Рассмотрен метод определения технического состояния механической системы, использующий технологии искусственного интеллекта и основанный на применении нейронечетких сетей. Отмечено, что данный метод должен содержать четыре основных этапа. Показана структура системы диагностирования, реализующей данный метод. Приведен пример идентификации неисправностей в механической коробке передач.
Ключевые слова: нейронечеткая сеть, механическая коробка передач, диагностирование.
A method for determining the technical condition of a mechanical system is considered, using artificial intelligence technologies and based on the use of neuro-fuzzy networks. It is noted that this method should contain four main stages. The structure of the diagnostic system that implements this method is shown. An example of identifying faults in a manual transmission is given.
Keywords: neuro-fuzzy network, manual transmission, diagnostics.
Введение
Механическая коробка передач и трансмиссия в целом — одна из наиболее нагруженных систем военных машин, работающая в эксплуатационных сложных условиях Вьетнама, поэтому для нее очень высока вероятность поломок. В этой статье автор предлагает методики диагностирования МКП на основе интеллектуальных искусственных технологий.
В процессе эксплуатации машин в механической коробке передач могут возникнуть следующие неисправности:
Возможные неисправности коробки передач, привода управления и привода вентилятора:
— Рычаг кулисы не входит в вырез козырька при включении передачи;
— Шум в коробке при переключении передач; передачи или не включаются, или включаются с трудом. Самопроизвольное выключение передач;
— Течь масла из коробки передач через уплотнения валов;
— После постановки рычага кулисы во включенное положение передача не включается;
— Повышенное буксование фрикциона вентилятора, вследствие чего нарушается нормальный температурный режим двигателя.
Опубликованные работы по диагностированию машин носят узколокальный характер. Они посвящены использованию методов оценки технического состояния отдельных механизмов преимущественно стационарными или переносными техническими средствами. При этом отсутствует системный теоретический подход к проблеме диагностирования машин, не разработаны методологические вопросы технического диагностирования на основе современных средств и новых технологий. Кроме того, большинство работ посвящены косвенным методам исследования. Применение прямых методов в инженерной практике при решении задач диагностирования сдерживается сложностью математического описания и анализа внутренних динамических процессов в объекте, что ставит проблему дальнейшего развития и совершенствования методов технического диагностирования. Совершенно очевидно, что для решения отмеченных проблем необходимы новые подходы, пути и методы, отличные от классических. Эти пути и методы должны быть, во первых, концептуально обоснованы, во вторых, должны основываться на фундаментальных теоретических разработках и соответствующем математическом аппарате.
Современный этап развития техники характеризуется широким внедрением в системы управления микроэлектроники, позволяющей обеспечить комплексную автоматизацию машин и технических комплексов. Автоматические устройства в этом случае способны выполнять одновременно множество функций. Анализ состояния проблемы автоматизации машин показывает, что классическая теория автоматического управления не дает возможности учета всего разнообразия условий функционирования объекта, а эффективность автоматизации управления и диагностирования на ее научных принципах оказывается гораздо ниже ожидаемой.
Характерной особенностью диагностируемых объектов является неопределенность происходящих при их эксплуатации процессов, непредсказуемое поведение диагностических параметров, множество ситуаций и режимов, неполнота и ограниченность информации.
В этой связи возникает важная задача: собрать побольше диагностической информации и затем быстро и качественно ее обработать. С появлением современных средств сбора и представления информации, а также благодаря колоссальным возможностям бортовой микроэлектроники появились хорошие предпосылки для осуществления диагностирования на качественно новом уровне.
Современные методы диагностирования тесно «работают» с такой формой информации, как научное знание, поскольку она дает реальные предпосылки и является основой для постановки правильного и точного технического диагноза.
Существует два основных метода приобретения научных знаний: теоретический и экспериментальный. Они широко используются в диагностировании.
Теоретический метод основан на проведении комплекса аналитических процедур, теоретических экспериментах на имитационных моделях, использовании математического аппарата, анализе теоретических данных и т. д.
В экспериментальном методе знания для установки технического диагноза поставляют испытания объекта (полунатурные, стендовые, эксплуатационные, ходовые). Естественно, далее эти сведения, полученные в виде осциллограмм, графиков, таблиц, фотографий и т. д., обрабатываются на основе математического аппарата или с помощью визуальных оценок и сравнительного анализа.
Основание
Метод диагностирования, основанный на нечеткой логике. Эксплуатация объектов и механизмов машин происходит в среде нечеткости, ограниченности, размытости, неполноте информации об изменении параметров. Значит, для решения задач диагностирования нужно использовать соответствующий математический аппарат.
Автором разработан уникальный метод диагностирования, основанный на нечеткой логике. Он сводится к следующему.
Для получения информации, необходимой для формирования продукционных правил нечеткой логики, строят функциональные зависимости одних диагностических параметров от других вида
d
k
= f (dl);
где d k, dl — диагностические параметры; m — их количество.
С целью оценки влияния диагностических параметров на характеристики механизмов и элементов объекта диагностирования получают зависимости вида
У
j
= f (d
k
);
где yj — характеристики объекта; n — количество характеристик.
Далее строится экспертная система, предназначенная для определения характера и степени неисправностей МКП. Этапы проведения технической идентификации МКП, включающие комплекс научно-технических и исследовательских работ на стендах и лабораториях.
По методу диагностирования, основанный на нечеткой логике получили результаты, изображённые на рис. 1, 2.
|
|
|
|
Рис. 1. Закон неопределенной системы |
Рис. 2. Изображение результатов по типам диаграммы |
Метод диагностирования, основанный на нейронечеткой идентификации. Сущность метода в следующем. Анализ причин возникновения переходных режимов работы механизмов бронетанковой техники основан на оценке соотношений между изменениями параметров векторов входа Х и выхода Y некоторой системы.
Этапы идентификации технического состояния МКП:
— оснащение датчиками и измерительной аппаратурой МКП;
— проведение экспериментальных исследований на заводских стендах и получение характеристик;
— подключение экспертной интеллектуальной системы к МКП и получение технического диагноза экспертом на мониторе.
Нейронечеткая сеть идентифицирует конкретные неисправности объекта при условии, что она была предварительно обучена распознавать тот или иной отказ либо неисправность. Для обучения используются классические математические принципы обучения нейронных или нейронечетких сетей. Метод содержит несколько этапов.
Этап 1. Сбор экспертной информации по отказам и неисправностям и формирование базы знаний. На данном этапе на основе экспериментальных данных, заключений экспертов и посредством других достоверных источников информации формируется база знаний. Она представляет собой совокупность обучающих выборок, характеризующих признаки и проявления неисправностей; эти выборки в дальнейшем подаются на вход нейронечеткой сети.
Итак, ставится задача определения технического состояния элементов механической коробки передачи военных машин, который эксплуатируется в условиях Вьетнама. Исходная информация о функционировании МКП, поведении ее параметров, возможных неисправностях и причинах их возникновения формируется в виде экспертной базы знаний на основе достоверных данных, полученных от различных источников. В качестве дополнительных источников формирования базы знаний могут служить результаты экспериментальных исследований в стендовых условиях и в процессе ходовых испытаний, а также статистические данные по отказам.
Сформированная база знаний используется при обучении нейронечетких сетей для распознавания неисправностей. Количество продукционных правил подобной базы знаний составляет несколько десятков для описания технического состояния отдельного механизма или несколько сотен для машины в целом.
Этап 2. Создание нейронечеткой модели. Нейронечеткая модель образуется на математической основе теории нейронных сетей и средств нечеткой логики (рис. 3). Входами сети служат информационные переменные X (диагностические параметры), описанные функциями принадлежности
Рис. 3. Нейронечеткая сеть
Для преобразования четких сигналов в нечеткий вид диагностические параметры фаззифицируются. Каждый из диагностических параметров
Для нейронечеткого моделирования используют специализированное программное обеспечение (например, программу Fuzzy Logic Toolbox программного обеспечения MATLAB 7.0). Аппроксимирующая модель включает в себя программу с расширением *.fis, основанную на представлении входных параметров базы нечетких правил нечеткими переменными, и программы формирования тестирующих и обучающих данных *.m на основании реальных процессов функционирования МКП. При использовании модели в режиме реального времени исходные данные об изменении параметров МКП поступают от регистратора — микропроцессора или бортового компьютера.
Структура адаптивной нейронечеткой сети ANFIS, аппроксимирующей выход диагностической системы, показана на рис. 4. При этом число входов сети равно количеству используемых диагностических параметров.
Рис. 4. Структура модели ANFIS
Этап 3. Обучение нейронечеткой сети. При обучении сети на ее вход подают совокупность пар обучающих выборок, характеризующих сочетание диагностических параметров для разных видов технического состояния механизмов МKП. Значение, получаемое на выходе сети, соответствующим образом интерпретируется.
Рис. 5. Адаптивная нейронечеткая сеть ANFIS
Время обучения модели, приведенной на рис. 4, с использованием компьютера с операционной системой Windows XP Professional и установленной вычислительной системой MATLAB 7.0 составляет всего 10 с. Результат обучения сети был достигнут в течение 10 эпох.
Этап 4. Нейронечеткая идентификация и вывод заключения. Этот этап является заключительным в процессе определения технического состояния элементов МКП.
При этом для получения технического диагноза используют обученную нейронечеткую сеть, а на вход сети поставляется информация о параметрах, характеризующих реальные процессы в МКП. Для удобства пользователя диагностической системы числовая информация, получаемая на выходе сети, подвергается дополнительной интерпретации и выдается, к примеру, в вербальном виде (лингвистической форме).
При этом используются специальные окна интерпретатора, в котором информация экспертной системы о техническом состоянии механизмов МКП для выбранного режима функционирования выводится в визуально-вербальном виде. В окне просмотра экспертной системы просматривают графическую информацию о поведении параметров на режиме управления или режиме диагностирования. В специальных строках выводятся разные сообщения: виды и наименования диагностических параметров, их текущие значения, предупреждения о возникновении нештатных ситуаций либо достижении параметров критических значений и др.
Элементы интерфейса экспертной системы могут быть достаточно легко изменены в соответствии с пожеланиями пользователя. Экспертная система для диагностирования МКП, реализующая созданный метод, сопровождается программным обеспечением, разработанным на современных языках программирования с привлечением средств визуальной разработки.
Предложенный метод обеспечивает получение расширенной достоверной базы знаний, быстроту обработки информации, точность получаемого технического диагноза и возможность оперативного определения технического состояния МКП в режиме реального времени.
Преимущества предложенного метода заключаются в следующем:
— возможность использования расширенной достоверной базы знаний;
— высокая скорость обработки информации;
— большая точность технического диагноза;
— возможность оперативного диагностирования в режиме реального времени;
— удобство нормативного диагностирования на специализированных постах, станциях техобслуживания, на горно-обогатительных предприятиях и т. д.
Заключение
Диагностирование сложных технических объектов, заключающееся в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов. Перспективными направлениями развития методов и средств диагностики являются методы, основанные на нечеткой логике или нечетких множествах, экспертные системы и нейронные сети. Искусственные нейронные сети (ИНС) используют для идентификации объектов контроля, распознавания образов и прогнозирования состояния технической системы. Применение ИНС позволит получить повышение быстродействия средств диагностирования за счет распараллеливания потоков обработка диагностической информации. Метод диагностирования сложных технических объектов, основанные на применении нейронечетких сетей, адаптированы к задачам диагностирования механических коробки передач военных машин.
Литература:
- Биргер И. А. Техническая диагностика. — М.: Машиностроение, 1978. — 240 с.
- Викторова Е. В. Применение нечетких нейронных сетей для технической диагностики дорожных машин/ Е. В. Викторова // Вестник ХНАДУ, — 2012, — вып. 56. — С. 98–102.
- Хаханов, В.И., Щерба, О. В. Применение искусственных нейронных сетей для диагностирования цифровых сетей/ В. И. Хаханов, О. В. Щерба// Радиоэлектронные и компьютерные системы. — 2010. — № 5 (46), — С. 15–20.
- Руководство по материальной части и эксплуатации Т-55. Ордена трудового красного знаний. Военное издательство.- Москва 1969, — 665 с.
