CC BY
92
УДК 65.018
С. В. Головко
МОДЕЛИРОВАНИЕ УПРАВЛЕНИЯ СУДОВЫМ ЭЛЕКТРООБОРУДОВАНИЕМ ПО ДИАГНОСТИРУЕМЫМ ПАРАМЕТРАМ
В настоящее время системы диагностического обеспечения на судах не позволяют перейти к непрерывному контролю за состоянием оборудования и техническому обслуживанию по состоянию. Для организации такого обслуживания требуются методы и средства диагностирования, позволяющие оценить состояние объекта контроля в текущий момент и прогнозировать его состояние на ближайшее будущее. Снижение быстродействия диагностирования обусловлено также объемной математической обработкой исходной диагностической информации, включающей в себя вычисление спектральных характеристик и корреляционных функций, цифровую фильтрацию, статистику и т. д.
Для повышения быстродействия системы управления необходимо искать возможность уменьшить число диагностируемых параметров. Для перехода от качественной оценки диагностического состояния объекта к количественной предлагается строить систему принятия решений с использованием комплексного критерия качества, в основе которого - функции желательности Харрингтона. Комплексный критерий качества преследует цель упростить процесс обработки больших объемов диагностических данных, а также получить дифференцированную оценку технического состояния оборудования, в достаточной степени независимую от способа диагностики [1].
Идея использования функции желательности в качестве оценочного параметра заключается в том, что значение каждого из параметров диагностики уи, которых в задаче может быть сколь угодно много, переводится в соответствующую желательность йи:
йи = ехр[-ехр(-уи)].
Полученная шкала желательности изменяется от 0 до 1:
— 0-0,37 - нежелательный уровень;
— 0,37-0,63 - хороший и удовлетворительный уровень;
— 0,63-0,8 - хороший уровень;
— 0,8-1,0 - отличный уровень.
Затем формируется обобщенная функция желательности В, представляющая собой среднее геометрическое желательностей отдельных оценочных параметров:
В = 2... йд ,
где q - число параметров диагностики.
Методология системного моделирования служит концептуальной основой системноориентированной структуризации предметной области. В этом случае исходными компонентами концептуализации являются системы и взаимосвязи между ними. Результатом системного моделирования является построение некоторой модели системы и соответствующей предметной области, которая описывает аспекты системы, важнейшие с точки зрения решаемой проблемы.
Общей особенностью моделирования является существование некоторой зависимости или отношения, связывающего входные и выходные переменные модели системы, представляемой в форме так называемого «черного ящика». Для конструктивного решения подобной задачи разработан специальный математический аппарат, получивший название нейронных сетей. Достоинством моделей, построенных на основе нейронных сетей, является возможность получать новую информацию о проблемной области в форме некоторого прогноза. При этом построение и настройка нейронных сетей осуществляются посредством их обучения на основе имеющейся и доступной информации.
Концептуальной основой и составной частью искусственных нейронных сетей является так называемый искусственный нейрон, который имеет определенную внутреннюю структуру и правила преобразования сигналов.
Дальнейшим развитием нейронных сетей являются так называемые гибридные сети, которые представляют собой многослойную нейронную сеть специальной структуры без обратных связей. Основная идея, положенная в основу модели гибридных сетей, заключается в том, чтобы использовать существующую выборку данных для определения параметров функций принадлежности, которые лучше всего соответствуют некоторой системе нечеткого вывода. При этом для нахождения параметров функций принадлежности используются известные процедуры обучения нейронных сетей.
Процесс построения и использования нейросетевых моделей состоит из следующих этапов.
1. Выбор типа и структуры нейронной сети для решения поставленной проблемы (синтез структуры нейронной сети).
2. Обучение нейронной сети (определение численных значений веса каждого из нейронов) на основе имеющейся информации о решении данной задачи экспертом или данных о решении задачи в прошлом.
3. Проверка нейронной сети на основе использования некоторого контрольного примера (необязательный этап).
4. Использование обученной нейронной сети для решения поставленной задачи.
Одним из основных направлений практического использования нейронных сетей являются задачи распознавании образов, экстраполяции и интерполяции функциональных зависимостей, классификации и прогнозирования, нелинейного и ситуационного управления, а также интеллектуального анализа данных (Data Mining).
Архитектура или модель нечеткого управления основана на замене классической системы управления системой нечеткого управления, в качестве которой используются системы нечеткого вывода. В этом случае модель нечеткого управления (рис. 1) строится с учетом необходимости реализации всех этапов нечеткого вывода, а сам процесс вывода реализуется на основе одного из алгоритмов нечеткого вывода. В качестве датчиков вибрации в систему интегрирован виброанализатор 795М с программным обеспечением «Конспект» [2].
Рис. 1. Архитектура компонентов процесса нечеткого управления
В нашем случае использование нейронных сетей в задачах управления рассматривается в задаче управления электрооборудованием (дизель-генератором) при различных диагностируемых параметрах.
Для реализации процесса нечеткого моделирования в среде MATLAB предназначен специальный пакет расширения Fuzzy Logic Toolbox [3].
В пакете Fuzzy Logic Toolbox системы MATLAB гибридные сети реализованы в форме так называемой адаптивной системы нейронечеткого вывода ANFIS.
С одной стороны, гибридная сеть ANFIS - нейронная сеть с единственным выходом и несколькими входами, которые представляют собой нечеткие лингвистические переменные. При этом термы входных лингвистических переменных описываются стандартными для системы МАТЬАВ функциями принадлежности, а термы выходной переменной представляются линейной или постоянной функцией принадлежности.
С другой стороны, гибридная сеть ANFIS представляет собой систему нечеткого вывода FIS типа Сугено нулевого или первого порядка, в которой каждое из правил нечетких продукций имеет постоянный вес, равный 1.
С помощью редактора-отладчика га-файлов подготовим обучающие данные, которые содержат 10 строк «значения входных переменных - значение выходной переменной» следующего вида. Сохраним обучающие данные во внешнем файле с именем model.dat. В качестве входных переменных используем обобщенный критерий Харрингтона D, максимальный dBm и собственный dBc шумы подшипника [4]. В качестве выходной переменной используем степень работоспособности оборудования R.
После обучения гибридной сети можно визуально оценить структуру построенной нечеткой модели (рис. 2). Очевидно, что графическая наглядность данной модели оставляет желать лучшего, поскольку общее количество правил в разработанной адаптивной системе нейронечеткого вывода равно 27, что затрудняет их визуальный контроль и оценку.
Рис. 2. Структура сгенерированной системы нечеткого вывода
С помощью графических средств системы МАТЬАВ можно выполнить контроль и настройку параметров функций принадлежности входных переменных и правил нечетких продукций. Для выполнения соответствующих операций можно воспользоваться редактором функций принадлежности (рис. 3). Однако до проверки адекватности построенной нечеткой модели оставим все параметры функций принадлежности без изменений.
Рис. 3. Графический интерфейс редактора функций принадлежности построенной системы нечеткого вывода для проверки первой входной переменной
Анализ адекватности построенной модели можно выполнить с помощью просмотра правил соответствующей системы нечеткого вывода (рис. 4).
Рис. 4. Графический интерфейс просмотра правил сгенерированной системы нечеткого вывода
Проверка построенной модели гибридной сети может быть выполнена для нескольких значений выходной переменной. Сравнение результатов нечеткого вывода для этих значений входных переменных, полученных на основе численных расчетов и с помощью разработанной нечеткой модели МАТЬАВ, показывает хорошую согласованность модели и подтверждает ее адекватность в рамках рассматриваемой модели.
Разработанная модель управления судовым электрооборудованием по диагностируемым параметрам на основе комплексного метода с использованием графических средств системы МАТЬАВ может выполнить оценку системы нечеткого вывода для задачи автоматического управления электрооборудованием.
Решение задачи управления технологическими процессами с диагностическими системами на основе комплексного метода имеет существенное значение для повышения качества управления электрооборудованием.
СПИСОК ЛИТЕРАТУРЫ
1. Головко С. В., Нестеров О. С. Чавычалов Д. Ю. Инновационный диагностический комплекс // Материалы Всерос. науч. конф. «Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2007». - Астрахань: Изд. дом «Астраханский университет», 2007. - С. 80-84.
2. Вахромеев О. С. Управление диагностическими комплексами судовых средств автоматизации на основе комплексного метода: автореф. дис. ... канд. техн. наук. - Астрахань, 2008. - 20 с.
3. Леоненков А. В. Нечеткое моделирование в среде МАТЬАВ и ^2уТЕСН. - СПб.: БХВ - Петербург, 2005. - 736 с.
4. Информационные технологии в диагностировании судового электрооборудования / О. С. Вахромеев, С. В. Головко, О. С. Нестеров, Д. Ю. Чавычалов // Материалы VII Междунар. науч.-практ. конф. «Теория, методы и средства измерений, контроля и диагностики». - Новочеркасск: ЮРГТУ, 2006. - С. 27-32.
Статья поступила в редакцию 23.09.2008
MODELLING OF SHIP ELECTRICAL EQUIPMENT MANAGEMENT DUE TO DIAGNOSTIC PARAMETERS
S. V. Golovko
To control the condition of the equipment and organization of its servicing, methods and means of diagnosis allowing to estimate the condition of the control object in the present situation and forecasting its condition on the near future are required. Searching for defects is realized on the base of measurements and analysis of diagnostic parameters, which quantity can be great enough, but the requirements for speed and accuracy of the measurements are very high. To increase the speed of managerial system, it is necessary to find an opportunity to reduce the quantity of diagnosed parameters. For turning from qualitative estimation of the diagnostic condition of the object to quantitative one it is offered to build the system of decision making with the use of complex criterion of quality built on the base of the function of Harrington’s desirability. The goal of the complex criterion of quality is to simplify the manufacturing process of great volumes of diagnostic data, as well as to receive the differentiated estimation of the technical condition of the equipment, in sufficient degree independent on the way of diagnostics.
Key words: diagnostics, ship electrical equipment, diagnostic parameters, complex criterion of quality, function of Harrington’s desirability, modelling.
