автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Модели и алгоритмы технического диагностирования судовых дизельных установок в процессе эксплуатации

На правах рукописи

Ле Ван Дием

МОДЕЛИ И АЛГОРИТМЫ ТЕХНИЧЕСКОГО ДИАГНОСТИРОВАНИЯ СУДОВЫХ ДИЗЕЛЬНЫХ УСТАНОВОК В ПРОЦЕССЕ ЭКСПЛУАТАЦИИ

Специальность 05.13.06 - Автоматизация и управление технологическими

процессами и производствами (технические системы)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург 2006

Работа выполнена в Федеральном государственном образовательном учреждении «Санкт-Петербургский государственный университет водных коммуникаций» на кафедре «Вычислительные системы и информатика»

Научный руководитель:

Доктор технических наук, профессор Климов Евгений Николаевич

Официальные оппоненты:

Доктор технических наук, профессор Сахаров Владимир Васильевич

Кандидат технических наук, доцент Афанасьева Ольга Владимировна

Ведущая организация:

Санкт-Петербургский государственный электротехнический университет

Зашита диссертации состоится «23» ноября 2006 г. в 13.00 ч, на заседании диссертационного совета Д223.009.03 в Санкт-Петербургском государственном университете водных коммуникаций по адресу 198035, Санкт-Петербург, ул. Двинская, д. 5/7.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного университета водных коммуникаций.

Автореферат разослан "2.0 " о^Т^г^я 2006 года.

Ученый секретарь

диссертационного совета Д223.009.03 к. т. н., доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы

Обеспечение безопасности мореплавания является важнейшим требованием к эксплуатации судов. Очевидно, что безопасность мореплавания в большой степени связана с обеспечением надежности работы судовых комплексов. Высокий уровень надежности судовых дизельных установок (СДУ) может быть достигнут путем периодического определения их технического состояния, обнаружения возникших дефектов и своевременного проведения мероприятий но поддержанию и восстановлению технического состояния. Это задачи, решение которых может быть достигнуто при наличии эффективной системы технического диагностирования СДУ.

Отсутствие на многих судах в процессе эксплуатации диагностических средств и программного обеспечения поддержки принятия решения о состоянии СДУ приводит к снижению показателей безопасности мореплавания, увеличению риска появления аварийной ситуации.

Существующие средства диагностического обеспечения на судах являются недостаточными и не позволяют эффективно контролировать состояние, в результате не полностью реализуется индивидуальный ресурс оборудования и увеличиваются затраты на эксплуатацию и обслуживание СДУ.

В настоящее время все большее внимание уделяется вопросам совершенствования систем диагностического обеспечения на основе использования современных методов моделирования и компьютерных средств с целью повышения эффективности оценки технического состояния и своевременного выявления неисправностей. Этот процесс требует проведения исследований СДУ как объекта диагностирования и разработки необходимых моделей и алгоритмов оценки их состояния, призванных повысить надежность работы СДУ.

В связи с этим тема диссертационной работы, посвященной создайте математического и алгоритмического обеспечения в решении диагностических задач с использованием современных подходов и средств, включая искусственные нейронные сети и имитационное моделирование поведения СДУ, является актуальной.

Цель работы и основные задачи исследования

Цель исследования состоит в повышении эффективности систем технического диагностирования судовых дизельных установок в процессе эксплуатации на основе использования современных информационных технологий. Построенные модели и алгоритмы основаны на применении современных вычислительных средств, поддерживающих принятие решения о состоянии СДУ в судовых условиях, моделирующих скрытые отношения между параметрами, распознающих состояния и обнаруживающих дефекты.

Для достижения поставленной цели решены следующие научно-технические задачи:

1. Выполнен анализ объекта диагностирования - главного судового дизеля для того, чтобы выявить признаки, параметры и показатели технического состояния, определить виды состояний и их взаимосвязь.

2. Выполнена классификация диагностических моделей судовых дизелей, произведено обоснование выбора типа модели для заданных конкретных условий.

3. Разработаны диагностические модели блоков рабочих процессов и движения.

4. Разработана методика анализа диагностических моделей судовых дизелей.

5. Разработаны алгоритмы и обоснован выбор средств для распознавания состояний судовых дизелей на основе результатов контроля диагностических параметров и экспериментальной базы данных, полученной в результате анализа моделей.

6. Разработана научная методика выбора методов, моделей и средств технического диагностирования судовых дизелей в процессе эксплуатации.

Объект исследования

В работе исследуются процессы формирования технического состояния судовых дизельных установок, его оценки и поиска неисправностей в процессе эксплуатации.

Предмет исследования

Предметом исследования является формализация указанных процессов, а также способы реализации моделей и алгоритмов технического диагностирования СДУ.

Методы исследования

Методологической основой работы являются принципы системного анализа. При выполнении исследования использованы методы технической диагностики, математического и имитационного моделирования, теории судовых дизелей, математического анализа, математической статистики, теории измерений, нейросе-тевого моделирования, теории принятия решений. Научная новизна

Научная новизна работы в целом заключается в разработав математического и алгоритмического обеспечения решения задач диагностирования СДУ, основанного на использовании современных информационных технологий.

В результате исследования получены и выносятся на защиту следующие положения:

- модели функционирования основных блоков судовых дизелей как объектов диагностирования, которые можно использовать в качестве диагностических моделей;

- управляемая нейросетевая модель для моделирования входных/выходных соотношений между существенными параметрами судового дизеля;

- алгоритмы распознавания состояний судовых дизелей с помощью неуправляемой нейронной сети (самоорганизующейся карты признаков — СОК);

- имитационная модель для судовых дизелей и алгоритмы ее анализа, позволяющие оценивать влияние различных внешних факторов и неисправностей на выходные показатели судовых дизелей.

Практическая ценность и внедрение

Ценность для практики представляют:

• методика построения диагностических моделей судовых дизелей, учитывающих реальные условия эксплуатации;

- методика анализа моделей функционирования СДУ с целью получения базы данных для практического диагностирования;

- процедуры получения и обработки исходных данных для диагностирования;

• методика организации процесса технического диагностирования СДУ на основе предложенных моделей и алгоритмов.

Результаты работы внедрены в учебном процессе Государственного морского университета (Вьетнам), что подтверждается соответствующим актом. Апробация работы

Полученные результаты докладывались на:

- VI Международной научно-практической конференции молодых ученых, студентов и аспирантов «Анализ и прогнозирование систем управления», (г. С.Петербург, СЗТУ, 2005);

- Международной научно-технической конференции «Исследование, проектирование и техническая эксплуатация судовых ДВС» (г. С.-Петербург,.ГУВК, 2006);

• научных семинарах кафедры. Публикация результатов работы

По теме диссертации опубликованы научных статей. Структура и объем диссертации

Диссертация состоит из введения, четырех глав с основными выводами, заключения и списка использованных источников из 101 наименований. В приложениях представлены данные, использованные при моделировании судовых дизелей, и результат распознавания состояний с помощью построенной модели.

Объем работы: 153 страницы машинописного текста, в том числе 89 формул, 55 рисунков, 19 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Введение посвящено анализу состояния исследуемого вопроса. Показано, что в настоящее время на судах отсутствуют эффективные средства диагностирования СДУ. Существенные функциональные параметры контролируются в системах централизованного контроля главных дизелей независимо, что затрудняет определение их состояния, характеризуемого многими взаимосвязанными параметрами. Обоснована актуальность исследования.

В первой главе «Анализ судовых дизельных энергетических установок как объектов технического диагностирования» рассмотрены виды состояний СДУ, выполнена классификация признаков, параметров и показателей состояния,

изучены вопросы информативности при выборе совокупности диагностических параметров и основные характеристики системы технического диагностирования.

Для целей диагностирования любую СДУ можно представить как систему с множествами входных (У), выходных (2) и внутренних (® переменных (рис.!).

т

2(0

№

Рис. 1. Обобщенная модель диагностируемого объекта

При этом оценку технического состояния можно рассматривать как задачу нахождения скрытой зависимости между выходными и входными переменными вида:

2т=ПП*)>0№ (1)

где = множество входных переменных, отражающих режимные

состояния и состояния внешней среды:

= - множество выходных переменных, характеризующих про-

цесс функционирования и сопутствующие процессы (нагрев, шум, вибрация и др.):

0(0 = >—>£*) - множество внутренних (прямых, материально-структурных)

показателей технического состояния.

Можно использовать другое правило преобразования, называемое правилом д иагностирова н ня

0(о=дг(о,т]- (2)

Выражение (2) позволяет принципиально оценить множество внутренних показателей технического состояния на основе совместного анализа множеств входных и выходных переменных, однако объем вычислений при этом будет весьма большим.

В то же время развиваются современные методы и компьютерные средства, в том числе методы искусственного интеллекта, которые можно применил, для решения сложных многосвяэных нелинейных задач. Так, например, нейронная сеть с прямой связью и несколькими скрытыми слоями может аппроксимировать сложные функции любого вида.

С учетом информативности можно выбрать минимальную совокупность контролируемых параметров для обеспечения заданной полноты контроля Уя из условия:

/

Здесь — количество информации, полученное при контроле пк диагностических параметров, определяемое как разность между априорной и апостериорной неопределенностями:

Во второй главе «Диагностические модели судовых дизелей» обоснован выбор типа диагностических моделей судовых дизелей и представлены модели блока рабочих процессов и модели блока движения.

На рис.2 показана структурно-функциональная модель блока рабочих процессов. Здесь:

1) теплота сгорания топлива Я„;

2) степень сжатия в цилиндре с,

3) частота вращения коленчатого вала л;

4) цикловая подача топлива ga;

5) давление воздуха на входе двигателя (после воздухоохладителя) рк\

6) температура воздуха на входе двигателя Тк\

7) средний показатель политропы сжатия в цилиндрах л,;

8) относительное количество кислорода, необходимое для полного сгорания водорода и углерода (характеристика топлива) Д

9) показатель адиабаты сжатия воздуха в компрессоре А;

10) коэффициент повышения давления воздуха в компрессоре я*;

11) коэффициент понижения полного давления а охладителе надувочного воздуха с^

12) коэффициент восстановления полного давления на входе компрессора, учитывающий гидравлические потери во впускной системе двигателя ав\

13) давление воздуха на входе компрессора (давление окружающей среды) ро,

14) число работающих цилиндров (ц.

Модели представляют входные/выходные зависимости дизелей, на основе которых можно количественно оценивать влияние входных переменных и внутренних параметров на их функциональные показатели при их анализе путем применения имитационного моделирования. Приведена общая схема алгоритма анализа диагностических моделей.

(4)

щ

г-А т?

3 6 а ф

Рх

Рс

3 5 6

С0{

С4

0

1

р +

г1 »

р

^ щ

3 'I

й.

N

3»

М

* н

'к

> J *

|лГ 14

к

Т5

т;

№ Л1

13

л

1Г»

Рис. 2. Структурно-функциональная модель блока рабочих процессов

В третьей главе «Методы и алгоритмы диагностирования главных судовых дизелей» приведены основные методы оценки технического состояния судовых дизелей и разработаны алгоритмы моделирования и определения их технического состояния.

Метод индивидуальной функции состояния для оценки технического состояния основан на построении индивидуальной функции состояния Ф^^ с учетом

вклада всех диагностических параметров (рис.3). При этом работоспособность объекта определяется выражением:

1

/«I О

-1.

(5)

где СС{ - весовые коэффициенты, учитывающие различное влияние разных параметров на

к

работоспособность объекта, ^ СС1 = 1.

к

Фо< А

-л—is-—^

г

Рис. 3. Индивидуальная функция состояния

Метод нейросетевого моделирования позволяет построить нейросетевую модель с последующим обучением для того, чтобы сеть могла выявлять скрытые отношения параметров. Использован управляемый многослойный персешрон (Multi-layer Perceptron — MLP). Его возможности аппроксимации нелинейных зависимостей любой сложности и распознавания невидимых образцов делают его самым популярным типом нейронных сетей. MLP с одним или некоторыми скрытыми слоями может аппроксимировать зависимости любой сложности. Для судовых дизелей предлагается несколько вариантов нейросетевых моделей, в том числе модель, показанная на рис.4.

PüHt ^ом» Ph

СУДОВОЙ ДИЗЕЛЬ

п, Тп N„

¿ЙЫХ» 'пи

Обработка первичных данных

Рис. 4. Нейросетевая модель судовых дизелей

Для того чтобы построить MLP, следует провести следующие процедуры:

1) сбор и обработка первичных данных;

2) выбор начальной структуры MLP;

3) обучения сети выбранной структуры;

4) проверка достоверности обученной сети;

5) если сеть оказывается недостоверной, предстоит возвращение ко второму шагу (повторный выбор структуры сети);

6) если сеть верна, начинается использование сети (обобщение, генерализация),

В качестве примера MLP построен с применением нейро-программы Neuro Solutions Developer 5.02.

Из-за отсутствия значения эффективной мощности в наборе данных здесь выполнено моделирование с четырьмя выходными переменными.

Модель обучена данными, содержащими 500 образцов, в том числе 300 образцов для обучения (обучающий набор - training set); 100 для проверки (cross validation set); 100 для тестирования (test set). Обучение проводится с 200 итерациями (эпохами). После каждой эпохи набор данных для проверки представляется сети и вычисляется ошибка (cross validation error).

Выполнение экспериментов с множеством сетей различной структуры показало, что сеть с одним скрытым сдоем семи нейронов (5-7-4, входные, скрытые и выходные элементы соответственно) оказалась достаточно верной. Ошибки после 500 эпох меньше 0,007. Обычно считают сеть верной, когда ошибки составляют не более 0,01 (рис.5).

Нижняя кривая: ошибки набора данных для проверки достоверности (cross-valuation errors).

Рис. 5. Ошибки обучения относительно чисел итерации

Выбрав оптимальную структуру сети и обучив ее, обученную сеть можно использовать для распознавания новых невидимых ею данных. Предоставляя обученной сети 100 образцов набора тестовых (невидимых) данных, сеть вычисляет выходные значения. На рис.7 приведен график выходных значений, вычисленных сетью (output), относительно оригинальных значений (desired) температуры выпускных газов.

На нижнем графике рис.6 показана ошибка обобщения (prediction error •» (desired - output)) в процентах. Результат показал, что обученная сеть достаточно обобщает данные с максимальной ошибкой не выше б процентов.

номера образцов Рис. 6. Результат обобщения на обученном MLP Другой вариант применения нейронных сетей - самоорганизующаяся карта признаков (СОК) для распознавания технического состояния судовых дизелей. Карта предназначена для отображения многомерных данных на плоскость, а также для группировки на кластеры. Применительно к задаче классификации и распознавания состояния судовых дизелей предлагается модель, показанная на рис.7.

Рис. 7. Схема распознавания состояний судового дизеля на основе СОК

При этом следует выполнить следующие шаги при решении задачи распознавания технического состояния дизеля:

1) получение и предобработка данных, характеризующих техническое состояние дизеля;

2) применение алгоритма СОК для кластеризации входных данных;

3) принятие решения о техническом состоянии дизеля;

4) возможно выполнение прогнозирования технического состояния дизеля.

При реализации СОК для распознавания состояния судовых дизелей использован пакет УЬсоуегу БОМте, являющийся самым эффективным для кластеризации и визуализации многомерных данных благодаря дружественному интерфейсу и множеству дополнительных особенностей.

СОК реализована на данных, полученных из набора бланков технического диагностирования теплохода «Новогрудок». Данные содержат 11 показателей, 455 образцов, в том числе компонента 9 зарегистрирована с 12 отсутствующими отсчетами, а компоненты 10, И -6 отсчетами. Карта с 500 прототипами обучена и показана на рис.8, где все образцы были сгруппированы в трех кластерах. На табл.1 приведены статистики кластеров.

Три кластера соответствуют трем группам режимов работы дизеля. Большинство данных в группе 1 - обычные режимы работы. Кластеры 2 и 3 - частные режимы работы, и появлялись они с меньшей частотой.

Для более подробного анализа данных можно применить еще раз алгоритмы СОК для каждого кластера. Проведем дальнейший анализ кластера I, содержащего 312 образцов. Обученная карта с 200 прототипами изображена на рис.9, а статистики вторичных кластеров - в табл.2.

Таблица 1

Статистики кластеров

Компоненты Кластер I Кластер 1 Кластер 3

1 - положение рейки И 6.284 5.746 4.299

2 — среднее индикаторное давление р* 9.18 8.44 5.97

3 - частота вращения дизеля п 120.1 117 97.6

4 - максимальное давление сгорания рг 70.11 66.96 55.18

5 - давление сжатия рс 48.73 44.45 33.79

6 - давление на линии расширения 36й после ВМТ р„ 36.82 33.45 23.84

7 — давление продувного воздуха р, 0.844 0.699 0.289

8 - угол от ВМТ до р, арг 15.37 15.01 12.51

9 — температура выпускных газов (г 339.3 329.2 295.2

10 - температура втулок И 7.7 114.9 101.1

11 - температура втулок г,2 125.2 118.2 101.8

Частота появления 312 из 30

□[Ыегз - пс&1а?^_(ии_455*11

Рис. ((.Кластеризация состояний судового дизеля с применением СОК

Рис.9 и табл.2 показывают, что все образцы сгруппированы в четыре вторичных кластера. Большинство образцов относится к кластерам 1 и 2. Кластер 2 отличается от кластера 1 тем, что в нем дизель работал с режимами большей нагрузки. Кластер 4 соответствует режимам крайне высокой нагрузки дизеля. Более того, СОК смогла распознать образцы кластера 3, соответствующие режимам неправильного функционирования дизеля с отключением цилиндра 1.

Таблица 2

Статистики вторичных кластеров кластера 1

Компоненты Кластер 1 Кластер 2 Кластер 3 Кластер 4

А 6.219 6.431 6.877 6.725

Л 9.08 9.36 9.39 9.99

м 119.8 120.3 111.9 124

Ря 69.69 70.62 67.57 75.88

Р, 48.31 49.62 45.52 54.43

Рг г 36.42 37.68 36.26 40.9

Р, 0.823 0.884 0.743 1.045

ар, 15.38 15.42 15.3 15.43

'г 338 345.5 380 337.2

118.3 121 127.9 118.8

121.8 132.4 143.9 129.7

Частота появления 196 105 5 6

Ои^еге - пез1ал_7иИ_455х11_С1

Рис. 9. Результаты анализа кластера 1

Четвертая глава «Методика диагностирования судовых дизелей» посвящена составлению общей процедуры диагностирования судовых дизелей, включая обработку данных для диагностирования, использования имитационной и построенных нейросетевых моделей для целей диагностирования.

Обработка результатов измерений диагностических параметров чаще всего включает установление режимов и условий измерений, применение статистических мероприятий для устранения ошибок. Во многих практических задачах требуются предобработка и/или постобработка первичных данных для того, чтобы преобразовать их в какие-то формы, распознаваемые моделями.

Имитационная модель судовых дизелей (рис.10) построена на основании моделей блоков рабочих процессов н движения дизеля Семт-Пипстик. Однако модель может быть распространена на другие марки дизелей.

Вычисленные значения мощности, эффективного коэффициента, среднего эффективного давления и удельного эффективного расхода топлива и соответствующие им заданные величины приведены в табл.3.

Таблица 3

Погрешности вычисления на модели

Показатели дизеля Вычисленные Заданные Погрешность (%)

Удельный эффективный раскол топлива (кг/кВт.ч) ■ 0,209 одоз 2,9

Среди« эффективное давление р, (кПа) 1870 1900 1,5

Эффективная мощность цилиндра Л^ (кВт) 689,1 700

Эффективный коэффициент ц. 0.412 0,42 1,9

Указанный результат показывает, что построенная модель и выбранные параметры достаточно близки для этой марки двигателя. Следовательно, ее можно использовать для имитации процессов и оценивать влияние изменения входных и внутренних параметров на выходное поведение дизеля.

Рис. 10. Имитационная модель судовых дизелей

Здесь предлагается оценка влияния на показатели работы дизеля трех групп факторов: технического состояния системы газообмена; условий окружающей среды и технического состояния цилнндропоршневой группы (ЦПГ). Ниже показан результат вычисления влияния технического состояния ЦПГ на показатели работы дизеля. !

Полная оценка влияния технического состояния ЦПГ на показатели дизеля невозможна вз-за отсутствия известных непосредственных зависимостей между параметрами технического состояния ЦПГ и показателями дизеля. Однако ухудшившееся техническое состояние ЦПГ в общем случае снижает давление в конце сжатия рс вследствие большого уноса рабочего тела. Это можно считать как потери доли хода поршня, т.е. снижается действительная степень сжатия е.

Влияние качества ЦШ" на показатели дизеля

Изменяемые входные и внутренние параметры

Диапазон изменения Относительное изменение

Степень сжатия е 14-13 -7,1%

Давление продувочного воздухар*, кПа 240-220 -8,3%

Частота вращения п, об/мин 470-460 -2%

Изменения выходных показателей

Эффективное давлениекПз 1874-1790 -4,5%

Эффективная мощность цилиндра Л^ кВт 690-646 -6,4%

Удельный . эффективный расход топлива кг/кВт.ч 0,208-0,218 + 4,5%

Температура в конце расширения Т^ К 1202-1296 + 7,2 %

Эффективный КПД 7]>п % 41,3-39,4 -4.5%

Коэффициент избытка воздуха а 1.79-1,65 -7,5%

1900 2.1300 1700

I

700

---¡__

-' ! : ! :

0 20 40 во ' во

40 60 «О

Изменение/;,,, е, п Рис. 11. Влияние качества ЦПГ на показатели дизеля

В итоге моделирование влияния технического состояния ЦПГ может быть совершено с заданием доли снижения степени сжатия (табл.4 и рис. 11). Снижение степени сжатия всегда сопровождается изменением показателей в ухудшающую сторону, что служит причиной уменьшения частоты вращения, снижения проду-

вочного давления и т.д. Поэтому при оценке влияния качества ЦПГ следует учесть эти факторы.

Для нейросетевых моделей - MLP, необходимо выполнил, следующие операции при их реализации:

1) получение данных и обработка первичных данных;

2) построение и обучение многослойного персептрона;

3} использование построенной модели.

Как только убедимся, что построенная модель верна, обученный MLP судовых дизелей может использоваться в двух случаях: для поддержки процесса проектирования системы управления и для принятия решения о состояний дизеля в процессе эксплуатации:

- первый случай имеет место при наблюдении поведения дизеля, когда на его вход подается управляющий сигнал, подчиняющийся какому-то правилу управления. При этом нейронная сеть обучена данными нормальной работы дизеля (нового) в различных режимах. Затем с помощью обученной сети оценивают его ответную реакцию после изменения управляющих правил на его входе;

- второй случай используется для поддержки судового экипажа в принятии решения о состоянии дизеля, а также для определения существенных показателей, непосредственное измерение которых в судовых условиях связано с трудностью вследствие отсутствия специальных измерительных средств. Этими показателями могут быть эффективная мощность, содержание выпускных газов и др.

В последнем случае контролируют в течение определенного времени, достаточного для построения неВросетевой модели, причем в этот период все необходимые средства для измерения существенных параметров доступны. Необходимый период для построения нейросетевой модели может быть ходовым испытанием судна или первым плаванием после капитального ремонта.

В следующих плаваниях при отсутствии специальных измерительных средств такие параметры могут быть определены с помощью обученной сети, т.е. сеть вычислит выходные параметры по совокупности входных, подаваемых на ее вход. На рис.12 приведен результат вычисления, причем на вход модели подаются изменения положения рейки и соответствующее ему изменение давления воздуха на входе дизеля (табл.5).

Здесь следует отметить, что построенная модель (обученная сеть) не является окончательным решением даже для одного и того же дизеля. Это означает, что обученная сеть эффективна и может точно реагировать только на изменение данных, которые учтены при обучении сети. В противном случае сеть экстраполирует, а как известно, экстраполяция на нейронных сетях не верна.

Процессы, протекающие в дизелях, с течением времени изменяются. При этом возможна ситуация, когда характеристики, полученные в какой-то определенный момент времени после построения модели, имеют особенности, которых не было, когда училась сеть. В этом случае нужно повторно обучить сеть при наличии достаточных новых данных.

Изменение входных параметров

ftiel rack 43 43,3 43,6 44 44.2 44,5 44,8 45,3 45,7 46

air intake 1,136 1,245 1,277 1,298 1,302 1,328 1,338 U53 1,364 1,373

220 |»1S | 210

Z0Si 234se7»»«

W7 -

f 156

5,

'12 14 7»4

2

| 70 уув

12Э43473Я1в -^

Изменение положения рейки и давления воздуха на. входе Рис. Результат вычисления на нейросетевой модели

В случае применения СОК для распознавания состояний судовых дизелей следует проводить процедуры:

1) получение первичных данных и их обработка;

2) создание и обучение карты для распределения входных образцов между нейронами на карте;

3) использование построенной модели.

После того, как сеть обучена распознаванию структуры данных, ее можно использовать как средство визуализации при анализе данных. При применении СОК для распознавания состояния судовых дизелей предлагается решение следующих задач:

1) кластеризация состояний судовых дизелей;

2) распознавание новых состояний и поиск дефектов;

3) мониторинг развития процесса.

После распределения входных образцов на карте алгоритмы СОК способствуют кластеризации, т.е. группируют образцы на кластеры путем объединения соседних нейронов на карте, используя известные алгоритмы кластеризации.

Здесь отметим, что алгоритмы СОК могут использоваться для многоуровневой кластеризации (рис.8,9). При этом СОК играет роль фильтра данных и может использоваться в сочетании с другими средствами при обработке данных.

Кластеризация с помощью алгоритмов СОК отличается от других возможностью наглядной визуализации кластеров. Кроме того, она не требует заранее заданного числа кластеров и позволяет рассматривать отношение между компонентами (см. рис.14).

После того как топологическая карта построена, на вход сети можно подавать новые наблюдения. Если выигравший при этом нейрон был ранее помечен именем класса, то сеть осуществляет классификацию. В противном случае считается, что сеть не приняла никакого решения. Поэтому СОК может служить как детектор новых явлений, т.е. осуществляться поиск неисправностей.

Применительно к решению задачи поиска дефектов для судовых дизелей возможны два варианта обучения СОК:

- СОК обучена с данными нормальной работы дизеля. При этом дефекты устанавливаются тем фактом, что никаких решений не принято, т.е. ни один из нейронов на карте не соответствует новым данным;

- СОК обучена с данными, содержащими существенные дефекта. В этом случае сеть распознает новые данные и распределит их в соответствующие нейроны на карте, а также распознает дефекты, если они присутствуют.

Первый вариант часто вызывает предпочтение в связи с тем, что данные нормальной работы дизеля легко получить. Трудность реализация СОК второго варианта связана с получением данных, содержащих информацию обо всех возможных дефектах. Образцы в кластерах 3 и 4 на рис.9 могут считаться дефектами.

Алгоритмы СОК также позволяют наблюдать развитие контролируемого процесса. Такое действие производится путем изображения хронической траектории на обученной карте (рис.13 и 14). _ ^^

С; Пи<.1| !■, -(Уж-И Г I Ш Щ-

При этом переход траектории процесса из одного кластера в другой означает появление изменения состояния наблюдаемого процесса. Рассмотрение пути процесса на картах компонент позволяет оценить изменение отдельных параметров. В нижней части каждой карты компонент показана шкала значений этой компоненты с цветным кодированием, облегчающая наблюдение за ее изменением.

Заключение

- В результате исследований получены следующие результаты и выводы:

1. Анализ судовых дизелей как объектов технического диагностирования с системных позиций позволил построить структурно-функциональную модель, в которой каждый узел, блок рассматривается как своеобразный преобразователь информации. Представление судовых дизелей в таком виде позволило построить диагностические модели на основе информационных отношений входных, внутренних и выходных параметров.

2. Произведена классификация признаков и параметров технического состояния судовых дизелей. Диагностические параметры дифференцированы по уровню информативности. Показаны способы использования информативности при выборе минимальной совокупности диагностических показателей, обеспечивающих заданную точность и достоверность диагностирования.

3. Выделены различные виды состояний судовых дизелей, в том числе виды технических состояний, установлена их взаимосвязь.

4. Выполнена классификация диагностических моделей судовых дизелей. Обосновано, что для диагностирования в процессе эксплуатации наиболее эффективны функциональные модели. Построены модели блоков рабочих процессов и движения судового дизеля, базирующиеся на полной системе уравнений связи параметров дизеля. Обоснованное выявление множества входных и выходных параметров, а также обобщенных дефектов позволяет

произвести анализ моделей с целью получения базы данных для практического диагностирования.

5. Предложена процедура оценки работоспособности многопараметрического объекта с применением индивидуальной функции состояния, -при построении которой учтено различное влияние параметров на состояние объекта.

6. Обосновано применение современной информационной технологии, основанной на теории нейронных сетей, для моделирования поведения судовых дизелей. Разработана процедура нейросетевого моделирования и рассмотрены различные аспекты, обеспечивающие достоверность моделирования с помощью нейронных сетей.

7. Выполнена разработка нейросетевой модели и осуществлено моделирование главного судового дизеля с применением обученного многослойного персеп-трона. Использованы алгоритмы его обучения с управлением. Проверка показала адекватность модели реальным процессам на морском судне (ошибка не превышает 6%). Рекомендовано использование обученного многослойного персептрона для поддержки проектирования систем диагностирования судовых дизелей и принятия решения о техническом состоянии дизеля при эксплуатации.

8. Разработана неуправляемая нейронная сеть - самоорганизующаяся карта признаков (СОК) для распознавания технического состояния главного судового дизеля и проведено экспериментальное моделирование, показавшее удовлетворительные результаты. Алгоритмы СОК распознали различные состояния дизеля. Обученную СОК можно использовать для решения задач классификации состояний судовых дизелей, распознавания новых, невидимых сетью, данных и поиска неисправностей, а также мониторинга развития процесса по времени при эксплуатации.

9. В предложенной методике рассмотрены различные аспекты и методы обработки данных для диагностирования, в том числе правила измерения диагностических параметров, статистические методы для фильтрации первичных данных и подготовка данных для использования при нейросетевом моделировании.

10. Построена имитационная модель для судовых дизелей в среде МАТЬАВ-Зшш1шк. В качестве эксперимента произведено вычисление показателей для конкретного судового дизеля - Семт-Пилстик. Результаты вычисления существенных показателей дизеля показали, что модель хорошо имитирует зависимости между параметрами дизеля, т.е. является адекватной реальным процессам. Погрешности определения значений выходных показателей не превышают 3%.

11. Полученные в работе результаты позволяют сформулировать рекомендации по организации и проведению дальнейших исследований в области технического диагностирования судовых дизелей с использованием имитационного моделирования и искусственных нейронных сетей. При проектировании систем технического диагностирования судовых дизелей и создании базы данных для практического их использования необходимы построение и анализ диагностических моделей для каждой марки дизеля, установленного на

конкретном типе судна. При обучении и анализе нейронной сети нужно иметь большой массив данных в виде результатов многократных сеансов контроля заданного множества параметров дизеля в различных условиях плавания судна. С помощью штатных приборов эту задачу не решить. Необходимо иметь исследовательский комплекс контрольно-измерительной аппаратуры, позволяющий документировать результаты измерений. Предлагаются следующие конкретные мероприятия для получения необходимых исходных данных:

1} провести контрольно-измерительные эксперименты на судовых дизелях для получения необходимых для практического диагностирования исходных данных. Такое мероприятие может быть проведено во время ходовых испытаний или при эксплуатационном плавании судов, специфицированном для этой цели;

2) использовать электронные приборы измерения с цифровой индикацией для уменьшения ошибки округления. Для современных судов, оснащенных системами централизованного мониторинга, данные можно получить с их помощью с одновременным автоматическим документированием результатов;

3) использовать формы бланков, специфицированные дня записи данных, желательно в электронном виде. Это облегчает обмен данными между компьютерными средствами и их передачу береговым офисам через Интернет;

4) организовать изучение и документирование режимов работы главных судовых дизелей, характеризующихся необходимым набором входных переменных (факторов) диагностических моделей.

Публикации

1. Gaskarov D.V., Le Van Diem, Nguyen Huy Hao. Analytical prediction of technical condition of marine equipment. Journal of maritime science and technology, Vietnam Maritime University, No.l, 4,2005. - pp. 35—39.

2. Ле Ван Днем, Нгуен Xy Хао. Прогнозирование технического состояния судовых установок. Труды VI Международной научно-практической конференции молодых ученых, студентов и аспирантов «Анализ и прогнозирование систем управления», СПб: СЗТУ, 2005. — с. 175-183.

3. Ле Ван Днем. Обработка эксплуатационных данных для диагностирования технического состояния судовых установок. Труды VI Международной научно-практической конференции молодых ученых, студентов и аспирантов «Анализ и прогнозирование систем управления», СПб; СЗТУ, 2005.-с. 184-187.

4. Ле Ван Днем. Классификация состояния технических объектов с применением нейронных сетей. Межвузовский сборник научных трудов «Информационные технологии и системы» (управление, экономика, транспорт), выпуск 2, СПб: 2006. - с. 61-63.

Ле Ван Днем. Перспективы развития технического диагностирования СЭУ. Труды Международного научно-технического семинара «Исследование, проектирование и техническая эксплуатация судовых ДВС», СПб: ГУВК, 30 мая 2006, -с. 126-130.

Ле Ван Днем. Применение нейронных сетей для визуализации результатов диагностирования судовых дизелей. Труды Международного научно-технического семинара «Исследование, проектирование и техническая эксплуатация судовых ДВС», СПб: ГУВК, 30 мая 2006. - с. 131-135. До Дык Лыу, Ле Ван Днем, Нгуен Ху Хао. Алгоритмы автоматического контроля и диагностирования судовых дизелей на основе использования нейронных сетей. Двигателестроение. № 3 (225) 9.2006. - с. 20-22,

Печатается в авторской редакции

Подписано в печати 17.10.06 Сдано в производство 17.10.06 Лицензия № 000283 от 19.10.1998 формат 60x84 1/16 Усл.-печ. л 1,43

Уч.-изд.л. 1,15 Тираж 60 Заказ №387

Отпечатано в ИИЦ ФГОУ ВПО СПбГУВК 198035, Санкт-Петербург, Межевой канал, 2

ВВЕДЕНИЕ.

1. АНАЛИЗ СУДОВЫХ ДИЗЕЛЬНЫХ УСТАНОВОК КАК ОБЪЕКТОВ ТЕХНИЧЕСКОГО ДИАГНОСТИРОВАНИЯ.

1.1. Признаки, параметры и показатели технического состояния.

1.2. Уровни проявления состояний судовых технических объектов и их взаимосвязь.

1.3. Характеристики систем технического диагностирования.

1.4. Цель и задачи исследований.

Выводы по гл.1.

2. ДИАГНОСТИЧЕСКИЕ МОДЕЛИ СУДОВЫХ ДИЗЕЛЕЙ.

2.1. Классификация диагностических моделей судовых механизмов

2.2. Модель блока рабочих процессов.

2.3. Модель блока движения.

2.4. Анализ диагностических моделей судовых дизелей.

Выводы по гл.2.

3. МЕТОДЫ И АЛГОРИТМЫ ДИАГНОСТИРОВАНИЯ ГЛАВНЫХ СУДОВЫХ ДИЗЕЛЕЙ.

3.1. Основные методы оценки технического состояния на основе допускового контроля диагностических параметров.

3.2. Метод индивидуальной функции состояния для оценки технического состояния.

3.3. Постановка задачи нейросетевого моделирования судовых дизелей.

3.4. Моделирование главных судовых дизелей с помощью многослойного персептрона.

3.5. Применение самоорганизующейся карты признаков (СОК) для распознавания технического состояния судовых дизелей.

Выводы по гл.З.

4. МЕТОДИКА ДИАГНОСТИРОВАНИЯ СУДОВЫХ ДИЗЕЛЕЙ.

4.1. Измерение и обработка результатов измерений диагностических параметров.

4.2. Реализация диагностических моделей судовых дизелей путем имитационного моделирования.

4.3. Нейросетевое моделирование для поддержки принятия решения о техническом состоянии дизелей.

Выводы по гл.4.

Судовые дизельные установки (СДУ) представляют собой сложные комплексы, состоящие из многих подсистем и узлов. При эксплуатации в них происходят сложные химико-физические процессы и энергопреобразования. С другой стороны судовые дизельные установки в процессе эксплуатации могут подвергаться воздействиям вибрации, ударных нагрузок, влаги, соли, изменения температуры окружающей среды в широком диапазоне и т.д. Такие воздействия ускоряют процесс деградации деталей и узлов СДУ и уменьшают их надежность. Поддержание надежности работы СДУ во время автономного плавания судов не только обеспечивает безопасность судового экипажа и груза, но и увеличивает экономичность и эффективность эксплуатации судов. Эти цели могут быть достигнуты путем контроля работоспособности установок и своевременного обнаружения симптомов нарушения их нормальной работы. Это задача технического диагностирования СДУ при эксплуатации.

Техническая диагностика в общем случае может включать в себя одну или несколько из следующих задач [47]:

- определение технического состояния (работоспособности) объекта;

- поиск возникшего дефекта;

- прогнозирование изменения технического состояния объекта. I

Рис. 1. Структура процесса технического диагностирования Процесс оценки технического состояния объекта (рис.1) включает восприятие и обработку (В) первичной информации (И\) от объекта диагностирования (ОД), анализ (А) вторичной информации (Я2) о состоянии объекта и принятие решения (.ПР) о состоянии с учетом нормативных требований (НТ). В некоторых случаях для оценки технического состояния объекта приходится воздействовать на него, подавая специальное стимулирующее действие (СД), вызывающее его реакцию. Функции восприятия и анализа информации о состоянии объекта, а также приятие решения и воздействия могут выполнять технические средства или человек-оператор. Распределение функций между техническими средствами и человеком-оператором зависит от степени автоматизации производственного процесса.

Теория систем технического диагностирования в целом и для СДУ в частности возникла и развивается с 70-х годов 20-го века в работах Пархоменко П.П., Мозгалевского A.B., Гаскарова Д.В., Биргера И.А., Климова E.H., и других. Однако недостаточное внимание обращается на развитие технических средств диагностирования СДУ, которые могут оказать помощь судовому экипажу при оценке технического состояния энергетической установки во время автономного плавания судов.

На старых судах, построенных до 90-х годов, оценка технического состояния судовых установок основывается целиком на опыте судового экипажа. При этом функциональные параметры контролируются отдельно. Они сравниваются с допустимыми пределами, выход любого параметра за пределы допуска регистрируется, и аварийная сигнализация включается в виде звукового и светового сигнала. Современные судна оснащены системой централизованного управления, обеспечивающей интегрированный мониторинг существенных параметров (рис.2).

Человек-оператор ±

БУ

УП

РВ

ГД д пп

БУ - блок управления

УП - установленные программы управления РВ - регуляторы частоты вращения, температур и др. ГД - главный судовой дизель Д - датчики

ПП - блок первичного преобразования БС - блок сравнения НЗ - нормальные значения параметров БИ - блок индикации С - сигнализация

БС

НЗ

БИ

Рис. 2. Общая схема системы централизованного управления и мониторинга

Такие системы могут автоматически защищать главные дизели от критических ситуаций путем их перевода на определенные программированные режимы или прекращения работы. Лидирующая в этой области фирма Kongsberg Maritime (Норвегия) выпускает средства AutoChief® [65] для разнообразных дизелей типа MAN B&W и SULZER (рис.3).

Рис. 3. Панель модуля системы AutoChief®4 в машинном отделении

В последние годы наряду с интенсивным развитием применения компьютеров для обработки динамических данных развивается ряд компьютерных средств, поддерживающих техническое диагностирование дизельных установок.

Компания Malin Instruments Ltd. (Англия) создает анализатор поведения дизеля (Engine Performance Analyser) MalinôOOO (предыдущая версия Ма-НпЗООО) [66]. Это мобильный инструмент, позволяющий непрерывно измерять давление сгорания по углу коленчатого вала в любом дизеле. Затем соответствующая компьютерная программа позволяет воспринимать, сравнивать и анализировать циклограммы дизеля на компьютере. Результат анализа показывается в виде таблицы, в том числе значение давления и угол начала сгорания, значение максимального давления и соответствующий угол, индикаторная мощность каждого цилиндра, частота вращения и многие другие.

Крупнейший производитель судовых дизелей MAN B&W Diesel (Дания, Германия) развивает пакет компьютерного диагностирования CoCoS EDS (Computer Controlled Surveillance Engine Diagnostic) [67]. Пакет программы позволяет интегрировать его с системой централизованного контроля и мониторинга главного дизеля через стандартный интерфейс. Этим путем система приобретает данные о работе дизеля, анализирует их и дает оценку о техническом состоянии. В системе можно сохранить данные о режимах нормальной работы дизеля и базу экспертных данных, позволяющие давать заключение об отклонении от нормальной работы и рекомендации по эксплуатации дизеля.

Компания Wartsila (Финляндия) выпускает программные пакеты FAKS2i (Fault Avoidance and Predictive Maintenance) и MoniTrend (Data Analysing System) [68]. Программа FAKS2i в некотором аспекте похожа на CoCoS EDS, которая позволяет приобретать данные непосредственно из системы централизованного контроля и мониторинга. Она тоже использует базу экспертных данных. Пакет MoniTrend анализирует данные, получаемые из системы централизованного контроля и мониторинга, и выявляет тренд в режиме реального времени.

СЦУ - система централизованного управления Д - датчики

ПП - блок первичного преобразования БД - база эксплуатационных данных АД - анализ данных ЭБД - экспертная база данных РиР - результат анализа и рекомендации КСД - компьютерная система технического диагностирования

Рис. 4. Блок-схема взаимосвязи систем централизованного управления и диагностирования главных судовых дизелей

Эти программы можно представить в виде блок-схемы (рис.4), в которой система централизованного управления и компьютерная система технического диагностирования интегрированы.

Продукты компаний MAN B&W Diesel и Wartsila поддерживают дистанционный доступ, используя современные веб-технологии как Java и XML. Это обеспечивает доступ в базу данных в любом месте в пределах сети судна или энергетической установки.

Недостаток таких продуктов заключается в том, что они обслуживают только некоторые новые модели дизеля.

Прогресс в научной деятельности в последние годы открывает новые направления в решении вычислительных задач и обработки данных в динамических системах, в том числе нейросетевая технология и теория нечетких множеств. Для задачи технического диагностирования СДУ предлагаются следующие варианты (рис.5 и 6).

БДН - база нормативных данных НСМ - нейросетевая модель ХТС - характеристики технического состояния

Рис. 5. Нейросетевая модель в системе диагностирования судовых дизелей Нейросетевая модель на рис.5 может быть обучена данными о нормальной работе дизеля. Затем, получая рабочие данные, она вычисляет выходы, которые могут быть числовыми характеристиками технического состояния. В других случаях сеть распознает рабочие данные и относит состояние дизеля к определенной группе.

Модель на базе нечетких множеств (рис.6) основана на использовании системы нечеткого вывода с набором правил вида ЕСЛИ а, ТО Ъ (например, ЕСЛИ давление сжатия низкое, ТО зазор поршневых колец большой). При применении нечеткой логики выходы модели могут быть представлены видом состояния и рекомендацией о принятии решения о контроле дизеля.

НМ - модель на основе нечетких множеств ПР - принятие решения о техническом состоянии

Рис. 6. Использование модели нечетких множеств для поддержки системы технического диагностирования судовых дизелей

Развитие микропроцессоров, измерительных и вычислительных средств дает возможность построения моделей и средств технического диагностирования для сложных систем, в том числе СДУ. Однако успешное применение рассмотренных моделей технического диагностирования гарантируется только после тщательного изучения объекта диагностирования, которое поддерживает правильный выбор совокупности диагностических параметров и средств их измерения.

В данной работе рассмотрены возможности построения систем технического диагностирования судовых дизелей с применением современных вычислительных средств для моделирования поведения судовых дизелей, в том числе нейронной технологии и имитационного моделирования.

Первая глава рассматривает существенные особенности технического диагностирования судовых дизелей, в том числе классификация состояний технического объекта, информативность при выборе совокупности диагностических параметров и основные характеристики системы технического диагностирования.

Вторая глава посвящена построению и анализу диагностических моделей судовых дизелей, где рассматриваются подробно модели блоков рабочих процессов и движения и метод из анализа.

Методы контроля технического состояния судовых дизелей рассмотрены в третьей главе, в которой выполнен анализ принципов оценки состояния судовых дизелей и распознавания их состояния с помощью технологии нейронных сетей и других методов.

Методика технического диагностирования судовых дизелей рассматривается в четвертой главе, где показываются особенности обработки измерительных данных для диагностирования, реализация имитационной модели процессов конкретного дизеля и процедуры нейросетевого моделирования с помощью двух распространенных видов нейронных сетей - многослойного персептрона и самоорганизующейся карты признаков.

В заключение указаны условия применения различных методов, основные трудности и недостатки, требования, соблюдение которых необходимо для обеспечения точности и эффективности моделирования, и сформированы дальнейшие направления исследования на пути совершенствования технического диагностирования судовых дизельных установок.

Основные результаты и выводы

1. Анализ судовых дизелей как объектов технического диагностирования с системных позиций позволил построить структурно-функциональную модель, в которой каждый узел, блок рассматривается как своеобразный преобразователь информации. Представление судовых дизелей в таком виде позволило построить диагностические модели на основе информационных отношений входных, внутренних и выходных параметров.

2. Произведена классификация признаков и параметров технического состояния судовых дизелей. Диагностические параметры дифференцированы по уровню информативности. Показаны способы использования информативности при выборе минимальной совокупности диагностических показателей, обеспечивающих заданную точность и достоверность диагностирования.

3. Выделены различные виды состояний судовых дизелей, в том числе виды технических состояний, установлена их взаимосвязь.

4. Выполнена классификация диагностических моделей судовых дизелей. Обосновано, что для диагностирования в процессе эксплуатации наиболее эффективны функциональные модели. Построены модели блоков рабочих процессов и движения судового дизеля, базирующиеся на полной системе уравнений связи параметров дизеля. Обоснованное выявление множества входных и выходных параметров, а также обобщенных дефектов позволяет произвести анализ моделей с целью получения базы данных для практического диагностирования.

5. Предложена процедура оценки работоспособности многопараметрического объекта с применением индивидуальной функции состояния, при построении которой учтено различное влияние параметров на состояние объекта.

6. Обосновано применение современной информационной технологии, основанной на теории нейронных сетей, для моделирования поведения судовых дизелей. Разработана процедура нейросетевого моделирования и рассмотрены различные аспекты, обеспечивающие достоверность моделирования с помощью нейронных сетей.

7. Выполнена разработка нейросетевой модели и осуществлено моделирование главного судового дизеля с применением обученного многослойного персептрона. Использованы алгоритмы его обучения с управлением. Проверка показала адекватность модели реальным процессам на морском судне (ошибка не превышает 6%). Рекомендовано использование обученного многослойного персептрона для поддержки проектирования систем диагностирования судовых дизелей и принятия решения о техническом состоянии дизеля при эксплуатации.

8. Разработана неуправляемая нейронная сеть - самоорганизующаяся карта признаков (СОК) для распознавания технического состояния главного судового дизеля и проведено экспериментальное моделирование, показавшее удовлетворительные результаты. Алгоритмы СОК распознали различные состояния дизеля. Обученную СОК можно использовать для решения задач классификации состояний судовых дизелей, распознавания новых, невидимых сетью, данных и поиска неисправностей, а также мониторинга развития процесса по времени при эксплуатации.

9. В предложенной методике рассмотрены различные аспекты и методы обработки данных для диагностирования, в том числе правила измерения диагностических параметров, статистические методы для фильтрации первичных данных и подготовка данных для использования при нейросетевом моделировании.

10. Построена имитационная модель для судовых дизелей в среде МАТЬАВ-БтиНпк. В качестве эксперимента произведено вычисление для конкретного судового дизеля - Семт-Пилстик. Результаты вычисления существенных показателей дизеля показали, что модель хорошо имитирует зависимости между параметрами дизеля, т.е. является адекватной реальным процессам.

Погрешности определения значений выходных показателей не превышают 3%.

11. Полученные в работе результаты позволяют сформировать рекомендации по организации и проведению дальнейших исследований в области технического диагностирования судовых дизелей с использованием имитационного моделирования и искусственных нейронных сетей. При проектировании систем технического диагностирования судовых дизелей и создании базы данных для практического их использования необходимы построение и анализ диагностических моделей для каждой марки дизеля, установленного на конкретном типе судна. При обучении и анализе нейронной сети нужно иметь большой массив данных в виде результатов многократных сеансов контроля заданного множества параметров дизеля в различных условиях плавания судна. С помощью штатных приборов эту задачу не решить. Необходимо иметь исследовательский комплекс контрольно-измерительной аппаратуры, позволяющий документировать результаты измерений.

12. Предлагаются следующие конкретные мероприятия для получения необходимых исходных данных:

1) провести контрольно-измерительные эксперименты на судовых дизелях для получения исходных данных. Такое мероприятие может быть проведено во время ходовых испытаний или при эксплуатационном плавании судов, специфицированном для этой цели;

2) использовать электронные приборы измерения с цифровой индикацией для уменьшения ошибки округления. Для современных судов, оснащенных системами централизованного мониторинга, данные можно получить с их помощью с одновременным автоматическим документированием результатов;

3) использовать формы бланков, специфицированные для записи данных, желательно в электронном виде. Это облегчает обмен данными между компьютерными средствами и их передачу береговым офисам через Интернет; 4) организовать изучение и документирование режимов работы главных судовых дизелей, характеризующихся необходимым набором входных переменных (факторов) диагностических моделей.

1. Башуров Б.П., Велиадзе Г.Т. Эксплуатационная надежность судовых вспомогательных механизмов. Учебное пособие. М: Мортехинформ-реклама, 1993. 197 с.

2. Бендорская E.H., Колесников Д.Н., Пахомова В.И. Функциональная диагностика систем управления. Учебное пособие. СПБ: Государственный Технический Университет, 2000. 143 с.

3. Биргер И.А. Техническая диагностика. М: Машиностроение, 1978. -239 с.

4. Большаков В.Д. Теория ошибок наблюдений. Учебник для вузов. 2-е изд. М: Недра, 1983. 223 с.

5. Вентцель Е.С. Теория вероятностей. М: Наука, 1969. 366 с.

6. Возницкий И.В., Камкин C.B., Шмелев В.П., Осташенков В.Ф. Рабочие процессы судовых дизелей. М: Транспорт, 1979. 206 с.

7. Возницкий И.В., Михеев Е.Г. Судовые дизели и их эксплуатация. М: Транспорт, 1990. 360 с.

8. Возницкий И.В., Чернявская Н.Г., Михеев Е.Г. Судовые двигатели внутреннего сгорания. М: Транспорт, 1979. 415 с.

9. Гаскаров Д.В., Голинкевич Т.А., Мозгалевский A.B. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры. Изд-во «Советское радио», 1974. 223 с.

10. Ю.Гвидо Дебок, Тейво Кохонен. Анализ финансовых данных с помощью самоорганизующихся карт. Пер. с англ. М: Издательский дом «Альпи-на», 2001.-316 с.

11. П.Глухов В.В. Техническое диагностирование динамических систем. М: Транспорт, 2000. 96 с.

12. Глущенко В.В. Прогнозирование. 3-е издание. М: Вузовская книга, 2000. 208 с.

13. Голуб Е.С., Мадорский Е.З., Розенберт Г.Ш. Диагностирование судовых технических средств. Справочник, М: Транспорт, 1993. 150 с.

14. Горб С.И. Моделирование динамики работы дизельных пропульсив-ных установок на ЭЦВМ. М: Мотехинформреклама, 1986. 45 с.

15. Грановский В.А., Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. JI: Энергоатомиздат, 1990. 288 с.

16. Грицай J1.JL, Горбунов В.Ф., Калугин В.Н., Левин Б.М. Диагностические параметры главных малооборотных дизелей. Тр. ЦНИИМФ, 1973, вып. 174.-с.3-19.

17. Калявин В.П. Основы теории надежности и диагностики. Учебник. СПб: Элмор, 1998.- 172 с.

18. Камкин C.B., Возницкий И.В., Шмелев В.П. Эксплуатация судовых дизелей. М: Транспорт, 1990. 344 с.

19. Камкин C.B., Лемещенко А.Л., Пунда A.C. Повышение экономичности судовых дизелей. СПб: Судостроение, 1992. 176 с.

20. Карпов Л.Н., Титов Е.А. Выбор объема контролируемых параметров судового дизеля для безразборной диагностики его технического состояния. Тр. ЦНИИМФ, 1973, вып. 174. - с. 19-40.

21. Ким Дж. О., Мьюллер Ч.У., Клекка У.Р. и др. Факторный, дискрими-нантный и кластерный анализ. Пер. с англ./Под ред. Енюкова И.С. М: Финансы и статистика, 1989. 215 с.

22. Климов E.H. Основы технической диагностики судовых энергетических установок. М: Транспорт, 1980. 147 с.

23. Климов E.H. Управление техническим состоянием судовой техники. М: Транспорт, 1985. 198 с.

24. Климов E.H., Попов С.А., Сахаров В.В. Идентификация и диагностика судовых технических систем. Л: Судостроение, 1978. 176 с.

25. Козлов A.B. Пути повышения эффективности управления судовыми энергетическими процессами. СПб: Судостроение, 2002. 194 с.

26. Корнеев В.В., Гаев А.Ф., Васютин C.B., Райх В.В. Базы данных: интеллектуальная обработка информации. М: Изд-во «Нолидж», 2000. -351 с.

27. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М: Изд-во Физико-математической литературы, 2000. 224 с.

28. Кузнецов С.Е. Основы эксплуатации электрооборудования и средств автоматизации. М: Транспорт, 1991. 239 с.

29. Кузнецов С.Е., Портнягин Н.Н., Пюкке Г.А. Диагностирование судовых электрических средств автоматизации с применением нейросетей. Материал «ТРАНСКОМ-2004». с. 164-166.

30. Кутьин В. М. Применение нейросетевых моделей на примере самоорганизующихся карт Кохонена. Искусственный интеллект в маркетинге. Сообщество менеджеров, www.e-xecutive.ru, 2003.

31. Ле Ван Дием. Классификация состояния технических объектов с применением нейронных сетей. Межвузовский сборник научных трудов «Информационные технологии и системы» (управление, экономика, транспорт), выпуск 2, СПб: 2006. с. 61-63.

32. Ле Ван Дием. Перспективы развития технического диагностирования СЭУ. Труды Международного научно-технического семинара «Исследование, проектирование и техническая эксплуатация судовых ДВС», СПб: ГУВК, 30 мая 2006. с. 126-130.

33. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuz-zyTECH. СПб: БХВ-Петебург, 2003. 736 с.

34. Моек Е., Штрикерт X. Техническая диагностика судовых машин и механизмов. Пер. с нем. JI: Судостроение, 1986. 232 с.

35. Мозгалевский A.B., Гаскаров Д.В. Диагностика судовой техники методами планирования эксперимента. JI: Судостроение, 1977. 95 с.

36. Мозгалевский A.B., Гаскаров Д.В. Техническая диагностика (непрерывные объекты). М: Высшая школа, 1975. 207 с.

37. Мозгалевский A.B., Калявин В.П. Диагностирование электронных систем. JL: Судостроение, 1984. 224 с.

38. Мозгалевский A.B., Калявин В.П. Системы диагностирования судового оборудования. JI: Судостроение, 1987. 217 с.

39. Мозгалевский A.B., Койда В.Н. Вопросы проектирования систем диагностирования. JI: Энергоатом издан, 1985. 112 с.

40. Набор бланков технического диагностирования, Т/Х «Новогрудок», 7.1979-2.1981.

41. Надежность и эффективность в технике. Справочник в 10-ти т. Т. 9 -Техническая диагностика. /Под ред. Клюева В.В., Пархоменко П.П. М: Машиностроение, 1987. 351 с.

42. Никитин A.M. Категории технического состояния и оптимизация технического обслуживания. Сборник научных статей «Эксплуатация морского транспорта», Государственная морская академия им. адм. С.О. Макарова. СПб: Наука, 2003. с. 223-229.

43. Никитин A.M. Управление технической эксплуатацией судов. Часть 1 : Основы технической эксплуатации судов. Учебник, СПб: Белл, 2004. -188 с.

44. Погодин С.И. Рабочие процессы транспортных турбопоршневых двигателей. М: Машиностроение, 1978. 312 с.

45. Портнягин H.H., Пюкке Г.А. Теория, методы и эксперименты решения задач диагностики судовых электрических средств автоматизации. СПб: Судостроение, 2004. 161 с.

46. Пунда A.C. Численное моделирование рабочих процессов судовых дизелей. М: Мотехинформреклама, 1995. 64 с.

47. Роберт Калан. Основные концепции нейронных сетей. Изд-во «Вильяме», 2003.-287 с.

48. Руководство пользователю MATLAB 7.0. The Math Works, Inc.

49. Руководство пользователю NeuroSolutions 5.02. NeuroDimension, Inc.

50. Руководство пользователю Viscovery SOMine Enterprise 3.0. Eudap-tics software gmbh.

51. Саймон Хайкин. Нейронные сети: полный курс, 2-е издание. Изд-во Диалектика-Вильяме, 2005. 1104 с.

52. Сыромятников В.Ф. Автоматика как средство диагностики на морских судах. JI: Судостроение, 1979. 312 с.

53. Техническая документация, Kongsberg Maritime, www.km.kongsberg.com.

54. Техническая документация, Malin Instruments LTD, www.malin.co.uk.

55. Техническая документация, MAN B&W, www.manbw.dk.

56. Техническая документация, Wartsila, www.wartsila.com.

57. Технические данные, VINAFCO, m/v «Lady Star», 2000-2001.

58. Технические средства диагностирования. Справочник/Под ред. Клюева В.В. М: Машиностроение, 1989. 627 с.

59. Электронный учебник «Аналитические технологии для прогнозирования и анализа данных», НейроПроект, www.neuroproiect.ru.

60. Электронный учебник по статистике, www.statsoft.ru.

61. Alhoniemi Е., Hollmen J., Simula О., Vesanto J. Process monitoring and modeling using the self-organizing map. Integrated Computer-Aided Engineering, Vol. 6, No. 1, 1999. pp. 3-14.

62. Ben Krose, Patrick van der Smagt. An introduction to neural networks. The University of Amsterdam, 1996. 135 p.

63. Bishop C. Neural networks for pattern recognition. Oxford: University Press, 1995.-510 p.

64. Christopher A. Chung. Simulation modeling handbook: A practical approach. CRC Press, 2004. 530 p.

65. Freeman J.A., Skapura D.M. Neural networks: algorithms, applications, and programming techniques. Addison-Wesley Publishing Company, 1991. -401 p.

66. Gaskarov D.V., Le Van Diem, Nguyen Huy Hao. Analytical prediction of technical condition of marine equipment. Journal of maritime science and technology, Vietnam Maritime University, No. 1,4.2005. pp. 35-39.

67. Hand D., Mannila H., Smyth P. Principles of data mining. The MIT Press, 2001.-546 p.

68. Handbook of neural network signal processing. Edited by Yu Hen Hu, Jenq-Neng Hwang. CRC Press, 2002. 384 p.

69. Jain A.K., Murty M.N., Flynn P.J. Data clustering: A review. ACM Computing Surveys, Vol. 31, No. 3,9.1999. 60 p.

70. Kirkman E., Elliott C. Condition monitoring on marine engineering equipment using neural computing. Trans IMarE, Vol. 107, 1995, Part 3. pp. 185-194.

71. Lennart Ljung, Torkel Glad. Modeling of dynamic system. Prentice Hall, 1994.-376 p.

72. Markos Markou, Sameer Singh. Novelty detection: A review, part 1: Statistical approaches. University of Exeter, UK, 2003. 19 p.

73. Markos Markou, Sameer Singh. Novelty detection: A review, part 2: Neural network based approaches. University of Exeter, UK, 2003. 26 p.

74. Marques de Sa J.P. Pattern recognition: Concepts, methods and applications. Springer, 2001. -318 p.

75. Pavel Berkhin. Survey of clustering data mining techniques. Accrue Software Inc., 2002. 56 p.

76. Principe J.C., Euliano N.R., Lefebvre W.C. Neural and adaptive systems: Fundamentals through simulations. John Wiley & Sons, 2000. 656 p.

77. Roskilly A., Mesbahi E. Artificial neural networks for marine system identification and modeling. Trans IMarE, Vol. 108, 1996, Part 3. pp. 203-213.

78. Roskilly A., Mesbahi E. Marine system modeling using artificial neural networks: an introduction to the theory and practice. Trans IMarE, Vol. 108,1996, Part 3.-pp. 185-201.

79. Roskilly A., Mesbahi E. On-line adaptive modeling of diesel engines. Trans IMarE, Vol. 109, 1997, Part 4. pp. 313-324.

80. Samuel Kaski. Data exploration using Self Organizing Maps. Thesis of D.Sc. Helsinki University of Technology, 1997. 57 p.

81. The handbook of brain theory and neural networks. Second edition, edited by Arbib M.A. The MIT Press, 2003. 1301 p.

82. The handbook of data mining. Edited by Nong Ye. Lawrence Erlbaum Associates, 2003.-689 p.

83. Treuvo Kohonen. Engineering applications of the self-organizing map. Proceeding of the IEEE, Vol. 84, No. 10, 10.1996.-pp. 1358-1384.

84. Treuvo Kohonen. The Self-Organizing Maps. Springer, 2001. 501 p.

85. Veelenturf L.P.J. Analysis and applications of artificial neural networks. Prentice Hall, 1995. 260 p.

86. Vesanto J., Alhoniemi E. Clustering of the self-organizing map. IEEE transactions on neural networks, Vol. 11, No. 3, 5.2000. pp. 586-600.

87. Warren S. Sarle. Neural network FAQ, part 1 to 7,2002. 277 p.

88. Webb R.A. Statistical pattern recognition. John Wiley & Sons, Ltd., 2002.-496 p.

89. Wendy L. Martinez, Angel R. Martinez. Computational statistical handbook with MATLAB. Chapman&Hall/CRC, 2002. 573 p.