автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Идентификация технического состояния технологического оборудования на основе нейросетевой модели

кандидата технических наук
Нусс, Сергей Викторович
город
Пермь
год
2009
специальность ВАК РФ
05.13.06
цена
450 рублей
Диссертация по информатике, вычислительной технике и управлению на тему «Идентификация технического состояния технологического оборудования на основе нейросетевой модели»

Автореферат диссертации по теме "Идентификация технического состояния технологического оборудования на основе нейросетевой модели"

На правах рукописи

НУСС Сергей Викторович

ИДЕНТИФИКАЦИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ

05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

□034Э08 1 1

Пермь 2009 г.

003490811

Работа выполнена в Пермском государственном техническом универси-

тете

Научный руководитель:

доктор технических наук, профессор

Динкель Альфред Данилович

Научный консультант:

кандидат технических наук, доцент Сажин Рудольф Алексеевич

Официальные оппоненты:

доктор технических наук, профессор Аликин Владимир Николаевич

кандидат технических наук Кокорин Андрей Евгеньевич

Ведущая организация:

ЗАО «Энергосервис», г. Пермь.

Защита состоится «19» февраля 2010 г. в 15.00 часов на заседании диссертационного совета Д 212.188.04 при Пермском государственном техническом университете по адресу: 614990, г. Пермь, Комсомольский пр., 29, ауд. 222.

С диссертацией можно ознакомиться в научной библиотеке Пермского государственного технического университета.

Автореферат разослан «/3 » 20/1 г.

Ученый секретарь диссертационного совета ' ] / А А Южаков

доктор технических наук, профессор "

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время на большей части промышленных предприятий применяется стратегия управления техническим состоянием оборудования на основе планово-предупредительных ремонтов. Эта стратегия получила наибольшее распространение в нашей стране. Она обеспечивает поддержание необходимого уровня надежности оборудования, но имеет серьезный недостаток - при планировании технического обслуживания фактическое состояние оборудования практически не учитывается. В настоящее время становится очевидным, что для повышения эффективности функционирования предприятия актуальным является переход к более прогрессивной стратегии обеспечения эксплуатационной надежности на основе выполнения ремонтных мероприятий, проводимых по фактическому состоянию. Основу такой стратегии составляет достоверная и оперативная информация о техническом состоянии оборудования.

Современный уровень развития средств измерения позволяет получать информацию о значениях подавляющего большинства параметров оборудования непосредственно в процессе его эксплуатации под нагрузкой. Совершенствованию методов и моделей идентификации технического состояния оборудования особое внимание уделено в работах A.A. Панкратова, H.H. Портнягина, О.Ф. Машошина, Н.Р. Байемани, C.B. Жернакова, В.В. Молчанова, А.Г. Ивах-ненко, В.Ю. Тэттэра, А.Г. Кобякова, A.M. Завьялова, A.B. Шафрыгина, A.JI. Карташова, A.A. Гусарова, A.M. Акимова, С.П. Сущева, М.В. Калачинско-ва, С.Г. Каминского, B.JI. Мартыновича, С.Н. Костаревой. Вместе с тем теоретическая база идентификации технического состояния разработана не в полной мере.

Существующие методики идентификации технического состояния в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть определенных свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. В сложившейся ситуации актуальной является разработка нейросетевой модели идентификации технического состояния оборудования. Реализация этой модели в составе специализированной автоматизированной системы идентификации технического состояния технологического оборудования позволит повысить качество и оперативность обслуживания оборудования, снизить затраты на проведении ремонтных работ.

Целью диссертации является разработка и реализация автоматизированной системы идентификации технического состояния технологического оборудования.

Задачи диссертации. В соответствии с поставленной целью решаются следующие задачи:

- анализ стратегий управления техническим состоянием оборудования;

- исследование нейросетевых моделей и их теоретическое обоснование для идентификации технического состояния оборудования;

- разработка нейросетевой модели идентификации технического состояния технологического оборудования и алгоритма ее обучения причинно-следственным связям между параметрами оборудования и его техническим состоянием;

- разработка структурной модели автоматизированной системы идентификации технического состояния оборудования;

- разработка принципов организации архитектур адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

- разработка программного приложения, реализующего идентификацию технического состояния технологического оборудования.

Объект исследования - методы и системы контроля технического состояния технологического оборудования.

Предмет исследования - идентификация технического состояния технологического оборудования с применением нейросетевого моделирования.

Методы исследования базируются на теории кодирования, математической статистике, методах аналитического и имитационного моделирования. В работе использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Научная новизна результатов диссертационной работы заключается в разработке теоретических основ создания нейросетевой модели автоматизированной системы идентификации технического состояния технологического оборудования, включающих:

- обоснование применения определенного класса нейросетевых методов;

- правила по формированию структуры нейросетевой модели (число слоев, количество нейронов в слое, взаимосвязь нейронов между собой);

- алгоритм обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

- архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния.

На защиту выносятся следующие основные положения:

- теоретическое обоснование нейросетевых моделей и результаты их исследований для идентификации технического состояния оборудования;

- разработанная нейросетевая модель идентификации технического состояния технологическогооборудования и алгоритм ее обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

- разработанные принципы организации и архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

- разработанная структурная модель автоматизированной системы идентификации технического состояния оборудования;

- разработанное программное приложение, реализующее идентификацию технического состояния технологического оборудования.

Достоверность и обоснованность выводов и результатов работы подтверждаются применением известных научных методов теории управления, теории систем и аттестованных общепризнанных методик измерений, результатами натурального и вычислительного эксперимента.

Практическая значимость работы. Основные теоретические результаты диссертационной работы использованы при разработке программного приложения по идентификации технического состояния силовых маслонаполнен-ных трансформаторов «А51Т-№009». Приложение позволяет выполнять оценку технического состояния силовых маслонаполненных трансформаторов и планировать их обслуживание по техническому состоянию.

Внедрение результатов работы. Разработанное в работе программное приложение «А51Т-М2009» внедряется в промышленную эксплуатацию на электрических станциях Пермского филиала ОАО «Территориальная генерирующая компания № 9».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих семинарах, конференциях и научно-технических сессиях: научно-техническая конференция Горно-нефтяного факультета ГОУ ВПО «ПГТУ» (г. Пермь, 2005-2007 гг.); Международная научно-техническая конференция «Методы и средства оценки состояния энергетического оборудования» (г. Санкт-Петербург, 2006 г.), И Международная научная конференция «Тинчуринские чтения» (г. Казань, 2007 г.).

Публикации. По теме диссертации опубликовано 11 работ, в том числе 4 работа по списку ВАК (в т.ч. 3 публикации в журналах ВАК по смежным тематикам).

Структура и объем диссертации. Работа состоит из введения, четырех глав, заключения, библиографического списка (153 наименования). Общий объем диссертации составляет 147 страницы, в том числе: 72 рисунка; 19 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи работы, раскрыты научная новизна и практическая ценность результатов работы, сформулированы положения, выносимые на защиту.

В первой главе выполнен анализ стратегий управления техническим состоянием; проведен обзор работ, опубликованных в отечественной и зарубежной литературе, посвященных организации идентификации технического состояния технологического оборудования; выполнен анализ существующих подходов и методов организации систем идентификации технического состояния; поставлены основные цели и задачи проводимого исследования и намечены предполагаемые пути их решения.

Установлено, что в настоящее время для повышения эффективности функционирования предприятия необходим переход к более прогрессивной стратегии обеспечения эксплуатационной надежности на основе выполнения ремонтных мероприятий, проводимых по фактическому состоянию. Основу такой стратегии составляет достоверная и оперативная информация о техническом состоянии оборудования.

Применение исключительно методов контроля технического состояния в недостаточной степени обеспечивает надлежащий уровень оперативности оценки технического состояния оборудования. В этом случае целесообразно применение специализированных автоматизированных систем, обеспечивающих контроль и идентификацию технического состояния.

Применяемые в настоящее время в промышленности системы идентификации технического состояния рассчитаны на оценку технического состояния отдельных узлов и элементов оборудования определенного типа. Заложенные в таких системах специализированные математические модели описывают лишь часть свойств и режимов работы определенного типа моделируемого объекта. Распространение таких моделей на объекты других типов крайне затруднительно.

Показано, что для успешного практического решения задачи оперативного контроля и идентификации технического состояния технологического оборудования целесообразно применение методов, основанных на применении ЭВМ, обладающих достаточной точностью, гибкостью и способностью к «обучению» полученных моделей, - методов искусственного интеллекта (теория искусственных нейронных сетей). В отличие от традиционных математических методов, требующих на каждом шаге моделирования точных и однозначных формулировок закономерностей, нейронные сети позволяют оперировать с «размытой», нечеткой информацией, лингвистическими переменными, когда постулирован лишь минимальный набор закономерностей. Полученные на их основе математические модели обладают достаточной степенью универсальности.

Во второй Главе рассмотрена формализация задачи идентификации технического состояния; выполнен анализ классов нейросетевых методов; предложены правила формирования структуры многослойного персептрона для решения задачи идентификации технического состояния технологического оборудо-

6

вания, проведено их теоретическое обоснование; предложен новый алгоритм обучения многослойного персептрона взаимосвязи между параметрами оборудования и его техническим состоянием.

В предложенной формализации задача идентификации технического состояния технологического оборудования сведена к классификации технических состояний оборудования на основе соотношения значений его параметров. Установлено, что ее успешное решение может быть получено при использовании следующих двух наиболее распространенных классов нейросетевых методов: многослойного персептрона и RBF-сети. Выполненный в программном приложении ST Neural Networks сравнительный анализ эффективности применения этих двух классов нейросетевых методов установил, что при равном количестве входных параметров и при равенстве критериев точности в REF-сети требуется большее число нейронов, нежели в многослойном персептроне. Это ведет к значительному росту временных затрат на решение задачи. Существенным недостатком многослойного персептрона является более низкая скорость обучения, что обусловливается одновременным обучением нескольких слоев нейронов. Но при разовости процедуры обучения нейросетевой модели этот недостаток является незначительным и в совокупности с модифицированными алгоритмами обучения его влияние сводится к минимуму (рис. 1). По результатам анализа было принято решение использовать в качестве нейросетевой модели идентификации технического состояния технологического оборудования многослойный персептрон (рис. 2).

X 100

I 's 0.80

i |0.60 ta я

a f 0-40

с о

« I 0.20 § * 0.00

3 1-00

в =0.80 a 3 g §0.60 Û3 s

S, "f0.40

с о g ¡0,20 © S *0.00

1 3 11 13 15 17 19 21 Количество нейронов в скрытом слое а

3 11 13 15 17 19 21 Количество нейронов в скрытом слое в

11 203 239 254 256 258 Количество нейронов в скрытом слое

11 203 239 254 256 258 Количество нейронов в скрытом слое

Рис. 1. Сравнительный анализ: зависимость доли правильных классификаций от числа нейронов в скрытом слое многослойного персептрона (а), сети радиального базиса (5); зависимость времени обучения от числа нейронов в скрытом слое многослойного персептрона (в), сети радиального (в).

Вход !

(параметры__>4-

оборудования) 1 --к*-

I Выход _^(код технического

; СОСТОЯНИЯ)

¡1-Й СЛОЙ ; 2-Й слой ; 3-Й СЛОЙ

14-^-м-

Рис. 2. Многослойный персептрон: 1,2- формальные нейроны различных слоев Многослойный персептрон представляет собой множество взаимосвязанных друг с другом формальных нейронов (рис. 3). Формальный нейрон - алгоритмическая структура, вычисляющая сумму 5 произведений { входных сигналов Х=(х\,х1, ..., х,) (параметров электротехнического оборудования) на соответствующие им весовые коэффициенты Ш= (му 1, ..., щ) с учетом некоторого смещения 1¥0 и в дальнейшем преобразующего ее через некоторую функцию активации /(5) в выходной сигнал (рис. 3).

1

«г* х] ■Н>1

1 1

1 х2 •

1 1

х. . ! ..

Входы |

/

1=1

у=т

Выход

Рис. 3. Модель формального нейрона: 1 - синапс; 2 - адаптивный сумматор; 3 - нелинейный преобразователь

Таким образом, математическая модель многослойного персептрона описывается выражением

"(О

Уц=ЛЫ (2)

где и(г) - число входов нейрона; Уц - входной сигнал нейрона г в слое I; - /й весовой коэффициент синапса у'-го нейрона слоя /; - величина смещения /-го нейрона слоя /; 5,-./ - сигнал _/-го нейрона в слое I.

Для решения задачи идентификации необходимо определить его структуру. Формирование структуры предлагается выполнять исходя из следующих правил.

Число нейронов входного и выходного слоя модели. Нейроны входного слоя обеспечивают ввод сигнала и его распространение внутри персептрона. Таким образом, число нейронов входного слоя должно соответствовать числу параметров, характеризующих техническое состояние оборудования. Количество нейронов в выходном слое нейросетевой модели определяется способом кодирования технических состояний оборудования. Анализ способов кодирования технических состояний проведен в третьей главе.

Число слоев в модели. Проведенный анализ литературных источников установил, что многослойный персептрон, с одним скрытым слоем, содержащим И нейронов со ступенчатой функцией активизации, способен осуществлять произвольную классификацию Ы точек с? - мерного пространства (т.е. классифицировать Ы примеров). Более того, одного скрытого слоя нейронов с сиг-моидальной функцией активации достаточно для аппроксимации любой границы между классами или некоторой функцией со сколь угодно высокой точностью [192]. Вследствие этого для решения задачи идентификации технического состояния технологического оборудования достаточно применить многослойный персептрон с одним скрытым слоем.

Число нейронов скрытого слоя. Количество нейронов в сети определяет форму поверхности, разделяющей пространство параметров технических состояний технологического оборудования. Для определения числа нейронов скрытого слоя предложен алгоритм оптимизации их числа по средней ошибке на независимой контрольной выборке.

На первом шаге алгоритма формируется многослойный персептрон с заведомо недостающей мощностью скрытого слоя и производится его обучение до момента, когда ошибка стабилизируется и перестанет убывать.

На втором шаге добавляется один нейрон, весовые коэффициенты связей этого нейрона инициируются случайными малыми значениями, весовые коэффициенты старых нейронов остаются неизменными.

На третьем шаге выполняется обучение нейросетевой модели до момента, когда ошибка стабилизируется и перестанет убывать.

На четвертом шаге шаги 2, 3 выполняются до тех пор, пока значение средней ошибки на независимом тестовом множестве не пройдет через минимум. По достижении минимума - конец.

Прохождение значения средней ошибки на независимом тестовом множестве через минимум является надежным критерием остановки модификации сети, так как свидетельствует о переобученное™, вызванной чрезмерным усложнением сети. Недостатком предложенного алгоритма оптимизации является необходимость многократного построения сети с различным числом нейронов в скрытом слое и ее обучения. Однако этот недостаток является незначительным ввиду разовости процедуры обучения применительно к нейросетевой модели идентификации технического состояния технологического оборудования.

Обучение многослойного персептрона, как правило, предполагает применение в достаточной степени изученного алгоритма обратного распространения ошибки. Для обучения используются обучающие примеры, представляющие

собой пары (X, £>). Каждая пара включает в себя множество значений входных сигналов X (образуют вход нейронной сети) и соответствующий вектор желаемых выходных данных О (значения нейронов выходного слоя сети). В основе обучения заложена минимизация некоторой целевой функции, зависящая от параметров нейронов и множества обучающих примеров. В качестве минимизируемой целевой функции ошибки многослойного персептрона зачастую принимают функцию вида

где 57} (к) - желаемый выход нейрона у'-го выходного слоя для к-го образца эталонного множества; У]±(к) - фактический выход нейрона 7-го выходного слоя Ь при подаче на вход сети к-то образца из эталонного множества.

Функция (3), как правило, минимизируется методом градиентного спуска - алгоритм обратного распространения ошибки. Алгоритм предполагает безусловный расчет значения целевой функции и последующую корректировку весовых коэффициентов многослойного персептрона, в случае если ее значение превышает некоторую заданную величину. Для повышения эффективности обучения многослойного персептрона причинно-следственным связям между техническим состоянием и параметрами оборудования выполнена следующая модификация алгоритма: расчет значения целевой функции и последующая корректировка весовых коэффициентов многослойного персептрона выполняются только в случае формирования на выходе нейронной сети ошибочного кода технического состояния. Предлагаемый подход позволяет снизить время обучения многослойного персептрона и повысить долю правильных классификаций технических состояний по следующим причинам.

1. Снижается количество итераций алгоритма, что ведет, в свою очередь, к снижению времени обучения.

2. В эталонном множестве (множество значений технических параметров с соответствующими им техническими состояниями, используемое в качестве исходных данных алгоритма) число примеров, соответствующих различным техническим состояниям, различное. Поэтому могут иметь место случаи, когда определенное техническое состояние будет представлено незначительным числом примеров в эталонном множестве. В этом случае при минимизации ошибки выхода многослойного персептрона в классическом алгоритме обратного распространения пренебрегают их правильной классификацией ради уменьшения среднеквадратичной ошибки, определяемой наибольшим числом обучающих примеров. Модификация алгоритма позволит этого избежать.

Результаты сравнительного анализа, предложенного в работе модернизированного алгоритма, по сравнению с алгоритмом обратного распространения ошибки подтверждают его эффективность (рис. 4).

(3)

оа о

£ Й 8 са с*. ° га Н X О. £1 К ска

3 X ^

К Я

3 ц

^ 8

5

1.20 1.00 0.80 0.60 0.40 0.20 0.00

23456789 Количество нейронов в скрытов слое 0 классический алгоритм □ модифицированный алгоритм

а

0.00

0.92 ¡Ш" ~ 0.99 0.98 о 98 0.99 -Л90-»¿Н-0.41 (ьи-——0^3 г!-.-^'92 гп »ДД

031 0.3 8

0.00

123456789 Количество нейронов в скрытом слое ® классический алгоритм В модифицированный алгоритм

10

Рис. 4. Сравнение классического алгоритма обучения многослойного персеп-трона с модифицированным алгоритмом: а - время; б - доля правильно определенных технических состояний после обучения

В третьей главе проведен анализ программных средств обеспечивающих построение нейросетевых моделей, разработку программных приложений и даны их оценки применительно к рассматриваемой задаче; разработаны принципы построения и архитектуры баз данных и баз знаний системы идентификации технического состояния; предложены алгоритмы кодирования технических состояний и нормирования значений параметров оборудования; разработана структурная модель автоматизированной системы идентификации технического состояния технологического оборудования.

По результатам анализа требований, предъявляемых на промышленных предприятиях к учету установленного оборудования и регистрации его параметров (полученных в ходе его эксплуатации, испытаний), иерархии, присущей нейросетевой модели, разработана структурная модель автоматизированной системы идентификации технического состояния технологического оборудования (рис. 5).

Структура и состав аппаратной части в значительной степени зависит от предъявляемых на каждом конкретном промышленном предприятии технико-экономических и метрологических требований к системам автоматизации. Вследствие этого вопрос построения аппаратной части в работе не рассмотри-вался.

Уровень пользователей

Пользователи системы

Интерфейс системы

Программный уровень

! Статистика ! параметров и со-| ответствующнх | им технических | состояний | (формирование обучающего множества)

Измеренные в ходе эксплуатации, сервиса, обследования значения параметров оборудования

Модуль

регистрации

параметров

База данных параметров оборудования

Табл.: В(1е

т

Табл.: В<Ьув

т

Табл.: Варг

I

Табл.:

ва^

Модуль

предварительной

обработки

данных

Процедура кодирования

Процедура нормирования

Модуль

нейронных

структур

База данных параметров нейросетевой модели

Табл.: ВШе(

X

Табл.: ВВ1ауег

т

Процедура конфигурирования нейросетевой модели

Процедура -нейросетевая модель

Табл.: ВБпег

Табл.- ВБлу

Процедура декодирования технического состояния

Рис. 5. Структурная модель автоматизированной системы идентификации технического состояния

технологического оборудования 12

Программная часть состоит из взаимосвязанных программных модулей, каждый из которых определяет работу приложения с одной стороны, а с другой, имеет определенное функциональное назначение.

Модуль регистрации параметров - сбор технических параметров силового маслонаполненного трансформатора (результат работы - база технических параметров маслонаполненного трансформатора). В основе модуля заложена база данных учета оборудования и регистрации его параметров. В состав базы данных входят следующие таблицы данных: Bde - таблица, содержащая перечень технологического оборудования; Bdsys - таблица, содержащая перечень систем и узлов единицы оборудования; Bdpr - таблица данных, которая обеспечивает хранение зарегистрированных технических параметров для узла или системы; В dut - таблица данных с эталонным множеством (значений технических параметров с соответствующими им техническими состояниями, используется в алгоритме обучения). Структура базы данных (см. рис. 5) позволяет организовать адресное формирование, обучение, хранение параметров обученной нейросетевой модели для определенного типа технологического оборудования.

Модуль предварительной обработки параметров — проверка на противоречивость, нормирование значений входных параметров.

Для проверки на противоречивость разработаны SQL - запросы.

В основе алгоритма нормирования значений входных параметров положено выражение

где х, о2- среднее арифметическое и дисперсия выборки. Такой подход не приводит гарантированно нормированную величину к интервалу [0;1], более того, максимальный разброс значений х,- заранее не известен. Но, поскольку требований к интервалу входных значений многослойного персептрона не предъявляется, этот недостаток является не существенным.

Модуль нейронных структур предназначен для: автоматического формирования структуры нейросетевой модели; обучения и хранения параметров обученной нейросетевой модели; моделирования работы нейросетевой модели. Основу алгоритмов модуля составляют полученные в предыдущей главе теоретические основы создания нейросетевой модели идентификации технического состояния технологического оборудования.

Параметры многослойного персептрона иерархическую структуру, представленную на рис. б, Для их хранения предусмотрена специализированная база данных (см. рис. 5), образованная таблицами данных: ВБг^ - хранение общих сведений о нейросетевой модели идентификации технического состояния определенного типа технологического оборудования; ВБкуег - хранение числа слоев нейросетевой модели; ВВпег - хранение информации о числе нейронов в слое и значениях весовых коэффициентов смещения для каждого нейрона; ВОуу - хранение значений весовых коэффициентов каждого из нейронов.

Рис. 6. Иерархия классов нейронной сети

Модуль визуальной интерпретации результата — декодирование полученного на выходе многослойного персептрона кода технического в качественную переменную (работоспособное состояние, повышенный нагрев и т.п.); графическую интерпретацию результата; определение необходимого объема ремонтных работ по устранению дефекта. Анализ влияния способа кодирования на размерность выходного слоя нейросетевой модели, время ее работы и обучения, точность и распределение частоты активации выходного слоя нейронов установили целесообразность применения кодирования технических состояний оборудования «-битным двоичным кодом.

В четвертой главе выполнена проверка полученных в диссертационной работе результатов: разработано программное приложение по идентификации технического состояния силовых маслонаполненных трансформаторов «АБГГ-N2009»; разработан регламент обследования силовых трансформаторов и обработки их результатов на базе «А51Т-Ы2009»; приведены результаты экспериментальных испытаний.

Построение программного приложения по идентификации технического состояния технологического оборудования промышленного предприятия является достаточно трудоемкой задачей. Поэтому для практической апробации в рамках данной работы разработано программное приложение по идентификации определенного вида технологического оборудования - силовых маслонаполненных трансформаторов.

На основе разработанного программного приложения были проведены следующие эксперименты:

- сравнение результатов, полученных в ходе работы программного приложения, с заключениями специализированных организаций, занимающихся оценкой технического состояния технологического оборудования (результаты, полученные в ходе работы программного приложения, совпали с заключениями специализированных организаций);

- машинный эксперимент, заключающийся в моделировании отказов различных узлов и систем маслонаполненного трансформатора наборами параметров его состояния.

В данное время, разработанное программное приложение «А81Т-№009» проходит опытную эксплуатацию на объектах Пермского филиала ОАО «Территориальная генерирующая компания № 9».

В заключении приведены основные результаты исследований, сформулированы основные выводы и определены перспективные направления развития подходов к построению автоматизированных систем идентификации технического состояния технологического оборудования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Исследованы применяемые в России и за ее пределами методы контроля и идентификации технического состояния технологического оборудования. Установлено, что теоретическая база идентификации технического состояния технологического оборудования разработана не в полной мере. Существующие методики идентификации технического состояния технологического оборудования в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. Показано, что в сложившейся ситуации целесообразно применение нейросетевой модели.

2. Теоретически обосновано применение нейросетевой модели (многослойного персептрона) для идентификации технического состояния технологического оборудования.

3. Применительно к решению задачи идентификации технического состояния технологического оборудования разработаны правила определения структуры многослойного персептрона (число слоев, количество нейронов в слое). Предложена модификация известного алгоритма обратного распространения ошибки для обучения многослойного персептрона причинно-следственным связям между параметрами оборудования и его техническим состоянием. Модифицированный алгоритм позволяет повысить точность решения задачи идентификации технического состояния и снизить время обучения нейросетевой модели.

4. Определена структура автоматизированной системы идентификации технического состояния технологического оборудования. Программная часть системы представлена набором взаимосвязанных программных модулей, каждый из которых определяет работу приложения с одной стороны, а с другой, имеет определенное функциональное назначение. Примененный подход позволяет выполнять поэтапное внедрение системы на предприятии.

5. Разработаны архитектуры адаптивных баз данных и баз знаний системы идентификации технического состояния технологического оборудования, обеспечивающие возможность добавления информации и знаний о новых объектах идентификации.

6. Разработанное программное приложение «А51Т-КТ2009» позволяет выполнять идентификацию технического состояния силовых маслонаполнен-ных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования предприятия, позволяющих: определять оптимальные режимы эксплуатации оборудовании; корректировать графики ремон-

та; планировать трудовые и материальные ресурс, необходимые для эксплуатации и сервиса оборудования.

Основные публикации по теме диссертационной работы

1. Нусс C.B., Садыков Р.И. К вопросу мониторинга состояния системы электроснабжения // Оптимизация режимов работы электротехнических систем: сб. статей. Красноярск: КрГТУ, 2004.

2. Нусс C.B. Возможности применения различных типов нейронных сетей для задач определения состояния электротехнического оборудования // Методы и средства оценки состояния энергетического оборудования: сб. статей / СП6..-ПЭИПК. 2006. Вып. 30.

3. Нусс C.B., Аристов Е.В. Применение искусственных нейронных сетей при анализе состояния энергетического оборудования на основе записей регистратора аварийных ситуаций // Методы и средства оценки состояния энергетического оборудования: сб. статей / СПб.:ПЭИПК. 2006. Вып. 30.

4. Нусс C.B. К вопросу организации баз экспертных систем диагностики электрооборудования тепловых электрических станций // Нефтегазовое и горное дело: Вестник ПГТУ. Пермь, 2007. Вып. 7.

5. Нусс C.B. К вопросу применения нейронных сетей в задачах диагностики электрооборудования тепловых электрических станций // Нефтегазовое и горное дело: Вестник ПГТУ. Пермь, 2007. Вып. 7.

6. Нусс C.B., Сажин P.A. О методах диагностики состояния силовых трансформаторов в системах электроснабжения // Матер, краевой науч.-техн. конф. студентов, аспирантов и молодых ученых Проблемы комплексного освоения месторождений полезных ископаемых в Пермском крае. Пермь: Изд-во Перм. гос. тех. ун-т, 2007.

7. Нусс C.B. Структура автоматизированной системы технического обслуживания и ремонта электрооборудования электростанций // матер. II молодежной Междунар. науч. конф. Тинчуринские чтения: под общ. ред. Ю.Я. Петру-шенко; Казан, гос. энерг. университет. Казань, 2007. Т. 1.

8. Нусс C.B. Организация технического обслуживания и ремонта электрооборудования на тепловых электрических станциях // Геология, геофизика и разработка нефтяных и газовых месторождений. 2007. № 10.

9. Нусс C.B., Сажин P.A. Диагностика технического состояния силовых трансформаторов с помощью нейронных сетей // Геология, геофизика и разработка нефтяных и газовых месторождений. 2008. № 8.

10. Нусс C.B. Идентификация технического состояния силовых трансформаторов на основе нейронной модели // Вестник Чувашского университета. 2009. №2.

11. Нусс C.B. Экспертная система идентификации технологического оборудования на основе нейросетевой модели // Программные продукты и системы. 2009. № 4.

Нусс Сергей Викторович

ИДЕНТИФИКАЦИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ

Автореферат

Корректор Л.С. Змеева

Подписано в печать 22.12.09. Формат 60x84/16.

Усл. печ. л. 1,0. _Тираж ЮОзкз. Заказ №257/2009.

Издательство

Пермского государственного технического университета. Адрес: 614 990, г. Пермь, Комсомольский пр., 29, к. ИЗ. Тел. (342) 219-80-33

Оглавление автор диссертации — кандидата технических наук Нусс, Сергей Викторович

1 ГЛАВА. СОСТОЯНИЕ ВОПРОСА. СУЩНОСТЬ ПРОБЛЕМЫ.

АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ. ПОСТАНОВКА ЗАДАЧ ДИССЕРТАЦИИ.

1.1. Анализ стратегий управления техническим состоянием оборудования

1.2. Обзор и анализ современных методов контроля и оценки технического состояния оборудования.

1.3. Анализ путей развития систем идентификации технического состояния технологического оборудования.

1.4. Обзор научных работ посвященных вопросам построения систем идентификации технического состояния технологического оборудования.

1.5. Анализ методов «интеллектуального» анализа данных.

1.6. Постановка целей и задач.

Основные результаты главы.

2 ГЛАВА. МОДЕЛЬ ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО

СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ.

2.1. Формализация задачи идентификации технического состояния

2.2. Исследование нейросетевых моделей для идентификации технического состояния технологического оборудования.

2.4. Выбор структуры нейросетевой модели.

2.5. Разработка принципов построения архитектуры нейросетевой модели

2.6. Исследование алгоритма обучения.

Основные результаты главы.

3. ГЛАВА. КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ СИСТЕМЫ

ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ.

3.1. Предъявляемые требования.

3.2. Структура автоматизированной системы.

3.3. Концептуальная модель программной части.

3.4. Выбор средств разработки программной части.

Основные результаты главы:.

4. ГЛАВА. РАЗРАБОТКА СИСТЕМЫ ИДЕНТИФИКАЦИИ

ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ

4.1. Обоснование выбора объекта апробации.

4.1. Формализация входных параметров системы идентификации.

4.3. Требования к средствам измерения и условиям измерения входных параметров системы идентификации.

4.4. Идентификация технического состояния силовых маслонаполненных трансформаторов по результатам обследований в программном приложении.

4.5. Результаты опытного тестирования программного приложения. 129 Основные результаты главы.

Введение 2009 год, диссертация по информатике, вычислительной технике и управлению, Нусс, Сергей Викторович

Актуальность работы. В настоящее время на большей части промышленных предприятий применяется стратегия управления техническим состоянием оборудования на основе планово-предупредительных ремонтов. Эта стратегия получила наибольшее распространение в нашей стране. Она обеспечивает поддержание необходимого уровня надежности оборудования, но имеет серьезный недостаток - при планировании технического обслуживания фактическое состояние оборудования практически не учитывается. В настоящее время становится очевидным, что для повышения эффективности функционирования предприятия актуальным является переход к более прогрессивной стратегии обеспечения эксплуатационной надежности на основе выполнения ремонтных мероприятий, проводимых по фактическому состоянию. Основу такой стратегии составляет достоверная и оперативная информация о техническом состоянии оборудования.

Современный уровень развития средств измерения позволяет получать информацию о значениях подавляющего большинства параметров оборудования непосредственно в процессе его эксплуатации под нагрузкой. Совершенствованию методов и моделей идентификации технического состояния оборудования особое внимание уделено в работах A.A. Панкратова, H.H. Портнягина, О.Ф. Машошина, Н.Р. Байемани, C.B. Жернакова, В.В. Молчанова, А.Г. Ивахненко, В.Ю. Тэттэра, А.Г. Кобякова, A.M. Завьялова, A.B. Шафрыгина, A.J1. Карташова, A.A. Гусарова, A.M. Акимова, С.П. Сущева, М.В. Калачинскова, С.Г. Каминского, B.JI. Мартыновича, С.Н. Костаревой. Вместе с тем теоретическая база идентификации технического состояния разработана не в полной мере.

Существующие методики идентификации технического состояния в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть определенных свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. В сложившейся ситуации ак4 туальной является разработка нейросетевой модели идентификации технического состояния оборудования. Реализация этой модели в составе специализированной автоматизированной системы идентификации технического состояния технологического оборудования позволит повысить качество и оперативность обслуживания оборудования, снизить затраты на проведении ремонтных работ.

Целью диссертации является разработка и реализация автоматизированной системы идентификации технического состояния технологического оборудования.

Задачи диссертации. В соответствии с поставленной целью решаются следующие задачи:

- анализ стратегий управления техническим состоянием оборудования;

- исследование нейросетевых моделей и их теоретическое обоснование для идентификации технического состояния оборудования;

- разработка нейросетевой модели идентификации технического состояния технологического оборудования и алгоритма ее обучения причинно-следственным связям между параметрами оборудования и его техническим состоянием;

- разработка структурной модели автоматизированной системы идентификации технического состояния оборудования;

- разработка принципов организации архитектур адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

- разработка программного приложения, реализующего идентификацию технического состояния технологического оборудования.

Объект исследования — методы и системы контроля технического состояния технологического оборудования.

Предмет исследования - идентификация технического состояния технологического оборудования с применением нейросетевого моделирования.

Методы исследования базируются на теории кодирования, математической статистике, методах аналитического и имитационного моделирования. В работе использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Научная новизна результатов диссертационной работы заключается в разработке теоретических основ создания нейросетевой модели автоматизированной системы идентификации технического состояния технологического оборудования, включающих:

- обоснование применения определенного класса нейросетевых методов;

- правила по формированию структуры нейросетевой модели (число слоев, количество нейронов в слое, взаимосвязь нейронов между собой);

- алгоритм обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

- архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния.

На защиту выносятся следующие основные положения:

- теоретическое обоснование нейросетевых моделей и результаты их исследований для идентификации технического состояния оборудования;

- разработанная нейросетевая модель идентификации технического состояния технологическогооборудования и алгоритм ее обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

- разработанные принципы организации и архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

- разработанная структурная модель автоматизированной системы идентификации технического состояния оборудования;

- разработанное программное приложение, реализующее идентификацию технического состояния технологического оборудования.

Достоверность и обоснованность выводов и результатов работы подтверждаются применением известных научных методов теории управления, теории систем и аттестованных общепризнанных методик измерений, результатами натурального и вычислительного эксперимента.

Практическая значимость работы. Основные теоретические результаты диссертационной работы использованы при разработке программного приложения по идентификации технического состояния силовых маслона-полненных трансформаторов «А8ПЧЧ2009». Приложение позволяет выполнять оценку технического состояния силовых маслонаполненных трансформаторов и планировать их обслуживание по техническому состоянию.

Внедрение результатов работы. Разработанное в работе программное приложение «А81Т-Ы2009» внедряется в промышленную эксплуатацию на электрических станциях Пермского филиала ОАО «Территориальная генерирующая компания № 9».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих семинарах, конференциях и научно-технических сессиях: научно-техническая конференция Горнонефтяного факультета ГОУ ВПО «ПГТУ» (г. Пермь, 2005-2007 гг.); Международная научно-техническая конференция «Методы и средства оценки состояния энергетического оборудования» (г. Санкт-Петербург, 2006 г.), II Международная научная конференция «Тинчуринские чтения» (г. Казань, 2007.).

Публикации. По теме диссертации опубликовано 11 работ, в том числе 4 работы по списку ВАК.

Структура и объем диссертации. Работа состоит из введения, четырех глав, заключения, библиографического списка (143 наименований). Общий объем диссертации составляет 147 страницы, в том числе: 72 рисунка; 19 таблиц.

Заключение диссертация на тему "Идентификация технического состояния технологического оборудования на основе нейросетевой модели"

Основные результаты главы

1. Выполнена проверка полученных в диссертационной работе результатов;

2. Разработано программное приложение по идентификации технического состояния силовых маслонаполненных трансформаторов «А81Т-Ы2009». «А81Т-Ы2009» позволяет выполнять идентификацию технического состояния силовых маслонаполненных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования предприятия, позволяющих: определять оптимальные режимы эксплуатации оборудовании; корректировать графики ремонта; планировать трудовые и материальные ресурс, необходимые для эксплуатации и сервиса оборудования.

3. Разработан регламент обследования силовых трансформаторов и обработки их результатов на базе «А8ПЧЧ2009»;

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные результаты.

1. Исследованы применяемые в России и за ее пределами методы контроля и идентификации технического состояния технологического оборудования. Установлено, что теоретическая база идентификации технического состояния технологического оборудования разработана не в полной мере. Существующие методики идентификации технического состояния технологического оборудования в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. Показано, что в сложившейся ситуации целесообразно применение нейросетевой модели.

2. Теоретически обосновано применение нейросетевой модели (многослойного персептрона) для идентификации технического состояния технологического оборудования.

3. Применительно к решению задачи идентификации технического состояния технологического оборудования разработаны правила определения структуры многослойного персептрона (число слоев, количество нейронов в слое). Предложена модификация известного алгоритма обратного распространения ошибки для обучения многослойного персептрона причинно-следственным связям между параметрами оборудования и его техническим состоянием. Модифицированный алгоритм позволяет повысить точность решения задачи идентификации технического состояния и снизить время обучения нейросетевой модели.

4. Определена структура автоматизированной системы идентификации технического состояния технологического оборудования. Программная часть системы представлена набором взаимосвязанных программных модулей, каждый из которых определяет работу приложения с одной стороны, а с другой, имеет определенное функциональное назначение. Примененный подход позволяет выполнять поэтапное внедрение системы на предприятии.

5. Разработаны архитектуры адаптивных баз данных и баз знаний системы идентификации технического состояния технологического оборудования, обеспечивающие возможность добавления информации и знаний о новых объектах идентификации.

6. Разработанное программное приложение «А81Т-Ы2009» позволяет выполнять идентификацию технического состояния силовых маслонапол-ненных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования предприятия, позволяющих: определять оптимальные режимы эксплуатации оборудовании; корректировать графики ремонта

Библиография Нусс, Сергей Викторович, диссертация по теме Автоматизация и управление технологическими процессами и производствами (по отраслям)

1. Аветистов А.Г. Булатов А.И., Шаманов С.А. Методы прикладной математики в инженерном деле при строительстве нефтяных и газовых скважин. М.: ООО «Недра-Бизнесцентр», 2003. - 239с.

2. Акимов A.M. Разработка технических средств и методов контроля и испытаний электрооборудования нефтегазодобывающих комплексов в условиях эксплуатации: дис. канд. техн. наук: спец. 05.09.03. Чебоксары, 2005-135с.

3. Алексеев Б.А. Определение состояния (диагностика) крупных турбогенераторов. М.: Научно-учебный центр ЭНАС, 1997. - 144с.

4. Алексеев Б.А., Мамиконянц Л.Г., Шакарян Ю.Г. Проблемы создания эксплуатации основного электрооборудования энергосистем отработавшего определенный стандартами срок работы. Энергетика: Известия РАН. - 2001, №3.

5. Алтунин А.Е., Сумыхин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Тюменский государственный университет, 2000. - 352 с.

6. Аношкин A.A., Глазов О.Н., Кислов Г.И. Экспертные модели диагностики неисправностей основного технологического оборудования электрических станций. Расширение интеллектуальных возможностей АСУ. М.: Энергоатомиздат, 1989. - 152с.

7. Арзамсцев Д.А., Липес A.B., Мызин А.Л. Модели оптимального развития энергосистем. М.:Мир, 1987. - 272с.

8. Асуга С. Обработка знаний. М.: Мир, 1989. - 293с.134

9. Аузинь П.В., Руткинс И.Л. Распознавание состояния объекта по наличию подклассов. Кибернетические методы в диагностике. Рига: Знание, 1973. - 125с.

10. Байемани Н.Р. Методы повышения эффективности вибрационного диагностирования авиационных газотурбинных двигателей в эксплуатации: дис. канд. техн. наук: 05.22.14. Москва, 2005. -137с.

11. Баранов В.М., Карасевич A.M., Е.М. Кудрявцев и др. Диагностика материалов и конструкций топливно-энергетического комплекса. М.: Энер-гоатомиздат, 1999. - 360с.

12. Барсегин A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004.-415с.

13. Башлыкова A.A. Проектирование систем принятия решений в энергетике. М.: Энергоатомиздат, 1986. - 120с.

14. Биргер И.Ф. Техническая диагностика. М.: Машиностроение, 1978. - 240с.

15. Боровиков В. STATISTIC А. Искусство анализа данных на компьютере: Для профессионалов. 2-ое издание СПб.: Питер, 2003. - 688с.

16. Брюль и Къер, Мониторизация состояния машинного оборудования. DKBR 0660-11.

17. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978.399с.

18. Буч Г. Объектно-ориентированное проектирование с примерами применения. Перевод с англ. М.: Конкорд, 1992. - 519с.

19. Быков В.М., Глебов И.А. Научные основы анализа и прогнозирования надежности генераторов. Л.: Наука, 1984. - 214 с.

20. Бэндлер Дж.У., Салама А.Э. Диагностика неисправностей в аналоговых цепях. М.: ТИИЭР, 1985, №8.

21. Волков В.Н., Денисов A.A. Основы теории систем и системного анализа: Учебник для студентов вузов 2-е издание, переработанное и дополненное. - СПб.: СПбГТУ, 2001. - 512с.

22. Вятченин Д.А. Нечеткие методы автоматической классификации: Монография. М.: Технопринт, 2004. - 219с.

23. Г.В. Ковалев, Е.В. Основа, М.Б. Чельцов и др. Под редакцией Н.И. Воропая. Новосибирск: Наука, Сибирское отделение РАН, 1999 - 434с.

24. Гаврилкевич М. Введение в нейро информатику. Образование прикладной и промышленной математики. М.:ТВП, 1994. - 324с.

25. Гайдышев И.С. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. - 752с.

26. Глебов И.А., Данилевич Я.Б. Диагностика турбогенераторов. JL: Наука. Ленинградское отделение, 1989. - 118с.

27. Глушко C.B., Ломотько Д.В. Базы данных. Харьков: Фолио; М.: ООО «Издательство ACT», 2002. - 504с.

28. Горбань А.Н., Дубинин-Барковский В.Л., Кирдин А.Н. Нейроин-форматика. СПб.: Наука РАН 1998. - 315с.

29. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. СПб.: Наука РАН 1996. - 236с.

30. Горев A.A. Переходные процессы синхронных машин. М.: Госэнр-гоиздат, 1950 - 551с.

31. ГОСТ 11677-85. Трансформаторы силовые. Общие технические условия.

32. Губин И.Б. Предэксплуатационная диагностика и моделирование состояния изоляции электродвигателей сезонно эксплуатируемого оборудования в сельском хозяйстве: дис. канд. техн. наук: спец. 05.20.02. Барнаул, 2003. - 169с.

33. Гусаров A.A. Повышение быстродействия диагностирования автоматизированных штанговых нефтяных установок: дис. канд. техн. наук: спец. 05.13.06. Оренбург, 2006 - 105с.

34. Джексон, Питер. Введение в экспертные системы: Учебное пособие. Перевод с англ. М.: ИД. «Вильяме», 2001 - 624с.

35. Диагностирование электрооборудования электрических систем.: Учеб. Пособие/В.М. Кутин, В.И. Брейтбурд. К.: УМК ВО, 1991. - 104с.

36. Дронов C.B. Многомерный статистический анализ: Учебное пособие. Барнаул: Изд-во алт. гос. университета, 2003. 213с.

37. Дьяконов В., Круглов В. Математические пакеты расширения MatLab. Специальный справочник. СПб.: Питер, 2001. - 480 с.

38. Дюба Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике. М.: Мир, 1990. - 332с.

39. Ежов A.A., Шумский С.А. Нейрокомпьютеринг и его применение в экономике и бизнесе. М.: МИФИ, 1998. - 239с.

40. Жернаков C.B. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных: дис. д-ра техн. наук: спец. 05.13.01. Уфа, 2005. - 364с.

41. Завьялов А. М. Разработка методов управления, контроля и диагностики устройств железнодорожной автоматики и телемеханики: дис. канд. техн. наук: спец. 05.22.08. Москва, 2006. - 117с.

42. Иванов В.Н., Певзнер Г.С. Э.И. Цветков. Агрегатные средства электроизмерительной техники и принципы их компановки в системы. М.: Энергоатомиздат, 1988. - 176с.

43. Ивахненко А.Г. Кибернетические системы автоматического управления, способные к обучению. К.: КДНТП, 1962.

44. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. К.: «Техшка», 1969.

45. Ивахненко А.Г.Самообучающиеся системы с положительными обратными связями. Справочное пособие. К.: Из-во АН УССР, 1963.

46. Каланн Р. Основные концепции теории нейронных сетей. М.: Вильяме, 2005. - 288с.

47. Калачинсков M.B. Оценка степени износа и остаточного ресурса дымовых и вентиляционных труб газоперерабатывающих предприятий: дис. канд. техн. наук: спец. 05.26.03. Уфа, 2004. - 143с.

48. Каминский С.Г. Разработка методов вибродиагностирования и восстановления электроприводных нефтепромысловых насосных агрегатов: дис. канд. техн. наук: 05.02.13. Уфа, 2004. - 165с.

49. Карамзина А.Г. Диагностирование и прогнозирование состояний технических объектов на основе экспертных систем (на примере полупроводниковых преобразователей частоты): дис. канд. техн. наук: спец. 05.13.01, 05.09.03. Уфа, 2003. - 208с.

50. Карташов A.JI. Совершенствование системы диагностирования при управлении газоперекачивающими турбоустановками: дис. канд. техн. наук: спец. 05.04.12. Брянск, 2005 - 131с.

51. Кобяков А.Г. Методика структурно-параметрического представления знаний для обучающей экспертной системы поиска неисправностей в аппаратуре железнодорожной автоматики и телемеханики: дис. канд. техн. наук: спец. 05.13.06. Москва, 2006 - 221с.

52. Ковалевский В.М. Комплексное диагностирование устройств контактной сети и верхнего строения пути магистральных железных дорог: дис. канд. техн. наук: спец. 05.13.06. Иркутск, 2004. - 170с.

53. Коновалов М.Ю. Техническая диагностика электропривода постоянного тока бумагоделательного оборудования: дис. канд. техн. наук: спец. 05.09.03. Санкт-Петербург, 2006. - 253с.

54. Копцев A.JI. Система диагностирования технического состояния цепей управления тягового электропривода трамвайного вагона: дис. канд. техн. наук: спец. 05.09.03 Магнитогорск, 2006. 151с.

55. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Интеллектуальная обработка данных. М.: Нолидж, 2000. - 352с.60 .Короткий С. Нейронные сети: алгоритм обратного распространения ошибки. http://lii.newmail.ru/kornn2.htm.

56. Косолапов А.Б. Комплекс диагностирования как средство эффективного функционирования электроснабжения металлургических предприятий: дис. канд. техн. наук: спец. 05.09.03. Липецк, 2005. - 164с.

57. Костарева С.Н. Совершенствование методов диагностирования технического состояния газоперекачивающих агрегатов на основе данных производственного мониторинга: дис. канд. техн. наук: спец. 25.00.19. Уфа, 2004. - 166с.

58. Косяков А.А. Диагностика и контроль состояния изоляции устройств электроснабжения железных дорог 6-10 кВ: дис. канд. техн. наук: спец. 05.22.07. Екатеринбург, 2006. - 149с.

59. Кочетков П.А. Краткий курс теории вероятности и математической статистики: Учебное пособие. М.: МГУ, 1999. - 51с.

60. Круглинский Д., Уингоу С., Шеферд Дж. Программирование на Microsoft Visual С++ 6.0 для профессионалов: Перевод с английского. СПб.: Питер, М.: Издательский торговый дом «Русская редакция», 2002. - 864с.

61. Круглов В.В. Нечеткая логика и искусственные нейронные сети. -М.:Мир, 2002. 228с.

62. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд. - М.: Горячая линия - Телеком, 2002. - 382с.

63. Кудашев Э.Р. Разработка прогрессивных методов оценки технического состояния газоперекачивающих агрегатов: дис. канд. техн. Наук: спец. 05.02.13. Тюмень, 2005. - 158с.

64. Кулаковский В.Б. и др. Использование методологии экспертных систем для оценки состояния изоляции генераторов. М.: Электричество. -1994. - 320с.

65. Кун А.П. Техническая диагностика полупроводниковых преобразователей и релейно-контакторных устройств электроподвижного состава: ав-тореф. дис. на соиск. учен. степ, д-ра техн. наук: спец. 05.22.07. Москва, 2004. - 43с.

66. Курочкин Ю.А., Смирнов A.C., Степанов В.А. Надежность и диагностирование цифровых устройств. СПб.: СПбУ, 1993. - 320с.

67. Куценко С.М. Разработка дистанционной диагностики линейной изоляции контактной сети железнодорожного транспорта: дис. канд. техн. наук: спец. 05.14.12. Томск, 2006. - 143с.

68. Кэнту М. Delphi 6 для профессионалов. СПб.: Питер, 2002. - 1088с.

69. Ли Д.В. Определение периода сложных сигналов и диагностических коэффициентов при контроле насосного оборудования нефтепромыслов: дис. канд. техн. наук: спец. 05.13.01. Томск, 2004. - 128с.

70. Макаров И.М., Виноградская Т.М., Рубчинский A.A. и др. Теория выбора и принятия решений. М.: Мир, 1982. - 328с.

71. Малышев Н.Г., Берштейн JI.C., Боженок A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991 - 136с.

72. Мамиков А.Г. Основы построения АСУ: Учебник для вузов. М.: Высшая школа, 1981 - 248с.

73. Мартынович B.JI. Обоснование расчетных характеристик остаточного ресурса безопасной эксплуатации объектов газопереработки: дис. канд. техн. наук: спец. 05.26.03. Тюмень, 2006. - 173с.

74. Матрин Груббер. Понимание SQL: Перевод Лебедева В.Н. /Под редакцией Булычева В.Н. М.: Вильяме, 1993.- 459с.

75. Машошин О.Ф. Диагностика авиационных газотурбинных двигателей с использованием информационного потенциала контролируемых параметров: дис. д-ра техн. наук: спец. 05.22.14 Москва, 2005. 233с.

76. Мельник В.Г. Разработка процессов дистанционной диагностики систем тягово-транспортных средств: дис. канд. техн. наук: спец. 05.20.03. -Москва, 2005. 126с.

77. Методические рекомендации по диагностике силовых трансформаторов, автотрансформаторов, шунтирующих ректоров и их вводов в эксплуатации на рабочем напряжении. РД ЭО-0189-00.

78. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле. РД 153-34.0-46.302-00.

79. Методические указания по оценке состояния и продлению срока службы силовых трансформаторов. РД ЭО 0410-02.

80. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.

81. Михайлов A.A. Методы обработки экспериментальной информации при контроле состояния корабельного электрооборудования: дис. д-ра техн. наук: спец. 05.13.01 Новочеркасск, 2005. 432с.

82. Мозгалевский A.B., Гаскаров Д.В. Техническая диагностика. -М.:Высшая школа, 1975. 215с.

83. Молчанов В.В. Совершенствование технологических процессов диагностирования тягового подвижного состава работающего на полигоне железных дорог восточных регионов России: дис. канд. техн. наук: спец. 05.22.01. Новосибирск, 2003. - 194с.

84. Надточий В.М. Экспертные системы диагностики турбо- и гидрогенераторов: тез. доклада семинара «Разработка и внедрение новых методов контроля состояния турбо- и гидрогенераторов». СПб.: СПбГТУ, 1996. -320с.

85. Надточий В.М., Ординян H.A. Экспертные системы диагностики генераторов. Электрические станции, 1994, №9.

86. Объем и нормы испытаний электрооборудования. РД 34.45-51.30097.

87. Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. РД 153-34.0-20.363-99.

88. Основные положения методики инфракрасной диагностики электрооборудования и В Л. РД. 153-34.0-20.363-99.

89. Основы технической диагностики. Под ред. Пархоменко. М.: Энергия, 1976. - 463с.

90. Панкратов A.A. Технология технической диагностики главных редукторов рыбопромысловых судов на основе анализа вибрации и содержания продуктов износа в масле: дис. канд. техн. наук: спец. 05.08.05. Мурманск, 2003. - 157с.

91. Перцептрон — система распознавания образов / Под ред. А.Г. Ивахненко. К.: «Наук, думка», 1975.

92. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.:Мир, 1982. - 236с.

93. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 288с.

94. Портнягин H.H. Математическое и алгоритмическое обеспечение систем диагностирования судовых электрических средств автоматизации: дис. д-ра техн. наук: спец. 05.13.06. Санкт-Петербург, 2004. - 262с.

95. Построение экспертных систем: Пер. с англ. /Под ред Ф. Хейса-Рота, Д. Уотремана, Д. Лената. М.:Мир, 1987. - 411с.

96. Приобретение знаний: пер. с япон./ Под редак. Осуги С., Саэки Ю. М.:Мир, 1990. -304с.

97. РД 153-34.0-46.302-00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле.

98. РД 34.43.105-89. Методические указания по эксплуатации трансформаторных масел.

99. РД 34.45-51.300-97. Объем и нормы испытания электрооборудования.

100. РД-153-34.0-46.302-00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хромотографического анализа газов, растворенных в масле.

101. Репин C.B., Шеин С.А. Математические методы обработки статистической информации с помощью ЭВМ: Пособие для исследователей гуманитарных специальностей. Мн.: Университетское, 1990. - 128с.

102. Роберт Каллан. Основные концепции нейронных сетей.- М.: Вильяме, 2001.-384 с.

103. Робототехника и гибкие автоматизированные производства. В 9-и кн. Кн. 6. Техническая имитация интеллекта: Учеб. пособие для вузов/ В.М. Назаретов, Д.П. Ким; под общ. ред. И.М. Макарова. М.: Высш. шк., 1986. - 144 с.

104. Рудоков М.А. Моделирование и использование нейропредставле-ний и механизмов. СПб.: БХВ-Петербург, 2003. - 112с.

105. Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети. Генетические алгоритмы и нечеткие системы: Пер. с польского И.Д. Рудинско-го. М.: Горячая линия - Телеком, 2006 - 452с.

106. Сенашова М.Ю. Погрешности сетей. Вычисление погрешностей весов синапсов. Методы нейроинформатики. Красноярск: КГТУ, 1998.

107. Скляров В.Ф. Отраслевая техническая диагностика, как фактор повышения эффективности энергетического производства. Энергетика и электрификация, 1982, №6.

108. Скляров В.Ф., Гуляев В.А. Диагностическое обеспечение энергетического производства. Киев 1985. - 184с.

109. СО 34.04.181-2003. Правила организации технического обслуживания и ремонта оборудования, зданий и сооружений электростанций и сетей.

110. СО 34.04.181-2003. Правила организации технического обслуживания и ремонта оборудования, зданий и сооружений электростанций и сетей.

111. Солодовников В.И. Использование методов принятия решения при проектировании нейросетевых структур обработки данных: дис. канд. техн. наук: спец. 05.13.12. Москва, 2004. - 139с.

112. Степанов М.Ф. Основы проектирования экспертных систем технической диагностики: Учебное пособие. Саратов: Саратовский государственный технический университет, 2000. - 128с.

113. Сущев С.П. Создание и внедрение диагностической системы обеспечения безопасности эксплуатации дымовых труб объектов нефтегазового комплекса: дис. д-ра. техн. наук: спец. 05.26.03. Уфа, 2004. - 336с.

114. Счастливый Г.Г., Титко А.И., Федоренко Г.И., Коваленко В.П. -Киев: Наукова думка, 1978. 233с.

115. Технические средства диагностики. Справочник Клюев В.В., Пархоменко П.П., Абрамчук В.Е. и др. Под общей редакцией Клюева В.В. М.: Машиностроение, 1989. - 672с.

116. Тиатренко Г. Visual Basic 6.0. К.: издательская группа BHV, 2001.-416 с.

117. Третьяков A.B. Управление индивидуальным ресурсом вагонов в эксплуатации: дис. д-ра техн. наук: спец. 05.22.07 Санкт-Петербург, 2004. -382с.

118. Тэттэр В.Ю. Разработка технологий и оборудования для вибродиагностирования колесно-моторных блоков локомотивов: дис. канд. техн. наук: спец. 05.22.07. Омск, 2005. - 192с.

119. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.435с.

120. Харламов В.В. Совершенствование методов и средств диагностирования технического состояния коллекторно-щеточного узла тяговых электродвигателей подвижного состава: дис. д-ра техн. наук: спец. 05.22.07. -Омск, 2002. 376с.

121. Худяков А.Н. Диагностирование изоляции обмоток статоров синхронных машин большой мощности с помощью измерения частичных разрядов: дис. канд. техн. наук: спец. 05.09.01. Москва, 2005-151с.

122. Цареградцев В.Г. К определению независимых переменных для нейронных сети. Материалы XI Всероссийского семинара «Информатика и ее приложения». Красноярск, 2003. - 215с.

123. Цареградцев В.Г. Общая неэффективность использования суммарного градиента выборки при обучении нейронной сети. Материалы XII Всероссийского семинара «Информатика и ее приложения». Красноярск: КГТУ, 2004. - 196с.

124. Цареградцев В.Г. Определение оптимального размера нейросети обратного распространения через сопоставление средних значений модулей весов синапсов: Материалы XIV Международной конференции по нейроки-бернетике, Ростов-на-Дону, 2005.

125. Цареградцев В.Г. Оптимизация предобработки данных для обучаемой нейросети: критерии оптимальности предобработки. Материалы XIV Международной конференции по нейрокибернетике, Ростов-на-Дону, 2005г.

126. Цареградцев В.Г. Простейший способ вычисления показателей значимости первого порядка для сетей обратного распространения: Материалы X всероссийского семинара «Нейроинформатика и ее приложения». -Красноярск: КГТУ, 2002. 185с.

127. Цареградцев В.Г. Редукция размеров нейросети не приводит к повышению обобщающих способностей: Материалы XII Всероссийского семинара «Информатика и ее приложения», Красноярск:КГТУ, 2004. 196с.

128. Шафрыгин А. В. Разработка метода диагностирования блоков автоматического управления электровозов переменного тока с тиристорными преобразователями: дис. канд. техн. наук: спец. 05.09.03 Москва, 2003. 144с.

129. Шпилькин В. И. Компьютерная система планирования и организации ремонтных работ (на примере ТЭС): дис. канд. техн. наук: спец. 05.13.01. Красноярск, 2003. - 165с.

130. Шустов В.А. Ускоренное обучение нейронной сети с отбором обучающих примеров. Самара: Институт систем обработки изображений РАН, 2003. 83с.

131. Электрическая часть электростанций: Учебник для вузов/Под. Ред. С.В. Усова Л.: Энергоатомиздат, 1987. - 616с.

132. Bartlett P.L. For valid generalization, the size of the weights is more important than the size of the network / Advances in Neural Information Processing Systems 9 (1996). MIT Press, 1997. pp.134 140.

133. Bishop C.M. Neural Networks and Pattern Recognition. Oxford Press, 1995.-432c.

134. Fausett L.V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice Hall, 1994. - 321p.

135. Funahashi K.I. On the approximate realization of continues mapping by neural networks. Neural Networks, 1989.

136. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Singapore: Word Scientific, 1988. - 215p.

137. Gong W., Yau H.C., Manry M.T. Non-gaussian feature analysis using a neural network /Progress in Neural Networks, 1994. Vol. 2. pp.253-269.

138. Gu B., Hu F., Liu H. Modelling classification performance for large data sets: an empirical study / Lecture Notes in Comp. Sci., 2001. Vol.2118. pp.317328.

139. Kohonen T. Self-organization and Associative Memory. Berlin: Springer-Verlag, 1989. - 345c.

140. Kohonen T. Self-organization and Associative Memory. Berlin: Springer-Verlag, 1989. - 231c.

141. Murata T., Yoshizawa S., Amari S. Learning curves, model selection and complexity of neural networks / Advances in Neural Information Processing Systems 5 (1992). Morgan Kaufinann, 1993. pp.607-614.

142. Neural Network Toolbox User's Guide / Demuth H., Beale M.- Natick: Math Works Inc, 1997. 700p.

143. P/PM Technology magazine, 98.

144. P/PM Technology magazine, 99.

145. Sankar K. Pal, Sushmita Mitra, Multiplayer Pereceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3.,№5, 1992, pp. 683-696.

146. Schraudolph N.N., Sejnowski T.J. Tempering backpropagation networks: not all weights are created equal / Advances in Neural Information Processing Systems 8 (1995). MIT Press, 1996. pp.563-569.

147. УТВЕРЖДАЮ Зам. руководителя филиала ЗАО «ЮС»о внедрении результатов кандидатской диссертационной работы Нусса Сергея Викторовича

148. Настоящий акт подтверждает практическое использование результатов, полученных в диссертационной работе Нусс C.B., в работе электротехнического управления филиала ЗАО «ЮС» «Генерация Урала».1. Метелкин А.В.1. Бородин С.М.