CC BY
18
УДК 004.94
МОДЕЛИРОВАНИЕ ИНТЕРФЕРЕНЦИОННОГО СИГНАЛА ВО ВНУТРИСОСУДИСТОМ ПРОСТРАНСТВЕ
ДЛЯ СИСТЕМ ОПТИЧЕСКОЙ КОГЕРЕНТНОЙ ТОМОГРАФИИ
СВ. Фролов, А.Ю. Потлов, Т.А. Фролова
Рассмотрен алгоритм моделирования интерференционного сигнала потока биологических жидкостей для систем доплеровской оптической когерентной томографии. Численная модель течения со сложной структурой в мягких биологических тканях реализована в виде специализированного программного обеспечения с использованием пакета ЬаЬ¥1ЕЖ. Программа моделирования интерференционного сигнала успешно протестирована на гидродинамических фантомах и может быть использована для изучения характеристик и поиска закономерностей, связывающих гемодинамические и оптические величины. Полученные результаты могут найти применение для создания более эффективных методов ангиографии, а также для количественной и качественной оценки скоростей потоков биологических жидкостей в мягких биологических тканях на основе методов оптической когерентной томографии.
Ключевые слова: моделирование методом Монте-Карло, интерференционный сигнал, оптическая когерентная томография, мягкие биологические ткани, внутрисо-судистое пространство, плазма крови, эритроциты, профиль скорости потока, гидродинамические фантомы.
Разработка высокоэффективных систем для оптической когерентной томографии (ОКТ) требует не только наличия инженерных навыков, качественных комплектующих и современных сред программирования. Более важным является глубокое понимание биофизических процессов, происходящих в мягких биологических тканях при их зондировании низкокогерентным излучением ближнего инфракрасного диапазона [1]. Существует достаточно большое количество теорий и математических моделей для описания процесса миграции фотонов в исследуемом биообъекте при ОКТ. Одним из наиболее удачных подходов является моделирование методом статистических испытаний Монте-Карло [1]. Конкретные реализации этого метода могут существенно отличаться, но их объединяет идея независимого рассмотрения траекторий большого количества фотонов, с учетом актов взаимодействия (поглощение, рассеяние, отражение, преломление) на пути фотона от источника до детектора, либо до точки когда его дальнейшее рассмотрение перестает быль целесообразным [2]. Точность вычислений методами Монте-Карло возрастает вместе с числом моделируемых фотонов, что при наличии мощных компьютерных систем большой проблемы не представляет [3]. Модели Монте-Карло хорошо описывают процесс миграции фотонов и в толще исследуемого объекта и на его границах и даже позволяют смоделировать процесс получения интерференционных сигналов на детекторах ОКТ-системы с учетом спекл-структуры [4]. Тем не менее многие известные статистические модели не лишены недостатков. Одним из наиболее спорных вопросов является подходы к описанию поведения фотонов во внутрисосудистом пространстве, и соответственно, интерференционного сигнала из этого участка исследуемого биобъекта [5].
С оптической точки зрения кровь целесообразно представлять как высококонцентрированную сильнорассеивающую текучую совокупностью эритроцитов (40...45% от объема) и плазмы (55.60% от объема) с уровнем поглощения и анизотропией рассеяния существенно превышающими средние показатели для мягких биологических тканей. Высокий уровень поглощения главным образом объясняется содержанием в эритроцитах окси- или дезоксигемоглобина, а высокая анизотропия рассеяния во много связана с формой и размерами эритроцитов. В связи с вышесказанным, процентное
содержание крови, уровень гематокрита, насыщение крови кислородом и характеристики ее движения (оттока дезоксигенированной крови и/или притока оксигенированной крови) в существенной мере влияют на оптические характеристики исследуемой ткани [5]. Такое влияние обуславливает необходимость учета гемодинамики при прохождении низкокогерентного инфракрасного излучения ближнего инфракрасного диапазона через мягкую биологическую ткань.
Целью проводимых исследований является разработка эффективных подходов к повышению достоверности описания фотонного транспорта и процесса моделирования интерференционного сигнала ОКТ-систем во временной и частотной области получаемого из области внутрисосудистого пространства.
Материалы и методы. Классический подход к Монте-Карло моделированию ОКТ-изображений включает в себя три характерные стадии:
1) Формирование статичной геометрической модели исследуемого объекта, описывающей принадлежность точек моделируемого объекта к соответствующим слоям или типам тканей, а также оптические характеристики этих структур [6].
2) Моделирование статистических траекторий движения отдельно взятых фотонов или их пакетов [4] от источника излучения до детектора, либо момента «гибели»;
3) Моделирование процесса формирования интерференционного сигнала с учетом количества и характеристик попавших на них фотонов.
Первая стадия выполняется однократно. Вторая и третья стадии выполняются циклически из-за движения источника излучения (ОКТ в частотной и во временной области) и сканирующего объема (ОКТ во временной области).
Целесообразность внесения правок на любой из этих стадии является не очевидной. Современные подходы к формированию геометрических моделей на основе распознавания результатов медицинской визуализации позволяют достоверно описать геометрию исследуемого объекта [3]. Оптические свойства характерные для различных типов тканей достоверно известны из авторитетных источников [2]. Базовые формулы для описания явлений отражения на границах раздела сред, актов поглощения или рассеяния доказаны теоретически и проверены экспериментально [7]. Подходы к имитации интерференционного сигнала также теоретически обоснованы и доказаны высоким соответствием результатов моделирования внутренней структуры неподвижных биообъектов с результатами реальных ОКТ-сканирований [8]. Невысокая достоверность моделирования фотонного транспорта и интерференционного сигнала для области внутрисосуди-стого пространства связана переменчивостью основных оптических характеристик этой области сканируемого пространства относительно неподвижных окружающих тканей. Необходима дополнительная стадия (между 1-й и 2-й) в которой оптические параметры геометрической модели для области внутрисосудистого пространства варьируются при стабильности параметров геометрической модели для остальных участков исследуемого объекта. Эта стадия также как вторая и третья должна выполняться циклически.
Предлагаемый оригинальный подход к моделированию кровотока в исследуемых биологических тканях отличается тем, что: (I) характеристики участка геометрической модели, соответствующего внутрисосудистому пространству не статичны, а динамически изменяются в процессе моделирования прохождения через них фотонов; (II) динамические изменения включают в себя флуктуации оптических характеристик и геометрии подучастков внутрисосудистого пространства и производятся для всех элементов (пиксели или вокселы) этих подучастков; (III) диапазоны флуктуаций оптических характеристик для пикселей (2D случай) или вокселов (3D случай) внутрисосудистого пространства ограничиваются соответствующими характеристиками плазмы крови и эритроцитов ; (IV) скорость, с которой пиксели (вокселы) разных типов сменяют друг друга различна для отдельных участков внутрисосудистого пространства, причем она выбирается таким образом, чтобы соответствовать желаемой форме профиля скорости потока.
Упрощенная блок-схема предлагаемого подхода к варьированию оптических характеристик геометрической модели представлена на рис. 1.
Ввод управляющих параметров: тип моделируемого потока (параметр А), количество подучастков внутрпсосудистого пространства, характеристики профиля скорости, количество А-сканов (А8с), характеристики накладываемых шумов, и т.п. Считывание геометрической модели
Определение участка геометрической модели, соответствующего внутрнсосудистому пространству
Формирование основы (например, параболоида) для профиля скорости с использованием канонического уравнения
Модификация основы профиля скорости, посредством различных искажений и наложения шумов
Проецирование профиля скорости на внутрисосудистое пространство с учетом направления течения моделируемого потока крови
Ввод закономерностей, описывающих изменения профиля скорости во времени для случая моделирования ламинарного потока с локальными нарушениями ламинарного течения
Начало цикла обработки А-сканов
Внесение изменении в геометрическую модель с учетом проекции сформированного профиля скорости и закономерностей его изменения во времени
Завершение цикла обработки А-сканов
Сохранение полученной геометрической модели (ее вариантов для различных моментов времени) в виде совокупности файлов формата х1э или передача в математическую модель распространения излучения в исследуемой ткани и формирования интерференционных сигналов
Рис. 1. Упрощенная блок-схема метода моделирования потоков биологических жидкостей со сложной структурой сквозь плоскость ОКТ-сканирования
Первыми действиями при в составе предложенного метода являются ввод управляющих параметров и считывание геометрической модели. В качестве управляющих параметров используются тип моделируемого потока (ламинарный или с локальными нарушениями ламинарного течения), количество подучастков внутрисосудистого пространства, характеристики профиля скорости, количество А-сканов в моделируемом структурном изображении, характеристики накладываемых шумов и т.п. Считывание геометрической модели производится из предварительно подготовленных файлов.
Следующий шаг - это идентификация на геометрической модели области внут-рисосудистого пространства. Поскольку при формировании геометрической модели основные структуры уже были идентифицированы и кодированы, вышеуказанное действие сводится к запросу по соответствующему числовому коду.
Основа для профиля скорости моделируемого ламинарного потока или потока с локальным нарушением ламинарного течения биологической жидкости формируется с использованием выбранного пользователем шаблона. Шаблоны представляют собой реализации канонических уравнений геометрии, например уравнения эллиптического параболоида, соответствующего плавно снижающейся от центра сосуда к стенкам
скорости флуктуаций двух типов пикселей или вокселей. Основа профиля скорости модифицируется таким образом, чтобы более достоверно соответствовать профилям реальным потоков. Для этого используется ручное внесение различных искажений («растягивание» профиля его «сдавливание» и т.п.) и наложение шумов. Проецирование сформированного профиля на область внутрисосудистого пространства осуществляется для того чтобы достичь их соответствия по размерам. При этом проекция профиля принимает масштабы внутрисосудистого пространства, но формируется с наклоном в соответствии с направлением течения моделируемого потока крови. С геометрической точки зрения происходит формирование массива данных, размерность которого достаточна для описания внутрисосудистого пространства, а каждый элемент соответствует скорости флуктуации оптических параметров в этой точке.
По необходимости формируется набор закономерностей характеризующих изменения в характеристиках профиля потока во времени. Этот набор представляет собой совокупность уравнений [3]. Одно уравнение характеризует один подучасток внутрисосудистого пространства. Например, скорость флуктуации двух типов пикселей или вок-селов для некоторого подучастка внутрисосудистого пространства весь моделируемый временной диапазон меняется линейно с заданном интервале, а скорость аналогичных флуктуаций для другого подучастка меняется экспоненциально, причем при достижении заданного уровня становится константой и т.п.
Варьирование параметров геометрической модели исследуемого объекта производится после того как проекция профиля скорости на внутрисосудистое пространство и закономерности ее изменения (если они нужны) сформированы. Характеристики участков геометрической модели модифицируются в цикле обработки отдельных столбов (А-сканы), соответствующих внутрисосудистому пространству. Величины скорости флук-туаций типов пикселей или вокселей есть в проекции профиля скорости. Величины скорости изменения этих скоростей есть в закономерностях. Сохранение всех вариантов этой модели для различных моментов времени в виде совокупности файлов формата х1б производится после завершения цикла внесения изменений в геометрическую модель моделируемого биообъекта. Также возможен вариант прямой передачи этих данных в математическую модель распространения излучения в исследуемой ткани и формирования интерференционных сигналов [8].
Результаты и обсуждение. Предлагаемый метод циклического модифицирования параметров геометрической модели в процессе численного моделирования интерференционного ОКТ-сигнала является лаконичным дополнением к известным вариантам метода Монте-Карло [2,8,9]. Теоретические аспекты совместимости моделей и причины эффективности предложенного решения описаны ниже:
Первый этап моделирования ОКТ-изображений выполняется однократно и в некотором смысле слова обособленно от остальных, его результат - геометрическая модель исследуемого биообъекта или пространственные распределениями оптических параметров в исследуемом биообъекте. Обособленность первого этапа от остальных объясняется наличием в его составе ручной операции идентификации структур исследуемого объекта, требующей от пользователя определенных медицинских знаний [6]. Желательной является экспертная (врач, биолог) проверка результатов первого этапа. Поэтому целесообразны режимы как автоматической передачи данных о геометрии и оптических свойствах исследуемого объекта в единую программу, так и загрузки вышеуказанных данных в виде файлов данных [10]. Второй-четвертый этапы выполняются совместно. Передача данных между моделями при этом производится без непосредственного участия пользователя. Участок геометрической модели, соответствующий просвету кровеносного сосуда постоянно модифицируется (второй этап) таким образом, чтобы имитировать флуктуации эритроцитов или их агрегаций в плазме крови. Причем скорость этих флуктуации в различных участках сосудистого русла выбирается таким образом, чтобы соответствовать желаемой форме профиля скорости потока. Если поток ламинарный (Пуазейлевский или параболический профиль), то скорость флуктуаций двух типов
пикселей (вокселей) снижается от центра сосуда к стенкам, если имеются локальные нарушения ламинарного течения или турбулентность, то скорости флуктуаций формируют пробкообразные профили различной геометрии. Управляемое движение источника фотонов на третьем этапе обеспечивает расчет траекторий движения фотонов, необходимых для построения (четвертый этап) отдельных А-сканов структурного изображения [6]. А-сканы формируются с относительно постоянной спекл-структурой и минимальными фазовыми сдвигами для неподвижных частей исследуемого объекта со стационарной геометрической моделью. Флуктуации оптических свойств, и частично геометрии внутрисосудистого пространства в процессе движения фотонов сквозь участок исследуемого объекта, соответствующий кровеносному сосуду приводят к особенностям в траекториях движения фотонов отдельных А-сканов. Эти особенности, в частности, выражаются в иной геометрии спекл-шумов во внутрисосудистом пространстве и накоплении фазового сдвига между А-сканами [4]. Эти особенности в целом советует поведению реального интерференционного сигнала из области внутрисосудистого пространства в физических экспериментах с ОКТ-системами [10,11]. А-сканы объединяются в В-сканы, т.е. структурные ОКТ-изображения и визуализируются пользователю. Работа программного комплекса по моделированию ОКТ-изображений на этом завершается.
Геометрическая модели сетчатки глаза человека пригодная для использования при моделировании по вышеописанному способу показана на рис. 2. Оттенки цветка кодируют характерные биологические структуры в составе моделируемого объекта. Коды цветов поставлены в соответствие со справочными данными по типичным оптическим свойствам и характерной толщине для каждой моделируемой структуры и приведены в таблице.
Рис. 2. Геометрическая модель сетчатки глаза, как совокупности слоистых структур со сложной геометрией границ
Анатомические структуры глаза человека, зондируемые при проведении _ОКТ-диагностики, и их усредненные характеристики в норме_
Название структуры Коэффициент поглощения, / Коэффициент рассеяния т Толщина, d [мм]
[мм-1] [мм-1]
Роговица
Внутриглазная жидкость 0.027 0.09 2.3
Хрусталик
Стекловидное ело
Слой нервных волокон 0.025 0.073 0.04
Слой ганглиозных клеток 0.031 0.078 0.055
Внутренний сетчатый слой 0.028 0.084 0.048
Внутренний зернистый слой 0.031 0.21 0.046
Наружный сетчатый слой 0.034 0.28 0.053
Фоторецепторный слой 0.037 0.24 0.094
Слой пигментного эпителия 0.08 0.9 0.051
Пример использования метода моделирования потоков биологических жидкостей со сложной структурой сквозь плоскость ОКТ-сканирования показан на рис. 3. Начальная и конечная форма профиля для потока крови в сосуде сетчатки глаза
представлены на рис. 3, а. и б, соответственно. Оба профиля сформированы с использованием канонического уравнения параболоида вращения. Начальная форма профиля свободна от шумов. Однако эти шумы появляются и нарастают по мере моделирования. На рис. 3, в показана закономерность, связывающая уровень шумов и моделируемый момент времени. В данном примере зависимость задана квадратным уравнением. Профиль ламинарного потока (рис. 3, а) плавно трансформируется в профиль потока с локальными нарушениями ламинарного течения (рис. 3, б).
Вышеописанный пример показывает, что предлагаемый подход позволяет моделировать не только изменения в А-сканах в составе одного структурного ОКТ-изображения. Но, также имеется возможность моделировать необходимые для нужно ангиографии последовательности структурных изображений исследуемой ткани пронизанной кровеносными сосудами [11].
"Пте, 5ес
в
Рис. 3. Начальная (а) и конечная (б) форма профиля формируемого потока, а также закономерность перехода первой формы во вторую (в)
Следует отметить, что предложенные усовершенствования к численной модели процесса формирования интерференционных сигналов в ОКТ не оказывают существенного влияния на продолжительность вычислений. Наиболее ресурсоемкая операция - это расчет индивидуальных траекторий для миллионов фотонов с учетом множества актов взаимодействия [2, 5, 8]. Формирование профилей по каноническим уравнениям, внесение в них шумов, проецирование профилей с учетом простейших закономерностей удлиняют процесс вычислений всего на несколько десятых долей секунды.
Выводы. Предлагаемый метод модифицирования геометрической модели исследуемого объекта для моделирования кровотока в нем был практически реализован в виде программного продукта в среде LabVIEW. Разработанный программный продукт был интегрирован с модулем формирования геометрических моделей на основе изогелии готовых результатов медицинской визуализации и математической моделью для статистического моделирования миграции фотонов в мягких биологических тканях с последующим формированием структурного ОКТ-изображения [3].
Ключевые особенности предложенного метода заключаются в следующем: характеристики участка геометрической модели, соответствующего внутрисосудистому пространству не статичны, а динамически изменяются в процессе моделирования прохождения через них фотонов; динамические изменения включают в себя флуктуации оптических характеристик и геометрии подучастков внутрисосудистого пространства и производятся для всех элементов этих подучастков; диапазоны флуктуаций оптических характеристик для пикселей (2D случай) или вокселов (3D случай) внутрисосудистого пространства ограничиваются соответствующими характеристиками плазмы крови и эритроцитов; скорость, с которой пиксели (вокселы) разных типов сменяют друг друга различна для отдельных участков внутрисосудистого пространства, причем она выбирается таким образом, чтобы соответствовать желаемой форме профиля скорости потока.
Показаны примеры геометрической модели, начального и конечного профилей для потоков в ней, а также функциональной зависимости для трансформации первого профиля во второй.
Предложенный метод модифицирования геометрической модели исследуемого объекта для моделирования кровотока может быть использован для проведения биофизических исследований в составе программных комплексов для моделирования ОКТ-сигнала. Наличие возможности наблюдения изменений в интерференционном сигнале вызванных изменениями в характеристиках потока имеет значительное фундаментальное и прикладное значение [12]. Фундаментальность заключается в наличии потенциала для выявления закономерностей связывающих гемодинамические и оптические величины. Полученные результаты [8, 9] могут быть использованы для создания более эффективных методов ангиографии, а также количественной и качественной оценки скоростей потоков биологических жидкостей (не только кровь, но и лимфа) в мягких биологических тканях на основе методов ОКТ.
Исследование выполнено за счет гранта Российского научного фонда (проект № 16-15-10327).
Список литературы
1. Kirillin M.Yu., Priezzhev A.V., Myllyla R.A. Role of multiple scattering in formation of OCT skin images // Quantum Electronics, 2008. 38. P. 570-575.
2. Vadakke-Chanat S., Shanmugam P., Sundarabalan B. Monte Carlo simulations of the backscattering measurements for associated uncertainty // Optics Express. 2018. 26(16). P.21258-21270.
3. Frolov S.V., Potlov A.Yu., Petrov D.A., Proskurin S.G. Monte-Carlo simulation of OCT structural images of human skin using experimental B-scans and voxel based approach to optical properties distribution // Progress in Biomedical Optics and Imaging - Proceedings of SPIE. 2017. 10336, 103360Z.
4. Duan L., Makita S., Yamanari M., Lim Y., Yasuno Y. Monte-Carlo-based phase retardation estimator for polarization sensitive optical coherence tomography // Optics Express, 2011. 19(17). P. 16330-16345.
5. Potlov A.Yu., Frolov S.V., Proskurin S.G. Color mapping of one specific velocity of a biological fluid flows with complex geometry using optical coherence tomography // Progress in Biomedical Optics and Imaging - Proceedings of SPIE. 2018. 10716, 107160A.
6. Proskurin S.G., Potlov A.Yu., Frolov S.V. One specific velocity color mapping using optical coherence tomography // Journal of Biomedical Optics. 2015. 20(5). 051034.
7. Proskurin S.G., Potlov A.Yu., Frolov S.V. Doppler mapping of an alternating-sign flow with complex geometry using optical coherence tomography // Quantum Electronics. 2014. 44(1). P. 54-58.
8. Wang R.K., An L. Doppler optical micro-angiography for volumetric imaging of vascular perfusion in vivo // Optics Express. 2009. 17(11). P. 8926-8940.
9. Potlov A.Yu., Frolov S.V., Proskurin S.G. An algorithm for improving the quality of structural images of turbid media in endoscopic optical coherence tomography // Progress in Biomedical Optics and Imaging - Proceedings of SPIE. 2018. 10716, 1071609.
10. Frolov S.V., Potlov A.Yu., Sindeev S.V. Selection of flow-diverter stent models using optical coherence tomography and mathematical modeling of hemodynamics // Biomedical Engineering. 2017. 51(6). P. 381-384.
11. Gorpas D., Koch M., Anastasopoulou M., Klemm U., Ntziachristos V. Phantom and methodology for fluorescence molecular imaging systems benchmarking // Unconventional Optical Imaging - Proceedings of SPIE. 2018. 10677, 106771G.
12. Frolov S.V., Potlov A.Yu., Petrov D.A., Proskurin S.G. Modelling of a structural image of a biological object obtained by means of optical coherent tomography using the Monte Carlo method based on the voxel geometry of a medium // Quantum Electronics, 2017. 47(4). P.347-354.
Фролов Сергей Владимирович, д-р техн. наук, профессор, заведующий кафедрой, sergei.frolovagmail. com, Россия, Тамбов, Тамбовский государственный технический университет,
Потлов Антон Юрьевич, канд. техн. наук, доцент, zernerayandex.ru, Россия, Тамбов, Тамбовский государственный технический университет,
Фролова Татьяна Анатольевна, канд. техн. наук, доцент, frolova2000agmail.com, Россия, Тамбов, Тамбовский государственный техническийуни-верситет
SIMULATION OF OPTICAL COHERENCE TOMOGRAPHY INTERFERENCE SIGNAL OCCURRING IN THE INTRA VASCULAR SPACE UNDER A LAYER OF SOFT
BIOLOGICAL TISSUE
S.V. Frolov, A.Yu. Potlov, T.A. Frolova
An algorithm for modeling the interference signal of biological fluids for Doppler optical coherence tomography is considered. A numerical model of a flow with a complex structure in soft biological tissues is implemented in the form of specialized software using the LabVIEW package. The program for modeling the interference signal has been successfully tested on hydrodynamic phantoms and can be used to study characteristics and search for patterns connecting hemodynamic and optical quantities. The results obtained can find application for the creation of more efficient methods of angiography, as well as for the quantitative and qualitative assessment of the flow rates of biologicalfluids in soft biological tissues based on optical coherence tomography methods.
Key words: Monte-Carlo simulation, interference signal, optical coherence tomography, soft biological tissue, intravascular space, blood plasma, red blood cells, flow velocity profile, hydrodynamic phantoms.
Frolov Sergei Vladimirovich, doctor of technical sciences, professor, head of chair, sergei.frolova gmail. com, Russia, Tambov, Tambov State University,
301
Potlov Anton Yurievich, candidate of technical sciences, docent, zerner@yandex. ru, Russia, Tambov, Tambov State University,
Frolova Tatiana Anatolievna, candidate of technical sciences, docent, [email protected], Russia, Tambov, Tambov State University
УДК 621.317
МЕТОДИКА ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СРЕДСТВ СВЯЗИ СЕТИ СВЯЗИ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
Д. А. Агафонов, О. А. Губская, Д.И. Гурьянов, Г.П. Дорошенко, С.П. Кривцов, А.В. Милашевский
В статье предложена методика прогнозирования технического состояния средств связи сети связи специального назначения, особенность которой в том, что в отличие от известных методик прогнозирования, в ней учитывается как дрейф значений параметров, так и наличие скачкообразных изменений значений параметров.
Ключевые слова: прогнозирование, средства связи, сеть связи, дрейф.
Анализ применения средств связи в ходе эксплуатации показал важность прогнозирования их технического состояния. Это объясняется тем, что технические изделия в процессе хранения и функционирования испытывают воздействие множества разнообразных внешних и внутренних факторов, это приводит к изменению состояния изделий и, в конечном счете, к отказу не только изделия, но и самой системы, включающей в себя эти изделия как составные части. Цена отказа технических объектов может быть высокой, а отказы средств связи при управлении войсками и оружием оцениваются человеческими жизнями и исходом боевых действий. Поэтому мероприятия, связанные с предотвращением отказов на основе прогнозирования технического состояния, имеют большое значение.
При хранении и эксплуатации средств связи их параметры изменяются во времени. Процесс изменения параметров содержит медленную составляющую - дрейф параметров и скачкообразные отклонения. Дрейф параметров обусловлен старением. Под этим термином понимают совокупность физико-химических процессов коррозии, диффузии вещества, усталостной деформации, механического износа и т. п., приводящих к необратимым изменениям свойств элементов и конструкции устройства. Скачкообразные отклонения параметров вызываются различного рода поломками, обрывами, замыканиями, заклиниваниями и т.п., которые в свою очередь обусловлены конструктивными и технологическими дефектами устройства и эксплуатационными перегрузками. Дрейф параметров может способствовать возникновению скачков параметров, например, накопление усталостных деформаций в конструкции уменьшает пределы ее прочности. Поэтому скачкообразные изменения параметров в определенной мере связаны с дрейфом параметров [1].
На основе статистических данных об отказах элементной базы средств связи установлено, что в среднем 50.60 % возникающих отказов средств связи вызваны дрейфом параметров обусловленных старением элементов, а остальные отказы вызваны скачкообразными изменениями параметров, вызванными различными причинами. Таким образом, при разработке методики прогнозирования технического состояния необходимо учитывать, как отказы, вызванные дрейфом параметров, так и внезапные отказы, вызванные скачкообразными изменениями параметров.
302
