпускные клапаны; коленчатый вал и подшипники; гидравлика и система цилиндровой смазки; система циркуляционной смазки и вспомогательные судовые технические средства.
3. Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) по п. 1, отличающаяся тем, что параметрами от PS1 до PSn являются: перепад давления на компрессоре; температура надувочного воздуха после компрессора; перепад давления на воздушном охладителе; температура надувочного воздуха после холодильника; перепад температур на турбине; давление масла, температура масла; температура подшипников газотурбонагнетателя, частота вращения газотурбонагнетателя; работа воздуходувок; температура воздуха в продувочном ресивере; давление воздуха в продувочном ресивере; загрязнённость подпоршневого пространства; температура воздуха в подпоршневом пространстве; давление сжатия; давление сгорания; определяемые по состоянию поршня и колец; состояние втулки; температура выхлопных газов по цилиндрам; температура газов в выхлопном коллекторе; состояние выпускного клапана; частота вращения главного двигателя; температура подшипников; давление масла в системе; давление масла после маслоподкачивающего насоса лубрикаторов; давление масла в системе открытия выпускных клапанов; температура масла в системе смазки пар трения; давление в системе смазки; давление смазки распределительного вала; температура масла, охлаждающего поршни, на выходе из системы охлаждения; плотность масляного тумана; давление масла, охлаждающего поршни.
4. Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой (СЭУ) по п. 1, отличающаяся тем, что ключевыми режимами или ключевыми состояниями системы являются: «Авария», «Экология», «Ресурс», «Экономия».
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020121876A RU2737457C1 (ru) | 2020-06-26 | 2020-06-26 | Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020121876A RU2737457C1 (ru) | 2020-06-26 | 2020-06-26 | Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2737457C1 true RU2737457C1 (ru) | 2020-11-30 |
Family
ID=73792652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020121876A RU2737457C1 (ru) | 2020-06-26 | 2020-06-26 | Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2737457C1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2774129C1 (ru) * | 2021-11-23 | 2022-06-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Система автоматического выбора топливных режимов для судовых двухтопливных двигателей внутреннего сгорания |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6272479B1 (en) * | 1997-07-21 | 2001-08-07 | Kristin Ann Farry | Method of evolving classifier programs for signal processing and control |
| RU2343088C2 (ru) * | 2006-05-15 | 2009-01-10 | Федеральное государственное образовательное учреждение Государственная Морская Академия им. адмирала С.О. Макарова | Устройство управления судовой энергетической дизельной установкой |
| WO2013127998A1 (en) * | 2012-03-01 | 2013-09-06 | Nuovo Pignone S.R.L. | Method and system for diagnostic rules for heavy duty gas turbines |
| RU148229U1 (ru) * | 2014-05-15 | 2014-11-27 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг России) | Многоканальная автоматизированная измерительная система для мониторинга и диагностики работы дизельных судовых энергетических установок |
| RU2713077C1 (ru) * | 2019-05-06 | 2020-02-03 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Система поддержки принятия решений с модульной структурой для операторов судов двойного действия |
-
2020
- 2020-06-26 RU RU2020121876A patent/RU2737457C1/ru active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6272479B1 (en) * | 1997-07-21 | 2001-08-07 | Kristin Ann Farry | Method of evolving classifier programs for signal processing and control |
| RU2343088C2 (ru) * | 2006-05-15 | 2009-01-10 | Федеральное государственное образовательное учреждение Государственная Морская Академия им. адмирала С.О. Макарова | Устройство управления судовой энергетической дизельной установкой |
| WO2013127998A1 (en) * | 2012-03-01 | 2013-09-06 | Nuovo Pignone S.R.L. | Method and system for diagnostic rules for heavy duty gas turbines |
| US20150066418A1 (en) * | 2012-03-01 | 2015-03-05 | Nuovo Pignone Srl | Method and system for advising operator action |
| RU148229U1 (ru) * | 2014-05-15 | 2014-11-27 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг России) | Многоканальная автоматизированная измерительная система для мониторинга и диагностики работы дизельных судовых энергетических установок |
| RU2713077C1 (ru) * | 2019-05-06 | 2020-02-03 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Система поддержки принятия решений с модульной структурой для операторов судов двойного действия |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2774129C1 (ru) * | 2021-11-23 | 2022-06-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Система автоматического выбора топливных режимов для судовых двухтопливных двигателей внутреннего сгорания |
| RU2821616C1 (ru) * | 2023-12-04 | 2024-06-25 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Система самообучения интеллектуальных агентов управления судовым двигателем |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lazakis et al. | Predicting ship machinery system condition through analytical reliability tools and artificial neural networks | |
| Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
| Garga et al. | Hybrid reasoning for prognostic learning in CBM systems | |
| Liu et al. | Fault detection, diagnostics, and prognostics: software agent solutions | |
| CN108304661A (zh) | 基于tdp模型的诊断预测方法 | |
| Chen et al. | Dynamic predictive maintenance scheduling using deep learning ensemble for system health prognostics | |
| Han et al. | Fault prognostics using LSTM networks: application to marine diesel engine | |
| CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN112785183B (zh) | 一种分层融合式车辆分队健康管理系统架构 | |
| CN115526375A (zh) | 一种航天装备预测性维护系统 | |
| Ramezani et al. | Prognostics and health management in machinery: A review of methodologies for RUL prediction and roadmap | |
| Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
| DePold et al. | The application of expert systems and neural networks to gas turbine prognostics and diagnostics | |
| Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
| Li et al. | A decision-based framework for predictive maintenance technique selection in industry 4.0 | |
| Greitzer et al. | Embedded prognostics health monitoring | |
| RU2737457C1 (ru) | Автоматическая система с нейро-нечеткой сетью для комплексной технической диагностики и управления судовой энергетической установкой | |
| Amrutha et al. | Aircraft engine fuel flow parameter prediction and health monitoring system | |
| Dikis et al. | Dynamic predictive reliability assessment of ship systems | |
| Raptodimos et al. | An artificial neural network approach for predicting the performance of ship machinery equipment | |
| CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
| CN112785074B (zh) | 一种基于深度学习的装备维护修理时机确定系统及方法 | |
| Raptodimos et al. | Collection and analysis of data for ship condition monitoring aiming at enhanced reliability & safety | |
| Jeon et al. | Datasets envelope impact on marine engines prognostics and health management models accuracy |