автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Управление судовыми системами автоматизации на основе интеллектуального анализа диагностических данных

На правах рукописи

.1 г/1 ^

0<

□□3489192

ГОЛОВКО СЕРГЕЙ ВЛАДИМИРОВИЧ

УПРАВЛЕНИЕ СУДОВЫМИ СИСТЕМАМИ АВТОМАТИЗАЦИИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДИАГНОСТИЧЕСКИХ ДАННЫХ

Специальность 05.13.06 - «Автоматизация и управление технологическими процессами и производствами»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 7 дек 2009

Астрахань - 2009

003489192

Работа выполнена в Федеральном государственном образовательном учреждении высшего профессионального образования «Астраханский государственный технический университет» на кафедре «Электрооборудования и автоматики судов»

Научный руководитель

доктор технических наук профессор Надеев А.И.

Официальные оппоненты

доктор технических наук профессор Камаев В.А.

кандидат технических наук доцент Щербатов И.А.

Ведущая организация

ОАО «ОКБМ Африкантов» Нижний Новгород

Защита состоится 25 декабря 2009г. в 15.00 на заседании диссертационного совета Д307.001.01. в Астраханском государственном техническом университете по адресу: 414025, г. Астрахань, ул.Татищева 16, главный корпус, ауд. 305.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять секретарю диссертационного совета по адресу: 414025, г. Астрахань, ул. Татищева 16, АГТУ, Ученый совет.

С диссертацией можно ознакомиться в библиотеке Астраханского государственного технического университета.

Автореферат разослан 24 ноября 2009 г.

Ученый секретарь

диссертационного совета Д 307.001.01, д.т.н., профессор

Г

^^^^ Г.А. Попов

2

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

Оптимизация автоматизированных систем управления технологическими процессами (АСУ ТП) не всегда позволяет получить требуемые показатели качества управления, так как разработанные математическое и алгоритмическое обеспечение не учитывает фактического состояния технологического оборудования и средств автоматизации. Для этого необходимо точно знать состояние оборудования и прогнозировать его на время, необходимое на подготовку к ремонту.

Основу технологии перехода на обслуживание и ремонт электрооборудования по фактическому состоянию составляют методы и средства его диагностики, позволяющие обнаруживать и идентифицировать все потенциально опасные дефекты на начальной стадии развития, что позволяет снизить затраты на обслуживание, т.е. обеспечить экономию.

Достигнутый уровень средств и методов диагностирования судового электрического оборудования (СЭО), позволяет успешно решать большое число разнообразных задач диагностики нижнего уровня, однако практически не обеспечено решение задач мониторинга и определения предотказных состояний объектов диагностирования (ОД). Существующие системы диагностического обеспечения на судах не позволяют перейти к непрерывному контролю за состоянием электрооборудования и не интегрированы в состав АСУ ТП.

Для организации непрерывного контроля за состоянием электрооборудования требуются методы и средства диагностирования, позволяющие оценить состояние объекта на текущий момент и прогнозировать его состояние на ближайшее будущее.

Наиболее перспективной технологией получения диагностической информации является сегодня технология статистического распознавания состояний. Эта проблема может быть решена при помощи нейронных сетей (НС). Нейронные сети занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети и матрицы весовых коэффициентов Аппаратные реализации НС идеально подходят для решения задач идентификации и управления, так как обеспечивают, благодаря параллельной структуре, чрезвычайно высокую скорость выполнения операций.

Поэтому тема диссертационной работы, посвященная повышению быстродействия диагностических систем на основе применения нейронных сетей и интеграции подсистемы диагностики в АСУ ТП, является актуальной.

Цель исследования.

Целью данной работы является разработка методов повышения качества диагностирования электрооборудования, на основе их интеллектуального анализа с использованием комплексного критерия качества и алгоритмического обеспечения АСУ ТП с учетом работоспособности оборудования.

Для решения поставленной цели в работе сформулированы и решены следующие задачи:

1. Анализ существующих методов диагностирования СЭО и современного состояния вопросов автоматизации и управления диагностическими системами.

2. Применение частных и комплексного показателей качества диагностических параметров СЭО для определения степени работоспособности СЭО.

3. Построение математической модели степени работоспособности

СЭО.

4. Разработка модели определения степени работоспособности СЭО с использованием нейро-нечеткого вывода.

5. Разработка модели прогнозирования степени работоспособности СЭО на основе системы нейро-нечеткого вывода.

6. Разработка алгоритмического обеспечения работы АСУ ТП с подсистемой оценки работоспособности оборудования.

Методы исследования.

В работе использованы методы системного анализа и математического моделирования, математические методы планирования многофакторного эксперимента и регрессионного анализа, теории управления, методы теории нечетких множеств, нечеткой логики, математической статистики; экспериментальные исследования выполнены с привлечением методов математического и имитационного моделирования.

На защиту выносится:

1. Методика оценки качества объекта диагностирования по частным и комплексному показателю качества на основе функций желательности Харрингтона.

2. Построение модели определения степени работоспособности электрооборудования по диагностическим параметрам с использованием методов планирования эксперимента и нейро-нечеткого вывода.

3. Модель прогнозирования работоспособности судового электрооборудования на основе системы нечеткого вывода.

4. Алгоритм работы АСУ ТП с подсистемой диагностики.

5. Модель автоматического управления распределением нагрузки между дизель-генераторами на основе нечеткого вывода.

Научная новизна. В рамках диссертационной работы были получены следующие основные результаты:

1. Впервые на основе методов математического планирования эксперимента разработана математическая модель степени работоспособности СЭО.

2. Разработаны модели нейро-нечеткого вывода для определения степени работоспособности СЭО с применением комплексного критерия качества.

3. Разработана модель прогнозирования работоспособности СЭО с использованием нейро-нечеткого вывода.

4. Разработано алгоритмическое обеспечение системы управления технологическим процессом по фактическому состоянию СЭО.

Практическую ценность имеют:

1. Методика расчета частных и комплексного критериев качества параметров вибродиагностики на основе функций желательности Харрингтона.

2. Математическая модель степени работоспособности электрооборудования.

3. Модели на базе нечеткой логики определения и прогнозирования степени работоспособности СЭО.

4. Модель нечеткого вывода управления распределением нагрузки между дизель-генераторами с учетом их работоспособности.

5. База данных диагностических параметров СЭО.

Реализация и внедрение.

Теоретические и практические результаты внедрены в ООО ПКФ «Фатом» при диагностировании СЭО, а также используются в учебном процессе на кафедре «Электрооборудование и автоматика судов» ФГОУ ВПО «Астраханский государственный технический университет» при изучении дисциплин: «Диагностирование судового

электрооборудования», «Интеллектуальные системы управления».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на ежегодных научных конференциях Астраханского государственного технического университета (2006 - 2009гг.); VII Международной научно-методической конференции «Традиции и педагогические новации в электротехническом образовании НИТЭ-2006» (Астрахань 2006); Всероссийской научно-технической конференции «Современные технологии в кораблестроительном и энергетическом образовании, науке и производстве» (Нижний Новгород 2006); XII Международной научной и практической конференции «Современные техника и технологии» (Томск 2006); VII Международной научно-практической конференции «Теория, методы и средства измерений, контроля и диагностики» (Новочеркасск 2006); Всероссийской научной конференции;

Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ - 2007» (Астрахань 2007); Всероссийская научно-техническая конференции «Электротехнологии, электропривод и электрооборудование предприятий» (Уфа 2007); Международной конференции «Электроэнергетика и Автоматизация в металлургии и машиностроении» (Челябинск 2008); IV Всероссийской научной конференции «Проектирование инженерных и научных приложений в среде МАТЬАВ» (Астрахань 2009).

Публикации.

По теме диссертации опубликовано 15 печатных работ, в том числе: 4 (3 без соавторов) статьи в публикациях по перечню ВАК, 9 статей в материалах Международных и Всероссийских конференциях, 1 монография, 1 свидетельство о регистрации программ для ЭВМ.

Структура и объем диссертации.

Диссертация состоит из введения, 5 глав, заключения, списка используемых источников и приложений. Основной текст 140 страниц машинописного текста. Библиография -107 наименований.

Во введении обоснована актуальность темы, сформулированы цель и задачи диссертационной работы, определены направления исследования. Показаны научная новизна и практическая ценность диссертационной работы.

В первой главе проведен аналитический обзор современных методов диагностических комплексов диагностики СЭО и систем их автоматического управления.

Известен широкий спектр методов диагностики судовых электрических средств автоматизации, который можно ограничить следующим: анализ электрических токов и напряжений; измерение тепловых и акустических полей, магнитных полей рассеяния объекта; вибродиагностика; химический анализ технологических жидкостей (трансформаторного масла и смазки). Эти методы для класса исследуемых машин по информативности и достоверности неравнозначны между собой, и статистическая применяемость их различна.

Диагностирование систем судового электрооборудования связано с получением и обработкой больших объемов измерительной информации, созданием баз данных для идентификации неисправностей, поэтому эффективная работа систем диагностирования невозможна без внедрения информационных технологий.

Одним из направлений развития информационных технологий в промышленности является создание интеллектуальных диагностических комплексов, объединяющих несколько наиболее информационных методов диагностирования.

Рассмотрен интеллектуальный комплекс технической диагностики, работа которого основана на выборе наиболее информативных сигналов с последующим сравнением с эталонными и принятием решений для постановки диагноза и управления.

Данный комплекс, состоящий из аппаратных средств (анализатора сигналов и ЭВМ) и программного обеспечения, в состав которого входит экспертная система, снабженная диагностическим редактором, позволит выполнять автоматизированное диагностирование судового оборудования.

В результате проведенного анализа существующих методов и средств диагностики СЭО, предлагается к разработке быстродействующая интеллектуальная система диагностирования СЭО с замкнутым контуром регулирования основных диагностических показателей, а одним из путей снижения объема диагностической информации, вводимой в систему и, соответственно, повышения быстродействия системы является применение комплексного диагностического показателя качества взамен многих.

Во второй главе применен комплексный критерий качества объекта диагностирования по состоянию вибрации.

Для перехода от качественной оценки диагностического состояния объекта к количественной предлагается строить систему принятия решений с использованием комплексного критерия качества, построенного на основе функций желательности Харрингтона. Комплексный критерий качества преследует цель упрощения процесса обработки больших объемов диагностических данных, а также получения дифференцированной оценки технического состояния оборудования, в достаточной степени независимой от способа диагностики.

Связи между основными физическими параметрами вибрации (уц) и кодированнымиуги установлены линейные, таким образом, чтобы нулевой уровень вибрации был наиболее желателен, а превышение величины вибропараметра в два раза соответствующего значения на основной частоте имело желательность, близкую к нулю. Тогда перевод физического параметра вибрации у^ в кодированный ути будет описываться уравнением вида:

л 3-95"Л Л (1)

УЛУ,)=--—+4 у

Уо

где у0 - зависящее от свойств диагностируемого объекта желаемое

значение исследуемого вибропараметра на основной частоте.

Идея использования функции желательности в качестве оценочного параметра заключается в том, что значение каждого из параметров диагностики уи . которых в задаче может быть сколько угодно много, переводится в соответствующую желательность ки,

г —е'у /

пи = е или Ьи = ехр[-ехр(-у „)] (2)

Шкала желательности изменяется от 0 до 1:

О < Ь < 0,37 - нежелательный уровень; 0,37 < Ь < 0,63 - удовлетворительный уровень; 0,63 < Ь < 0,8 - хороший уровень; 0,8 <Ь< 1,0 - отличный уровень.

После чего формируется обобщенная функция желательности (Н), представляющая собой среднее геометрическое желательностей отдельных оценочных параметров:

и = (3)

где q - число параметров диагностики.

Составлены обобщенные критерии качества на основе функции желательности Харрингтона для двух продиагностированных генераторов на теплоходе «Роскем1» при помощи виброанализатора 795М. Генератор №1 не имеет серьезных дефектов, генератор №2 имеет зарождающие дефекты. Результаты расчетов представлены в таблице 1.

Таблица I.

Желательности каждого из вибропараметров исследуемых __генераторов и обобщенный критерий качества

№,ен Виброскорость Hv Виброперемещение Hs Виброускорение НА Обобщенный критерий Нов

1 0,84245 0,86113 0,74568 0,81481

2 0,6185 0,5751 0,6915 0,6265

1 rj^s А Р\ l/Ч г ГМ Л л/

0,8 j А л/ \Г J ) f\f\j V г Л/

\h Л , Г 7 I

0,6 : 0.5 i У и

у V

... г г.,

1,88 6,88 11,88 16.88 21.68 26,08 31.83 36,88 41.88

Рис.1 Значения общего уровня желательности в исследуемом диапазоне частот генератора № 1.

График на рисунке 1 иллюстрирует обобщенную желательность значений трех параметров вибрации на исследуемых уровнях частоты, что

позволяет выделить характерные точки спектра для определения не только уровня работоспособности объекта, но и наличия конкретного типа дефекта.

Достоверность предлагаемого метода была подтверждена практическими данными вибродиагностики при диагностировании методом огибающей подшипников судового электрооборудования на теплоходах «Роскем!», «Аксиома», «Флестина», полученные с помощью виброанализатора 795М и обработанные в пакете «Конспект», в котором используются графический метод визуализации оценки качества в виде смайлов

Предлагаемый критерий позволяет не только получить непрерывную шкалу качества, но и значительно увеличить достоверность оценки с учетом особенностей конкретного типа диагностики и диагностируемого оборудования путем введения нелинейных зависимостей у'.(у.)п& основе опытных данных и мнения специалистов

по данным вопросам. Также можно отметить простоту автоматизации получения обобщенного критерия качества с помощью предложенного метода.

В третьей главе с использованием метода планирования эксперимента построена математическая модель степени работоспособности судового электрооборудования.

В качестве математической модели принята нелинейная полиномиальная модель вида:

У = К+ ЕV/ +Лbvx'xj + 2>;Л2 ' (4)

где у - значение исследуемой функции, предсказанное уравнением; Ы, Ъи, Ьу - коэффициенты регрессии; x¿, xj - факторы.

При построении интерполяционных моделей типа квадратичного полинома и числе факторов п<7 выбранным критериям оптимальности наиболее полно удовлетворяет ортогональный центрально-композиционный план второго порядка (ОЦКП).

Математическая модель, построенная центрально-композиционному плану второго форме, имеет вид:

по ортогональному порядка в матричной

5,

В,г X,

Ъ X*

в, X,

х1 ■ x,

Хх-Хг х2 ■

х1-х< х2 ■ х^ х3-х<

¿и К

Рзз XI

Г33

"44 XI

(5)

где Хг критерий качества Харрингтона, Х2 - максимальный шум подшипника (Ют, Х3 - собственный шум подшипника <1Вс, Х4 -температура, Ь0 , В;, Ьу - коэффициенты уравнения регрессии.

Расчётные значения коэффициентов уравнения регрессии, полученные обработкой результатов многофакторного эксперимента,

проведенного плану:

Ь0 = 68,98

по ортогональному центральному композиционному

' 0,762 " 2,671 0,687 -0,173

0,974 Ь = 0,687 3,588 1,687

1,586 -0,173 1,687 0,332

,-0,538, ,-1,687 3,062 -1,187

-1,687 3,062 -1,187 1,086

(6)

Расчетное значение критерия Кохрена для математической модели степени работоспособности генератора равно:Ср =0,071 < 0,221- (меньше табличного) опыты воспроизводимы и оценки дисперсий однородны.

Проверка по критерию Фишера подтвердила адекватность математической модели: расчетное значение критерия Фишера значительно меньше табличного: 1,14 < 3,1.

Проверка по критерию Стьюдента выявила, что все коэффициенты являются значимыми.

Типичные поверхности отклика полученной модели при различных изменениях параметров представлены на рисунке 2. Поверхности отклика построены как зависимость степени работоспособности генератора от изменения двух факторов при фиксировании остальных факторов на основном уровне. Масштабы осей условны.

КС* ."2) ЩЛ.Я)

Рис. 2 Поверхности отклика полученной модели при различных изменениях параметров генератора №1

11(х1,х2) - зависимость степени работоспособности электрооборудования от изменения обобщенного критерия Харрингтона и максимального шума подшипника, при фиксировании остальных факторов на основном уровне.

R(xl,x3) - зависимость степени работоспособности электрооборудования от изменения обобщенного критерия Харрингтона и собственного шума подшипника при фиксировании остальных факторов на основном уровне.

Анализ полученных откликов математической модели показывает, что увеличение какого-либо фактора приводит к уменьшению степени работоспособности электрооборудования, что подтверждает ее адекватность не только по критерию Фишера, но и по результатам предварительных экспериментов.

В четвертой главе рассмотрена разработка моделей определения степени работоспособности СЭО на базе нейро-нечеткой логики.

Применение нечетких технологий становится все более актуальным, так как они способны обеспечить более высокую точность принятия решения. Основным преимуществом нечетких технологий является возможность достаточно простого решения задач, в которых есть аспект неопределенности.

Для конструктивного решения подобных задач разработан специальный математический аппарат, получивший название нейронных сетей. Более удобным и менее трудоёмким процессом является использование методов нейронных сетей для построения правил нечётких продукций. Нечёткие нейронные сети или гибридные сети призваны объединить в себе достоинства нейронных сетей и систем нечёткого вывода. Они позволяют разрабатывать и представлять модели систем в форме правил нечётких продукций

Гибридные сети, которые реализованы в пакете Fuzzy Logic Toolbox системы MATLAB в форме, так называемой адаптивной системы нейро - нечеткого вывода ANFIS, представляют собой систему нечеткого вывода типа Сугено нулевого или первого порядка, в которой каждое из правил нечетких продукций имеет постоянный вес, равный 1.

В нашем случае использование систем нейро-нечеткого вывода рассматривается задача определения степени работоспособности электрооборудования на основе интеллектуального анализа диагностических данных.

Для повышения точности определения степени работоспособности электрооборудования, построены две модели нейро-нечеткого вывода:

1) определение степени работоспособности подшипников (подвижной части);

2) определение степени работоспособности электрической части (неподвижной).

Для формирования обучающих данных системы нейро-нечеткого вывода определения степени работоспособности подшипников, предварительно определили входные и выходные лингвистические переменные. В качестве входных переменных используем обобщенный

критерий качества Харрингтона (Н), максимальный (с!Вт) и собственный (с1Вс) шумы подшипника, температуру подшипника (Т). В качестве выходной переменной используем степень работоспособности подшипника (Я).

После загрузки обучающих данных в редактор АЖК для генерации структуры системы нейро-нечеткого вывода, независимо разбиваем все входные переменные на области их значений с указанием числа и типа функций принадлежности для отдельных термов входных переменных и выходной переменной. В качестве функций принадлежности входных переменных выбираем трапециидальные функции. В качестве типа функции принадлежности выходной переменной зададим линейную функцию. На рисунке 3 показан внешний вид функции принадлежности для третьей входной переменной.

1

0.5

о

0 5 10 IS 20 25 30 3S 40

input variable "dBc"

Рис. 3. Внешний вид функции принадлежности для третьей входной переменной (собственный шум подшипника)

После обучения сети с использованием гибридного метода, с уровнем ошибки обучения ноль, на рисунке 4 изображена сгенерированная структура нейро-нечеткого вывода для определения степени работоспособности подшипников.

ТетреггЛиге

Рис.4. Сгенерированная структура нейро-нечеткого вывода определения степени работоспособности подшипников

Для исследования построенной модели гибридной сети можно воспользоваться программой просмотра правил изображенной на рисунке 5. Для получения результирующего нечеткого множества и выполнение процедуры дефаззификации по алгоритму Сугено в интерактивном режиме можно задавать различные сочетания входных переменных и получать результат дефаззификации.

Harrington = 0.7 dBm = 10 dBc = 15 Temperature = 60 availability = 0.67

Рис.5. Просмотр базы правил модели определения степени работоспособности СЭО

Сравнение результатов нейро-нечеткого вывода для значений входных переменных, полученные на основе численных расчетов и с помощью разработанной нечеткой модели МАТЪАВ, показывает хорошую согласованность модели и подтверждает ее адекватность в рамках рассматриваемой модели.

Аналогично построена модель нейро-нечеткого вывода для определения степени работоспособности электрической части. В качестве входных переменных гибридной сети использованы критерий качества Харрингтона и температура корпуса электрооборудования.

Для оценки устойчивости полученной нечеткой системы в среде МаЙаЬ есть возможность просмотра поверхности нейро-нечеткого вывода, чем более гладкая получается поверхность, тем устойчивей система. Поверхность сгенерированной системы нейро-нечеткого вывода представлена на рисунке 6.

о 100

Harrington

о

Temperature, Ь

Рис.6. Поверхность сгенерированной системы нейро-нечеткого вывода

Поверхность нечеткого вывода позволяет установить зависимость значений выходной переменной от значений входных переменных нечеткой модели. Кроме того, имеется возможность установления зависимости выходной переменной от одной из входных переменных. Получение подобных зависимостей может послужить основой для программирования контроллера или аппаратной реализации соответствующего нечеткого алгоритма в форме таблицы решений.

Для получения степени работоспособности объекта исследования в целом применим обобщенную степень работоспособности, которая задается как среднее геометрическое степеней работоспособности объекта.

электрооборудования может служить дополнительным диагностическим параметром и основанием для моделирования прогноза состояния электрооборудования.

Большинство методик прогнозирования состояния степени работоспособности электрооборудования базируются на двух основных подходах:

- Анализ рабочих параметров машины и прогнозирование даты превышения параметром установленного порогового значения с помощью математического аппарата трендов. Такой подход, как правило, реализуется в стационарных системах контроля и диагностики, часто объединяемых с АСУ ТП энергоблоков.

- Определение текущего состояния, и, при наличии статистической базы по скорости развития выявленных дефектов, вычисление безаварийного интервала работы. Этот подход используется в

(7)

Скорость

изменения

степени

работоспособности

современных портативных системах диагностики типовых узлов и машин.

Таким образом системы диагностики решают не только техническую задачу повышения надежности, но и экономическую -снижение затрат на обслуживание и ремонт. Это дает реальную возможность увеличить межремонтный период, а, в конечном счете, перейти на ремонт и обслуживание вспомогательного оборудования по состоянию, сократив затраты в полтора - два раза.

Разработана нечеткая модель гибридной сети для решения задачи прогнозирования степени работоспособности электрооборудования Я, в частности асинхронного двигателя.

Суть данной задачи состоит в том, чтобы, зная динамику изменения Я за фиксированный интервал времени, предсказать значение Я на определенный момент времени в будущем.

В качестве исходных данных воспользуемся информацией о динамике изменения я за некоторый временной интервал.

Нечеткая модель гибридной сети содержит 4 входных переменных. При этом первая входная переменная соответствует Я4 на текущее время, вторая - ЯЗ на предыдущее время, т. е. на время (г - 1), где через г обозначено текущее время. Тогда третья входная переменная соответствует Я2 на время (1 - 2), а четвертая Я1 на (г - 3).

Перед генерацией структуры системы нейро-нечеткого вывода типа Сугено зададим для каждой из входных переменных по 3 лингвистических терма, а в качестве типа их функций принадлежности выберем треугольные функции. В качестве типа функции принадлежности выходной переменной зададим линейную функцию.

После обучения сети на рисунке 7 изображена сгенерированная структура нейро-нечеткого вывода для прогнозирования степени работоспособности объекта диагностирования.

Рис.7. Сгенерированная структура нейро-нечеткого вывода прогнозирования степени работоспособности электрооборудования

Для проверки адекватности построенной модели произвели ретроспективный прогноз значения Я..

С помощью разработанной нейро-нечеткой модели было получено значение выходной переменной для будущего времени соответствующее

табличным значениям, т.е можно констатировать абсолютное совпадение этих значений.

На рисунке 8 представлен график спрогнозированной степени работоспособности электрооборудования.

электрооборудования

Из рисунка 8 видно, что степень работоспособности достигнет значения 0,37 через 400 дней, что составляет 1,1 года. Можно сделать вывод о том, что данный двигатель эксплуатировался в соответствии с нормами.

Рассмотренный подход является перспективным направлением для построения и использования соответствующих нечетких моделей прогнозирования работоспособности электрооборудования.

В пятой главе рассмотрены системы управления СЭО с подсистемой диагностики.

Современные АСУ ТГГ должны включать в себя не только системы управления непосредственно технологическими процессами, но и вспомогательные системы, обеспечивающие как слежение за состоянием оборудования, так и оценку его состояния перед началом длительного этапа работы. К таким системам относятся системы диагностирования.

На основе подсистемы диагностики разработан алгоритм управления СЭО, представленный на рисунке 9.

Данная подсистема диагностики позволяет:

1) Своевременно отслеживать и предотвращать аварийный останов оборудования;

2) Снизить информационную нагрузку на оператора, за счет уменьшения количества обращений к состоянию и параметрам подсистемы диагностики;

3) Снизить возможные ложные аварийные ситуации;

4) Пополнять базу знаний достоверными данными.

Контролируемы« лирммтры оборудооин»«

1) <ШйЦ 2) ¿Вс; 3) Вибропсрсксщеш«; 4) Виброошрссл; 5) Ви6роус«орекие: 6) ТсьпсряуР«

Вычисление обобыеююю хрпернх ичестзд

т

Вычисление модели степекк работоспэсобкостк

оборутамаикх ....... --

Вычисление мовели стегокн работоспособности подшппюска

х:

Вычисление обобщенного парА-четр* состояния оборуычцаи

Преда! Ар кино е состояние

+

ВДшгганга ссгепвег крокшкр ЪбСОКГПО ааинытизгамта

ручкой *

Запрос IАСУГП Ш ОСТДКЭХ оборудсиюи

Рис.9. Блок схема алгоритма работы системы электрооборудованием с подсистемой диагностики

управления

На основе алгоритма управления распределением нагрузки между дизель — генераторами судовой электростанции с учетом оценки состояния оборудования при линейном законе изменения значений коэффициентов нагрузки генераторов в функции мощности судовой электростанции, разработана модель управления распределением нагрузки между дизель-генераторами по фактическому состоянию, с использованием алгоритма нечеткого вывода Мамдани.

Значения степени работоспособности генераторов были получены в ходе построения модели степени работоспособности СЭО, с использованием алгоритма нейро-нечеткого вывода Сугено.

Для формирования базы правил систем нечеткого вывода определили входные и выходные лингвистические переменные. В качестве входных переменных используем степень работоспособности первого генератора (R1), степень работоспособности второго генератора (R2), загрузка станции (load). В качестве выходной переменной используем степень загрузки генераторов (load G).

В качестве терм-множеств первой и второй лингвистических переменных используем множества R={"very bad", "bad", "good", "very good"}, в качестве терм-множеств третьей лингвистической переменной используем множество load={"20", "50", "80", "120", "160"}. При этом термы первой и второй входных переменных оцениваются от 0 до 1, а терм третьей входной переменной от 0 до 200. В качестве терм -множества выходной лингвистической переменной "степень загрузки" используем множество от 0 до 100.

Сгенерированная структура разработанной системы загрузки первого генератора изображена на рисунке 10.

R1

R2

кх

Ж

Controll

(mamdani)

Loed-G1

load

Рис.10. Сгенерированная структура после определения входных и выходных переменных разрабатываемой системы нечеткого вывода

Для первой и второй входной переменной используем 4 терма с трапециидальными функциями принадлежности (рис.11). В качестве третьей входной и выходной переменных используем 5 термов с трапециидальными функциями принадлежности.

0.5

verybad bad good verygood

I I 1 i I )

i i i t t i < i i

0.1

0.2

0.3

0.7

0.8 0.9

1

0.4 0.5 0.6 input variable "R1"

Рис. 11. Внешний вид функций принадлежности для первой входной переменной

Для задачи правил разрабатываемой системы нечеткого вывода воспользуемся редактором правил системы MATLAB.

Процедура нечеткого вывода для разработанной нечеткой модели, выдает в результате значение выходной переменной "степень загрузки 1 генератора" (рис.12).

R1 "0.38 R2 = 0.58 toaof = SO Los£«>1 • О

между дизель-генераторами

Аналогично построена модель для второго генератора, после определения входных и выходных переменных, определения функций принадлежности термов дня каждой из переменных и задания правил для системы нечеткого вывода.

Fuzzy Logic Toolbox позволяет внедрять разработанные системы нечеткого логического вывода в динамические модели пакета Simulink. Для этой цели служат Simulink-блоки "Fuzzy Logic Controller"- нечеткие контроллеры.

В среде MATLAB 7.0 была разработана модель распределения мощности между двумя генераторами в зависимости от их степени работоспособности с описанными входными и выходными лингвистическими переменными.

Система работает следующим образом. На вход нечетких контроллеров I - 4 подаются диагностические параметры генераторов. На основе алгоритма нечеткого вывода Сугено формируется выходной сигнал. По выходным сигналам с нечетких контроллеров 1 и 2 вычисляется степень работоспособности первого генератора, а по выходным сигналам с нечетких контроллеров 3 и 4 - второго генератора, которые затем поступают на вход контроллеров 5 и 6. В зависимости от степени работоспособности генераторов и загрузки станции на выходе

нечетких контроллеров 5 и 6, на основе алгоритма нечеткого вывода Мамдани, формируется сигнал загрузки генераторов. Таким образом, рассматриваемая система автоматического управления генераторами состоит из 6 нечетких контроллеров (которые в принципе могут быть объедены в один). Структура автоматической системы управления генераторами приведена на рисунке 13.

Fuzzy Logic

0.45

Н1.1 1—

27

ОЬсМ

18

<1Вс1

75

Т1.1

0.4 -

И12 г1

78 J

Т1.2

0.7 ~L

Н2.1

12 _Jr

Dbm2

ИВ<2

70

Т2.1

0.78 —

H2J2 г

65 J

Fuzzy Logic Controller 1

Ж

х iqrt

->

Product 1 Mith

Function 1

Fuzzy Logic Controller 3

Ж

sqrt

Product 2 Math Function2

Ж 1 5fl|

Fuzzy Logic Contra litt 5

b£j-

A

Fuzzy Logic Controlled

Fusy Logic Contiotter 4

Рис.13. Модель распределения мощности между дизель-генераторами по фактическому состоянию оборудования

Практическая реализация алгоритма распределения представлена на базе микроконтроллера Motorola МС68НС11.

Программа управления распределением нагрузки на языке нечеткого управления FCL (Fuzzy Control Language) реализована в форме структурного текста.

В заключении сформулированы основные выводы и результаты диссертационной работы.

В приложениях приведена база данных диагностирования судового электрооборудования и акты внедрения.

Основные результаты и выводы:

1 Проведен анализ методов и систем автоматизированного управления диагностическими комплексами. Показано, что большой объем исходной информации приводит к усложнению систем и снижению их быстродействия. Предложено в качестве снижения объема диагностической информации, вводимой в систему управления, использовать комплексный диагностический показатель качества, на основе функции желательности Харрингтона.

2 С использованием методов математического планирования эксперимента построена регрессионная математическая модель степени работоспособности электрооборудования.

3 Разработана нейро-нечеткая модель определения степени работоспособности электрооборудования по диагностическим параметрам, при помощи которой выполнена оценка системы нечеткого вывода для задачи автоматического управления.

4 Разработана нейро-нечеткая модель прогнозирования работоспособности СЭО по скорости изменения степени работоспособности объекта диагностирования.

5 Обоснована и предложена структурная схема АСУ ТП с управлением по состоянию объекта и по состоянию оборудования, позволяющая своевременно отслеживать и предотвращать аварийный останов оборудования, снизить информационную нагрузку на оператора, снизить возможные ложные аварийные ситуации и пополнять базу знаний достоверными данными

6 Разработана интеллектуальная модель управления распределением нагрузки между дизель-генераторами по состоянию объекта. Практическая реализация алгоритма распределения нагрузки выполнена на базе микроконтроллера Motorola МС68НС11на языке FCL.

7 Создана база данных диагностических параметров СЭО.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в центральных журналах по перечню ВАК

1. Головко C.B. Моделирование управления судовым электрооборудованием по диагностическим параметрам [Текст] / Головко C.B.// Вестник АГТУ. - Астрахань, 2008. - №5(46). - с . 34-39.

2. Головко C.B., Сысоев C.B., Надеев А.И., Вахромеев О.С. Управление технологическим процессом лова рыбонасосными установками по состоянию оборудования [Текст] / Головко C.B., Сысоев C.B., Надеев А.И., Вахромеев o.cjj Датчики и системы. - Москва, 2009. -№3. - с. 34-36.

3. Головко C.B. Система управления электрооборудованием на основе нечеткой логики [Текст] / Головко C.B.// Датчики и системы. Москва, 2009. - №7. - с. 12-15.

4. Головко C.B. Диагностика технического состояния судового электрооборудования на основе интеллектуального анализа данных [Текст] / Головко C.B.// Вестник АГТУ. - Астрахань, 2009. - №2. - с. 9095.

Монография

5. Головко C.B. Интеллектуальное управление судовыми электромеханическими системами с учетом диагностики состояния оборудования по комплексному критерию качества [Текст]/ Головко C.B., Надеев А.И., Вахромеев О.С. - Астрахань: АГТУ, 2009. -75с.:ил.

Свидетельство о регистрации программы для ЭВМ

6. Головко C.B. ИнтелДИС /Головко C.B., Нестеров О.С., Надеев А.И. Свидетельство об официальной регистрации программы для ЭВМ №2007614971.

Доклады на Международных и Всероссийских конференциях

7. Головко C.B. Программная реализация интеллектуального диагностического комплекса судового электрооборудования/ Головко C.B. Вахромеев О.С., Нестеров О.С., Чавычалов Д.Ю.// Традиции и педагогические новации в электротехническом образовании НИТЭ-2006. VII Междун. Науч.-метод. конф. - Астрахань: АГТУ. - 2006.-е. 226-229.

8. Golovko S.V. Shipboard electrical equipment intelligent analyzer/Golovko S.V.,Vakhromeev O.S., Chavichalov D.J.// The twelfth International Scientific and Practical Conference of Students, Postgraduates and Young Scientists "Modern Technigues and Technologies".-Tomsk: Tomsk Polytechnic University.- 2006. p.-195-197.

9. Головко C.B. Интеллектуальная диагностическая лаборатория/ Головко C.B., Вахромеев О.С., Чавычалов Д.Ю.// Наука: поиск - 2006. Сборник научных статей в двух томах. Астрахань: АГТУ,- 2006.- с. 143147.

10. Головко C.B. Информационные технологии в диагностировании судового электрооборудования / Головко C.B., Вахромеев О.С., Нестеров О.С., Чавычалов Д.Ю. // Теория, методы и средства измерений, контроля и диагностики. VII Междун. науч.-лракт. конф. - Новочеркасск: ЮРГТУ.- 2007.- с. 27-32.

11. Головко C.B. Управление технологическим процессом насосной станции по состоянию объекта и технологического оборудования / Головко C.B., Вахромеев О.С., Нестеров О.С., Чавычалов Д.Ю., Яковлев В.Г.// Электротехнологии, электропривод и

электрооборудование предприятий. Всероссийская научно-техническая конференция. - Уфа: УГНТУ.- 2007.- с. 42-47.

12. Головко С.В.Инновационный диагностический комплекс /Головко C.B., Нестеров О.С., Чавычапов Д.Ю.// Инновационные технологии в управлении, образовании, промышленности АСТИНТЕХ -

2007. Всероссийская научная конференция. - Астрахань: Издательский дом «Астраханский университет». - 2007. - с. 80-84.

13. Головко C.B. Моделирование управления диагностическими комплексами судовых средств автоматизации / Головко C.B., Вахромеев О.С., Надеев А.И. // Электроэнергетика и Автоматизация в металлургии и машиностроении. Международная конференция. - Челябинск: ММК. -

2008.-е. 58-63.

14. Головко C.B. Моделирование управления электрооборудованием по диагностическим параметрам в среде MATLAB / Головко C.B., Надеев А.И., Кулахметов Р.Ф.// Проектирование инженерных и научных приложений в среде MATLAB. IV Всероссийская научная конференция. - Астрахань: Изд. Дом «Астраханский университет». - 2009. - с.338-341.

15. Головко C.B. Применение нечеткой логики при управлении электрооборудованием по диагностическим параметрам. Международная научная конференция профессорско-преподавательского состава (53ППС) АГТУ: тезисы докладов. - Астрахань: АГТУ,- 2009.- с. 241.

Подписано в печать 25. 11. 2009г. Формат 60x90/16. Гарнитура Times New Roman. Ус. печ. л. 1,0. Тираж 100 экз. Заказ № 785.

Отпечатано в типографии ФГОУ ВПО «АГТУ». 414025, Астрахань, Татищева, 16ж. тел. 61-45-23

Перечень использованных сокращений

Введение

Глава 1 Анализ современных методов и систем управления диагностических комплексов.

1.1 Системы вибродиагностики.

1.2 Интеллектуальные системы мониторинга и диагностики.

Выводы по первой главе.

Глава 2 Применение обобщенного показателя качества объекта диагностирования.

2.1 Частные функции желательности.

2.2 Обобщенная функция желательности.

Выводы по второй главе.

Глава 3 Математическая модель степени работоспособности электрооборудования.

3.1 Постановка задачи.

3.2 Планирование эксперимента.

3.3 Математическая модель степени работоспособности объекта диагностирования.

Выводы по третьей главе.

Глава 4 Разработка моделей степени работоспособности судового электрооборудования с применением нейро-нечеткого вывода.

4.1 Построение модели . нейро-нечеткого вывода для определения степени работоспособности судового электрооборудования.

4.2 Построение модели прогнозирования состояния электрооборудования с применением нейро-нечеткого вывода.

Выводы по четвертой главе.

Глава 5 Разработка интеллектуальной системы управления судовым электрооборудованием.

5.1 Интеллектуальное управление диагностическим комплексом.

5.2 Разработка системы управления судовым электрооборудованием с подсистемой диагностики.

5.3 Алгоритм работы устройства распределения нагрузки между дизель — генераторами.

5.4 Построение модели устройства распределения нагрузки между дизель-генераторами с применением систем нечеткого вывода.

5.5 Практическая реализация алгоритма распределения нагрузки

5.6 Реализация программы управления распределением нагрузки на языке FCL.

Выводы по пятой главе.

Актуальность темы

Оптимизация автоматизированных систем управления технологическими процессами (АСУ ТП) не всегда позволяет получить требуемые показатели качества управления, так как разработанные математическое и алгоритмическое обеспечение не учитывает фактического состояния технологического оборудования и средств автоматизации. Для этого необходимо точно знать состояние оборудования и прогнозировать его на время, необходимое на подготовку к ремонту.

Основу технологии перехода на обслуживание и ремонт электрооборудования по фактическому состоянию составляют методы и средства его диагностики, позволяющие обнаруживать и идентифицировать все потенциально опасные дефекты на начальной стадии развития, что позволяет снизить затраты на обслуживание, т.е. обеспечить экономию.

Достигнутый уровень средств и методов диагностирования судового электрического оборудования (СЭО), позволяет успешно решать большое число разнообразных задач диагностики нижнего уровня, однако практически не обеспечено решение задач мониторинга и определения предотказных состояний объектов диагностирования (ОД). Существующие системы диагностического обеспечения на судах не позволяют перейти к непрерывному контролю за состоянием электрооборудования и не интегрированы в состав АСУ ТП.

Снижению быстродействия диагностирования способствует также объемная математическая обработка исходной диагностической информации, включающая в себя вычисление спектральных характеристик и корреляционных функций, цифровую фильтрацию, статистику и т.д.

Для организации непрерывного контроля за состоянием электрооборудования требуются методы и средства диагностирования, позволяющие оценить состояние объекта на текущий момент и прогнозировать его состояние на ближайшее будущее.

Наиболее перспективной технологией получения диагностической информации является сегодня технология статистического распознавания состояний. Эта проблема может быть решена при помощи нейронных сетей (НС). Нейронные сети занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети и матрицы весовых коэффициентов. Аппаратные реализации НС идеально подходят для решения задач идентификации и управления, так как обеспечивают, благодаря параллельной структуре, чрезвычайно высокую скорость выполнения операций.

Поэтому тема диссертационной работы, посвященная повышению быстродействия диагностических систем на основе применения нейронных сетей и интеграции подсистемы диагностики в АСУ ТП, является актуальной.

Цель исследования

Целью данной работы является разработка методов повышения качества диагностирования электрооборудования, на основе их интеллектуального управления с использованием комплексного критерия качества и алгоритмического обеспечения АСУ ТП с учетом работоспособности оборудования.

Для решения поставленной цели в работе сформулированы и решены следующие задачи:

1. Анализ существующих методов диагностирования СЭО и современного состояния вопросов автоматизации и управления диагностическими системами.

2. Применение частных и комплексного показателей качества диагностических параметров СЭО для определения степени работоспособности СЭО.

3. Построение математической модели степени работоспособности

СЭО.

4. Разработка модели определения степени работоспособности СЭО с использованием нейро-нечеткого вывода.

5. Разработка модели прогнозирования степени работоспособности СЭО на основе системы нейро-нечеткого вывода.

6. Разработка алгоритмов работы АСУ ТП с подсистемой оценки работоспособности оборудования.

Методы исследования

В работе использованы методы системного анализа и математического моделирования, математические методы планирования многофакторного эксперимента и регрессионного анализа, теории управления, методы теории нечетких множеств, математической статистики; экспериментальные исследования выполнены с привлечением методов математического и имитационного моделирования.

На защиту выносится:

1. Методика оценки качества объекта диагностирования по частным и комплексному показателю качества на основе функций желательности Харрингтона.

2. Модель определения степени работоспособности электрооборудования по диагностическим параметрам построенная с использованием метода планирования эксперимента и нейро-нечеткого вывода.

3. Модель прогнозирования работоспособности судового электрооборудования на основе системы нечеткого вывода.

4. Алгоритм работы АСУ ТП с подсистемой диагностики.

5. Модель автоматического управления распределением нагрузки между дизель-генераторами на основе нечеткого вывода.

Научная новизна

В рамках диссертационной работы получены следующие основные результаты:

1. Впервые на основе методов математического планирования эксперимента разработана математическая модель степени работоспособности СЭО.

2. Разработаны модели нейро-нечеткого вывода для определения степени работоспособности СЭО с применением комплексного критерия качества.

3. Разработана модель прогнозирования работоспособности СЭО с использованием нейро-нечеткого вывода.

4. Разработан алгоритм работы системы управления судовым технологическим процессом по фактическому состоянию СЭО.

Практическую ценность имеют:

1. Методика расчета частных и комплексного критериев качества параметров вибродиагностики на основе функций желательности Харрингтона.

2. Математическая модель степени работоспособности электрооборудования.

3. Модели определения и прогнозирования степени работоспособности СЭО на базе нейро-нечеткого вывода.

4. Модель управления распределением нагрузки между дизель-генераторами с учетом их работоспособности с применением нечеткого вывода.

5. База данных диагностических параметров СЭО.

Реализация и внедрение

Теоретические и практические результаты внедрены в ООО ПКФ «Фатом» при диагностировании СЭО, а также используются в учебном процессе на кафедре «Электрооборудования и автоматики судов» ФГОУ ВПО «Астраханский государственный технический университет» при изучении дисциплин: «Диагностирование судового электрооборудования», «Интеллектуальные системы управления», «Техническая эксплуатация электрооборудования и средств автоматики».

Апробация работы

Основные положения диссертационной работы докладывались и обсуждались на ежегодных научных конференциях Астраханского государственного технического университета (2006 — 2009гг.); VII Международной научно-методической конференции «Традиции и педагогические новации в электротехническом образовании НИТЭ-2006» (Астрахань 2006); Всероссийской научно-технической конференции «Современные технологии в кораблестроительном и энергетическом образовании, науке и производстве» (Нижний Новгород 2006); XII Международной научной и практической конференции «Современные техника и технологии» (Томск 2006); VII Международной научно-практической конференции «Теория, методы и средства измерений, контроля и диагностики» (Новочеркасск 2006); Всероссийской научной конференции; Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ - 2007» (Астрахань 2007); Всероссийской научно-технической конференции «Электротехнологии, электропривод и электрооборудование предприятий» (Уфа 2007); Международной конференции «Электроэнергетика и Автоматизация в металлургии и машиностроении» (Челябинск 2008); IV Всероссийской научной конференции «Проектирование инженерных и научных приложений в среде MATLAB» (Астрахань 2009).

Публикации

По теме диссертации опубликовано 15 печатных работ, в том числе: 3 (2 без соавторов) статьи в публикациях по перечню ВАК, 1 статья в научно техническом журнале, 9 статей в материалах Международных и Всероссийских конференциях, 1 монография, 1 свидетельство о регистрации программ для ЭВМ.

Структура и объем диссертации

Диссертация состоит из введения, 5 глав, заключения, списка используемых источников и приложений. Основной текст 140 страниц машинописного текста. Библиография -107 наименований.

Выводы по пятой главе

1. Обоснована и предложена структурная схема АСУ ТП с управлением по состоянию объекта диагностирования, позволяющая:

- своевременно отслеживать и предотвращать аварийный останов оборудования;

- снизить информационную нагрузку на оператора, за счет уменьшения количества обращений к состоянию и параметрам подсистемы диагностики;

- снизить возможные ложные аварийные ситуации;

- пополнять базу знаний достоверными данными.

2. Представлен алгоритм управления устройством распределения нагрузки между двумя дизель - генераторами в зависимости от степени их работоспособности и от нагрузки на электростанцию.

3. Разработана модель системы управления устройством распределения нагрузки между дизель-генераторами по фактическому состоянию. Сравнение результатов нечеткого вывода для значений входных переменных, полученные на основе численных расчетов и с помощью разработанной нечеткой модели, показывают хорошую согласованность модели и подтверждает ее адекватность.

4. Предложено реализовать нечеткую модель системы управления на базе микроконтроллера МС68НС11 с нечетким ядром семейства Motorola. Разработана программа реализации фаззи-ядра на языке нечеткого управления FCL.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований получены следующие результаты:

1. Комплексное диагностирование электрооборудования, благодаря разностороннему подходу и, как следствие, взаимной компенсации недостатков различных методов, дает более широкие возможности не только заблаговременного выявления зарождающихся дефектов, но и определения причин их возможного возникновения, т.е. прогнозирования и профилактики, а также повышения точности результатов диагностирования.

2. Комплексный метод проведения диагностики в ряде случаев позволяет получить достаточно информативную, для начала принятия мер, картину дефектов объекта практически без дополнительной обработки полученных данных, т.е. значительно сокращает время диагностирования.

3. Задача диагностики и прогноза состояния для каждого вида оборудования решается по-своему и с разной глубиной. Для вращающегося оборудования (машин) в последние годы наиболее успешно она решается с использованием сигналов вибрации в типовых режимах работы машины. Но из множества предлагаемых на мировом рынке методов и средств вибрационного мониторинга и диагностики только малая часть дает желаемые результаты.

4. Проведен анализ методов диагностирования электромеханических систем и методик выбора диагностических элементов и параметров. К наиболее эффективным из них для выявления механических дефектов можно отнести анализ измеренных спектров вибраций и измерение тепловых, акустических полей и электрических полей рассеивания.

5. Процесс управления системой вибродиагностики судового электрооборудования можно представить в виде последовательности следующих операций: сбор информации о текущем состоянии объекта диагностирования; обработку информации при помощи программы; выдачу результатов обработки информации оператору и реализация выбранного воздействия на объекте диагностирования.

6. Создание систем управления последних поколений, а также возросшие требования к безопасности приводят к необходимости разработки интеллектуальных систем, способных выполнять функции человека-эксперта, способствовать поиску оптимальных решений, выдавать советы и рекомендации в режиме реального времени в процессе контроля и мониторинга состояния системы управления.

7. Один из путей снижения объема диагностической информации, вводимой в систему управления и, соответственно, повышения быстродействия системы является применение комплексного диагностического показателя качества.

8. Одним из наиболее удобных способов применения комплексного диагностического показателя является обобщенная функция желательности Харрингтона. В основе построения этой обобщенной функции лежит идея преобразования натуральных значений частных откликов в безразмерную шкалу желательности или предпочтительности.

9. Обобщенная функция желательности является количественным, однозначным, единым и универсальным показателем качества исследуемого объекта, и если добавить еще такие свойства, как адекватность, эффективность и статистическая чувствительность, то становится ясным, что ее можно использовать в качестве критерия оптимизации.

10. Методика получения комплексного критерия служит основой для разработки системы принятия решений, являющейся важной частью комплексов диагностики.

11. В результате анализа априорной информации в качестве математической модели определения степени работоспособности СЭО принята нелинейная полиноминальная модель второго порядка. Кроме этого, алгебраические полиномы - это самые простые модели, что упрощает как обработку результатов эксперимента, так и интеграции его результатов.

12. Разработана математическая модель степени работоспособности электрооборудования по четырем параметрам: комплексный критерий качества, dBm — максимальный шум подшипника, dBc — собственный шум подшипника, температура.

13. Анализ сечения поверхности отклика показал, что увеличение каждого из факторов ведет к уменьшению степени работоспособности электрооборудования, т.е к ухудшению состояния диагностируемого оборудования. Большее влияние на уменьшение работоспособности оказывает изменение комплексного критерия качества и максимального шума подшипника.

14. Разработана нейро-нечеткая модель определения степени работоспособности судового электрооборудования, при помощи которой можно выполнить оценку системы нейро-нечеткого вывода для задачи автоматического управления электрооборудования.

15. На основе скорости изменения степени работоспособности электрооборудования, разработана нейро-нечеткая модель прогнозирования степени работоспособности электрооборудования на ближайшее время. Проверка построенной нечеткой модели гибридной сети показывает достаточно высокую степень ее адекватности реальным исходным данным, что позволяет сделать вывод о возможности ее практического использования для прогнозирования степени работоспособности электрооборудования.

16. Обоснована и предложена структурная схема АСУ ТП с управлением по состоянию объекта диагностирования, позволяющая:

- своевременно отслеживать и предотвращать аварийный останов оборудования;

- снизить информационную нагрузку на оператора, за счет уменьшения количества обращений к состоянию и параметрам подсистемы диагностики;

- снизить возможные ложные аварийные ситуации;

- пополнять базу знаний достоверными данными.

17. Разработана модель системы управления устройством распределения нагрузки между дизель-генераторами в зависимости от степени их работоспособности и от нагрузки на электростанцию с использованием системы нечеткого вывода. Сравнение результатов нечеткого вывода для значений входных переменных, полученные на основе численных расчетов и с помощью разработанной нечеткой модели, подтверждает ее адекватность.

18. Предложено реализовать нечеткую модель системы управления на базе микроконтроллера МС68НС11 с нечетким ядром семейства Motorola. Разработана программа реализации фаззи-ядра на языке нечеткого управления FCL.

1. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. М.: Наука, 1976. 279 с.

2. Андрианова Л.П., Малько С.Л. Тестовая диагностическая система на основе активной идентификации // Датчики и преобразователи информации систем измерения, контроля и управления: Сб. матер. XV науч.-техн. конф. М.: МГИЭМ, 2003.- с.250-251.

3. Анзимиров Л. Trace Mode как инструмент комплексной автоматизации // PC Week/RE. 1998. №8.

4. Антонычев С.В., Крекнин Л.Т. Цели и задачи технической диагностики. //Контроль. Диагностика. М.: 2003- № 5 — с.19- 22.

5. Байхельт Ф., Франк П. Надёжность и техническое обслуживание: по вибрации. Тр. Петербургского энергетического института математический подход. —М.: Радио и связь, 1988. 258с.

6. Баранов В.М. Применение вейвлет-фильтрации при обработке диагностической информации. М.: МИФИ, 2004. 126с.

7. Барков А.В. Мониторинг и диагностика роторных машин по вибрации: Учеб. пособие/ Барков А. В., Баркова Н. А., Азовцев А. Ю. СПб., 2000.-158 с.

8. Барков А.В., Баркова Н.А, Азовцев А.Ю. Особенности диагностики низкооборотных подшипников качения// Электронный ресурс. Режим доступа к сборнику.: http://www.vibrotek.com/russian/articles/intelect-rus/index/htm.

9. Барков А.В., Баркова Н.А. Интеллектуальные системы мониторинга и диагностики машин. Институт повышения квалификации Минтопэнерго РФи Института вибрации США. http://www.vibrotek.com/russian/articles/intelect-rus/index/htm.

10. П.Барков А.В., Тулугуров В.В. Вибрационная диагностика в бумажной промышленности России // Электронный ресурс. — Режим доступа к сборнику.: http://vibrotek.com/russian/articles/bumproml-rus/index.htm.

11. Басканова Т.Ф., Ланкин Ю.П. Алгоритмы самостоятельной адаптации для нейронных сетей./ Препринт ТО N5.- Красноярск: Институт биофизики СО РАН, Теоротдел, 1998.-14 с.

12. Басканова Т.Ф., Ланкин Ю.П. Нейросетевые алгоритмы самостоятельной адаптации.// Научная сессия МИФИ-99. Всероссийская научн.-техн. конф. «Нейроинформатика-99». Сборник научных трудов. В 3 частях. Ч.1.- М.: МИФИ, 1999.-е. 17- 24.

13. Блинов А.В. Интеллектуализация системы диагностики и прогнозирования // Датчики и системы. М.: 2005. - №9 — с.65 — 70.

14. Бобровский С. В поисках идеальной модели // PC Week/RE, 1997.45.

15. Бойченко С.И. Алгоритмы спектрального интегрирования виброакустического сигнала для вибродиагностики машин. Dynamics Of Machine Aggregates 2000, 5th International Conference, Gabcikovo, Slovak Republic e-mail: post@dynamics.ru; http://www dynamics.ru.

16. Булычев A.B., Ванин B.K. Метод контроля состояния механической части асинхронного двигателя II Электротехника, 1997. - №10. - с.7-9.

17. Вахромеев О.С., Каримов Р. Т., Надеев А. И. Современные методы диагностики электромеханических систем // Вестник АГТУ, Астрахань:

18. АГТУ, 2006. - № 2(31). - с.51-56.

19. Вахромеев О.С., Надеев А.И., Нестеров О.С., Чавычалов Д.Ю. Интеллектуальное управление диагностической системой // Известия ВУЗов. Северо-Кавказкий регион. Технические науки. Новочеркасск, Новочеркасский полит, ин-т., 2006.- с. 96-101.

20. Вахромеев О.С., Дудников А.С., Надеев А.И. Комплексный метод диагностики электромеханических систем//«Известия ВУЗов. СевероКавказский регион. Технические науки». Новочеркасск, Новочеркасский полит, ин-т., 2006.- с 37-42.

21. Вахромеев О.С., Дудников А.С., Надеев А.И. Комплексный критерий качества для автоматических диагностических систем //Датчики и системы, М.: -2007 №1- с.44-46.

22. Вешкурцев Ю.М., Костюков В.Н., Бойченко С.Н., Костюков А.В. Принципы построения измерительно-диагностических систем машин иоборудования//Контроль. Диагностика. М.: 2000.-№4- с.18-23.

23. Волохов С.А. и др. Диагностирование обрыва стержня клетки ротора асинхронного двигателя // Электротехника, М.: 1998.-№ 2,- с.13-15.

24. Гаджиев Г.А., Халилов Д.Д., Абдуллаев Н.Д., Гашимов М.А. Исследование магнитных полей рассеяния в электрических машинах для их диагностики в условиях в условиях работы // Электротехника, М.: 2000 - № 6.- с. 22-27.

25. Гашимов М.А., Гаджиев Г.А., Мирзоева С.М. Диагностирование неисправностей обмотки статора электрических машин // Электрические станции, М.: 1998.-№ 11.- с.30-35.

26. Герике Б. JI. Мониторинг и диагностика технического состояния машинных агрегатов: Учебное пособие. В 2-х ч. Ч. 1: Мониторинг технического состояния по параметрам вибрационных процессов. Кузбас. гос. техн. ун-т. Кемерово, 1999.-189с.

27. Герике Б. JI. Мониторинг и диагностика технического состояния машинных агрегатов: Учебное пособие. В 2-х ч. Ч. 2: Мониторинг технического состояния по параметрам вибрационных процессов. Кузбас. гос. техн. ун-т. Кемерово, 1999.—189с.

28. Головко С.В. Моделирование управления судовым электрооборудованием по диагностическим параметрам. // Вестник АГТУ, Астрахань, 2008. - №5. - с. 34-39.

29. Головко С.В. Система управления электрооборудованием на основе нечеткой логики // Датчики и системы, Москва, 2009. - №7. - с. 1215.

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

31. Дентон Р. Будущее датчиков и систем вибромониторинга // Датчики и системы, М.: 2001- № 1.- с.62- 64.

32. Жадобин Н.Е., Крылов А.П. «ГИЕПАС»: Микропроцессорная система управления судовой электроэнергетической установкой. Учебныйсправочник СПб.: Элмор, 1999.-120 с.

33. Жернаков С.В. Решение комплексных задач контроля и диагностики силовых установок летательных аппаратов активными экспертными системами // Приборы и системы. Управление, контроль, диагностика, М.: - 2002.-№ 12.-c.53- 57.

34. Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения // Известия Академии наук. Теория и системы управления, 1997.-№ 3.-с. 138-145.

35. Зайцев А.И., Сташнев B.JL, Бурковский А.В. Нечеткое управление сложными технологическими системами и комплексами: Монография. Воронеж: Воронеж, гос. тех. ун-т, 2003. 255с.

36. Ильичев А.С., Надеев А.И., Яковлев В.Г. Обобщенный критерий качества частотных преобразователей // Известия вузов. Северо-кавказский регион. Технические науки. Ростов на Дону: изд-во СКНЦ ВШ, - 2006.-№2. - с.28-31.

37. Карим С.И., Мышенков K.C., Новицкий С.О., Новицкий О.А. Новые информационные технологии // Хлебопродукты, М.: 1997.-№ 4. -с.45-52.

38. Каршаков В.П., Сальников Н.А. Проблемы обеспечения надежности на стадии разработки изделия //Датчики и системы. М.: 2000. -№7.-с 26-31.

39. Копылов И.П. Математическое моделирование электрических машин. М.: Высшая школа, 1987. 286с.

40. Косарев О.И. Вибровозбуждение и динамические нагрузки в цилиндрических зубчатых передачах. Дис. канд. техн. наук., М.: 1997.—250 с.

41. Костюков А.А. Оценка работоспособности машин и агрегатов по трендам вибропараметров. Dynamics Of Machine Aggregates 2000, 5th International Conference, Gabcikovo, Slovak Republic. e-mail: post@dynamics.ru; http.V/www dynamics.ru.

42. Костюков B.H. Самодиагностика вибродиагностических систем // Контроль. Диагностика. М.: 2002.-№9 - с. 18-22.

43. Круг П.Г. Виртуальные измерительные системы/УПриборы и системы управления, М.: 1996.-№ 11- с.44-47.

44. Круг. П.Г. Нейронные сети и нейрокомпьютеры. — М.: Издательство МЭИ, 2002. -176с.

45. Кузнецов P.O., Надеев А.И., Решетов А.С. Показатели качества эксплуатационных характеристик магнитострикционного преобразователя // Датчики и системы, М.: 2002.-№ 5.- с.21-22.

46. Ланкин Ю.П. Реализация нейросетей с фиксированной структурой на аналоговой элементной базе./ Автореферат дис. канд.техн.наук.-Красноярск: Институт биофизики СО РАН, 1994.-23с.

47. Ланкин Ю.П., Лалетин А.П. Моделирование изменений экологических объектов с помощью нейронных сетей.// Сибирский экологический журнал.- Новосибирск: Издательство СО РАН, Т.6, 1999.4. с.449-452.

48. Ланкин Ю.П. Самоадаптирующиеся нейронные сети./ Препринт ТО N3.- Красноярск: Институт биофизики СО РАН, Теоротдел, 1997-21с.

49. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyТЕСН- СПб.: Изд-во «БХВ Петербург». 2005. - 736с.:ил.

50. Макаров И.М. Искуственный интеллект и интеллектуальные системы управления/И.М. Макаров, В.М. Лохин, С.В. Манько, М.П. Романов: Отделение информ. технологий и вычислит, систем РАН.- М.: Наука, 2006. -333с.

51. Морозов Д.В., Мельников В.П. Интеллектуализация датчиков // Датчики и преобразователи информации систем измерения, контроля и управления: Сб. матер. XII науч.-техн. конф. М.: МГИЭМ, 2000. - с. 62-66.

52. Мынцов А.А., Кочнев М.Н., Мынцова О.В. Системы виброакустического диагностирования агрегатов роторного типа. http:wpsv.vinf.ru. e-mail, psv@vinf.ru.

53. Мынцов А.А., Мынцова О.В., Шкумат А.Г. Опыт эксплуатации переносных систем диагностирования агрегатов роторного типа. http:wpsv.vinf.ru. e-mail, psv@vinf.ru.

54. Надеев А.И. Интеллектуальные магнитострикционные преобразователи параметров движения сверхбольшого диапазона. Дис. докт. техн. наук,-Астрахань, АГТУ, 2000.- 437с.

55. Нагорный В. М., Савченко К. Н. Метод вибродиагностики роторных машин и механизмов. // Вибрация и вибродиагностика. Проблемы стандартизации: Тезисы докладов 3 Всесоюзной научн.-техн. конф. Н. Новгород, 1991.—с.45-^-6.

56. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов. Моногр./Астрахан.гос.техн.ун-т.-Астрахань: Изд-во АГТУ, 2004.-184 с.

57. Портнягин Н.Н. Математическое и алгоритмическое обеспечение систем диагностирования судовых электрических средств автоматизации.

58. Автореферат дис.докт.техн.наук. С.П-б, 2004. 22 с.

59. Рубцов Ю.Ф. Системы мониторинга и диагностики // Приборы и системы. Управление, контроль, диагностика, 2000 — № 5 — с.68—70.

60. Румянцев И.А. Алгоритмизация судовых процессов управления. Судостроение. Ленинград, 1989г.- 259с.

61. Русов В.А. Спектральная вибродиагностика // Электронный ресурс. Режим доступа к сборнику.: http://vibrocenter.ru/book.htm.

62. Саати Т. Принятие решений. Метод анализа иерархий. Пер. с англ.-М.: Радио и связь, 1993.-320 с.

63. Сазонов Ю.И. Принцип построения адаптивных электромагнитно-акустических систем технической документации // Приборы и системы. Управление, контроль, диагностика, 2003.—№ 8.-С.53-57.

64. Сапожникова К.В. Метрологический диагностический контроль // Метрологическая служба в СССР, 1991-№ 2.-С.18-24.

65. Славинский А.З. Интеллектуальные датчики электрических сигналов для информационных систем диагностики // Приборы и системы. Управление, контроль, диагностика,- М.: 2000.-№ 5. - с. 32-37.

66. Смирнов В.И. Методы и средства функциональной диагностики и контроля технологических процессов на основе электромагнитных датчиков. Автореферат дис. докт. техн. наук. Ульяновск, 2001.- 20с.

67. Смирнов В.И., Жарков В.В., Ильин М.Г. Автоматизированный комплекс для диагностики функционального состояния электрических машин // Приборы и системы. Управление, контроль, диагностика.- М.: -2000.-№ 7.-е. 81-83.

68. Смирнов В.И., Жарков В.В., Чернов Д.В. Функциональная диагностика электрических машин на основе измерения их полей рассеяния // Приборы и системы. Управление, контроль, диагностика.- М.: 2004—№ 8.- с.49-52.

69. Смирнов В.И., Чернов Д.В. Функциональная диагностика асинхронных электродвигателей в переходных режимах работы // Приборы исистемы. Управление, контроль, диагностика.- М.: 2005.—№5.-с.52—56.

70. Смирнов В.И. Функциональная диагностика электрических машин // Датчики и системы, М.: 2003.-№ 6.-C.30-32.

71. Сысоев С.В. Оптимальное управление процессом лова рыбонасосными установками: Автореферат дис.канд.тех.наук. Астрахан.гос.техн.ун-т., Астрахань, 2006. 22с.

72. Сысоев С.В., Надеев А.И., Головко С.В., Вахромеев О.С. Управление технологическим процессом лова рыбонасосными установками по состоянию оборудования // Датчики и системы, М.: 2009.- №3. - с. 34-36.

73. Тарасова Н.А. Контроль вибрационных характеристик асинхронных двигателей на основе применения методов спектрального анализа с минимизацией погрешностей. Автореферат дис. канд.тех.наук. Казане, гос. энерг.ун-т. Казань, 2003.- 18с.

74. Хайруллин И.Х., Пашали Д.Ю. Анализ современных методов диагностики электромеханических преобразователей // Электромеханика, электротехнические комплексы и системы: Сборник научных трудов Уфа: УГАТУ, - 2002.-е. 22-25.

75. Худяков С.А. Основы теории надежности и диагностики: Учеб. пособие-Владивосток. ДВМГА, 2001—140 с.

76. Шалобаев Е.В. Об интеллектуальном управлении мехатронными системами // Датчики и системы, М.: 2002.-№ 2.-е.8-12.

77. Шетат Б., Ходжа Дж. Использование искусственных нейронных сетей для диагностики неисправности электропривода в режиме реального времени // Электротехника, 2003.-№ 12. -с. 16-20.

78. Шутов Ю.И. Диагностика состояния изоляции силовых трансформаторов на потребляющем электроэнергию крупном предприятии //

79. Приборы и системы. Управление, контроль, диагностика.- М.: 2003 —№ 9. — с.55-59.

80. A. Azovtsev, A. Barkov. «Automatic computer system for roller bearings diagnostics, Computers in Railways V, Proceedings of the COMPRAIL-96 conference.» 21-23 August 1996, Berlin, Germany, volume 2, -pp.543-550.

81. A.V. Barkov, N.A. Barkova «Diagnostics of Gearings and Geared Couplings Using Envelope Spectrum Methods,Proceedings of the 20th Annual Meeting of the Vibration Institute.» Saint Louis, Missouri, USA, -1996, —pp.75— 83.

82. Barkov A.V., Barkova N.A., Mitchel J.S. «Condition Assessment and Life Prediction of Rolling Element Bearings, Sound amp Vibration.», 1995. June 10-17 pp., September, — pp.27-31.

83. A.V. Barkov, S.N. Rogov, I.A. Ioudin, R. Archmbault «Algorithms for Automated Roling Element Bearings Diagnostics,Proceedings of the 20th Annual Meeting of the Vibration Institute.» Saint Louis, Missouri, USA, 1996. pp. 6973.

84. Kevin Michael Ruppelt. Method And Apparatus For Problem Diagnosis And Solution. Способы диагностики неисправностей. Пат. 6571236 США.

85. Matthew М. O'kane. Embedded Sensor Technology Migration Into A.C. Induction Motors // Электронный ресурс.-Режим доступа к сборнику.: http://www.compsys.com/drknow/aplpapr.nsf/06b6f5a4de2eae6285256a3f004d97 58/ac426e6ed3003464852567ed00487062.

86. Mitchel John S. «An Introduction to Machinary Analisis and Monitoring.» Tulsa: Penn Well Books, 1993. p. 322.

87. Taymanov R., Sapozhnikova K. intelligent measuring instruments. Maximum reliability of measuring information, minimum metrologicalmaintenance // Proc. Of the XVII IMEKO World Congress. Dubrovnik, Croatia, 2003 .-pp. 1094-1097.

88. Denton R. The future of vibration sensors and asset management: -Beyond sensors: Where do we go from here? // Machine, Plant & System Monitor, May-June, -2000. pp. 28-34.

89. EPRI: "Improved Motors for Utility Applications and Improved Motors for Utility Applications, Industry Assessment Study", Vol 1, EPRI EL-2678, Vol 1 1763-1, final report and EPRI EL-2678, Vol 2,1763-1 final report October, -1982. pp. 18-24.

90. V Thorsen and M Dalva: "Condition Monitoring Methods, Failure Identification and Analysis for High Voltage Motors in Petrochemical Industry", Proc 8a 1EE Int Conf, EMD'97, University of Cambridge, No 444, -pp. 109-113.

91. W T Thomson and D Rankin; "Case Histories of Rotor Winding Fault Diagnosis in Induction Mo-tors", 21" 1 Int Conf Proc on Condition Monitoring, University College Swansea, March,-1987. pp. 84-92.

92. G В Kliman and J Stein: "Induction Motor Fault Detection Via

93. Passive Current Monitoring", Proc Int Conf (ICEM'90), MIT, Boston, USA, -1990.-pp. 13-17.

94. Randy R. Schoen, Thomas G. Habetler, Farrukh Kamran, Robert G. Barthel "Motor Bearing Damage Detection Using Stator Current Monitoring" IEEE TRANSACTIONS ON INDUSTRY APPLICA-TIONS, VOL.31, NO. 6, November/December, — 1995.- pp. 28-34.

95. William T.Thomson, Mark Fenger "Current Signature Analysis to Detect Induction Motor Faults"IEEE Industry Application Magazine July/August, -2001.-pp. 57-64.

96. Free Fuzzy Logic Library. Электронный ресурс. Режим доступа: http://www.iec.ch/.