Методика определения технического состояния магистральных

ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
Е.В. КРЕХОВ
Серпуховской факультет московской государственной академии
приборостроения и информатики
krekhov@yandex.ru
МЕТОДИКА ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКОГО
СОСТОЯНИЯ МАГИСТРАЛЬНЫХ НАСОСНЫХ
АГРЕГАТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Рассмотрена нейронная сеть, которая служит для диагностирования
магистральных насосных агрегатов. Методика состоит в разделении векторов на классы по видам неисправностей.
В процессе эксплуатации магистральных насосных агрегатов (МНА)
возникает задача определения технического состояния каждого отдельного агрегата или его узлов, причем очень важно, чтобы техническое состояние агрегата определялось без его разборки. Эту задачу решает техническая диагностика в рамках технологии технического обслуживания (ТО)
по состоянию (ТОС) [1]. В основу ТОС положены анализ вибрационного
сигнала и методы анализа трендов общих уровней вибрации, чтобы определить текущее состояние узлов машины и предсказать, когда потребуется ТО.
Сущность вибродиагностики заключается в следующем: во время работы агрегата движение деталей сопровождается соударением, в результате которого по механизмам распространяются колебания. При износе
или возникновении дефектов в механизме нарушаются кинематические
связи между деталями, вследствие чего меняется характер вибрации. Это
свойство используется для оценки технического состояния агрегатов по
параметрам вибрации. Сложный многокомпонентный колебательный
процесс МНА описывается выражением:
xk  t  
q

Ak  cos kt   k  ,
(1)
1
k
p
где Ak ,  k – амплитуда и фазовый угол к-й гармоники; к – порядок гармоники; p, q – целые положительные числа;  – угловая частота вращения
роторах [2].
В технической литературе [1 - 4] описана целая гамма диагностичеУДК 004.032.26(06) Нейронные сети
88
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
ских признаков неисправностей роторного оборудования, которые нуждаются в уточнении для каждого конкретного механизма и условий эксплуатации (климат, режимы работы и др.). Для МНА характерны следующие виды неисправностей [3]:
1. Неуравновешенность (дисбаланс) ротора.
2. Несоосность (расцентровка) валов агрегата.
3. Дефекты подшипников скольжения.
4. Биение шнека.
5. Электромагнитные дефекты двигателя.
Рассмотрим методику классификации данных неисправностей с использованием нейронных сетей. В основу построения нейросети и выбора
данных для ее обучения нами выбрано выделение экстремальных векторов виброскорости, характерных для каждого вида неисправности. Экстремальные вектора выделяются из диагностических спектров, пример
одного из которых изображён на рис. 1.
Рис. 1. Диагностический спектр при неисправности «расцентровка»
В процессе эксплуатации могут возникать несколько неисправностей
одновременно, поэтому целесообразно разбить нейронную сеть на пять
подсетей, диагностирующих определённую неисправность. Разработанная
топология подсети одинакова для каждого вида неисправностей МНА и
представлена на рис. 2.
УДК 004.032.26(06) Нейронные сети
89
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
Рис. 2. Топология нейронной подсети
Выходной вектор каждой нейронной подсети представляет собой вероятность нормальной работы оборудования и неисправности. Для каждой неисправности определяется оптимальный размер вектора по мере
проявления неисправности. В статье представлены вектора с одинаковым
числом компонентов, количество которых равно пяти.
Рассмотрим основные элементы сети. Вектор входных параметров
виброскорости x  ( x1 , x2 , x3 , x4 , x5 ) , выделяемый из всего диагностического спектра. Формальные нейроны типа «a» с пороговой функцией
активации, для выделения только требуемого спектра каждой неисправности. Формальные нейроны типа «b» с функцией активации SOFTMAX
(2), необходимой для выделения вероятности возникновения неисправности.
y ( x) 
ex
 e xi
.
(2)
i
Вероятности возникновения и невозникновения неисправности характеризуют выходной вектор y  ( y 0 , y1 ) .
Рассмотрим обучающее множество (табл. 1) и метод обучения каждой
нейронной подсети.
Синапсы входного слоя являются не настраиваемыми, однако настраиваются пороговые значения формальных нейронов типа «a». Пороги выбираются как значения равные входным векторам обучающего множества для
УДК 004.032.26(06) Нейронные сети
90
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
каждой нейронной подсети. Синапсы выходного слоя, представляющего
собой слой Кохонена, настраиваются по соответственному алгоритму.
Таблица 1
Обучающее множество по видам неисправностей
Дисбаланс
0,16
2,93
7,82
5,14
0,34
Биение шнека
0,01
0,16
0,52
0,39
0,04
Расцентровка
0,08
2,05
3,44
1,43
0,06
Эл.-магнит. дефект дв.
0,14
3
7,12
4,21
0,19
Дефект подшипника
0,18
2,93
7,25
4,52
0,24
Нет неисправности
0
0
0
0
0
Рассмотрим более подробно слой Кохонена.
Задача обучения – научить слой активировать один и тот же нейрон
для похожих входных векторов. Не важно, какой конкретно нейрон будет
активирован. Алгоритм обучения слоя Кохонена [5]:
1. Присвоение начальных значений весовым коэффициентам.
2. Подача на вход одного из векторов, обучающего множества.
3. Расчет выхода слоя Кохонена и определение номера выигравшего
нейрона m0 , выход которого максимален.
4. Коррекция весов только выигравшего нейрона m0 :
wm0  wm0  ( x  wm0 ) .
(3)
Формула коррекции весов записана в виде векторного выражения. Вектор весов wm0 нейрона m0 имеет столько компонент, сколько их у входного вектора x .  – скорость обучения, малая положительная величина.
Выход нейронов слоя Коханена рассчитывается по формуле:
D   xi сi ,
(4)
i 5
где D – выход нейрона, x i – компонент вектора x , c i – весовой коэффициент.
Выигравший нейрон определяется по следующей формуле:
m0  max( D m ) ,
(5)
m
m
где D – выход нейрона m , m0 – выигравший нейрон.
УДК 004.032.26(06) Нейронные сети
91
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
После обучения сети по выбранному множеству были получены тестовые результирующие значения, приведённые в табл. 2.
Таблица 2
Реакция сети на типовые неисправности
Дисбаланс
Биение шнека
Расцентровка
Эл.-магн
дефект дв.
Дефект подшипника
1
0,430158514
2,86579E-06
4,54437E-09
7,0941E-21
1,11831E-28
0,542529588
4,21832E-05
1,60537E-10
7,2911E-24
1,11831E-28
0,430158514
0,995531196
0,000847058
8,1866E-22
1,11831E-28
0,430158514
2,86579E-06
0,99999085
2,476E-16
6,20831E-25
0,430158514
2,86579E-06
4,54437E-09
1
Рассмотрим вероятности возникновения неисправностей и выберем
вероятность перехода из исправного состояния в неисправное состояние
для всех видов неисправностей. Для определения состояния МНА задаем
порог возникновения неисправности на уровне 0.5.
В результате, получаем реакцию нейронной сети при определении неисправностей в виде графиков (рис. 3 – 7).
Таким образом, типовым алгоритмом выявления неисправности с использованием синтезированной и обученной нейронной сети является:
1. Получение диагностического спектра виброскоростей.
2. Разбиение спектра на вектора, то есть на входные значения
нейронной сети.
3. Получение выходов нейронной сети по всем входным векторам.
4. Заключение о наличие неисправности, если вероятность неисправности более 50 %.
5. Определение качественного изменения состояния оборудования в
процессе эксплуатации путем анализа текущего значения вероятности на
выходе нейросети.
УДК 004.032.26(06) Нейронные сети
92
вероятность неисправности
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
вид неисправности
вероятность неисправности
Рис. 3. Реакция нейронной сети при определении неисправности «дисбаланс»
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
вид неисправности
Рис. 4. Реакция нейронной сети при определении неисправности «биение шнека»
УДК 004.032.26(06) Нейронные сети
93
вероятность неисправности
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
вид неисправности
вероятность неисправности
Рис. 5. Реакция нейронной сети при определении неисправности «расцентровка»
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
вид неисправности
Рис. 6. Реакция нейронной сети при определении неисправности
«электромагнитный дефект двигателя»
УДК 004.032.26(06) Нейронные сети
94
вероятность неисправности
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
вид неисправности
Рис. 7. Реакция нейронной сети при определении неисправности
«дефект подшипника»
Анализ результатов теста существующих экспертных систем показал,
что электрические дефекты (например, перемагничивание активного железа ротора) и механические дефекты (например, неравномерность зазора
в подшипниках скольжения) МНА вызывают вибрацию со сходным спектральным составом. Повышение достоверности диагноза в таких случаях
может быть достигнуто при сопоставлении спектра вибрации при включенном двигателе (работающем в режиме холостого хода) и спектра вибрации двигателя на выбеге. Рассмотренный подход к выявлению неисправностей даёт возможность диагностировать неисправности МНА не
только без каких-либо механических вмешательств в работу оборудования, но и не привлекая для этого экспертов, исключив их субъективную
оценку.
Данная нейронная сеть была синтезирована при помощи программы,
специально разработанной нами для изучения ядер и архитектур нейронных сетей путем их комплексирования.
Разработанная нейронная сеть не представляет собой программный
модуль, но может быть использована по назначению из любого приложения, поддерживающего COM-технологию. Такой подход позволяет снизить затраты на создание экспертных систем, повысить достоверность и
УДК 004.032.26(06) Нейронные сети
95
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
объективность определения технического состояния объектов, уменьшить
ресурсы, затрачиваемые операционными системами, при программной
реализации.
Список литературы
1. Randall L. Fox. Previntive maintenance of rotating machinery ising Vibration detection
Gronaud Steel Engineer. 1977, Vol. 54, N 4, p. 52-60.
2. Александров А.А., Барков А.В., Баркова Н.А., Шафранский В.А. Вибрация и вибродиагностика судового электрооборудования. - Л.: Судостроение, 1986.
3. Текин А.Д. Разработка и исследование экспертных систем диагностики магистральных насосных агрегатов на базе портативных виброанализаторов: диссертация канд. техн.
наук: 05.11.13 - М.2000 - 152 c.
4. Изерманн Р. Перспективные методы контроля, обнаружения и диагностики неисправностей и их применение. Приборы и системы управления. 1998. №4.
5. Горбань А.Н. Обучение нейронных сетей. – М.: СП “ПараГраф”, 1990. – 159 с.
УДК 004.032.26(06) Нейронные сети
96